CN106709047B - 对象查找方法及装置 - Google Patents
对象查找方法及装置 Download PDFInfo
- Publication number
- CN106709047B CN106709047B CN201710005558.2A CN201710005558A CN106709047B CN 106709047 B CN106709047 B CN 106709047B CN 201710005558 A CN201710005558 A CN 201710005558A CN 106709047 B CN106709047 B CN 106709047B
- Authority
- CN
- China
- Prior art keywords
- events
- reference object
- time
- acquired
- event occurrence
- 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.)
- Active
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种对象查找方法及装置,该方法包括:获取若干事件以及事件发生时间与事件发生地点;在预设的对象采集库中,根据若干事件的事件发生时间与事件发生地点,获取与若干事件对应的至少一个参考对象,以及至少一个参考对象的被采集时间与被采集地点;根据事件发生时间、事件发生地点以及被采集时间、被采集地点,获取至少一个参考对象与若干事件之间的关联度;根据关联度,在至少一个参考对象中,确定若干事件对应的至少一个目标对象。应用该方法,可以实现智能化地获取参考对象以及参考对象的时间信息和空间信息,并根据这些信息确定参考对象是否为与若干事件具有关联关系以及关联度,从而获取同时与若干事件都具有关联关系的目标对象。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及一种对象查找方法及装置。
背景技术
事件通常具有时间和空间两种属性,而且一个事件具有至少一个与之有关联关系的目标对象,一个目标对象可以同时与至少一个事件具有关联关系。
目前,在查找同时与若干事件都具有关联关系的目标对象的过程中,终端设备可以从参考对象提供的信息中提取出关键信息,该关键信息中可以包括参考对象的时间信息和空间信息,之后,将所提取出的关键信息与若干事件的发生时间和发生地点进行比对,根据比对结果,获取参考对象与若干事件之间的关联度,从而根据所获取到的关联度确定同时与若干事件都具有关联关系的目标对象。
然而,若事先无法获取参考对象,或参考对象未提供关键信息,则终端设备无法通过上述过程查找到同时与若干事件都具有关联关系的目标对象。
发明内容
有鉴于此,本申请提供一种对象查找方法及装置,以实现智能化地获取参考对象以及参考对象的时间信息和空间信息,并根据这些信息确定参考对象是否为与若干事件具有关联关系以及关联度,从而获取同时与若干事件都具有关联关系的目标对象。
具体地,本申请是通过如下技术方案实现的:
根据本申请实施例的第一方面,提供一种对象查找方法,所述方法包括:
获取若干事件以及所述若干事件的事件发生时间与事件发生地点;
在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点,所述预设的对象采集库中包括若干条采集记录,所述采集记录中包括对象、被采集时间,以及被采集地点;
根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度;
根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象。
可选的,在所述在预设的对象采集库中,根据所述若干事件的事件发生时间、事件发生地点获取所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点之后,所述方法还包括:
在所述对象采集库中,获取所述至少一个参考对象在预设的第一时间范围内的采集记录,所述预设的第一时间范围包括M天,M=2d+1,其中,d为不小于1的自然数,且所述第一时间范围内的第(d+1)天为所述至少一个参考对象所对应的事件的事件发生时间所处的当天;
根据所述至少一个参考对象在预设的第一时间范围内的采集记录,统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数;
统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数达到预设的次数阈值的总天数;
若所述总天数达到预设的天数阈值,则继续确定所述至少一个参考对象所对应的事件的总数量;所述天数阈值=α*M,α为调整系数,且α∈(0,1);
若所述总数量为1,则将所述至少一个参考对象看作干扰对象,并丢弃所述干扰对象。
可选的,所述在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点包括:
根据所述若干事件的事件发生时间设定第二时间范围,以及根据所述若干事件的事件发生地点设定空间范围;
在预设的对象采集库中获取参考对象以及所述参考对象的被采集时间与被采集地点,其中,所述参考对象在所述采集记录中的被采集时间处于所述第二时间范围内,且所述参考对象在所述采集记录中的被采集地点处于所述空间范围内。
可选的,所述根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度包括:
获取所述若干事件的事件发生时间与所述若干事件对应的至少一个参考对象的被采集时间之间的时间差值,以及获取所述若干事件的事件发生地点与所述若干事件对应的至少一个参考对象的被采集地点之间的距离值;
