CN104834669A - 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 - Google Patents
一种基于时空语义转移矩阵的疑犯多阶位置预测方法 Download PDFInfo
- Publication number
- CN104834669A CN104834669A CN201510120025.XA CN201510120025A CN104834669A CN 104834669 A CN104834669 A CN 104834669A CN 201510120025 A CN201510120025 A CN 201510120025A CN 104834669 A CN104834669 A CN 104834669A
- Authority
- CN
- China
- Prior art keywords
- suspect
- anchor
- transfer
- anchor point
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明属于地理信息科学、数据挖掘技术、犯罪特征分析技术领域,尤其涉及一种基于时空语义转移矩阵的疑犯多阶位置预测方法,主要包括以下步骤:(1)将疑犯停留的空间位置进行网格化;(2)以网格作为位置的基本单元,将轨迹中疑犯锚点(疑犯轨迹中的位置记录)向非锚点转移、非锚点向锚点转移或非锚点向非锚点转移,将其转变为网格间的转移,估算具有相似潜在犯罪特征的区域,以确定疑犯在犯罪区域的驻留强度;(3)基于相似潜在犯罪特征的区域,估算网格间的驻留强度,预测疑犯的所在位置;本发明通过轨迹中锚点间的转移来估算其他位置间的转移频度,最终实现疑犯位置预测,提高了模型的预测能力。
Description
技术领域
本发明属于地理信息科学、数据挖掘技术、犯罪特征分析技术领域,尤其涉及一种基于时空语义转移矩阵的疑犯多阶位置预测方法。
背景技术
受益于当前信息化技术的进步和普及,警方能通过多种信息化途径和设备对重点跟踪对象日常行为的发生位置进行监控,从而了解和掌握他们的行为及行为发生的位置,在敏感时期和敏感位置及时向有关负责人通报疑犯的驻留情况,并能用以基于位置分析他们与案件的嫌疑性和关联性,由于重点人员监测数据是按照时间序列对其所在位置的记录集合,反映了其社会运动和位置变化的路线,因此,我们称监测数据为轨迹数据;总的来说,轨迹数据的来源为:
(1)移动通讯数据:手机信号、基站位置等都能反映手机携带者的位置信息,此外,移动电话短信、来去电和通讯录等信息,都能成为疑犯行为、意图、是否为团伙成员等判断的依据;
(2)网络数据:网页浏览记录、IP地址,还有如今的微博、Checkin、地理标识的照片流、博客、QQ即时通软件等,都能无时不刻的反映被跟踪人的地理位置、社会关系、生活习性等信息;
(3)GPS数据:移动设备中的GPS信号,交通工具如出租车的GPS数据,会反映出被跟踪人较为精细的位置转移信息和活动轨迹;
(4)交通数据:公汽、地铁的交通卡刷卡和飞机、火车的身份证登记等方式,会留下被跟踪人的位置信息;
(5)消费数据:在住宿、娱乐、购物时的银行卡刷卡行为和登记行为,可暴 露出被跟踪人的位置和行为信息;
(6)摄像头数据:在大街小巷、商场、交通要道、住宅小区等地方,一个个电子眼和视频监控探头,也会分别记录被跟踪人的活动轨迹;
(7)调访数据:公安人员走访案件相关人员所获得的疑犯停留位置、逃离方向、行为或社会关系等数据。
通过选取其中具有明显特征的时空节点,,确定疑犯在社会活动和行为模式,为侦查人员的案情分析、疑犯快速锁定等提供了有利的基础和条件;尽管疑犯轨迹稀疏性强,疑犯位置分布较常人更加分散,位置转移的时空跨度不确定性强,但其在语义地理空间、语义行为序列上具有较强的规律性。这表现在:
首先,尽管疑犯个体的物理轨迹具有特殊性,但通过计算不同疑犯轨迹中的时空语义相似性,可发现疑犯间的相似性,聚合相似疑犯的轨迹,即可部分解决数据稀疏问题,提高预测效果;
其次,尽管轨迹中缺失了疑犯在许多其他位置的停留情况,但疑犯常常会在锚点附近的场所活动,这些场所可能是疑犯居住、积聚、休闲、踩点甚至是作案位置等关键区域,因此,我们将轨迹锚点作为疑犯在以该锚点为中心的某地理范围活动的记录,从而获取了更多疑犯的转移信息;
最后,依据日常行为理论,疑犯倾向于到达与自己日常生活区域邻近且地理环境熟悉或相似的区域,因此,通过区域间的潜在犯罪特征相似性以及疑犯的历史犯案位置等先验知识,可进一步挖掘出疑犯在位置间的转移模式。
发明内容
本发明的目的为解决现有技术的上述问题,本发明采用的技术方案如下:
一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:主要包括以下步骤:
(1)将疑犯停留的空间位置进行网格化,获得g×g格网,G={p0,p1,p2,…,pi,…,pij,…,pg×g},pi为网格G集合中的单个网格;
(2)以网格作为位置的基本单元,将轨迹中疑犯锚点(疑犯轨迹中的位置记录)向非锚点转移、非锚点向锚点转移或非锚点向非锚点转移,将其转变为网格间的转移,估算具有相似潜在犯罪特征的区域,以确定疑犯在犯罪区域的驻留强度;
(3)基于相似潜在犯罪特征的区域,估算网格间的驻留强度,预测疑犯的所在位置。
优选地,将发生转移的原点为锚点p0向终点为非锚点px转移的频度为cx用式①表示:
其中,r0,r1,…,rm为px所在区域的潜在犯罪特征,γ0为带宽。
优选地,将发生转移的原点为非锚点px向终点为锚点p0x转移的频度为c0用式②表示:
此时,cx为px向p0的转移频度,ci为pi向p0的转移频度。
优选地,非锚点px至非锚点py的转移频度用式③表示:
优选地,所述疑犯在犯罪区域的驻留强度ξA度用式④表示:
优选地,所述疑犯的所在位置用式⑤表示:其中,x为两位置间的距离,β为调节系数,α=4.06。
综上所述,本发明具有以下有益效果:
(1)本发明通过轨迹中锚点间的转移来估算其他位置间的转移频度,最终实现疑犯位置预测,提高了模型的预测能力。
(2)从更高层次上抽象出疑犯的转移特征,进行位置转移频度估算,不仅能进行更多位置的预测,避免了隐藏源点位置和隐藏目标位置对模型可用性的影响,提高了位置预测准确率。
附图说明
为了更清楚地说明本发明实例或现有技术中的技术方案,下面将对实施实例或现有技术描述中所需要的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实例,对于本领域普通技术人员来说,在不付出创造性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的疑犯的位置转移过程示意图。
图2是本发明的疑犯不同节点间的转移轨迹关系示意图。
图3是本发明的疑犯不同节点间的多条转移轨迹关系示意图。
图4是本发明的疑犯不同节点间的最短转移轨迹关系示意图。
具体实施方式
下面将结合本发明实例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于时空语义转移矩阵的疑犯多阶位置预测方法,主要包括以下步骤:
(1)将疑犯停留的空间位置进行网格化,获得g×g格网,G={p0,p1,p2,…,pi,…,pij,…,pg×g},pi为网格G集合中的单个网格;
(2)以网格作为位置的基本单元,将轨迹中疑犯锚点向非锚点转移、非锚点向锚点转移或非锚点向非锚点转移,将其转变为网格间的转移,估算具有相似潜在犯罪特征的区域,以确定疑犯在犯罪区域的驻留强度;
(3)基于相似潜在犯罪特征的区域,估算网格间的驻留强度,预测疑犯的所在位置。
在本发明中,如果已知锚点为p0,非锚点px,设px的所有密度吸引子所在区域分别为r0,r1,…,rm,则p0向px转移的频度为p0至px所有密度吸引子(锚点)转移频度的密度期望值(均值),如果每个密度吸引子出现的概率相等且同分布独立,则p0向px转移的频度cx为,将发生转移的原点为锚点p0向终点为非锚点px转移的频度为cx用式①表示:
其中,r0,r1,…,rm为px所在区域的潜在犯罪特征,γ0为带宽。
以原点为非锚点px向终点为锚点p0,px向p0的转移频度为px所有密度吸引子(锚点)向p0转移频度的密度期望值,即转移的频度为c0用式②表示:
此时,cx为px向p0的转移频度,ci为pi向p0的转移频度。
非锚点px至非锚点py的转移频度可以从两方面获取:一个是以px为主,观测px周围的锚点与py的转移频度,以此计算px与py之间的转移频度;另一个是py为主,观测px与py周边锚点的转移频度,以此来计算px与py之间的转移频度。设已计算出第一种情况和第二种情况下的px和py的转移频度,分别为cxy和cyx,则px与py的转移频次为他们的均值,非锚点px至非锚点py的转移频度用式③表示:
其中px和py的转移频度分别为cxy和cyx。
所述疑犯在犯罪区域的驻留强度ξA度用式④表示:
其中,Cm A,表示每个疑犯的锚点到达区域A的次数,疑犯轨迹所包含的锚点总数为Cm。
在本发明中,所述疑犯的所在位置用:表示,其中, x为两位置间的距离,β为调节系数,α=4.06,最小值(xmin)为0.83。
作为本发明的具体实施例,如图1所示,若所选的区域为A,从源点起,疑犯可能会经过多个中间节点到达终点,因此a0→a1、a1→a2、a2→a3之间的转移来自不同疑犯的不同轨迹,如果仅通过一阶Markov链(马尔可夫链)描述,a0→ a3之间的转移概率仍然为0,但是,通过一阶位置转移矩阵的M次内乘,则能融合疑犯及多个疑犯之间的轨迹,描述两位置经过最多M个中间节点发生转移的总概率,在图1中每个节点向自己转移的概率都为0.1,a0→a1、a1→a2、a2→a3的概率都为0.9,通过一阶Markov转移矩阵的M=2次内乘,即可获取a0→a3通过任意2个节点(这里是通过a1和a2)转移的总转移概率为0.729,如以下三个计算式表示一阶位置转移矩阵的2次内乘:
结合图2、图3和图4,当M∈[0,∞)时,M为任意实整数,节点ps和pe之间有多条轨迹,或没有轨迹,则将无法获取ps和pe之间的M值,此时,两位置间所经历的中间节点应尽可能由轨迹数据表达,以反映所选择区域A中路径选择的约束,因此M值由发生转移的两位置以及它们之间的轨迹所构成的最短路径确定(M值为最短路径中包括的中间节点数量),在面临两位置间没有直连轨迹,或两位置间存在的若干条互不相连轨迹的问题时,可通过两位置与轨迹、轨迹与轨迹之间的“连接”,获得两位置间所跨越的最少节点数量作为M值,如图2所示,如果ps和pe之间有多条轨迹,则虚线箭头所指示的最短路径中包括的中间节点数量即为M值;如图3所示,如果ps和pe之间没有直接相连的轨迹,则寻找一条将它们相连的最短路径,如图4中虚线箭头所示,每对位置间转移的中间节点数量M值是不同的。
以上所述仅为发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:主要包括以下步骤:
(1)将疑犯停留的空间位置进行网格化,获得g×g格网,G={p0,p1,p2,…,pi,…,pij,…,pg×g},pi为网格G集合中的单个网格;
(2)以网格作为位置的基本单元,将轨迹中疑犯锚点向非锚点转移、非锚点向锚点转移或非锚点向非锚点转移,将其转变为网格间的转移,估算具有相似潜在犯罪特征的区域,以确定疑犯在犯罪区域的驻留强度;
(3)基于相似潜在犯罪特征的区域,估算网格间的驻留强度,预测疑犯的所在位置。
2.根据权利要求1所述的一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:将发生转移的原点为锚点p0向终点为非锚点px转移的频度为cx用式①表示:
且......①,其中,r0,r1,…,rm为px所在区域的潜在犯罪特征,γ0为带宽。
3.根据权利要求1所述的一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:将发生转移的原点为非锚点px向终点为锚点p0x转移的频度为c0用式②表示:
且……②,
此时,cx为px向p0的转移频度,ci为pi向p0的转移频度。
4.根据权利要求1所述的一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:非锚点px至非锚点py的转移频度用式③表示:
……③,
其中px和py的转移频度分别为cxy和cyx。
5.根据权利要求1所述的一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:所述疑犯在犯罪区域的驻留强度ξA度用式④表示:
……④,
其中,Cm A,表示每个疑犯的锚点到达区域A的次数,疑犯轨迹所包含的锚点总数为Cm。
6.根据权利要求5所述的一种基于时空语义转移矩阵的疑犯多阶位置预测方法,其特征在于:所述疑犯的所在位置用式⑤表示:
……⑤,
其中,x为两位置间的距离,β为调节系数,α=4.06。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510120025.XA CN104834669A (zh) | 2015-03-18 | 2015-03-18 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510120025.XA CN104834669A (zh) | 2015-03-18 | 2015-03-18 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104834669A true CN104834669A (zh) | 2015-08-12 |
Family
ID=53812557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510120025.XA Pending CN104834669A (zh) | 2015-03-18 | 2015-03-18 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834669A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260795A (zh) * | 2015-10-13 | 2016-01-20 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
CN105404890A (zh) * | 2015-10-13 | 2016-03-16 | 广西师范学院 | 一种顾及轨迹时空语义的犯罪团伙判别方法 |
CN107784769A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视系统技术有限公司 | 一种报警方法、装置及系统 |
CN107862868A (zh) * | 2017-11-09 | 2018-03-30 | 泰华智慧产业集团股份有限公司 | 一种基于大数据进行车辆轨迹预测的方法 |
CN108874911A (zh) * | 2018-05-28 | 2018-11-23 | 广西师范学院 | 基于区域环境与犯罪事件数据的疑犯位置预测方法 |
CN109241809A (zh) * | 2017-07-10 | 2019-01-18 | 中兴通讯股份有限公司 | 一种数据分析方法、相关设备和计算机可读存储介质 |
CN110347760A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体系统 |
CN115840857A (zh) * | 2023-02-22 | 2023-03-24 | 昆明理工大学 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009007965A2 (en) * | 2007-07-09 | 2009-01-15 | Technion Research & Development Foundation Ltd | Routing methods for multiple geographical entities |
CN103116696A (zh) * | 2013-01-16 | 2013-05-22 | 上海美慧软件有限公司 | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 |
CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
-
2015
- 2015-03-18 CN CN201510120025.XA patent/CN104834669A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009007965A2 (en) * | 2007-07-09 | 2009-01-15 | Technion Research & Development Foundation Ltd | Routing methods for multiple geographical entities |
CN103116696A (zh) * | 2013-01-16 | 2013-05-22 | 上海美慧软件有限公司 | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 |
CN104408203A (zh) * | 2014-12-18 | 2015-03-11 | 西安电子科技大学宁波信息技术研究院 | 一种预测移动对象轨迹终点的方法 |
Non-Patent Citations (1)
Title |
---|
HUA LIU,DONALD E. BROWN: ""Criminal incident prediction using a point-pattern-based density model"", 《INTERNATIONAL JOURNAL OF FORECASTING》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404890B (zh) * | 2015-10-13 | 2018-10-16 | 广西师范学院 | 一种顾及轨迹时空语义的犯罪团伙判别方法 |
CN105404890A (zh) * | 2015-10-13 | 2016-03-16 | 广西师范学院 | 一种顾及轨迹时空语义的犯罪团伙判别方法 |
CN105260795A (zh) * | 2015-10-13 | 2016-01-20 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
CN105260795B (zh) * | 2015-10-13 | 2019-05-03 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
CN107784769B (zh) * | 2016-08-26 | 2020-07-31 | 杭州海康威视系统技术有限公司 | 一种报警方法、装置及系统 |
CN107784769A (zh) * | 2016-08-26 | 2018-03-09 | 杭州海康威视系统技术有限公司 | 一种报警方法、装置及系统 |
CN109241809A (zh) * | 2017-07-10 | 2019-01-18 | 中兴通讯股份有限公司 | 一种数据分析方法、相关设备和计算机可读存储介质 |
CN107862868A (zh) * | 2017-11-09 | 2018-03-30 | 泰华智慧产业集团股份有限公司 | 一种基于大数据进行车辆轨迹预测的方法 |
CN107862868B (zh) * | 2017-11-09 | 2019-08-20 | 泰华智慧产业集团股份有限公司 | 一种基于大数据进行车辆轨迹预测的方法 |
CN108874911A (zh) * | 2018-05-28 | 2018-11-23 | 广西师范学院 | 基于区域环境与犯罪事件数据的疑犯位置预测方法 |
CN108874911B (zh) * | 2018-05-28 | 2019-06-04 | 广西师范学院 | 基于区域环境与犯罪事件数据的疑犯位置预测方法 |
CN111292523A (zh) * | 2018-12-06 | 2020-06-16 | 中国信息通信科技集团有限公司 | 网络智能体系统 |
CN110347760A (zh) * | 2019-05-30 | 2019-10-18 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN110347760B (zh) * | 2019-05-30 | 2021-07-09 | 中国地质大学(武汉) | 一种用于失踪人群时空定位服务的数据分析方法 |
CN115840857A (zh) * | 2023-02-22 | 2023-03-24 | 昆明理工大学 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
CN115840857B (zh) * | 2023-02-22 | 2023-05-09 | 昆明理工大学 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834669A (zh) | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 | |
Liu et al. | Fraud detection from taxis' driving behaviors | |
Lu | Modeling network resilience of rail transit under operational incidents | |
Zhao et al. | Urban human mobility data mining: An overview | |
Hong et al. | Vulnerability assessment and mitigation for the Chinese railway system under floods | |
Zheng et al. | Diagnosing New York city's noises with ubiquitous data | |
Rathore et al. | Efficient graph-oriented smart transportation using internet of things generated big data | |
Fernández-Ares et al. | Studying real traffic and mobility scenarios for a Smart City using a new monitoring and tracking system | |
Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
Nadembega et al. | A destination and mobility path prediction scheme for mobile networks | |
Petrovska et al. | Traffic congestion analysis visualisation tool | |
Holleczek et al. | Detecting weak public transport connections from cellphone and public transport data | |
Wang et al. | TrafficChain: A blockchain-based secure and privacy-preserving traffic map | |
Rathore et al. | Exploiting real-time big data to empower smart transportation using big graphs | |
Asgari et al. | CT-Mapper: Mapping sparse multimodal cellular trajectories using a multilayer transportation network | |
Kozievitch et al. | Exploratory analysis of public transportation data in Curitiba | |
CN114757389A (zh) | 一种基于联邦学习的城市交通流量时空预测方法 | |
Gong et al. | A location prediction scheme based on social correlation | |
Aboualola et al. | Edge technologies for disaster management: A survey of social media and artificial intelligence integration | |
CN109558961A (zh) | 确定位置信息的方法和系统、存储介质、处理器以及装置 | |
Yang et al. | Arterial link travel time estimation considering traffic signal delays using cellular handoff data | |
Platos et al. | Population data mobility retrieval at territory of Czechia in pandemic COVID‐19 period | |
Holleczek et al. | Digital breadcrumbs: Detecting urban mobility patterns and transport mode choices from cellphone networks | |
He et al. | Crowd-Sensing Enhanced Parking Patrol Using Sharing Bikes’ Trajectories | |
Onnela et al. | Investigating population dynamics of the Kumbh Mela through the lens of cell phone data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150812 |