CN105260795B - 一种基于条件随机场的重点人员位置时空预测方法 - Google Patents
一种基于条件随机场的重点人员位置时空预测方法 Download PDFInfo
- Publication number
- CN105260795B CN105260795B CN201510669502.8A CN201510669502A CN105260795B CN 105260795 B CN105260795 B CN 105260795B CN 201510669502 A CN201510669502 A CN 201510669502A CN 105260795 B CN105260795 B CN 105260795B
- Authority
- CN
- China
- Prior art keywords
- anchor
- time
- space
- random field
- emphasis 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.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于公共安全及犯罪地理学技术领域,尤其涉及一种基于条件随机场的重点人员位置时空预测方法。主要包括以下步骤:空间网格化、重点人员位置时空转移语义信息抽取、线性条件随机场建模和重点人员位置时空预测。本发明的有益效果是基于轨迹时空信息,进行重点人员时空位置预测;基于条件随机场对轨迹物理时空信息与语义时空信息融合建模,实现对重点人员的时空位置预测;提高对重点人员的预测精度;充分考虑了轨迹数据的稀疏性对预测精度的影响;对重点人员的物理空间位置与语义时空位置的同时预测,提高预测的有效性和准确性。
Description
技术领域
本发明属于公共安全、犯罪地理学技术领域,涉及刑侦与警务研判、警情数据挖掘特征分析,尤其涉及一种基于条件随机场的重点人员位置时空预测方法。
背景技术
受警方监控的人员统称为重点人员。重点人员一般为刑释人员,他们的再犯罪可能性大,再犯罪侦办难度高,对社会的潜在危害性强。加强对刑释流动人员再犯罪的治理,预防是关键,加强动态掌控又是预防的核心环节。因此,对刑释人员的监测和位置预测显得尤为重要。
在犯罪地理学和实际刑侦活动中,犯罪时空预测常用的方法包括点模式和犯罪地理侧写等。1)点模式预测方法,主要依据犯罪事件在时空分布上既有随机性又有结构性的特征,进行未来犯罪事件发生的时空概率计算,主要包括时空聚类、热点转移模型、密度转移模型、回归模型等方法。2)犯罪地理侧写主要采用距离几何模型,常用在系列严重犯罪(系列严重凶杀、强奸、抢劫案)的犯罪个体锚点预测上,包括同心圆理论、Rossmo理论等。其主要思路是基于以往案发位置构建如同心圆、椭圆等几何形状,预测下一案发位置或犯罪主体居住位置的高概率区域。如基于同心圆、平均空间距离和平均时间等方法,基于系列凶杀案件发生的时间和空间,进行凶手居住位置、下一个案发位置和发生时间的预测;或者基于同心圆理论和系列凶杀时空数据,通过概率模型描述凶手下一个作案位置与之前作案位置间依赖关系,采用最大似然值方法获取目标位置。3)其他方法,研究者常常结合如日常活动、理性选择等犯罪理论,采用多Agent模型、人工神经网络、灰色系统预测、层次分析法等方法预测系列犯罪的行为人居住地或犯罪发生时空的概率。
除了犯罪地理学研究领域,在移动社交网络(LBSN),用户位置预测的研究也如火如荼,其主要通过用户日常生活或地理服务使用过程中产生的轨迹来预测用户未来的位置,以支撑基于位置的服务、商品、活动、朋友、广告智能推荐、地理行为模式挖掘或异常位置探测。从被预测位置的类型来看,LBSN中的位置预测分为物理位置预测与语义位置预测;使用的数据类型分为Check-in数据、轨迹数据、上下文(速度、倾斜角度、方向、短信、电话等)数据三种类型;查询方式上可分为基于已知位置序列的查询和基于上下文环境的查询,或混合查询;从预测技术上区分,主要采用贝叶斯模型、Markov模型和其他模型。
然而,已有研究还存在如下问题:
1)点模式分析预测方法如时空复发聚类等主要集中在某类犯罪发生的概率计算,而不是重点人员个体位置的预测。
2)在犯罪地理侧写方面,由于作案个体间的心理和社会环境因素差异过大、作案位置随机性强,特别是随着现代交通业的发达,犯罪流窜速度和空间范围空前增加,已有距离几何模型等方法的犯罪位置预测精度有限。
3)其他类型方法中的多Agent模型、人工神经网络等在犯罪时空预测方面出现重大突破的可能性较大,但目前为止,受限于现实环境的复杂和多变性,这些模型都是在短期时间内的预测结果尚可接受,一旦时间增长,预测效果急剧下降。