根据所述时间差值与所述距离值构建矩阵M1和矩阵M2;
其中,MDisij=DisThreshold-Disij+1,DisThreshold为预设的区域半径,Disij为所述距离值,i∈[1,m],j∈[1,n],m为所述至少一个参考对象中参考对象的总数量,n为所述若干事件中事件的总数量;
其中,MTdpq=TdThreshold-Tdpq+1,TdThreshold为预设的时间长度;Tdpq为所述时间差值,p∈[1,n],q∈[1,m];
通过预设的第一公式计算得出所述至少一个参考对象与所述若干事件之间的时空关联度;
所述第一公式为:矩阵M3=(λ1*M1)*(λ2*M2),其中,矩阵M3主对角线上的值为所述至少一个参考对象与所述若干事件之间的时空关联度,λ1表示所述距离值对于所述时空关联度的权重、λ2表示所述时间值对于所述时空关联度的权重;
通过所述时空关联度与预设的第二公式计算得出所述至少一个参考对象与所述若干事件之间的关联度;
所述第二公式为:Supi=MIDi+λ3*Si,其中,i∈[1,m],Supi表示第i个参考对象与所述若干事件之间的关联度,MIDi表示第i个参考对象与所述若干事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
可选的,所述根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象包括:
按照所述关联度从大到小的顺序,对所述至少一个参考对象进行排序;
根据排序结果,将排在前N位的参考对象作为所述若干事件对应的目标对象,所述N为大于1的自然数;或者,
按照所述关联度从小到大的顺序,对所述至少一个参考对象进行排序;
根据排序结果,将排在后N位的参考对象作为所述若干事件对应的目标对象。
根据本申请实施例的第二方面,提供一种对象查找装置,所述装置包括:
事件获取模块,用于获取若干事件以及所述若干事件的事件发生时间与事件发生地点;
对象获取模块,用于在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点,所述预设的对象采集库中包括若干条采集记录,所述采集记录中包括对象、被采集时间,以及被采集地点;
关联度获取模块,用于根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度;
目标获取模块,用于根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象。
可选的,所述装置还包括:
记录获取模块,用于在所述对象采集库中,获取所述至少一个参考对象在预设的第一时间范围内的采集记录,所述预设的第一时间范围包括M天,M=2d+1,其中,d为不小于1的自然数,且所述第一时间范围内的第(d+1)天为所述至少一个参考对象所对应的事件的事件发生时间所处的当天;
次数统计模块,用于根据所述至少一个参考对象在预设的第一时间范围内的采集记录,统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数;
天数统计模块,用于统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数达到预设的次数阈值的总天数;
数量确定模块,用于若所述总天数达到预设的天数阈值,则继续确定所述至少一个参考对象所对应的事件的总数量;所述天数阈值=α*M,α为调整系数,且α∈(0,1);
处理模块,用于若所述总数量为1,则将所述至少一个参考对象看作干扰对象,并丢弃所述干扰对象。
可选的,所述事件获取模块包括:
设定子模块,用于根据所述若干事件的事件发生时间设定第二时间范围,以及根据所述若干事件的事件发生地点设定空间范围;
参考信息获取子模块,用于在预设的对象采集库获取参考对象以及所述参考对象的被采集时间与被采集地点,其中,所述参考对象在所述采集记录中的被采集时间处于所述第二时间范围内,且所述参考对象在所述采集记录中的被采集地点处于所述空间范围内。
可选的,所述关联度获取模块包括:
获取子模块,用于获取所述若干事件的事件发生时间与所述若干事件对应的至少一个参考对象的被采集时间之间的时间差值,以及获取所述若干事件的事件发生地点与所述若干事件对应的至少一个参考对象的被采集地点之间的距离值;
构建子模块,用于根据所述时间差值与所述距离值构建矩阵M1和矩阵M2;
其中,MDisij=DisThreshold-Disij+1,DisThreshold为预设的区域半径,Disij为所述距离值,i∈[1,m],j∈[1,n],m为所述至少一个参考对象中参考对象的总数量,n为所述若干事件中事件的总数量;
其中,MTdpq=TdThreshold-Tdpq+1,TdThreshold为预设的时间长度;Tdpq为所述时间差值,p∈[1,n],q∈[1,m];
第一计算子模块,用于通过预设的第一公式计算得出所述至少一个参考对象与所述若干事件之间的时空关联度;
所述第一公式为:矩阵M3=(λ1*M1)*(λ2*M2),其中,矩阵M3主对角线上的值为所述至少一个参考对象与所述若干事件之间的时空关联度,λ1表示所述距离值对于所述时空关联度的权重、λ2表示所述时间值对于所述时空关联度的权重;
第二计算子模块,用于通过所述时空关联度与预设的第二公式计算得出所述至少一个参考对象与所述若干事件之间的关联度;
所述第二公式为:Supi=MIDi+λ3*Si,其中,i∈[1,m],Supi表示第i个参考对象与所述若干事件之间的关联度,MIDi表示第i个参考对象与所述若干事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
