CN107330584A - 可疑人员识别方法及装置 - Google Patents
可疑人员识别方法及装置 Download PDFInfo
- Publication number
- CN107330584A CN107330584A CN201710439815.3A CN201710439815A CN107330584A CN 107330584 A CN107330584 A CN 107330584A CN 201710439815 A CN201710439815 A CN 201710439815A CN 107330584 A CN107330584 A CN 107330584A
- Authority
- CN
- China
- Prior art keywords
- user
- duration
- delay
- subway
- detained
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004891 communication Methods 0.000 claims description 23
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G06Q50/40—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
Abstract
本申请公开一种可疑人员识别方法及装置,涉及数据分析技术领域,用于解决现有技术中通过人工监控识别地铁乘客中的可疑人员的方法存在效率较低的问题。所述方法包括:获取用户在预设时间段内的位置数据;然后,根据用户的位置数据,生成至少一条地铁乘车路线;根据至少一条地铁乘车路线,确定用户的行程指标,行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;最后,根据用户的行程指标,确定用户的可疑程度。本申请适用于可疑人员的识别过程中。
Description
技术领域
本申请涉及数据分析技术领域,尤其涉及一种可疑人员识别方法及装置。
背景技术
随着城市建设的发展,越来越多的城市开始兴建地铁。地铁在缓解城市交通压力、减少污染、节约能源以及促进经济发展方面发挥了不可替代的作用。但与此同时,与地铁有关的违法犯罪活动也日渐增多,例如在地铁上行乞、盗窃、卖艺。这些违法犯罪活动不仅严重影响了地铁的运营和发展,还给乘客带来了恶劣印象。现有技术中,地铁公司一般通过人工监控的方法来识别地铁乘客中的可疑人员,从而对可疑人员采用针对性的防范措施,进而减少可疑人员在地铁系统中的违法犯罪活动。但是,每个工作人员的监控区域是有限的,地铁公司需要投入足够多的人手才能保证监控的效果,监控效率较低。
发明内容
本申请实施例提供一种可疑人员识别方法及装置,能够解决现有技术中通过人工监控识别地铁乘客中的可疑人员的方法存在效率较低的问题。
为达到上述目的,本申请实施例采用如下技术方案。
第一方面,本申请实施例提供一种可疑人员识别方法,所述方法包括:
获取用户在预设时间段内的位置数据;
根据所述用户的位置数据,生成至少一条地铁乘车路线;
根据所述至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;
根据所述用户的行程指标,确定所述用户的可疑程度。
第二方面,本申请实施例提供一种可疑人员识别装置,所述装置包括:
获取单元,用于获取用户在预设时间段内的位置数据;
路线生成单元,用于根据所述获取单元获取的所述用户的位置数据,生成至少一条地铁乘车路线;
识别单元,用于根据所述路线生成单元生成的至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;根据所述用户的行程指标,确定所述用户的可疑程度。
相比于现有技术中通过人工监控识别地铁乘客中的可疑人员的方法,本申请实施例提供的可疑人员识别方法及装置,通过对用户的位置数据进行分析,确定可以反映用户乘坐地铁情况的地铁乘车路线,然后根据地铁乘车路线,确定用户的行程指标,这些行程指标反映了用户在地铁站点的滞留情况或往返情况,因此,通过分析这些行程指标,能够确定用户的可疑程度,即确定用户是否是可疑人员,从而实现了对地铁乘客中的可疑人员的自动识别,减少地铁公司人力资源的投入,提高监控效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中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申请的一些实施例,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它的附图。
图1为本申请实施例提供的一种可疑人员识别方法的流程图;
图2为本申请实施例提供的一种可疑人员识别装置的结构示意图;
图3为本申请实施例提供的一种网络设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。