4)这些模型和方法没有同时考虑到预测位置的时空语义性,在预测结果中一旦基本空间单元的覆盖面积较大,并处于不同语义时段时,无法得到时空粒度更细的位置范围,从而降低了预测的有效性和准确性。如在警务侦查时,警方不仅需要知道重点人员所在的物理空间范围,还需要进一步了解其所在的位置类型(宾馆、酒吧、网吧、银行)和时间信息(若干小时或若干天后重点人员所在位置),通过多类型信息的融合,实现更加有效的重点人员位置锁定或重点人员意图、行为判断。
此外,目前还未见直接进行重点人员位置预测的文献和专利。
发明内容
本发明的发明目的在于:针对上述现有技术中存在没有针对重点人员个体位置的预测、预测精度有限、预测效果随时间增长急剧下降及没有同时考虑到预测位置的时空语义性的问题,提供一种基于条件随机场的重点人员位置时空预测方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于条件随机场的重点人员位置时空预测方法,包括以下步骤:
(1)空间网格化:将城市空间网格化,获得g×g格网,G={p11,…,pij,…,pgg},pij为网格G集合中的行号为i和列号为j的网格;
(2)重点人员位置时空转移语义信息抽取:以网格为基本单元,依据网格间的重点人员转移信息,从中抽取锚点之间、锚点与非锚点、非锚点至锚点、非锚点之间的时空信息,作为构造条件随机场模型的要素;
(3)线性条件随机场建模:以兴趣点即POI点为模型中的潜在因子y,网格、物理时间、语义时间作为模型中的观测序列x,根据势函数构建出线性条件随机场模型,得出线性条件随机场联合条件概率表达式;
(4)重点人员位置时空预测:通过线性条件随机场的解算,获得任意网格和POI成为重点人员下一步转移目标网格的概率,并进而得到重点人员在任意时空节点的出现概率。
上述步骤(2)所述时空语义信息抽取中锚点p0至非锚点pw的转移频度为:
其中,为p0至pw的总次数,ti为当前时间,Δti为时间间隔,uiw为非锚点pw与周边锚点pi的核距离公式参数,pj和pw表示第j直至第w个轨迹锚点,m为非锚点p周边的有效锚点至目标锚点p0的总次数,K()为核函数,ujw为点j和点w间的距离因子,h为核函数中的带宽参数,K(uiw)为非锚点pw与周边锚点pi的核距离,为归一化后pw同周边锚点的核函数相似度。
进一步地,上述步骤(2)所述时空语义信息抽取中非锚点pw至锚点p0的转移频度为:
其中,为pw至p0的总次数,为pw同周边锚点的核函数相似度,h为带宽,其他参数的含义与上式相同。
进一步地,上述步骤(3)所述线性条件随机场联合条件概率为:
其中,yi为本次位移所在的POI类型,yi-1为前一次位移所在的POI类型,λ、μ、η统一指代该条件随机场中相关势函数的权重,这些权重的下标则表示轨迹点的序号,Xi用以统一指代本次位移涉及到的时空语义信息,μk分别为具体势函数的权重值,ri当前物理位置,ri-1为前一物理位置,tik为当前各语义时间要素,sib为当前语义位置要素,(λ1f1(yi-1,yi,ri-1,ri))描述了区域类型yi-1,yi转移与物理位置间转移的关联强度,∑k→3μkgk(yi-1,yi,tik)描述了区域类型yi-1,yi转移与各语义时间之间转移的关联强度,∑b→3ηbhb(yi-1,yi,sib)描述了区域类型yi-1,yi转移与语义空间要素间转移的关联强度,z(x)为归一化常量因子。
进一步地,上述步骤(4)所述重点人员位置时空预测中,任意网格成为目标网格的概率为:
其中,l统一指代用户给定的间隔时间与间隔距离信息,p(ti3|si2)p(ti3|si2-l)表示语义时空信息之间的依赖关系。
综上所述,本方案依据重点人员轨迹锚点间转移信息,顾及区域语义关联度,设计各位置间转移频度和时间的估算方法,表达重点人员在不同位置间的时空转移倾向和结构;从物理位置的转移信息中提炼出时空语义要素,以建立能统一描述时空语义转移模式和物理位置转移模式条件随机场模型,满足时间约束下的重点人员位置时空预测。本发明相对现有技术的有益效果是:
1、基于轨迹时空语义信息进行重点人员时空位置预测,为针对重点人员个体位置的预测。
2、基于条件随机场对包括轨迹物理时空信息与语义时空信息融合建模,以实现对个体人员的时空位置预测。条件随机场模型,是一种基于无向图的概率模型,用来对序列数据进行标识,具有很强的概率推理能力,能够适用于目标特征间有重叠、像素上下文关系复杂等情形的任务建模,对事件序列有很强的表达能力,可提高对重点人员的预测精度。
3、预测效果不会随时间增长而下降。将两轨迹点间转移的时间间隔划分为6个时间段,分别表达重点人员在两个轨迹点间转移时耗费的时间,此时,构造的条件随机场序列模型可应对任一连续时间下的重点人员位置查询。