可选的,所述目标获取模块包括:
排序子模块,用于按照所述关联度从大到小的顺序,对所述至少一个参考对象进行排序;
目标确定子模块,用于根据排序结果,将排在前N位的参考对象作为所述若干事件对应的目标对象,所述N为大于1的自然数;
所述排序子模块还用于:按照所述关联度从小到大的顺序,对所述至少一个参考对象进行排序;
所述目标确定子模块还用于:根据排序结果,将排在后N位的参考对象作为所述若干事件对应的目标对象。
由上述实施例可见,通过获取到参考对象以及参考对象的被采集时间、被采集地点,则可以通过参考对象的被采集时间、被采集地点与事件的事件发生时间、事件发生地点获取参考对象与事件的关联度,从而实现了根据关联度获取事件对应的目标对象。
附图说明
图1为本申请对象查找方法的一个实施例流程图;
图2为本申请对象查找装置所在终端的一种硬件结构图;
图3为本申请对象查找装置的一个实施例框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参见图1,为本申请对象查找方法的一个实施例流程图,该方法可以包括以下步骤:
步骤S101:获取若干事件以及若干事件的事件发生时间与事件发生地点。
在本申请中,可以预设一个事件库,该事件库中可以包括事件编码、事件类型、事件、事件发生时间、以及事件发生地点之间的对应关系。
在一个可选的实现方式中,可以预先指定待获取事件的事件编码,并且,这些待获取事件之间通常具有关联关系。在指定事件编码后,则可以根据所指定的事件编码查找上述事件库,以获取到事件,以及该事件对应的事件发生时间、事件发生地点。
在另一个可选的实现方式中,可以预先设置获取批量事件,具体的,可以预先设置一个事件时间范围、一个事件空间范围以及事件类型。在指定获取批量事件后,则可以根据预设的事件时间范围、事件空间范围以及事件类型查找上述事件库,以获取到事件发生时间处于该事件时间范围内,并且事件发生地点处于该事件空间范围内的所有属于该事件类型的事件,继而获取该些事件对应的事件发生时间、事件发生地点。
例如,如下表1所示,为在事件库中所获取到的事件:
表1
事件 | 事件发生时间 | 事件发生地点(经纬度) |
Case1 | C-T1 | (Lat1,Lng1) |
Case2 | C-T2 | (Lat2,Lng2) |
… | … | … |
Casen | C-Tn | (Latn,Lngn) |
步骤S102:在预设的对象采集库中,根据若干事件的事件发生时间与事件发生地点,获取与若干事件对应的至少一个参考对象,以及至少一个参考对象的被采集时间与被采集地点,该预设的对象采集库中包括若干条采集记录,采集记录中包括对象、被采集时间,以及被采集地点之间的对应关系。
在本申请中,信息采集设备可以将采集到的对象相关信息记录在预设的对象采集库中,在该对象采集库中记录有若干条采集记录,其中,每条采集记录中包括对象、被采集时间、被采集地点。
以获取上述表1中所示例的Csae1对应的参考对象为例:
在本申请中,根据Case1的事件发生时间“C-T1”设定一个时间范围,为了描述方便,可以将该时间范围称为第二时间范围,以及根据Case1的事件发生地点“(Lat1,Lng1)”设定一个空间范围,例如,所设定的第二时间范围包括Case1的事件发生时间的前后t分钟内,即设定的第二时间范围为(C-T1-t,C-T1+t);所设定的空间范围包括以Case1的事件发生地点为中心,半径为R的圆形区域。需要说明的是,上述所描述的t分钟和半径R可以适用于获取表1中所示例的每个事件对应的参考对象过程中。
后续,根据所设定的第二时间范围和空间范围在上述描述的对象采集库中获取到被采集时间处于该第二时间范围内,同时被采集地点处于该空间范围内的所有对象,可以将所获取到的所有对象作为Case1对应的参考对象。
例如,如下表2所示,为Case1对应的参考对象:
表2
参考对象 | 被采集时间 | 被采集地点 |
Obj-11 | O-T1 | O-P1 |
Obj-12 | O-T2 | O-P2 |
… | … | … |
Obj-1n | O-Tn | O-Pn |
可以按照上述描述分别获取表1中所示例的每个事件各自对应的参考对象,具体获取过程,本申请中不再一一详述。
如下表3所示,为所获取到的所有事件各自对应的参考对象:
表3
需要说明的是,上述表3中所示例的参考对象仅仅作为举例,在实际应用中,表3中不同名称所表示的参考对象可以相同,即在上述表3中,一个参考对象可以对应至少一个事件。
此外,在本申请中,步骤S102中获取到的参考对象有可能是无效的干扰对象,例如,获取到的参考对象在空间上的固有活动范围属于上述空间范围,则在该空间范围内,可以频繁地采集到该参考对象,则该参考对象很容易干扰目标对象的获取。
为了尽可能地提高最终获取到的目标对象的准确性,在本申请,执行完步骤S102,可以继续执行下述所描述的在参考对象中过滤无效的干扰对象的过程,该过程具体可以包括:
在对象采集库中,根据上述表3所示例的参考对象,获取每一个参考对象在预设的第一时间范围内的采集记录,其中,该预设的第一时间范围与该参考对象对应的事件的事件发生时间相关,具体地,可以将该参考对象对应的事件的事件发生时间的前后d天内的时间范围设置为第一时间范围,即该第一时间范围包括(2d+1)天,例如,假设该参考对象对应的事件的事件发生时间在2016年5月10日,假设d=2,则所设置的第一时间范围可以为2016年5月8日至2016年5月12日。
根据所获取到的采集记录可以统计得出每一个参考对象在该第一时间范围内,即(2d+1)天内,每天被采集到的次数,之后,统计得出每一个参考对象在该(2d+1)天内,每天被采集到的次数达到预设的次数阈值的总天数,若该总天数达到预设的天数阈值,则继续确定该参考对象对应的事件的总数量,若该参考对象对应的事件的总数量为1,则可以认为该参考对象在空间上的固有活动范围属于上述空间范围,且该参考对象与其对应的事件之间存在关联关系是一种偶然发生的情况,则可以将该参考对象看作无效的干扰对象,继而可以将该参考对象从上述表3中删除。