如图1所示,本申请实施例提供一种可疑人员识别方法,其执行主体是网络设备,例如服务器等。所述方法包括:
101、获取用户在预设时间段内的位置数据。
其中,预设时间段包括但不限于一天、一个星期或一个月。所述位置数据用于说明所述用户位置移动的情况。
具体实现过程中,网络设备获取用户的终端的各种通信数据,例如:2G/3G网络电路域CDR(Call Detail Records,呼叫详细记录)数据,2G/3G网络分组域Iu-PS口信令面及用户面的数据,Gn口数据,2G/3G用户详单信息数据,4G网络分组域信令面及用户面的数据。在获取到通信数据之后,对不同来源的通信数据进行时钟校准,从而统一不同来源的通信数据的基准时钟。然后,对不同来源的通信数据进行数据筛选,从中选取出通信事件发生的日期、时间以及小区。上述筛选出来的数据可以按时间顺序排列整理成表1所示的形式。
表1
由于通信事件发生的日期、时间以及小区等数据能够反映用户在不同时间所处的位置,因此可以将上述被筛选出来的数据作为用户的位置数据。
需要说明的是,由于多个通信事件可能在相邻时间内发生在同一小区,因此用户的位置数据中对同一小区在相邻时间存在多次记录,例如表1中的小区B。为了避免重复记录的情况,需要进行去重处理,具体的,保留多条重复记录中时间最早的记录,删除剩余的记录。示例性的,对表1进行去重处理,生成表2。
表2
日期 | 时间 | 小区 |
2017年3月1日 | 08:02 | A |
2017年3月1日 | 08:20 | B |
2017年3月1日 | 08:42 | C |
2017年3月1日 | 08:48 | D |
2017年3月1日 | 08:55 | E |
2017年3月1日 | 10:20 | F |
2017年3月1日 | 10:35 | G |
2017年3月1日 | 10:40 | F |
2017年3月1日 | 10:45 | I |
102、根据所述用户的位置数据,生成至少一条地铁乘车路线。
具体实现过程中,用户的位置数据包括:通信事件发生的日期、时间和小区,因此可以根据小区与地铁站点的对应关系,确定用户滞留过的地铁站点以及相应的滞留时间段。其中,滞留时间段可以包括:滞留开始时间和滞留结束时间。需要说明的是,用户在一个地铁站点的滞留开始时间为:用户在与该地铁站点对应的小区发生通信事件的时间。用户在一个地铁站点的滞留结束时间为:用户从与该地铁站点对应的小区移动到另一个小区,在另一个小区发生通信事件的时间。
示例性的,小区与地铁站点的对应关系,可以如表3所示。
表3
站点编号 | 站点名称 | 站点对应的小区 |
1 | 海淀五路居 | A |
2 | 慈寿寺 | B |
3 | 花园桥 | C |
4 | 五道沟 | D |
5 | 西直门 | F |
6 | 车公庄 | G |
示例性的,结合表2和表3,可以生成表4。表4用于记录用户滞留过的地铁站点以及相应的滞留时间段。
表4
具体实现过程中,将地铁站点按照滞留时间段的先后顺序,生成至少一条地铁乘车路线。具体的,将同一地铁站点集合中的不同地铁站点按滞留时间段的先后顺序,生成一条地铁乘车路线。所述地铁站点集合由滞留时间段相邻的地铁站点组成。需要说明的是,若用户在一个地铁站点的滞留结束时间与用户在另一个地铁站点的滞留开始时间相同,则可以称用户在这两个地铁站点的滞留时间段相邻。
以表4为例,可以生成:“海淀五路居-慈寿寺-花园桥-五道沟”,以及“西直门-车公庄-西直们”这两条地铁乘车路线。
可以理解的是,通过步骤102生成的地铁乘车路线可以反映用户在预设时间段内乘坐地铁的情况。
103、根据所述至少一条地铁乘车路线,确定所述用户的行程指标。
其中,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数。
一种具体实现方式中,根据所述用户在各地铁站点的滞留时间段,确定所述用户的滞留次数,所述滞留次数为所述用户在各地铁站点的滞留时长大于预设值的次数。需要说明的是,用户在一个地铁站点的滞留时长等于用户在该地铁站点的滞留结束时间减去滞留开始时间。预设值可以是地铁站点的发车时间间隔、换乘时间间隔以及故障时间间隔中的最大值。
一种具体实现方式中,根据所述用户的滞留总时长和所述滞留次数确定所述用户的平均滞留时长,所述滞留总时长为所述用户在各滞留地铁站点的滞留时长之和,所述滞留地铁站点为所述用户的滞留时长大于所述预设值的地铁站点。
一种具体实现方式中,将所述用户在各滞留地铁站点的滞留时长进行比较,将最大的滞留时长确定为所述用户的最大滞留时长。
示例性的,以表4记录的数据进行分析,假设各个地铁站点对应的预设值均为10分钟,则表4中用户的滞留时长大于预设值地铁站点有:海淀五路居、慈寿寺、西直门,因此可以确定用户的滞留次数为3。用户在海淀五路居的滞留时长为:18分钟,用户在慈寿寺的滞留时长为:12分钟,用户在西直门的滞留时长为15分钟,因此可以确定用户的最大滞留时长18分钟,平均滞留时长为15分钟。
一种具体实现方式中,确定所述用户在所述至少一条地铁乘车路线的往返次数,其中,若地铁乘车路线中连续三个地铁站点中存在两个相同的地铁站点,则确定所述用户存在一次往返过程。