4、对重点人员的物理空间位置与语义时空位置的同时预测。可得到时空粒度更细的位置范围,从而提高了预测的有效性和准确性。
附图说明
图1为总体技术流程。
图2为某市网格划分图。
图3为图2方框区内的局部放大图。
图4为位置转移条件随机场。
具体实施方式
本方案具体涉及以下步骤:
(1)空间网格化:基于格网将空间划分为多个基本地理单元;
(2)重点人员位置时空转移语义信息抽取:依据犯罪水平和区域潜在犯罪特征,将网格划分为犯罪高发区、同类型区(与重点人员活动区域具有相似潜在犯罪特征的区域)等若干类型,基于区域潜在犯罪特征相似性、网格间距以及网格类型估算网格间的转移强度,构建物理位置转移矩阵;获取每个网格的潜在犯罪特征、犯罪水平、转移发生频度,两位置之间发生转移时的语义时间、锚点所在的POI类型;
(3)线性条件随机场建模:依据区域犯罪潜在特征、区域入室盗窃犯罪水平、重点人员所停留的区域、重点人员犯案区域,基于与轨迹锚点间的空间邻近性和区域关联度,利用锚点间的时态转移信息计算其他位置间的时态转移强度;基于线性条件随机场(LinearCondition Random Field,LCRF),将物理位置间的转移矩阵与语义时空要素转移模式相结合,构建相应的时序模型,实现时间约束下的重点人员位置预测;
(4)重点人员位置时空预测:基于每个网格成为目标位置的概率,利用密度聚类方法绘制预测位置的热度分布图。
以下将结合附图和具体实施例,对本发明提供的技术方案进行说明。
实施例1
步骤1:空间网格化
将重点人员停留的空间位置进行网格化,获得g×g格网,G={p11,…,pij,…,pgg},pij为网格G集合中的行号为i和列号为j的网格。实验采用100×100的格网覆盖某目标区域。其中,每个网格约为5.7万m2(256m*224m),总共覆盖该市约1290km2的地理范围,该范围包括了该市市区等经济发达区域,也覆盖了绝大部分的盗窃犯罪发生位置。其中附图3为附图2方框区内的局部放大图。
步骤2:重点人员位置时空转移语义信息抽取
a)重点人员位置时空转移语义信息
(1)非锚点转移频度计算基本方式
设p0为发生位置转移时的源点,p1,p2,…,pN是从具有未知概率分布中抽出的独立同分布锚点,是轨迹中的坐标点,它们构成非锚点px的密度吸引集D。已知p0至pi∈D的转移频度为ci,p0至px的转移频度依据pi∈D至pi转移频度ci及其密度函数生成。因此,p0至px的转移频度为p0至密度吸引集D的密度函数平均和:
式中K(u)为核函数,ci为pi的密度函数值,h为带宽。核函数必须满足下列条件:
K(u)>0,∫RK(u)du=1
本文采用Guassian核函数。因为从空间结构上看,Guassian核函数具有随着位置距离源点的增加而在空间各方向上均匀单调降低的性质,与我们认为随着与锚点距离的增加,非锚点位置受锚点的影响逐渐降低的情况一致。因此,非锚点与其他位置的转移频度为:
其中,x和y分别为非锚点px的坐标值,xi和yi分别为锚点pi∈D的坐标值。引入区域间的潜在犯罪特征相似度后:
其中,xx和yx分别为非锚点px的坐标值,D为未知点px的密度吸引集,利用Jensen-Shannon距离JSD(rx,ri)为两位置间的潜在犯罪特征相似度,ri为位置i所在区域的潜在犯罪特征,可采用各类犯罪案件年均数分布表示。
1)核函数带宽设定
pi对px的密度函数表示为:
其中,Υi=(hix,hiy,his)
式中,如果带宽hix、hiy不变,源点到达锚点的频度越高,则源点到达其周边更远位置或潜在犯罪特征差异更大区域的频度也随之增加,这并不符合实际状况。我们认为,锚点到达频度越高,说明该位置对重点人员越重要,重点人员访问该位置及其邻近区域的概率越高,而距离锚点较远位置则越不重要,重点人员对这些位置访问的概率越低。因此,在面临锚点到达频度较高的情况下,需降低对距离锚点较远位置的访问次数。
这里通过锚点访问频度自动调整带宽hix、hiy:锚点访问频度ci越高,核函数的高斯表面随与锚点的距离增加而下降得更快,其周边的非锚点不会因为该锚点访问频度的增大而增大:
其中,w1、w2为系数,w1一般设置为0.2,w2表示距离带宽,一般设置为0.002×ci。
2)锚点边界设定
锚点对周边区域的影响是有限的。对于到达频度较高的锚点来说,锚点边界的设定有利于去除其对远距离区域的影响;反之,当重点人员到达一个锚点的频度很低,我们就越不确定重点人员是否在该位置及其周边活动,其到达更远处的概率就越大。为此,同样基于带宽调整锚点对其他非锚点位置的影响,当:
N((xx,yx,rx)|(xi,yi,ri),Υi)<ψi,ψi=w3×hix时,