若该参考对象对应的事件的总数量多于1,例如,该参考对象对应的事件的总数量为2,则可以认为该参考对象与该空间范围内发生的若干事件存在关联关系的概率较大,为了避免错误地漏掉若干事件对应的目标对象,此时仍保留该参考对象。
需要说明的是,上述所描述的天数阈值=α*M,其中,α为调整系数,且α∈(0,1),M=2d+1,即上述第一时间范围所包括的天数。
步骤S103:根据事件发生时间、事件发生地点以及被采集时间、被采集地点,获取至少一个参考对象与若干事件之间的关联度。
首先,可以获取每个事件的事件发生时间与该事件对应的所有参考对象各自的被采集时间之间的时间差值,以及获取每个事件的事件发生地点与该事件对应的所有参考对象各自的被采集地点之间的距离值。例如,如下表4所示,为获取到的各个事件对应的时间差值以及距离值:
表4
假设在上述表4中共有n个事件,该n个事件对应的参考对象总共有m个。
同时,根据表4还可以获取到表4中的每个参考对象所对应的事件的数量。
后续,可以根据上述表4计算得出该m个参考对象与该n个事件之间的关联度。具体计算过程如下:
首先,可以根据表4构建两个矩阵,矩阵M1和矩阵M2。其中,矩阵M1为m*n矩阵,表示参考对象的被采集地点与事件的事件发生地点之间的距离值;矩阵M2为n*m矩阵,表示事件的事件发生时间与其对应的参考对象的被采集时间之间的时间差值。具体如下:
在上述矩阵M1中,MDisij=DisThreshold-Disij+1,其中,DisThreshold可以为上述步骤S102中所描述的圆形区域的半径R,i∈[1,m],j∈[1,n],需要说明的是,若参考对象与事件之间没有对应关系,即参考对象与事件之间没有关联,则可以将矩阵M1中,表示该参考对象与该事件的对应位置上的值设为0。此外,还需要说明的是,设置MDisij=DisThreshold-Disij+1,可以避免当DisThreshold=Disij时,MDisij的值为0。
在上述矩阵M2中,MTdpq=TdThreshold-Tdpq+1,其中,TdThreshold可以为上述步骤S102中所描述的时间t,p∈[1,n],q∈[1,m],需要说明的是,若参考对象与事件之间没有对应关系,即参考对象与事件之间没有关联,则可以将矩阵M2中,表示该参考对象与该事件的对应位置上的值设为0。此外,还需要说明的是,设置M-Tdpq=TdThreshold-Tdpq+1,可以避免当TdThreshold=Tdpq时,MTdpq的值为0。
通常情况下,可以将参考对象的被采集时间与其对应的事件的事件发生时间之间的时间差、参考对象的被采集地点与其对应的事件的事件发生地点之间的距离、以及若干事件中,参考对象所对应的事件的数量,这三者作为衡量参考对象与若干事件之间关联度的因素,并且可以预先设置该三者各自对参考对象与若干事件之间关联度影响的权重,假设分别为λ1、λ2、λ3。
后续,可以通过下述公式(一)计算得出矩阵M3:
M3=(λ1*M1)*(λ2*M2) 公式(一)
通过上述公式所计算得出的矩阵M3为m*m的矩阵,并且,矩阵M3主对角线上的m个值即表示m个参考对象各自与该n个事件之间的时空关联度。
后续,通过下述公式(二)计算得出m个参考对象各自与n个事件之间的关联度:
Supi=MIDi+λ3*Si 公式(二)
其中,i∈[1,m],Supi表示第i个参考对象与n个事件之间的关联度,MIDi表示第i个参考对象与n个事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
步骤S104:根据关联度,在至少一个参考对象中,确定若干事件对应的至少一个目标对象。
在本申请中,可以按照关联度从大到小的顺序,或者从小到大的顺序对参考对象进行排序,之后,根据排序结果,选择关联度较高的参考对象作为目标对象,例如,若按照关联度从大到小的顺序对参考对象进行排序,则选择排在前N位的参考对象作为目标对象,N为大于等于1的自然数,且N小于参考对象的总个数。
为了使得更本领域技术人员可以更详尽地了解本申请提供的对象查找方法,提供下述应用场景,以说明本申请提供的对象查找方法的应用过程。需要说明的是,下述应用场景仅仅作为示例,本申请对所提供的对象查找方法的应用场景并不作限制。
在一示例性应用场景中,一些快速发生的案件,例如盗窃案,通常在时间上具有一定的连续性,并且所发生的区域也具有一定的集中性,这些连续发生,且相对集中在一个区域内的案件通常为同一人或同一团伙所为。公安部门在侦破这类案件时,则可以采用本申请提供的对象查找方法。
具体的,随着私人终端设备,例如手机的普及,以及信号采集设备的大范围布设,则可以通过采集私人终端设备的时间数据、空间数据,获取个人的行踪记录,继而通过这些时间数据、空间数据与若干案件进行比对,以获取该若干案件最可疑的犯罪嫌疑人。
具体的,公安部门可以使用终端设备,在预设的案件库中获取若干案件,以及该若干案件的发生时间、发生地点,具体过程可以参见上述步骤S101中的描述。
之后,终端设备可以根据所获取到的案件信息,获取资源的采集记录,这里的资源可以为手机,即可以将手机作为上述实施例中所描述的参考对象。例如,终端设备根据每个案件的发生时间、发生地点,获取在该发生时间相关的时间范围内,以及在该发生地点相关的空间范围内采集到的手机的MAC地址,,具体获取过程可以参见上述步骤S102中的描述。
在该应用场景中,若该若干案件发生在某些区域,例如居住小区中,则该居住小区中常住居民的手机将被作为参考对象,为了提高最终获取到的目标对象的准确性,则终端设备可以继续执行上述所描述的在参考对象中过滤无效的干扰对象的过程,以在参考对象中排除无作案嫌疑的常住居民的手机。
之后,终端设备可以按照上述步骤S103和步骤S104所描述的过程,计算得出每个手机与该若干案件之间的关联度,从而,将关联度较高的手机作为目标对象提供给公安人员,以使得公安人员可以根据目标对象确定犯罪嫌疑人。
由上述实施例可见,通过获取到参考对象以及参考对象的被采集时间、被采集地点,则可以通过参考对象的被采集时间、被采集地点与事件的事件发生时间、事件发生地点获取参考对象与事件的关联度,从而实现了根据关联度获取事件对应的目标对象。
与前述对象查找方法的实施例相对应,本申请还提供了对象查找装置的实施例。
本申请对象查找装置的实施例可以应用在终端上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在终端的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图2所示,为本申请对象查找装置所在终端的一种硬件结构图,除了图2所示的处理器21、内存22、网络接口23、以及非易失性存储器24之外,实施例中装置所在的终端通常根据该终端的实际功能,还可以包括其他硬件,对此不再赘述。
请参考图3,为本申请对象查找装置的一个实施例框图,该装置可以包括:事件获取模块31、对象获取模块32、关联度获取模块33、目标获取模块34。
其中,该事件获取模块31,可以用于获取若干事件以及所述若干事件的事件发生时间与事件发生地点;
该对象获取模块32,可以用于在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点,所述预设的对象采集库中包括若干条采集记录,所述采集记录中包括对象、被采集时间,以及被采集地点;
该关联度获取模块33,可以用于根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度;
该目标获取模块34,可以用于根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象。
在一实施例中,所述装置还可以包括(图3中并未示出):
记录获取模块,用于在所述对象采集库中,获取所述至少一个参考对象在预设的第一时间范围内的采集记录,所述预设的第一时间范围包括M天,M=2d+1,其中,d为不小于1的自然数,且所述第一时间范围内的第(d+1)天为所述至少一个参考对象所对应的事件的事件发生时间所处的当天;
次数统计模块,用于根据所述至少一个参考对象在预设的第一时间范围内的采集记录,统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数;
天数统计模块,用于统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数达到预设的次数阈值的总天数;
数量确定模块,用于若所述总天数达到预设的天数阈值,则继续确定所述至少一个参考对象所对应的事件的总数量;所述天数阈值=α*M,α为调整系数,且α∈(0,1);
处理模块,用于若所述总数量为1,则将所述至少一个参考对象看作干扰对象,并丢弃所述干扰对象。
在一实施例中,所述事件获取模块31可以包括(图3中并未示出):
设定子模块,用于根据所述若干事件的事件发生时间设定第二时间范围,以及根据所述若干事件的事件发生地点设定空间范围;
参考信息获取子模块,用于在预设的对象采集库中遍历每一条采集记录,获取参考对象以及所述参考对象的被采集时间与被采集地点,其中,所述参考对象在所述采集记录中的被采集时间处于所述第二时间范围内,且所述参考对象在所述采集记录中的被采集地点处于所述空间范围内。
在一实施例中,所述关联度获取模块33可以包括(图3中并未示出):
获取子模块,用于获取所述若干事件的事件发生时间与所述若干事件对应的至少一个参考对象的被采集时间之间的时间差值,以及获取所述若干事件的事件发生地点与所述若干事件对应的至少一个参考对象的被采集地点之间的距离值;
构建子模块,用于根据所述时间差值与所述距离值构建矩阵M1和矩阵M2;
其中,MDisij=DisThreshold-Disij+1,DisThreshold为预设的区域半径,Disij为所述距离值,i∈[1,m],j∈[1,n],m为所述至少一个参考对象中参考对象的总数量,n为所述若干事件中事件的总数量;
其中,MTdpq=TdThreshold-Tdpq+1,TdThreshold为预设的时间长度;Tdpq为所述时间差值,p∈[1,n],q∈[1,m];
第一计算子模块,用于通过预设的第一公式计算得出所述至少一个参考对象与所述若干事件之间的时空关联度;
所述第一公式为:矩阵M3=(λ1*M1)*(λ2*M2),其中,矩阵M3主对角线上的值为所述至少一个参考对象与所述若干事件之间的时空关联度,λ1表示所述距离值对于所述时空关联度的权重、λ2表示所述时间值对于所述时空关联度的权重;
第二计算子模块,用于通过所述时空关联度与预设的第二公式计算得出所述至少一个参考对象与所述若干事件之间的关联度;
所述第二公式为:Supi=MIDi+λ3*Si,其中,i∈[1,m],Supi表示第i个参考对象与所述若干事件之间的关联度,MIDi表示第i个参考对象与所述若干事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
在一实施例中,所述目标获取模块34可以包括(图3中并未示出):
排序子模块,用于按照所述关联度从大到小的顺序,对所述至少一个参考对象进行排序;
目标确定子模块,用于根据排序结果,将排在前N位的参考对象作为所述若干事件对应的目标对象,所述N为大于1的自然数。