示例性的,对根据表4确定的地铁乘车路线进行分析,在“西直门-车公庄-西直们”这一地铁乘车路线中,上述三个连续的地铁站点中存在两个相同的地铁站点(西直门),因此可以确定用户存在一次往返过程。由于在根据表4确定的地铁乘车路线中用户仅存在一次往返过程,即用户的往返次数为1。
上述行程指标用于反映用户在地铁站点中的滞留情况或者往返情况。可以理解的是,在乘坐地铁的过程中,正常乘客很少在地铁站点滞留,或者在不同地铁站点之间往返。因此可以根据上述行程指标,确定用户是可疑人员,还是正常乘客。
104、根据所述用户的行程指标,确定所述用户的可疑程度。
具体实现过程中,分别对所述最大滞留时长、所述平均滞留时长、所述滞留次数以及所述往返次数进行评分,确定最大滞留时长评分、平均滞留时长评分、滞留次数评分以及往返次数评分。
示例性的,表5示出一种行程指标的评分规则。其中,最大滞留时长与平均滞留时长的单位均为分钟。
表5
在确定各行程指标对应的评分之后,根据公式:可疑程度=最大滞留时长评分*a+平均滞留时长评分*b+滞留次数评分*c+往返次数评分*d,确定所述用户的可疑程度,其中,a为所述最大滞留时长评分的权重,b为所述平均滞留时长评分的权重,c为所述滞留次数评分的权重,d为所述往返次数评分的权重。
示例性的,a、b、c、d分别设置为20%、20%、30%、30%,最大滞留时长评分、平均滞留时长评分、滞留次数评分、往返次数评分分别为10、20、30、
10,因此,可以确定用户的可疑程度=10*20%+20*20%+30*30%+10*30%=18。
可以理解的是,可疑程度用于确认所述用户是否是可疑人员。例如,当用户的可疑程度大于预设分值时,确定所述用户是可疑人员;当用户的可疑程度小于等于预设分值时,确定所述用户是正常乘客。
进一步的,可以根据所述用户的可疑程度,得到用户的可疑程度评价。示例性的,可疑程度量化规则如表6所示。
表6
可疑程度σ | 可疑程度评价 |
30≥σ>20 | 高 |
20≥σ>10 | 中 |
10≥σ≥0 | 低 |
进一步的,当用户的可疑程度评价为“高”时,网络设备确定该用户为可疑人员,并通知管理人员对该用户采用针对性的防范措施。当用户的可疑程度评价为“中”时,网络设备对该用户设置观察期,若在观察期内,该用户的可疑程度评价没有改善,则对该用户采用针对性的防范措施;若在观察期内,该用户的可疑程度评价得到改善,则取消观察期。当用户的可疑程度评价为“低”时,则网络设备确定该用户为正常的地铁乘客。
相比于现有技术中通过人工监控识别地铁乘客中的可疑人员的方法,本申请实施例提供的可疑人员识别方法,通过对用户的位置数据进行分析,确定可以反映用户乘坐地铁情况的地铁乘车路线,然后根据地铁乘车路线,确定用户的行程指标,这些行程指标反映了用户在地铁站点的滞留情况或往返情况,因此,通过分析这些行程指标,能够确定用户的可疑程度,即确定用户是否是可疑人员,从而实现了对地铁乘客中的可疑人员的自动识别,减少地铁公司人力资源的投入,提高监控效率。
如图2所示,本申请实施例提供一种可疑人员识别装置,用于执行前述可疑人员识别方法。所述装置包括:
获取单元11,用于获取用户在预设时间段内的位置数据。
路线生成单元12,用于根据所述获取单元11获取的所述用户的位置数据,生成至少一条地铁乘车路线。
识别单元13,用于根据所述路线生成单元12生成的至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;根据所述用户的行程指标,确定所述用户的可疑程度。
在一种具体实现方式中,所述获取单元11,具体用于获取所述用户的终端在预设时间段内的通信数据;从所述通信数据中筛选出通信事件发生的日期、时间以及小区,生成所述用户的位置数据。
在一种具体实现方式中,所述路线生成单元12,具体用于根据所述用户的位置数据,确定所述用户滞留过的地铁站点以及在各地铁站点的滞留时间段;将地铁站点按照滞留时间段的先后顺序,生成至少一条地铁乘车路线。
在一种具体实现方式中,所述识别单元13,具体用于根据所述用户在各地铁站点的滞留时间段,确定所述用户的滞留次数,所述滞留次数为所述用户在各地铁站点的滞留时长大于预设值的次数;根据所述用户的滞留总时长和所述滞留次数确定所述用户的平均滞留时长,所述滞留总时长为所述用户在各滞留地铁站点的滞留时长之和,所述滞留地铁站点为所述用户的滞留时长大于所述预设值的地铁站点;将所述用户在各滞留地铁站点的滞留时长进行比较,将最大的滞留时长确定为所述用户的最大滞留时长;确定所述用户在所述至少一条地铁乘车路线的往返次数,其中,若地铁乘车路线中连续三个地铁站点中存在两个相同的地铁站点,则确定所述用户存在一次往返过程。
在一种具体实现方式中,所述识别单元13,具体用于分别对所述最大滞留时长、所述平均滞留时长、所述滞留次数以及所述往返次数进行评分,确定最大滞留时长评分、平均滞留时长评分、滞留次数评分以及往返次数评分;根据公式:可疑程度=最大滞留时长评分*a+平均滞留时长评分*b+滞留次数评分*c+往返次数评分*d,确定所述用户的可疑程度,其中,a为所述最大滞留时长评分的权重,b为所述平均滞留时长评分的权重,c为所述滞留次数评分的权重,d为所述往返次数评分的权重。