即pi对px的影响力小于阈值时,锚点pi不再是px密度吸引子,px不受pi影响,不再参与px频度的计算。这样,锚点到达频度越高,其高斯核函数影响范围相应缩小;反之,其影响范围较大。上式中,w3为系数,一般设置为0.1—0.5。通过这种自适应方式约束了不同到达频度的锚点影响范围。
然而,如果重点人员轨迹覆盖的空间范围较小,各锚点的到达频度不高,则可能会导致较多非锚点位置无法接受锚点的影响,产生“死角”,导致无法获取足够位置间的转移信息。这时,应降低w3,使得非锚点能接受较远锚点的影响。
(2)锚点向非锚点的转移频度计算
已知锚点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),设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:
(3)非锚点至锚点的转移频度计算
设发生转移的源点为非锚点px,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:
此时,cx为px向p0的转移频度,ci为pi向p0的转移频度。
(4)非锚点至非锚点的转移频度计算
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:
我们认为当疑犯在物理时间t到达锚点时,其在时间[t-τ,t+τ]内,会出现在其周边位置,则不妨直接将t作为其到达该锚点附近各位置的平均时刻,表达t所代表语义时间下疑犯在锚点附近空间的分布。通过上面的物理时间和POI类型在非锚点位置转移时的分配方法,尽可能体现锚点间相互转移时的时空语义特征。
b)重点人员位置时空信息获取
(1)锚点至非锚点的时空信息获取
假设锚点p0至非锚点pw周边有效密度吸引子(锚点)的总次数为m次(每次都有一个唯一的物理时间),我们先获取p0至pw的总次数再将拆分成m份,分别代表了在1,2,…,m个物理时间从p0到pw的频度。
在物理时间t1,…,tm由p0分别间隔物理时间Δt1,…,Δtm到达pw的频度与pw同周边锚点的核函数相似度成正比:
这时,p0在ti时刻至Δti到达pw的频度为小数。尽管这在实际环境中不可能出现,但它描述在特定时间和间隔时间锚点向非锚点位置转移的份额,将这些数据对CRF模型训练,能表达出这些位置转移时时间与POI出现的概率特征。
(2)非锚点至锚点的时空信息获取
假设非锚点pw周边的有效锚点至目标锚点p0的总次数为m次(每次都有一个唯一的物理时间),我们先获取pw至p0的总次数再将拆分成m份,每份代表了在第1,2,…,m个物理时间从pw至p0的频度。
在物理时间t1,…,tm由pw分别间隔物理时间Δt1,…,Δtm到达p0的频度与pw同周边锚点的核函数相似度成正比:
(3)非锚点之间的时空信息获取
非锚点pa→pb间转移需从两方面考虑:一是将pa作为锚点,考察pa与pb周围锚点的转移情况,从而获取pa→pb间转移的物理时空信息,该情况属于“非锚点至锚点的时空信息获取”,具体计算不再列出,并设pa→pb包括m个物理时间;另一方面是将pb作为锚点,考察pa与pb的转移情况,从而获取pa→pb间转移的物理时空信息,该情况属于“锚点向非锚点转移的时空物理获取”,具体计算也不再列出,设这时pa→pb包括m`个物理时间。由此,非锚点pa和pb之间共有m+m`次转移,每次包括相应的时间及POI类型信息。
步骤3:线性条件随机场建模
我们需要一种统计模型,能基于轨迹数据的统计特征,体现实际重点人员位置转移过程涉及的区域类型转移、语义时间转移、空间间隔距离和POI类型转移等语义时空要素信息的时序模式。
令将物理位置(网格)为潜在y有限状态集合r={r1,r2,…,ri,…},x={x1,x2,…xi,…}(xi={yi,ti,…})为观测序列,构成的线性条件随机场。
根据条件随机场的基本理论,每个组件(Component)构成的势函数(potentialfunction)为:
其中,λ为各势函数的权重,也被称为条件随机场的参数。
然而,一旦每个组件中的网格(物理位置)确定,其位置所在的区域类型也就确定了,这时势函数exp(f1(ri-1,ri,yi))=exp(f1(ri-1,ri)),物理位置间的转移对于区域类型间的转移没有任何影响;此外,物理位置数量巨大,两物理位置间的转移次数相对稀疏,这难以反映重点人员语义时空位置转移模式对物理位置转移的影响,严重阻碍了位置时空语义对物理位置转移的控制。实际上应该以时空语义信息作为潜在因子,进而施展语义时空要素转移模式对物理位置的影响。
POI类型可反映重点人员的行为类型,较其他空间要素来说,意义明确,且与其他空间要素存在多对多的关系,适合作为其他要素的潜在状态。此外,物理位置间的转移能约束语义时空要素,因此,为在CRF中强调时空语义信息对物理位置转移的影响,我们将POI类型作为潜在状态,其他要素作为观测值;同时为体现物理位置间的转移,我们连接前后组件中的物理位置(网格)。
相应的势函数为:
其中,xi指代所有的观测变量。这时,势函数体现了利用语义时空要素间的关系来制约物理位置的转移。
基于上述分析,我们即构建线性条件随机场,参考附图4。
其中,语义时间包括假期、间隔时间、一天内时间等3项子要素,语义位置包括距离间距、犯罪高发区和区域类型等3类子要素。
线性条件随机场联合条件概率为:
其中,yi为本次位移所在的POI类型,yi-1为前一次位移所在的POI类型,λ、μ、η统一指代该条件随机场中相关势函数的权重,Xi用以统一指代本次位移涉及到的时空语义信息,λ1、ηb、μk分别为具体势函数的权重值,ri当前物理位置,ri-1为前一物理位置,tik为当前各语义时间要素,sib为当前个语义位置要素,(λ1f1(yi-1,yi,ri-1,ri))描述了区域类型yi-1,yi转移与物理位置间转移的关联强度,∑k→3μkgk(yi-1,yi,tik)描述了区域类型yi-1,yi转移与各语义时间之间转移的关联强度,∑b→3ηbhb(yi-1,yi,sib)描述了区域类型yi-1,yi转移与语义空间要素间转移的关联强度,z(x)为归一化常量因子,使得最终能量比值在0至1之间。
步骤4:重点人员位置时空预测
已知位置间的转移信息{yi,ri,si,ti},则基于L-BFGS算法(拟牛顿算法的一种),通过P(yi|xi,λ,μ,η)(xi代表所有观测变量)的最大似然值计算出λ,μ,η等CRF的参数。最大似然值公式如下:
以上LCRF参数求解过程属于条件随机场的普通求解过程,这里不再论述。
在重点人员位置预测时,获取预测条件中的已知位置及其语义时空信息(已知重点人员当前停留网格、停留网格的区域类型、停留时间)、用户(警方)给定的未来时空信息(间隔时间、间隔距离),基于模型参数λ,μ,η,便可计算各网格内各POI类型成为目标的概率:
p(yi,xi|yi-1,xi-1,ζ,μ,η)∝p(xi|yi-1,xi-1)p(yi|xi,yi-1,xi-1,ζ,μ,η)
于是,我们可通过不同参数下的判别模型进行生成模型推导。又:
这里,我们认为xi与yi-1独立,即当前物理位置与上一物理位置所在区域类型相互独立:
p(xi|yi-1,xi-1)=p(xi|xi-1)p(xi-1)p(yi-1|xi,xi-1)=
p(xi|xi-1)p(xi-1)p(yi-1|xi-1)∝p(xi|xi-1)=
p(ri,ti,si|ri-1,ti-1,si-1)=p(ri,ti,si|ri-1,ti-1,si-1)
至此,上一位置涉及的语义时间、语义位置与当前语义时间、语义位置产生了联系。一般来说,上一位置涉及的语义时间与当前位置的时空信息相互独立,上一物理位置与当前时空语义信息相互独立,仅考虑上一位置的空间信息与下一位置的时空信息之间的关系,:
p(ri,ti,si|ri-1,ti-1,si-1)∝p(ri,ti,si|ri-1,si-1)=p(ri|ri-1,si-1)p(ti,si|ri-1,si-1)
∝p(ri|ri-1)p(ri,ti,si|si-1)
由于物理位置之间的转移信息已存在于LCRF模型中,这里更加关心的是语义时空信息之间的依赖关系,即:
p(ri,ti,si|ri-1,si-1)∝p(ri,ti,si|si-1)∝p(ti,si|si-1)=p(ti|si,si-1)p(si|si-1)=p(ti|si)p(si|si-1)
语义时间包括3类,语义空间信息也包括3类,因此上式有33=27种组合。为简化计算,依据应用特点,我们更加关注时空语义信息“一天内时间”重点人员所到达的“区域类型”,因此有:
p(ti|si)p(si|si-1)∝p(ti3|si2)p(si2|si2-1)
上式也可依据不同应用调整采用不同的时空语义要素。最终,可得指定网格i成为目标网格的概率:
其中,l统一指代用户给定的间隔时间与间隔距离信息,p(ti3|si2)p(ti3|si2-l)表示语义时空信息之间的依赖关系。该值越高,表明该网格成为目标的概率越大。
Claims (4)
1.一种基于条件随机场的重点人员位置时空预测方法,其特征在于包括以下步骤:
(1)空间网格化:将城市空间网格化,获得g×g格网,G={p11,…,pij,…,Pgg},pij为网格G集合中的行号为i和列号为j的网格;
(2)重点人员位置时空转移语义信息抽取:以网格为基本单元,依据网格间的重点人员转移信息,从中抽取锚点之间、锚点与非锚点、非锚点至锚点、非锚点之间的时空信息,作为构造条件随机场模型的要素;
(3)线性条件随机场建模:以兴趣点即POI点为模型中的潜在因子y,网格、物理时间、语义时间作为模型中的观测序列x,构建出线性条件随机场模型,得出线性条件随机场联合条件概率表达式;
(4)重点人员位置时空预测:通过线性条件随机场的解算,获得任意网格和POI成为重点人员下一步转移目标网格的概率,并进而得到重点人员在任意时空节点的出现概率;
上述步骤(2)所述时空信息抽取中锚点p0至非锚点pw的转移频度为:
其中,为p0至pw的总次数,ti为当前时间,Δti为时间间隔,uiw为非锚点pw与周边锚点pi的核距离公式参数,pj和pw表示第j直至第w个轨迹锚点,m为非锚点p周边的有效锚点至目标锚点p0的总次数,K()为核函数,ujw为点j和点w间的距离因子,h为核函数中的带宽参数,K(uiw)为非锚点pw与周边锚点pi的核距离,为归一化后pw同周边锚点的核函数相似度。
2.根据权利要求1所述一种基于条件随机场的重点人员位置时空预测方法,其特征在于:上述步骤(2)所述时空信息抽取中非锚点pw至锚点p0的转移频度为:
其中,为pw至p0的总次数,为pw同周边锚点的核函数相似度,h为带宽,其他参数的含义与上式相同。
3.根据权利要求1所述一种基于条件随机场的重点人员位置时空预测方法,其特征在于:上述步骤(3)所述线性条件随机场联合条件概率表达式为:
其中,yi为本次位移所在的POI类型,yi-1为前一次位移所在的POI类型,λ、μ、η统一指代该条件随机场中相关势函数的权重,这些权重的下标则表示轨迹点的序号,Xi用以统一指代本次位移涉及到的时空语义信息,μk分别为具体势函数的权重值,ri当前物理位置,ri-1为前一物理位置,tik为当前各语义时间要素,sib为当前语义位置要素,(λ1f1(yi-1,yi,ri-1,ri))描述了区域类型yi-1,yi转移与物理位置间转移的关联强度,∑k→3μkgk(yi-1,yi,tik)描述了区域类型yi-1,yi转移与各语义时间之间转移的关联强度,∑b→3ηbhb(yi-1,yi,sib)描述了区域类型yi-1,yi转移与语义空间要素间转移的关联强度,z(x)为归一化常量因子。
4.根据权利要求1或3所述一种基于条件随机场的重点人员位置时空预测方法,其特征在于:上述步骤(4)所述重点人员位置时空预测中,任意网格成为目标网格的概率为:
其中,统一指代用户给定的间隔时间与间隔距离信息,p(ti3|si2)p(ti3|si2-1)表示语义时空信息之间的依赖关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510669502.8A CN105260795B (zh) | 2015-10-13 | 2015-10-13 | 一种基于条件随机场的重点人员位置时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510669502.8A CN105260795B (zh) | 2015-10-13 | 2015-10-13 | 一种基于条件随机场的重点人员位置时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260795A CN105260795A (zh) | 2016-01-20 |
CN105260795B true CN105260795B (zh) | 2019-05-03 |
Family
ID=55100474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510669502.8A Expired - Fee Related CN105260795B (zh) | 2015-10-13 | 2015-10-13 | 一种基于条件随机场的重点人员位置时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260795B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021305A (zh) * | 2016-05-05 | 2016-10-12 | 北京邮电大学 | 一种模式与偏好感知的poi推荐方法及系统 |
CN111858937B (zh) * | 2016-12-14 | 2024-04-30 | 创新先进技术有限公司 | 一种虚假地址信息识别的方法及装置 |
CN107133646B (zh) * | 2017-05-03 | 2019-09-17 | 山东合天智汇信息技术有限公司 | 一种通过人员行为轨迹识别重点人员的方法及系统 |
CN107180015B (zh) * | 2017-05-16 | 2018-04-20 | 安徽工业大学 | 一种系列犯罪案件地理目标预测方法 |
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 |
US11062606B2 (en) * | 2018-05-10 | 2021-07-13 | Bastien Beauchamp | Method and system for vehicle-to-pedestrian collision avoidance |
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 |
CN109241320A (zh) * | 2018-09-30 | 2019-01-18 | 电子科技大学 | 基于时间序列聚类的未成年犯罪地区簇的划分方法 |
CN109711447A (zh) * | 2018-12-19 | 2019-05-03 | 武大吉奥信息技术有限公司 | 一种特殊人群事件预警和监测方法及装置 |
CN109817023B (zh) * | 2019-03-06 | 2021-05-07 | 国网福建省电力有限公司莆田供电公司 | 一种海缆水域ais目标检测方法 |
CN109918571B (zh) * | 2019-03-19 | 2023-08-22 | 扬州大学 | 推荐系统中结合专家信任的poi推荐算法 |
CN111339446B (zh) * | 2020-02-18 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 一种兴趣点挖掘方法、装置、电子设备和存储介质 |
CN111401531A (zh) * | 2020-04-24 | 2020-07-10 | 中国人民解放军国防科技大学 | 轨迹预测方法和系统 |
CN111695019B (zh) * | 2020-06-11 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 一种识别关联账号的方法及装置 |
CN112199609B (zh) * | 2020-11-17 | 2021-09-21 | 东北大学 | 自注意力下时空语义间隔感知的poi推荐系统及方法 |
CN113486237B (zh) * | 2021-06-07 | 2023-06-27 | 海南太美航空股份有限公司 | 一种航班信息的推荐方法、系统、存储介质和电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834669A (zh) * | 2015-03-18 | 2015-08-12 | 广西师范学院 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
-
2015
- 2015-10-13 CN CN201510669502.8A patent/CN105260795B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834669A (zh) * | 2015-03-18 | 2015-08-12 | 广西师范学院 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
Non-Patent Citations (1)
Title |
---|
基于条件随机场与区域划分的异常行为检测;刘鹏等;《通信技术》;20130810;第46卷(第08期);第108-111页 |
Also Published As
Publication number | Publication date |
---|---|
CN105260795A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260795B (zh) | 一种基于条件随机场的重点人员位置时空预测方法 | |
US8341110B2 (en) | Temporal-influenced geospatial modeling system and method | |
Kennedy et al. | Risk clusters, hotspots, and spatial intelligence: risk terrain modeling as an algorithm for police resource allocation strategies | |
Duan et al. | Deep convolutional neural networks for spatiotemporal crime prediction | |