在一实施例中,所述排序子模块还可以用于:按照所述关联度从小到大的顺序,对所述至少一个参考对象进行排序;
所述目标确定子模块还可以用于:根据排序结果,将排在后N位的参考对象作为所述若干事件对应的目标对象。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种对象查找方法,其特征在于,所述方法包括:
获取若干事件以及所述若干事件的事件发生时间与事件发生地点;
在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点,所述预设的对象采集库中包括若干条采集记录,所述采集记录中包括对象、被采集时间,以及被采集地点;
根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度;
根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象。
2.根据权利要求1所述的方法,其特征在于,在所述在预设的对象采集库中,根据所述若干事件的事件发生时间、事件发生地点获取所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点之后,所述方法还包括:
在所述对象采集库中,获取所述至少一个参考对象在预设的第一时间范围内的采集记录,所述预设的第一时间范围包括M天,M=2d+1,其中,d为不小于1的自然数,且所述第一时间范围内的第(d+1)天为所述至少一个参考对象所对应的事件的事件发生时间所处的当天;
根据所述至少一个参考对象在预设的第一时间范围内的采集记录,统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数;
统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数达到预设的次数阈值的总天数;
若所述总天数达到预设的天数阈值,则继续确定所述至少一个参考对象所对应的事件的总数量;所述天数阈值=α*M,α为调整系数,且α∈(0,1);
若所述总数量为1,则将所述至少一个参考对象看作干扰对象,并丢弃所述干扰对象。
3.根据权利要求1所述的方法,其特征在于,所述在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点包括:
根据所述若干事件的事件发生时间设定第二时间范围,以及根据所述若干事件的事件发生地点设定空间范围;
在预设的对象采集库中获取参考对象以及所述参考对象的被采集时间与被采集地点,其中,所述参考对象在所述采集记录中的被采集时间处于所述第二时间范围内,且所述参考对象在所述采集记录中的被采集地点处于所述空间范围内。
4.根据权利要求1所述的方法,其特征在于,所述根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度包括:
获取所述若干事件的事件发生时间与所述若干事件对应的至少一个参考对象的被采集时间之间的时间差值,以及获取所述若干事件的事件发生地点与所述若干事件对应的至少一个参考对象的被采集地点之间的距离值;
根据所述时间差值与所述距离值构建矩阵M1和矩阵M2;
其中,MDisij=DisThreshold-Disij+1,DisThreshold为预设的区域半径,Disij为所述距离值,i∈[1,m],j∈[1,n],m为所述至少一个参考对象中参考对象的总数量,n为所述若干事件中事件的总数量;
其中,MTdpq=TdThreshold-Tdpq+1,TdThreshold为预设的时间长度;Tdpq为所述时间差值,p∈[1,n],q∈[1,m];
通过预设的第一公式计算得出所述至少一个参考对象与所述若干事件之间的时空关联度;
所述第一公式为:矩阵M3=(λ1*M1)*(λ2*M2),其中,矩阵M3主对角线上的值为所述至少一个参考对象与所述若干事件之间的时空关联度,λ1表示所述距离值对于所述时空关联度的权重、λ2表示所述时间值对于所述时空关联度的权重;
通过所述时空关联度与预设的第二公式计算得出所述至少一个参考对象与所述若干事件之间的关联度;
所述第二公式为:Supi=MIDi+λ3*Si,其中,i∈[1,m],Supi表示第i个参考对象与所述若干事件之间的关联度,MIDi表示第i个参考对象与所述若干事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
5.根据权利要求1所述的方法,其特征在于,所述根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象包括:
按照所述关联度从大到小的顺序,对所述至少一个参考对象进行排序;
根据排序结果,将排在前N位的参考对象作为所述若干事件对应的目标对象,所述N为大于1的自然数;或者,
按照所述关联度从小到大的顺序,对所述至少一个参考对象进行排序;
根据排序结果,将排在后N位的参考对象作为所述若干事件对应的目标对象。
6.一种对象查找装置,其特征在于,所述装置包括:
事件获取模块,用于获取若干事件以及所述若干事件的事件发生时间与事件发生地点;
对象获取模块,用于在预设的对象采集库中,根据所述若干事件的事件发生时间与事件发生地点,获取与所述若干事件对应的至少一个参考对象,以及所述至少一个参考对象的被采集时间与被采集地点,所述预设的对象采集库中包括若干条采集记录,所述采集记录中包括对象、被采集时间,以及被采集地点;
关联度获取模块,用于根据所述事件发生时间、事件发生地点以及所述被采集时间、被采集地点,获取所述至少一个参考对象与所述若干事件之间的关联度;
目标获取模块,用于根据所述关联度,在所述至少一个参考对象中,确定所述若干事件对应的至少一个目标对象。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
记录获取模块,用于在所述对象采集库中,获取所述至少一个参考对象在预设的第一时间范围内的采集记录,所述预设的第一时间范围包括M天,M=2d+1,其中,d为不小于1的自然数,且所述第一时间范围内的第(d+1)天为所述至少一个参考对象所对应的事件的事件发生时间所处的当天;
次数统计模块,用于根据所述至少一个参考对象在预设的第一时间范围内的采集记录,统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数;
天数统计模块,用于统计得出所述至少一个参考对象在所述M天内,每天被采集到的次数达到预设的次数阈值的总天数;
数量确定模块,用于若所述总天数达到预设的天数阈值,则继续确定所述至少一个参考对象所对应的事件的总数量;所述天数阈值=α*M,α为调整系数,且α∈(0,1);
处理模块,用于若所述总数量为1,则将所述至少一个参考对象看作干扰对象,并丢弃所述干扰对象。
8.根据权利要求6所述的装置,其特征在于,所述事件获取模块包括:
设定子模块,用于根据所述若干事件的事件发生时间设定第二时间范围,以及根据所述若干事件的事件发生地点设定空间范围;
参考信息获取子模块,用于在预设的对象采集库获取参考对象以及所述参考对象的被采集时间与被采集地点,其中,所述参考对象在所述采集记录中的被采集时间处于所述第二时间范围内,且所述参考对象在所述采集记录中的被采集地点处于所述空间范围内。
9.根据权利要求6所述的装置,其特征在于,所述关联度获取模块包括:
获取子模块,用于获取所述若干事件的事件发生时间与所述若干事件对应的至少一个参考对象的被采集时间之间的时间差值,以及获取所述若干事件的事件发生地点与所述若干事件对应的至少一个参考对象的被采集地点之间的距离值;
构建子模块,用于根据所述时间差值与所述距离值构建矩阵M1和矩阵M2;
其中,MDisij=DisThreshold-Disij+1,DisThreshold为预设的区域半径,Disij为所述距离值,i∈[1,m],j∈[1,n],m为所述至少一个参考对象中参考对象的总数量,n为所述若干事件中事件的总数量;
其中,MTdpq=TdThreshold-Tdpq+1,TdThreshold为预设的时间长度;Tdpq为所述时间差值,p∈[1,n],q∈[1,m];
第一计算子模块,用于通过预设的第一公式计算得出所述至少一个参考对象与所述若干事件之间的时空关联度;
所述第一公式为:矩阵M3=(λ1*M1)*(λ2*M2),其中,矩阵M3主对角线上的值为所述至少一个参考对象与所述若干事件之间的时空关联度,λ1表示所述距离值对于所述时空关联度的权重、λ2表示所述时间值对于所述时空关联度的权重;
第二计算子模块,用于通过所述时空关联度与预设的第二公式计算得出所述至少一个参考对象与所述若干事件之间的关联度;
所述第二公式为:Supi=MIDi+λ3*Si,其中,i∈[1,m],Supi表示第i个参考对象与所述若干事件之间的关联度,MIDi表示第i个参考对象与所述若干事件之间的时空关联度,Si表示第i个参考对象所对应的事件的数量。
10.根据权利要求6所述的装置,其特征在于,所述目标获取模块包括:
排序子模块,用于按照所述关联度从大到小的顺序,对所述至少一个参考对象进行排序;
目标确定子模块,用于根据排序结果,将排在前N位的参考对象作为所述若干事件对应的目标对象,所述N为大于1的自然数;
所述排序子模块还用于:按照所述关联度从小到大的顺序,对所述至少一个参考对象进行排序;
所述目标确定子模块还用于:根据排序结果,将排在后N位的参考对象作为所述若干事件对应的目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005558.2A CN106709047B (zh) | 2017-01-04 | 2017-01-04 | 对象查找方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005558.2A CN106709047B (zh) | 2017-01-04 | 2017-01-04 | 对象查找方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709047A CN106709047A (zh) | 2017-05-24 |
CN106709047B true CN106709047B (zh) | 2019-12-13 |
Family
ID=58906727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710005558.2A Active CN106709047B (zh) | 2017-01-04 | 2017-01-04 | 对象查找方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709047B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832364B (zh) * | 2017-10-26 | 2021-06-22 | 浙江宇视科技有限公司 | 一种基于时空数据锁定目标对象的方法及装置 |
CN108563715B (zh) * | 2018-03-29 | 2020-12-04 | 中国科学院计算技术研究所 | 一种分布式的趋同行为挖掘方法与系统 |
CN109753541A (zh) * | 2018-12-10 | 2019-05-14 | 北京明略软件系统有限公司 | 一种关系网络构建方法和装置、计算机可读存储介质 |
