(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211332360.2 (22)申请日 2022.10.28 (71)申请人 中建五局第三建 设有限公司 地址 410004 湖南省长 沙市雨花区井湾路 20号 (72)发明人 陈子奇　林昆　赵延武　秦添　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 胡喜舟 (51)Int.Cl. G06K 9/62(2022.01) G06Q 50/08(2012.01) (54)发明名称 基于无监督学习的危险源预警方法、 装置、 设备及介质 (57)摘要 本发明公开了一种基于无监督学习的危险 源预警方法、 装置、 设备及介质， 其中方法包括： 获取施工区域内施工人员的历史轨迹信息； 提取 并构建无安全隐患轨迹点的特征向量， 形成可信 数据集； 对可信数据集采用DBSCAN算法进行聚 类， 确定聚类参数； 实时采集施工区域内施工人 员的各轨迹点的实时特征向量； 将实时特征向量 与可信数据集进行合并， 基于聚类参数采用 DBSCAN算法对合并后的数据集进行聚类； 判断有 无离群点， 若无离群点， 则说明无异常轨迹； 若有 离群点， 则说明存在异常轨迹， 基于离群点进行 预警。 本发明通过对施工区域进行自主学习， 可 以依据轨迹中的离群点， 发现区域中存在的与其 他类似区域 不同的点 位进行预警。 权利要求书2页 说明书7页 附图1页 CN 115392407 A 2022.11.25 CN 115392407 A 1.一种基于无监 督学习的危险源预警方法， 其特 征在于， 包括： S1： 获取施工区域内施工人员的历史轨 迹信息； S2： 基于历史轨 迹信息提取并构建无安全隐患轨 迹点的特 征向量， 形成可信数据集； S3： 对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行 聚类， 确定聚类参数： 半 径RC、 最小点 位数MinPts及核心点列表L istC； S4： 实时采集施工区域内施工人员的轨 迹信息并构建各轨 迹点的实时特 征向量； S5： 将各轨迹点的实时特征向量与可信数据集进行合并， 基于半径RC、 最小点位数 MinPts及核心点列表L istC， 采用DBSCAN 算法对合并后的数据集进行聚类； S6： 判断有无离群点， 若无离群点， 则说明无异常轨迹； 若有离群点， 则说明存在异常轨 迹， 基于离群点进行 预警。 2.根据权利要求1所述的基于无监督学习的危险源预警方法， 其特征在于， 所述步骤S1 之前还包括： S0： 获取施工区域基础信息 。 3.根据权利要求1所述的基于无监督学习的危险源预警方法， 其特征在于， 轨迹信 息包 括施工人员在各轨 迹点的状态信息和位置信息； 其中状态信息St表示为： St=[x,y,z,vx,vy,vz,ax,ay,az]， 其中， x、 y、 z分别为当前轨 迹点位置在x、 y、 z方向上坐标， vx、 vy、 vz分别为当前轨迹点处施工人员的速度在x、 y、 z方向 上的分量， ax、 ay、 az分别为当前轨 迹点处施工人员的加速度在x、 y、 z方向上的分量； 其中位置信息Xt表示为： Xt=[x,y,z,l1,l2,l3, …,ln]， 其中， l1、 l2、 l3、 …、 ln分别表 示当前轨迹点与 施工区域基础信息中相关构件的最小距离， 施工区域基础信息中相关构件 总数为n。 4.根据权利要求1所述的基于无监督学习的危险源预警方法， 其特征在于， 特征向量At 表示为At =[vx,vy,vz,ax,ay,az,l1,l2,l3, …,ln]， 其中， vx、 vy、 vz分别为 当前轨迹点处施 工人员的速度在x、 y、 z方向上的分量， ax、 ay、 az分别为当前轨迹点处施工人员的加速度在 x、 y、 z方向上的分量， l1、 l2、 l3、 …、 ln分别表示当前轨迹点与施工 区域基础信息中相关构 件的最小距离， 施工区域基础信息中相关构件总数为 n； 可信数据集ListAt表示为： ListAt=[At1,  At2, At3,…, AtN]， 其中AtN表示第N个特 征向量， N 为特征向量总数。 5.根据权利要求1所述的基于无监督学习的危险源预警方法， 其特征在于， 步骤S3具体 包括： S31： 初始化半径R； S32： 采用DBSCAN 算法， 以R为半径， 对可信数据集进行聚类 计算， 并统计离群点数量； S33： 当无离群点时， 减小半径R； 当有离群点时， 增大半径R； S34： 重复步骤S32 ‑ S33， 直至半径R的变化量小于设定阈值， 且无离群点为止， 将此时 的半径R作为 最终的半径RC； S35： 对于此 时形成的簇， 遍历各簇内的点， 寻找以RC为半径范围内有最多点的点， 基于 这些点构成核心点列表 ListC， 将当前核心 点列表ListC中以RC为半径范围内点的数量的最 小值作为 最小点位数MinPts。 6.根据权利要求1至5任一项所述的基于无监督学习的危险源预警方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115392407 A 2还包括： S7： 对于非离群的实时特征向量， 将其标记为可信数据； 对于离群的实时特征向量， 查 明是否真实存在安全隐患， 若不存在安全隐患， 将对应数据标记为可信数据。 7.根据权利要求6所述的基于无监 督学习的危险源预警方法， 其特 征在于， 还 包括： S8： 每运行预设时长， 将新的可信数据添加至可信数据集中， 并同时从可信数据集中剔 除相同数量的最早采集的历史数据； 并重新计算半径RC、 最小点位数MinPts及核心点列表 ListC， 应用于下一阶段危险源预警。 8.一种基于无监 督学习的危险源预警装置， 其特 征在于， 包括： 历史数据获取模块， 用于获取施工区域内施工人员的历史轨 迹信息； 可信数据集生成模块， 用于基于历史轨迹信 息提取并构建无安全隐患轨迹点的特征向 量， 形成可信数据集； 聚类参数获取模块， 用于对可信数据集中各轨迹点的特征向量采用DBSCAN算法进行聚 类， 确定聚类参数： 半径RC、 最小点 位数MinPts及核心点列表L istC； 实时数据获取模块， 用于实时采集施工区域内施工人员的轨迹信 息并构建各轨迹点的 实时特征向量； 实时聚类模块， 用于将各轨迹点的实时特征向量与可信数据集进行合并， 基于半径RC、 最小点位数MinPts及核心点列表L istC， 采用DBSCAN 算法对合并后的数据集进行聚类； 预警模块， 用于判断有无离群点， 若无离群点， 则说明无异常轨迹； 若有离群点， 则说明 存在异常轨 迹， 基于离群点进行 预警。 9.一种电子设备， 其特 征在于， 包括： 存储器， 其上存 储有计算机程序； 处理器， 用于加载并执行所述计算机程序时， 实现如权利要求1至7任一项所述的基于 无监督学习的危险源预警方法的步骤。 10.一种计算机可读存储介质， 其存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1至7任一项所述的基于无监督学习的危险源预警方法的步 骤。权　利　要　求　书 2/2 页 3 CN 115392407 A 3