Andresen | Estimating the probability of local crime clusters: The impact of immediate spatial neighbors | |
Bogomolov et al. | Moves on the street: Classifying crime hotspots using aggregated anonymized data on people dynamics | |
Van Patten et al. | A microspatial analysis of robbery: Prospective hot spotting in a small city | |
Al Boni et al. | Area-specific crime prediction models | |
Yu et al. | Crime forecasting using spatio-temporal pattern with ensemble learning | |
Tayebi et al. | Crimetracer: Activity space based crime location prediction | |
Rodrigues et al. | Meta‐heuristic multi‐and many‐objective optimization techniques for solution of machine learning problems | |
CN110414747A (zh) | 一种基于深度学习的时空长短期城市人流量预测方法 | |
Kotegawa et al. | Development of network restructuring models for improved air traffic forecasts | |
Mahmud et al. | Crimecast: A crime prediction and strategy direction service | |
Nguyen et al. | A novel combination of Deep Neural Network and Manta Ray Foraging Optimization for flood susceptibility mapping in Quang Ngai province, Vietnam | |
Porter et al. | Evaluating temporally weighted kernel density methods for predicting the next event location in a series | |
CN109214716A (zh) | 基于stacking算法的山火风险预测建模方法 | |
CN109447331A (zh) | 基于stacking算法的山火风险预测方法 | |
Asgary et al. | Modeling the risk of structural fire incidents using a self-organizing map | |
Prathap | Geo-spatial crime density attribution using optimized machine learning algorithms | |
Hochstetler et al. | An optimal police patrol planning strategy for smart city safety | |
Hajela et al. | A multi‐dimensional crime spatial pattern analysis and prediction model based on classification | |
PM et al. | Fuzzy hypergraph modeling, analysis and prediction of crimes | |
CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
Yabe et al. | Predicting irregular individual movement following frequent mid-level disasters using location data from smartphones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190503 Termination date: 20191013 |