CN109885701B (zh) * | 2019-01-08 | 2020-01-10 | 中山乐心电子有限公司 | 多媒体数据处理方法、系统、终端和计算机可读存储介质 |
CN110309878B (zh) * | 2019-06-28 | 2022-02-22 | 深圳市商汤科技有限公司 | 一种信息处理方法及装置、存储介质 |
CN110825893A (zh) * | 2019-09-18 | 2020-02-21 | 北京旷视科技有限公司 | 一种目标查找方法、装置、系统及存储介质 |
CN112966014A (zh) * | 2019-12-12 | 2021-06-15 | 阿里巴巴集团控股有限公司 | 查找目标对象的方法和装置 |
CN111783668A (zh) * | 2020-07-01 | 2020-10-16 | 杭州海康威视系统技术有限公司 | 一种确定人员与事件之间关联度的方法、装置及设备 |
CN113241192B (zh) * | 2021-05-18 | 2023-06-20 | 武汉大学中南医院 | 一种证据合成方法和计算机设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9746927B2 (en) * | 2010-09-30 | 2017-08-29 | France Telecom | User interface system and method of operation thereof |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN104767782A (zh) * | 2014-01-08 | 2015-07-08 | 腾讯科技(深圳)有限公司 | 一种关联照片事件的方法和装置 |
CN104080054B (zh) * | 2014-07-18 | 2018-11-09 | 百度在线网络技术(北京)有限公司 | 一种异常兴趣点的获取方法及装置 |
CN106202488B (zh) * | 2016-07-19 | 2019-04-19 | 西北工业大学 | 估算用户到物理事件距离的方法 |
-
2017
- 2017-01-04 CN CN201710005558.2A patent/CN106709047B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106709047A (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709047B (zh) | 对象查找方法及装置 | |
CN111523569B (zh) | 一种用户身份确定方法、装置及电子设备 | |
KR101894226B1 (ko) | Ip 어드레스에 대응하는 위치를 결정하기 위한 방법, 장치, 및 시스템 | |
CN106304015B (zh) | 用户设备的确定方法及装置 | |
CN108650614B (zh) | 一种自动推断社会关系的移动用户位置预测方法与装置 | |
US20160085774A1 (en) | Context based image search | |
US9135630B2 (en) | Systems and methods for large-scale link analysis | |
CN109977324B (zh) | 一种兴趣点挖掘方法及系统 | |
CN109784220B (zh) | 一种确定路人轨迹的方法及装置 | |
CN109615573B (zh) | 基于大数据的外地人员流窜作案分析方法及系统 | |
CN109145225B (zh) | 一种数据处理方法及装置 | |
CN112149285A (zh) | 一种基于优化参数选择的滑坡预测方法 | |
CN110825893A (zh) | 一种目标查找方法、装置、系统及存储介质 | |
CN110543583A (zh) | 信息处理方法及装置、图像设备及存储介质 | |
US11622231B2 (en) | System and method for identifying associated subjects from location histories | |
WO2021212760A1 (zh) | 确定人员身份类型的方法、装置和电子系统 | |
CN111061916B (zh) | 一种基于多目标库图像识别的视频共享系统 | |
CN110765221A (zh) | 时空轨迹数据的管理方法和装置 | |
CN109828991B (zh) | 一种多时空条件下查询排序方法、装置、设备和存储介质 | |
CN112333182B (zh) | 档案处理方法、装置、服务器及存储介质 | |
Sandag | Exploratory data analysis towards terrorist activity in Indonesia using machine learning techniques | |
CN114154010A (zh) | 数据处理方法、装置、设备、存储介质 | |
CN114020947A (zh) | 类簇的时空域信息生成方法、装置、电子设备、存储介质 | |
Adu-Gyamfi et al. | Real-time monitoring of mobile user using trajectory data mining | |
KR102554835B1 (ko) | 감염병 환자의 접촉자 추적 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |