CN105069130A - 一种嫌疑对象预测方法 - Google Patents
一种嫌疑对象预测方法 Download PDFInfo
- Publication number
- CN105069130A CN105069130A CN201510501876.9A CN201510501876A CN105069130A CN 105069130 A CN105069130 A CN 105069130A CN 201510501876 A CN201510501876 A CN 201510501876A CN 105069130 A CN105069130 A CN 105069130A
- Authority
- CN
- China
- Prior art keywords
- feature
- case
- data
- suspicion
- personnel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种嫌疑对象预测方法,其包括以下步骤:获取足够数量的历史案件数据的案件特征与嫌疑对象特征,将所述案件特征作为特征项,将嫌疑对象特征作为标签项进行训练得到嫌疑对象特征预测模型;获取某一特定案件的案件特征,并将所述案件特征输入到所述嫌疑对象特征预测模型中请求特征预测,得到嫌疑对象预测特征;获取所述特定案件的发生地一定范围内的人员登记信息,在所述人员登记信息中筛选得到预测的嫌疑对象。本发明通过历史案件数据训练得到嫌疑对象特征预测模型,只需向嫌疑对象特征预测模型输入特定案件的案件特征,即可得到嫌疑对象的预测特征,然后在输入的时间地点范围筛选排查可能的嫌疑对象,过滤不符合预测特征的人员。
Description
技术领域
本发明涉及数据挖掘技术,特别是一种根据案件特征预测案件的嫌疑对象的预测方法。
背景技术
随着数据挖掘技术的发展以及公安数据信息化的进程越发深入,从历史数据中挖掘新的公安业务知识为公安业务决策提供支持已经变得可能且现实。使用数据挖掘技术为公安侦破案件提供决策支持可以提升案件侦破可能。因此,利用数据挖掘技术为案件侦破提供决策依据符合时代发展与公安需求。
在传统信息化时代,公安信息系统可以为案件侦破工作提供基础的查询统计服务。从数据库中查询历史案件信息,人工分析案件结果,并对新案件进行录入统计等操作。系统根据公安业务经验进行查询条件的开发,减少人工分析的时间。
发明内容
为解决上述技术问题,本发明提供了一种嫌疑对象预测方法,其包括以下步骤:
获取足够数量的历史案件数据的案件特征与嫌疑对象特征,将所述案件特征作为特征项,将嫌疑对象特征作为标签项进行训练得到嫌疑对象特征预测模型;
获取某一特定案件的案件特征,并将所述案件特征输入到所述嫌疑对象特征预测模型中请求特征预测,得到嫌疑对象预测特征;
获取所述特定案件的发生地一定范围内的人员登记信息,将所述人员登记信息与所述嫌疑对象预测特征进行比对,在所述人员登记信息中筛选得到预测的嫌疑对象。
较佳地,所述历史案件数据可实时更新,所述嫌疑对象特征预测模型具有训练数据的路径接口,所述更新后的历史案件数据通过所述路径接口输入至所述嫌疑对象特征预测模型进行训练。
较佳地,所述获取足够数量的历史案件数据的案件特征与嫌疑对象特征过程包括:
首先对所述历史案件数据进行清洗转换,得到指定路径读取指定格式的样本数据;
然后对清洗之后的样本数据进行预处理操作,去除包含重复、空白的记录数据以及不符合规定格式的数据。
较佳地,所述案件特征的特征字段包括预备手段、作案天气、组织形式、试探方式、选择机会、暴力胁迫、用计算机、作案范围、伪装灭迹、选择天气、窃取手段、选择潮汐、选择日期、侵入手段、妨害手段、欺诈手段、勾结形式、行为特点、选择时间、选择星期,所述嫌疑对象特征包括性别、民族、身份、政治面貌、文化程度、是否吸毒、是否惯犯、是否精神病人、是否未成年;
所述历史案件数据结合了weka开源数据挖掘包,先经过转换得到.taff格式,修改格式后的数据文件格式分为声明部分和数据部分,所述声明部分说明所有的训练集数据的特征空间,所述数据部分包含训练数据的所有内容,其具体格式为:
Relation字段,用于描述数据关系的内容;
attributexx{a,b,c,…}字段,用于数据属性集合描述;
Data字段,数据主体部分。
较佳地,当获取的所述特定案件的案件特征不完整时,根据已输入案件特征与历史案件数据自动填充未填写的案件特征。
较佳地,所述获取所述特定案件的发生地一定范围内的人员登记信息具体过程包括:
获取所述特定案件的发生地所在经纬度,获取以所述经纬度点为圆心的指定半径内区域的人员登记信息。
较佳地,将所述人员登记信息与所述嫌疑对象预测特征进行比对,在所述人员登记信息中筛选得到预测的嫌疑对象过程包括:
将嫌疑对象预测特征与所述人员登记信息中各个人员的特征字段进行比对,相同特征字段数量超过设定值的人员即为预测的嫌疑对象。
本发明具有以下有益效果:
本发明通过历史案件数据训练得到嫌疑对象特征预测模型,只需向嫌疑对象特征预测模型输入特定案件的案件特征,即可得到嫌疑对象的预测特征;本发明根据输入的时间地点范围筛选排查可能的嫌疑对象,过滤不符合预测特征的人员。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的嫌疑对象预测特征的获取流程图;
图2为本发明实施例提供的嫌疑对象预测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明主要为了解决公安案件嫌疑人的特征预测及嫌疑人列表推荐的问题。主要采用数据挖掘的算法,使用历史数据构建嫌疑人特征预测模型,然后根据新的案件特点预测嫌疑人特征。同时,为了有效的推荐可能的嫌疑人,从案件发生的时间地点附近的流动人员中筛选过滤出可能的嫌疑人列表,并排序呈现。其主要的解决方案阐明如下,首先从历史案件数据中产生训练集数据,使用产生的训练数据训练分类算法模型,通过前台传入的案件发生特征预测嫌疑人特征,同时根据案件发生的时间地点筛选出指定时间地点范围内的流动人员信息,根据之前的预测结果过滤流动人员中不符合预测结果的人员。
如图1所示与图2所示,本实施例提供的嫌疑对象预测方法,其具体包括以下步骤:
获取足够数量的历史案件数据的案件特征与嫌疑对象特征,将所述案件特征作为特征项,将嫌疑对象特征作为标签项进行训练得到嫌疑对象特征预测模型;
获取某一特定案件的案件特征,并将所述案件特征输入到所述嫌疑对象特征预测模型中请求特征预测,得到嫌疑对象预测特征;
获取所述特定案件的发生地一定范围内的人员登记信息,将所述人员登记信息与所述嫌疑对象预测特征进行比对,在所述人员登记信息中筛选得到预测的嫌疑对象。
本实施例中,首先需要对所述历史案件数据进行清洗转换,得到指定路径读取指定格式的样本数据;
然后对清洗之后的样本数据进行预处理操作,去除包含重复、空白的记录数据以及不符合规定格式的数据。如长度不符合要求的数据,如身份证号不等于18位;包含字符的数字字段,如身份证号包含非结尾的x字母;错误格式数据,如不符合xxyy.zz的邮箱格式;该数据包括案件发生条件字段和嫌疑人特征字段,其案件特征字段包括多项特征字段,包括作案预备手段、作案天气选择、组织形式、试探方式、选择机会、暴力胁迫、用计算机、作案范围、伪装灭迹、选择天气、窃取手段、选择潮汐、选择日期、侵入手段、妨害手段、欺诈手段、勾结形式、行为特点、选择时间、选择星期等,预测特征共有8项,包括性别、民族、身份、政治面貌、文化程度、是否吸毒、是否惯犯、是否精神病人、是否未成年。当然这里案件特征字段与嫌疑人特征也可以增加或者减少,本发明不做限定。
这里所述历史案件数据可实时更新,所述嫌疑对象特征预测模型具有训练数据的路径接口,所述更新后的历史案件数据通过所述路径接口输入至所述嫌疑对象特征预测模型进行训练。
所述历史案件数据结合了weka开源数据挖掘包,先经过转换得到.taff格式,修改格式后的数据文件格式分为声明部分和数据部分,所述声明部分说明所有的训练集数据的特征空间,所述数据部分包含训练数据的所有内容,其具体格式为:
relation:描述数据关系的内容
attributexx{a,b,c,…}数据属性集合描述
data:数据主体部分
以一个违法人员表为例,包含字段为人员性别,人员籍贯,则其格式如下:
relation:违法人员表
attributesex{0,1}
attributelocation{0.1.2.3.4.5.6.7.8}
data:
15
04
18
由于嫌疑对象特征预测模型要求输入特征必须完整,因此对于用户缺乏完整特征勾选的特征需要对其补充以便算法的正确运行,当获取的所述特定案件的案件特征不完整时,根据已输入案件特征与历史案件数据自动填充未填写的案件特征。填充的结果为历史已发生案件中具有相关已填特征下余下最有可能的结果。本发明选择根据历史案件查询符合已填特征的案件,然后根据历史案件获取其余特征最多发生的结果。如根据星期二盗窃案的历史案件可查询得到作案手段最多使用的是翻窗而入,那么作案手段会自动被填充为翻窗而入。然后根据完整的历史案件特征预测嫌疑人特征,根据补充后完整的特征,程序可根据结果预测嫌疑人相关特征。
对于嫌疑人类表推荐,则从案件发生的时间地点相关范围内的流动人口中选择。获取所述特定案件的发生地所在经纬度,获取以所述经纬度点为圆心的指定半径内区域的人员登记信息。将嫌疑对象预测特征与所述人员登记信息中各个人员的特征字段进行比对,相同特征字段数量超过设定值的人员即为预测的嫌疑对象。具体比如可以首先根据用户提交的案件地点查询地点附近的网吧旅馆,再根据时间范围查询在相关旅馆中具有开房记录、在网吧中具有上网记录的人的身份证号码,再根据这些人员身份证号查询相关个人信息,包括其民族、性别、文化程度等字段以及是否是重点人员等特征字段信息。再根据之前的嫌疑人特征预测结果过滤不符合预测结果的嫌疑人。由于分类算法已预测出当前案件条件下的嫌疑人特征值,根据这些特征值我们可以通过查询上述结果人员中符合这些特征的人员。将结果按照轨迹出现的次数以及是否是重点人员、是否是关注对象信息排序返回。
本发明通过历史案件数据训练得到嫌疑对象特征预测模型,只需向嫌疑对象特征预测模型输入特定案件的案件特征,即可得到嫌疑对象的预测特征;本发明根据输入的时间地点范围筛选排查可能的嫌疑对象,过滤不符合预测特征的人员。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种嫌疑对象预测方法,其特征在于,包括以下步骤:
获取足够数量的历史案件数据的案件特征与嫌疑对象特征,将所述案件特征作为特征项,将嫌疑对象特征作为标签项进行训练得到嫌疑对象特征预测模型;
获取某一特定案件的案件特征,并将所述案件特征输入到所述嫌疑对象特征预测模型中请求特征预测,得到嫌疑对象预测特征;
获取所述特定案件的发生地一定范围内的人员登记信息,将所述人员登记信息与所述嫌疑对象预测特征进行比对,在所述人员登记信息中筛选得到预测的嫌疑对象。
2.如权利要求1所述的嫌疑对象预测方法,其特征在于,所述历史案件数据可实时更新,所述嫌疑对象特征预测模型具有训练数据的路径接口,所述更新后的历史案件数据通过所述路径接口输入至所述嫌疑对象特征预测模型进行训练。
3.如权利要求2所述的嫌疑对象预测方法,其特征在于,所述获取足够数量的历史案件数据的案件特征与嫌疑对象特征过程包括:
首先对所述历史案件数据进行清洗转换,得到指定路径读取指定格式的样本数据;
然后对清洗之后的样本数据进行预处理操作,去除包含重复、空白的记录数据以及不符合规定格式的数据。
4.如权利要求3所述的嫌疑对象预测方法,其特征在于,所述案件特征的特征字段包括预备手段、作案天气、组织形式、试探方式、选择机会、暴力胁迫、用计算机、作案范围、伪装灭迹、选择天气、窃取手段、选择潮汐、选择日期、侵入手段、妨害手段、欺诈手段、勾结形式、行为特点、选择时间、选择星期,所述嫌疑对象特征包括性别、民族、身份、政治面貌、文化程度、是否吸毒、是否惯犯、是否精神病人、是否未成年;
所述历史案件数据结合了weka开源数据挖掘包,先经过转换得到.taff格式,修改格式后的数据文件格式分为声明部分和数据部分,所述声明部分说明所有的训练集数据的特征空间,所述数据部分包含训练数据的所有内容,其具体格式为:
Relation字段,用于描述数据关系的内容;
attributexx{a,b,c,…}字段,用于数据属性集合描述;
Data字段,数据主体部分。
5.如权利要求1所述的嫌疑对象预测方法,其特征在于,当获取的所述特定案件的案件特征不完整时,根据已输入案件特征与历史案件数据自动填充未填写的案件特征。
6.如权利要求1所述的嫌疑对象预测方法,其特征在于,所述获取所述特定案件的发生地一定范围内的人员登记信息具体过程包括:
获取所述特定案件的发生地所在经纬度,获取以所述经纬度点为圆心的指定半径内区域的人员登记信息。
7.如权利要求1所述的嫌疑对象预测方法,其特征在于,将所述人员登记信息与所述嫌疑对象预测特征进行比对,在所述人员登记信息中筛选得到预测的嫌疑对象过程包括:
将嫌疑对象预测特征与所述人员登记信息中各个人员的特征字段进行比对,相同特征字段数量超过设定值的人员即为预测的嫌疑对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501876.9A CN105069130A (zh) | 2015-08-14 | 2015-08-14 | 一种嫌疑对象预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501876.9A CN105069130A (zh) | 2015-08-14 | 2015-08-14 | 一种嫌疑对象预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105069130A true CN105069130A (zh) | 2015-11-18 |
Family
ID=54498499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501876.9A Pending CN105069130A (zh) | 2015-08-14 | 2015-08-14 | 一种嫌疑对象预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069130A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227863A (zh) * | 2016-07-29 | 2016-12-14 | 浪潮软件集团有限公司 | 在案件串并和嫌疑人排查中的数据挖掘方法 |
CN106355537A (zh) * | 2016-08-23 | 2017-01-25 | 冯村 | 一种智能串并案分析方法及系统 |
CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
CN107729465A (zh) * | 2017-10-12 | 2018-02-23 | 杭州中奥科技有限公司 | 人物危险度的评估方法、装置及电子设备 |
CN108874767A (zh) * | 2018-05-04 | 2018-11-23 | 上海瀚所信息技术有限公司 | 一种用于公安系统的四维模型智能比对系统及方法 |
CN109614418A (zh) * | 2018-11-23 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的挖掘嫌疑目标的方法及系统 |
CN110009022A (zh) * | 2019-03-26 | 2019-07-12 | 第四范式(北京)技术有限公司 | 吸毒人员信息的预测方法、装置与计算设备 |
CN110020223A (zh) * | 2017-12-26 | 2019-07-16 | 浙江宇视科技有限公司 | 行为数据分析方法及装置 |
CN110019663A (zh) * | 2017-09-30 | 2019-07-16 | 北京国双科技有限公司 | 一种案件信息的推送方法、系统、存储介质和处理器 |
CN110322049A (zh) * | 2019-06-03 | 2019-10-11 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
CN110472775A (zh) * | 2019-07-26 | 2019-11-19 | 广州大学 | 一种系列案件疑犯落脚点预测方法 |
CN111105064A (zh) * | 2018-10-26 | 2020-05-05 | 阿里巴巴集团控股有限公司 | 确定欺诈事件的嫌疑信息的方法及装置 |
CN111311462A (zh) * | 2020-01-13 | 2020-06-19 | 北京明略软件系统有限公司 | 嫌疑人推荐方法和装置、电子设备及计算机可读存储介质 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN112256667A (zh) * | 2020-09-16 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
TWI737073B (zh) * | 2019-12-10 | 2021-08-21 | 中華電信股份有限公司 | 陳情案件之時序分析系統與方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130018825A1 (en) * | 2011-07-11 | 2013-01-17 | Accenture Global Services Limited | Determination of a basis for a new domain model based on a plurality of learned models |
CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
-
2015
- 2015-08-14 CN CN201510501876.9A patent/CN105069130A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130018825A1 (en) * | 2011-07-11 | 2013-01-17 | Accenture Global Services Limited | Determination of a basis for a new domain model based on a plurality of learned models |
CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
Non-Patent Citations (1)
Title |
---|
黄小亮: "软件缺陷自动分派研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227863A (zh) * | 2016-07-29 | 2016-12-14 | 浪潮软件集团有限公司 | 在案件串并和嫌疑人排查中的数据挖掘方法 |
CN106355537A (zh) * | 2016-08-23 | 2017-01-25 | 冯村 | 一种智能串并案分析方法及系统 |
CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
CN110019663A (zh) * | 2017-09-30 | 2019-07-16 | 北京国双科技有限公司 | 一种案件信息的推送方法、系统、存储介质和处理器 |
CN110019663B (zh) * | 2017-09-30 | 2022-05-17 | 北京国双科技有限公司 | 一种案件信息的推送方法、系统、存储介质和处理器 |
CN107729465A (zh) * | 2017-10-12 | 2018-02-23 | 杭州中奥科技有限公司 | 人物危险度的评估方法、装置及电子设备 |
CN110020223B (zh) * | 2017-12-26 | 2021-04-20 | 浙江宇视科技有限公司 | 行为数据分析方法及装置 |
CN110020223A (zh) * | 2017-12-26 | 2019-07-16 | 浙江宇视科技有限公司 | 行为数据分析方法及装置 |
CN108874767A (zh) * | 2018-05-04 | 2018-11-23 | 上海瀚所信息技术有限公司 | 一种用于公安系统的四维模型智能比对系统及方法 |
CN108874767B (zh) * | 2018-05-04 | 2022-04-05 | 上海瀚所信息技术有限公司 | 一种用于公安系统的四维模型智能比对系统及方法 |
CN111105064B (zh) * | 2018-10-26 | 2024-04-19 | 创新先进技术有限公司 | 确定欺诈事件的嫌疑信息的方法及装置 |
CN111105064A (zh) * | 2018-10-26 | 2020-05-05 | 阿里巴巴集团控股有限公司 | 确定欺诈事件的嫌疑信息的方法及装置 |
CN109614418A (zh) * | 2018-11-23 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的挖掘嫌疑目标的方法及系统 |
CN110009022A (zh) * | 2019-03-26 | 2019-07-12 | 第四范式(北京)技术有限公司 | 吸毒人员信息的预测方法、装置与计算设备 |
CN110322049A (zh) * | 2019-06-03 | 2019-10-11 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
CN110472775A (zh) * | 2019-07-26 | 2019-11-19 | 广州大学 | 一种系列案件疑犯落脚点预测方法 |
TWI737073B (zh) * | 2019-12-10 | 2021-08-21 | 中華電信股份有限公司 | 陳情案件之時序分析系統與方法 |
CN111311462A (zh) * | 2020-01-13 | 2020-06-19 | 北京明略软件系统有限公司 | 嫌疑人推荐方法和装置、电子设备及计算机可读存储介质 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN112256667A (zh) * | 2020-09-16 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
CN112256667B (zh) * | 2020-09-16 | 2024-03-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069130A (zh) | 一种嫌疑对象预测方法 | |
Bachir et al. | Inferring dynamic origin-destination flows by transport mode using mobile phone data | |
Cagney et al. | Urban mobility and activity space | |
Zannat et al. | Emerging big data sources for public transport planning: A systematic review on current state of art and future research directions | |
Kondor et al. | Towards matching user mobility traces in large-scale datasets | |
Di Lorenzo et al. | Allaboard: Visual exploration of cellphone mobility data to optimise public transport | |
US8620624B2 (en) | Event identification in sensor analytics | |
Gao et al. | Discovering spatial interaction communities from mobile phone d ata | |
CN106650273B (zh) | 一种行为预测方法和装置 | |
Mohamed et al. | Understanding passenger patterns in public transit through smart card and socioeconomic data | |
Sari Aslam et al. | A high-precision heuristic model to detect home and work locations from smart card data | |
Roth et al. | Spatiotemporal crime analysis in US law enforcement agencies: Current practices and unmet needs | |
WO2016188380A1 (zh) | 用户设备的确定方法及装置 | |
CN111625809B (zh) | 数据授权方法及装置、电子设备、存储介质 | |
Hutchins et al. | Hiding in plain sight: criminal network analysis | |
CN105117484A (zh) | 一种互联网舆情监测方法和系统 | |
US20180150683A1 (en) | Systems, methods, and devices for information sharing and matching | |
Zhang et al. | comobile: Real-time human mobility modeling at urban scale using multi-view learning | |
Mengshoel et al. | Will we connect again? machine learning for link prediction in mobile social networks | |
Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
Rotman et al. | Using location data from mobile phones to study participation in mass protests | |
Kempinska et al. | Interactional regions in cities: making sense of flows across networked systems | |
Zhang et al. | Real-time human mobility modeling with multi-view learning | |
Zhao et al. | MDLF: A multi-view-based deep learning framework for individual trip destination prediction in public transportation systems | |
Giannotti et al. | Mining mobility behavior from trajectory data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |
|
RJ01 | Rejection of invention patent application after publication |