相比于现有技术中通过人工监控识别地铁乘客中的可疑人员的方法,本申请实施例提供的可疑人员识别装置,通过对用户的位置数据进行分析,确定可以反映用户乘坐地铁情况的地铁乘车路线,然后根据地铁乘车路线,确定用户的行程指标,这些行程指标反映了用户在地铁站点的滞留情况或往返情况,因此,通过分析这些行程指标,能够确定用户的可疑程度,即确定用户是否是可疑人员,从而实现了对地铁乘客中的可疑人员的自动识别,减少地铁公司人力资源的投入,提高监控效率。
如图3所示,本申请实施例提供一种网络设备,包括:处理器201、存储器202、收发器203以及总线204,所述处理器201、存储器202和收发器203通过所述总线204互相通信。其中,所述存储器202用于存储多个指令以实现本申请提供的用户价值评价方法,所述处理器201执行所述多个指令以实现获取用户在预设时间段内的位置数据;根据所述用户的位置数据,生成至少一条地铁乘车路线;根据所述至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;根据所述用户的行程指标,确定所述用户的可疑程度。
进一步的,所述处理器201还用于获取所述用户的终端在预设时间段内的通信数据;从所述通信数据中筛选出通信事件发生的日期、时间以及小区,生成所述用户的位置数据。
进一步的,所述处理器201还用于根据所述用户的位置数据,确定所述用户滞留过的地铁站点以及在各地铁站点的滞留时间段;将地铁站点按照滞留时间段的先后顺序,生成至少一条地铁乘车路线。
进一步的,所述处理器201还用于根据所述用户在各地铁站点的滞留时间段,确定所述用户的滞留次数,所述滞留次数为所述用户在各地铁站点的滞留时长大于预设值的次数;根据所述用户的滞留总时长和所述滞留次数确定所述用户的平均滞留时长,所述滞留总时长为所述用户在各滞留地铁站点的滞留时长之和,所述滞留地铁站点为所述用户的滞留时长大于所述预设值的地铁站点;将所述用户在各滞留地铁站点的滞留时长进行比较,将最大的滞留时长确定为所述用户的最大滞留时长;确定所述用户在所述至少一条地铁乘车路线的往返次数,其中,若地铁乘车路线中连续三个地铁站点中存在两个相同的地铁站点,则确定所述用户存在一次往返过程。
进一步的,所述处理器201还用于分别对所述最大滞留时长、所述平均滞留时长、所述滞留次数以及所述往返次数进行评分,确定最大滞留时长评分、平均滞留时长评分、滞留次数评分以及往返次数评分;根据公式:可疑程度=最大滞留时长评分*a+平均滞留时长评分*b+滞留次数评分*c+往返次数评分*d,确定所述用户的可疑程度,其中,a为所述最大滞留时长评分的权重,b为所述平均滞留时长评分的权重,c为所述滞留次数评分的权重,d为所述往返次数评分的权重。
其中,本申请实施例所述的处理器201可以是一个处理器,也可以是多个处理元件的统称。例如,该处理器201可以是中央处理器(Central Processing Unit,简称CPU),也可以是特定集成电路(Application Specific Integrated Circuit,简称ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digitalsignal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)。
存储器202可以是一个存储装置,也可以是多个存储元件的统称,且用于存储可执行程序代码等。且存储器202可以包括随机存储器(RAM),也可以包括非易失性存储器(non-volatile memory),例如磁盘存储器,闪存(Flash)等。
总线204可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。该总线204可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之
处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种可疑人员识别方法,其特征在于,所述方法包括:
获取用户在预设时间段内的位置数据;
根据所述用户的位置数据,生成至少一条地铁乘车路线;
根据所述至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;
根据所述用户的行程指标,确定所述用户的可疑程度。
2.根据权利要求1所述的方法,其特征在于,所述获取用户在预设时间段内的位置数据,具体包括:
获取所述用户的终端在预设时间段内的通信数据;
从所述通信数据中筛选出通信事件发生的日期、时间以及小区,生成所述用户的位置数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户的位置数据,生成至少一条地铁乘车路线,具体包括:
根据所述用户的位置数据,确定所述用户滞留过的地铁站点以及在各地铁站点的滞留时间段;
将地铁站点按照滞留时间段的先后顺序,生成至少一条地铁乘车路线。
4.根据权利要求3所述的方法,其特征在于,所述根据所述至少一条地铁乘车路线,确定所述用户的行程指标,具体包括:
根据所述用户在各地铁站点的滞留时间段,确定所述用户的滞留次数,所述滞留次数为所述用户在各地铁站点的滞留时长大于预设值的次数;
根据所述用户的滞留总时长和所述滞留次数确定所述用户的平均滞留时长,所述滞留总时长为所述用户在各滞留地铁站点的滞留时长之和,所述滞留地铁站点为所述用户的滞留时长大于所述预设值的地铁站点;
将所述用户在各滞留地铁站点的滞留时长进行比较,将最大的滞留时长确定为所述用户的最大滞留时长;
确定所述用户在所述至少一条地铁乘车路线的往返次数,其中,若地铁乘车路线中连续三个地铁站点中存在两个相同的地铁站点,则确定所述用户存在一次往返过程。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述根据所述用户的行程指标,确定所述用户的可疑程度,具体包括:
分别对所述最大滞留时长、所述平均滞留时长、所述滞留次数以及所述往返次数进行评分,确定最大滞留时长评分、平均滞留时长评分、滞留次数评分以及往返次数评分;
根据公式:可疑程度=最大滞留时长评分*a+平均滞留时长评分*b+滞留次数评分*c+往返次数评分*d,确定所述用户的可疑程度,其中,a为所述最大滞留时长评分的权重,b为所述平均滞留时长评分的权重,c为所述滞留次数评分的权重,d为所述往返次数评分的权重。
6.一种可疑人员识别装置,其特征在于,所述装置包括:
获取单元,用于获取用户在预设时间段内的位置数据;
路线生成单元,用于根据所述获取单元获取的所述用户的位置数据,生成至少一条地铁乘车路线;
识别单元,用于根据所述路线生成单元生成的至少一条地铁乘车路线,确定所述用户的行程指标,所述行程指标包括平均滞留时长、最大滞留时长、滞留次数以及往返次数;根据所述用户的行程指标,确定所述用户的可疑程度。
7.根据权利要求6所述的装置,其特征在于,所述获取单元,具体用于获取所述用户的终端在预设时间段内的通信数据;从所述通信数据中筛选出通信事件发生的日期、时间以及小区,生成所述用户的位置数据。
8.根据权利要求6所述的装置,其特征在于,所述路线生成单元,具体用于根据所述用户的位置数据,确定所述用户滞留过的地铁站点以及在各地铁站点的滞留时间段;将地铁站点按照滞留时间段的先后顺序,生成至少一条地铁乘车路线。
9.根据权利要求8所述的装置,其特征在于,所述识别单元,具体用于根据所述用户在各地铁站点的滞留时间段,确定所述用户的滞留次数,所述滞留次数为所述用户在各地铁站点的滞留时长大于预设值的次数;根据所述用户的滞留总时长和所述滞留次数确定所述用户的平均滞留时长,所述滞留总时长为所述用户在各滞留地铁站点的滞留时长之和,所述滞留地铁站点为所述用户的滞留时长大于所述预设值的地铁站点;将所述用户在各滞留地铁站点的滞留时长进行比较,将最大的滞留时长确定为所述用户的最大滞留时长;确定所述用户在所述至少一条地铁乘车路线的往返次数,其中,若地铁乘车路线中连续三个地铁站点中存在两个相同的地铁站点,则确定所述用户存在一次往返过程。
10.根据权利要求6至9任一项所述的装置,其特征在于,所述识别单元,具体用于分别对所述最大滞留时长、所述平均滞留时长、所述滞留次数以及所述往返次数进行评分,确定最大滞留时长评分、平均滞留时长评分、滞留次数评分以及往返次数评分;根据公式:可疑程度=最大滞留时长评分*a+平均滞留时长评分*b+滞留次数评分*c+往返次数评分*d,确定所述用户的可疑程度,其中,a为所述最大滞留时长评分的权重,b为所述平均滞留时长评分的权重,c为所述滞留次数评分的权重,d为所述往返次数评分的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439815.3A CN107330584A (zh) | 2017-06-12 | 2017-06-12 | 可疑人员识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439815.3A CN107330584A (zh) | 2017-06-12 | 2017-06-12 | 可疑人员识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330584A true CN107330584A (zh) | 2017-11-07 |
Family
ID=60194651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439815.3A Pending CN107330584A (zh) | 2017-06-12 | 2017-06-12 | 可疑人员识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330584A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844805A (zh) * | 2017-11-15 | 2018-03-27 | 中国联合网络通信集团有限公司 | 基于公交卡信息识别可疑人员的方法及装置 |
CN108391265A (zh) * | 2018-02-12 | 2018-08-10 | 中国联合网络通信集团有限公司 | 一种确定漫游过境用户的方法及装置 |
CN109815820A (zh) * | 2018-12-26 | 2019-05-28 | 深圳市天彦通信股份有限公司 | 目标定位方法及相关装置 |
WO2020015139A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 风险旅客方法、装置、计算机设备和存储介质 |
CN113821638A (zh) * | 2021-09-16 | 2021-12-21 | 杭州东信北邮信息技术有限公司 | 一种重点区域内可疑人员识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
US20140129441A1 (en) * | 2012-11-02 | 2014-05-08 | German Blanco | Systems and methods for authorizing sensitive purchase transactions with a mobile device |
CN105608889A (zh) * | 2015-09-07 | 2016-05-25 | 华迪计算机集团有限公司 | 一种车辆停留分析方法 |
CN106033530A (zh) * | 2015-03-11 | 2016-10-19 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
CN106101993A (zh) * | 2015-04-29 | 2016-11-09 | 维亚威解决方案英国有限公司 | 用于移动网络地理定位的技术 |
-
2017
- 2017-06-12 CN CN201710439815.3A patent/CN107330584A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
US20140129441A1 (en) * | 2012-11-02 | 2014-05-08 | German Blanco | Systems and methods for authorizing sensitive purchase transactions with a mobile device |
CN106033530A (zh) * | 2015-03-11 | 2016-10-19 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
CN106101993A (zh) * | 2015-04-29 | 2016-11-09 | 维亚威解决方案英国有限公司 | 用于移动网络地理定位的技术 |
CN105608889A (zh) * | 2015-09-07 | 2016-05-25 | 华迪计算机集团有限公司 | 一种车辆停留分析方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844805A (zh) * | 2017-11-15 | 2018-03-27 | 中国联合网络通信集团有限公司 | 基于公交卡信息识别可疑人员的方法及装置 |
CN107844805B (zh) * | 2017-11-15 | 2020-10-27 | 中国联合网络通信集团有限公司 | 基于公交卡信息识别可疑人员的方法及装置 |
CN108391265A (zh) * | 2018-02-12 | 2018-08-10 | 中国联合网络通信集团有限公司 | 一种确定漫游过境用户的方法及装置 |
CN108391265B (zh) * | 2018-02-12 | 2020-12-22 | 中国联合网络通信集团有限公司 | 一种确定漫游过境用户的方法及装置 |
WO2020015139A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 风险旅客方法、装置、计算机设备和存储介质 |
CN109815820A (zh) * | 2018-12-26 | 2019-05-28 | 深圳市天彦通信股份有限公司 | 目标定位方法及相关装置 |
CN113821638A (zh) * | 2021-09-16 | 2021-12-21 | 杭州东信北邮信息技术有限公司 | 一种重点区域内可疑人员识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330584A (zh) | 可疑人员识别方法及装置 | |
Ram et al. | Mass surveillance in the age of COVID-19 | |
Guo et al. | Examining stakeholder participation in social stability risk assessment for mega projects using network analysis | |
Munro et al. | Safeguarding children: a comparison of England's data with that of Australia, Norway and the United States | |
Adamson | Flood risk management in Europe: The EU ‘Floods’ directive and a case study of Ireland | |
Copeland | Big data in the big apple | |
CN111639786A (zh) | 资源配置方法、装置、存储介质及计算机设备 | |
Vaughan et al. | The cost of mental health-related calls on police service: evidence from British Columbia | |
Zuo et al. | Crowdsourcing incident information for emergency response using open data sources in smart cities | |
Gbegi et al. | Effect of forensic accounting evidence on litigation services in the Nigerian judicial system | |
Nguyen et al. | Cost and cost-effectiveness of four different SARS-CoV-2 active surveillance strategies: evidence from a randomised control trial in Germany | |
CN106993309A (zh) | 用户价值评价方法及装置 | |
Krasuski et al. | Decision support system for blockage management in fire service | |
CN111210118B (zh) | 基于社会网络分析的犯罪嫌疑人综合影响力评价方法 | |
Martin et al. | Predictive modeling of surveyed property conditions and vacancy | |
Hoban et al. | Too simple, too complex, or just right? Advantages, challenges and resolutions for indicators of genetic diversity | |
Kampragou et al. | Towards policy recommendations for future drought risk reduction | |
Akhtar | Eastern European workers: exploitation in the construction industry and enforcement by regulatory agencies | |
Azcarate et al. | Participative SEA approach for data collection and objective formulation | |
Alam et al. | Tracking Sustainable Mobility | |
Mofokeng | An Empirical Analysis on the Performance of South African Police Service Detective Service | |
Jibrin et al. | An Assessment of the Implementation Impact of SURE-P Intervention on Maternal Mortality in the Selected Local Governments in Niger State, Nigeria | |
Osorio | Lessons Learned from Sandy: Business Recovery and Resilience | |
Abdelmalak et al. | A Power Outage Data Informed Resilience Assessment Framework | |
Leed et al. | How should governments prioritize infrastructure stimulus investments? Why governments must look beyond cost-benefit analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |