CN107592617A - 一种乘客识别的方法及系统 - Google Patents

Abstract

本申请公开了一种乘客识别的方法，所述方法包括：获取移动电话终端的基站数据；根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车；该方法能够实时获取乘客乘坐的轨迹，成本较低方案易实现且效率较高；本申请还公开了一种乘客识别的系统，具有以上有益效果。

Description

一种乘客识别的方法及系统

技术领域

本发明涉及通信技术领域，特别涉及一种乘客识别的方法及系统。

背景技术

在我国目前最重要的交通工具是汽车、列车、飞机，每天都承载数量众多的乘客出行全国各地。随着社会的发展，人员在各地之间穿梭越来越频繁，于是也给需要管控某些人员的相关部门提出很大的挑战。

现有技术中，识别列车乘客最常见的方式是通过铁路部门提供的购票和乘坐信息来查询某人是否在列车上。其中需要铁路部门提供可以查询某人的列车出行信息接口，还需要相关部门通过列车乘客查询系统对已知的受管控人员进行查询确认，再根据以上信息进行综合分析。但是上述方法无法实时获取乘客的乘坐轨迹且成本较高、效率较低。

因此，如何实时获取乘客的乘坐轨迹，是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种乘客识别的方法及系统，能够实时获取乘客的乘坐轨迹。

为解决上述技术问题，本申请提供一种乘客识别的方法，该方法包括：

获取移动电话终端的基站数据；

根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

可选的，所述获取移动电话终端的基站数据包括：

按预定周期获取所述移动电话终端的所述基站数据。

可选的，判断所述基站跳转时序队列与模型的相似度是否大于预设值包括：

判断所述基站跳转时序队列与模型的相似度是否大于90％。

可选的，在判定使用所述移动电话终端的乘客乘坐所述模型对应的列车后，还包括：

获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

可选的，还包括：

将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心。

本申请还提供了一种乘客识别的系统，该系统包括：

数据获取模块，用于获取移动电话终端的基站数据；

判断模块，用于根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

乘客识别模块，用于当所述相似度是否大于所述预设值时，判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

可选的，所述数据获取模块为按预定周期获取所述移动电话终端的所述基站数据的模块。

可选的，所述判断模块包括：

相似度判断单元，用于判断所述基站跳转时序队列与模型的相似度是否大于90％。

可选的，其特征在于，还包括：

学习模块，用于获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

可选的，其特征在于，还包括：

上报模块，用于将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心。

本发明提供了一种乘客识别的方法，获取移动电话终端的基站数据；根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

本方法中利用乘客在乘坐列车过程中携带的移动电话终端在基站留下的数据痕迹来进行乘客识别，由于现在的移动电话终端都实行了实名制，可以根据移动电话终端的身份信息来确认使用该移动电话的人的信息。乘客乘坐列车会依次经过多个基站，也就是说移动终端在经过每个基站时都有记录，其中包括所经过的时间点。将移动电话经过基站留下的痕迹基于时间和空间生成基站跳转时序队列，用基站跳转时序队列与模型匹配，查找最相近的列车行驶路线，用于识别乘客乘坐哪一趟列车。该方法能够实时获取乘客乘坐的轨迹，成本较低方案易实现且效率较高。本申请同时还提供了一种乘客识别的系统，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，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他的附图。

图1为本申请实施例所提供的一种乘客识别的方法的流程图；

图2为本申请实施例所提供的另一种乘客识别的方法的流程图；

图3为本申请实施例所提供的一种乘客识别的系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面请参见图1，图1为本申请实施例所提供的一种乘客识别的方法的流程图；

具体步骤可以包括：

步骤S101：获取移动电话终端的基站数据；

其中，本步骤的目的是获取移动电话终端在移动过程中的经过的地点。基站(即公用移动通信基站)是无线电台站的一种形式，是指在一定的无线电覆盖区中，通过移动通信交换中心，与移动电话终端之间进行信息传递的无线电收发信电台。本步骤中的移动电话终端指的是手机或与手机一样需要基站信息传递的移动终端。移动电话终端会在基站上留下信息传递的记录，可以记录移动电话终端的号码，还可以记录进行信息传递的时间。可以理解的是，基站的分布很广，几乎可以涵盖所有列车经过的车站。也就是说无论携带移动电话终端的乘客搭载列车到达哪一个车站，覆盖车站对应的基站就能够记录移动电话终端的相关信息。

举例说明，根据移动电话终端的号码查询到移动电话终端曾经在A基站、B基站、C基站有过信息传递的记录，说明使用该移动电话终端的乘客曾经来到过A基站覆盖的区域、B基站覆盖的区域和C基站覆盖的区域。但是可以了理解的是该乘客移动的顺序不一定是A基站、B基站、C基站；本步骤只是查找移动电话终端所经历的基站。

可以理解的是，可以按照预定周期获取基站数据，即本领域的技术人员根据数据统计和实际测试选择一个适当的周期，定期获取移动电话终端所经过的基站。

步骤S102：根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

其中，由于基站数据中记录有移动电话终端进行信息传递的时间，可以按照时间顺序将移动电话终端所经过的基站进行排序，得到基站跳转时序队列。当然还存在其他生成基站跳转时序队列的方法，例如根据基站业务数据的转移来生成基站跳转时序队列，本领域的技术人员可以根据该方案的实际应用场景选择一个合适的生成基站跳转时序队列的方法。

本步骤中的模型是通过马尔科夫算法对样本集进行迭代学习得到的，通过马尔科夫算法优化过程如下：列车的移动在数据中体现出来的是某个时间点，某手机号码的基站位置的改变，脱离业务看数据，其实由离散时间，离散基站构成的队列，与马尔科夫过程中的离散状态，即马尔科夫链在数学形态上是吻合的。结合业务来看数据，出发站的基站数据较多，并且在出发站逗留的时间一般都较长，正常移动电话终端开机情况下都会在该处留下基站数据，为了确保数据的准确性，同时要求手机号码必须能匹配列车线路的边缘基站。经过样本集的训练，形成一系列状态跳转的边。从概率上分析，如果一个号码的基站跳转时序队列与模型的相似度大于预设值时，则可以认为该基站跳转时序队列的预测结果符合坐列车的事件发展。

本步骤中判断基站跳转时序队列与模型的相似度是否大于预设值的过程其实就是判断步骤S101中得到的基站形成的移动路径与模型中的移动路径的相似度是否足够高。其中，预设值可以由本领域的技术人员在经过大量测试后得到，一般情况下该预设值可以为90％。

步骤S103：若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车；

其中，本步骤的目的是确认所要查询的某乘客乘坐某趟列车。由于模型是通过样本集迭代学习得到的，当确认与该模型的相似度大于预设值时也可以确认该模型对应的列车班次，也可以将基站跳转时序队列对应的列车行驶路线与列车信息表进行比对，查询列车班次。当然还存在其他的查询列车班次的方法，本领域的技术人员可以根据本方案的具体应用场景选择适当的方法，此处不进行具体的限定。可以理解的是，本步骤中判定该乘客乘坐模型对应的列车是指获取基站数据的时刻该乘客在列车上，而且可以根据基站信息来分析乘客的空间位置，以实现实时获取乘客的乘坐轨迹。当某时刻之前的基站跳转时序队列与魔性的相似度一直大于预设值，而某一时刻后相似度突然降低可能说明乘客已经下车，或搭乘其他列车。

当然，乘客识别的目的是实时获取乘客乘坐的轨迹，即提供乘客乘坐的列车班次和乘客的乘坐情况。在执行完本步骤之后，还可以将得到的乘客的乘坐轨迹上传给管控中心，进行进一步的分析。为了使模型更加完善，可以将本次乘客识别的一系列数据添加至样本集，使模型再次进行基于马尔科夫算法的迭代学习。

下面请参见图2，图2为本申请实施例所提供的另一种乘客识别的方法的流程图；

具体步骤可以包括：

步骤S201：按预定周期获取所述移动电话终端的所述基站数据；

该预定周期是本领域技术人员根据方案应用的实际情况选定的，该预定周期也可以根据基站分布的疏密程度进行适当的调整，此处不进行具体的限定。

步骤S202：根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于90％。

步骤S203：若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

步骤S204：将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心；

其中，可以根据该乘客的管控等级将乘客识别结果进行上报，例如：如果该乘客为重点管控人员则将每一次的识别结果都进行上报，如果该乘客为非重点管控人员，则只在识别结果发生变化的时候进行上报。

步骤S205：获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

请参见图3，图3为本申请实施例所提供的一种乘客识别的系统的结构示意图；

该系统可以包括：

数据获取模块100，用于获取移动电话终端的基站数据；

判断模块200，用于根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

乘客识别模块300，用于当所述相似度是否大于所述预设值时，判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

在本申请提供的另一种乘客识别的系统的实施例中，所述数据获取模块100为按预定周期获取所述移动电话终端的所述基站数据的模块。

进一步的，所述判断模块200包括：

相似度判断单元，用于判断所述基站跳转时序队列与模型的相似度是否大于90％。

进一步的，该系统还包括：

学习模块，用于获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

进一步的，该系统还包括：

上报模块，用于将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心。

由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种乘客识别的方法，其特征在于，包括：

获取移动电话终端的基站数据；

根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

若是，则判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

2.根据权利要求1所述方法，其特征在于，所述获取移动电话终端的基站数据包括：

按预定周期获取所述移动电话终端的所述基站数据。

3.根据权利要求2所述方法，其特征在于，判断所述基站跳转时序队列与模型的相似度是否大于预设值包括：

判断所述基站跳转时序队列与模型的相似度是否大于90％。

4.根据权利要求1所述方法，其特征在于，在判定使用所述移动电话终端的乘客乘坐所述模型对应的列车后，还包括：

获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

5.根据权利要求1至4任一项所述方法，其特征在于，还包括：

将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心。

6.一种乘客识别的系统，其特征在于，包括：

数据获取模块，用于获取移动电话终端的基站数据；

判断模块，用于根据所述基站数据生成基站跳转时序队列，并判断所述基站跳转时序队列与模型的相似度是否大于预设值；其中，所述模型由通过马尔科夫算法对样本集进行迭代学习得到；

乘客识别模块，用于当所述相似度是否大于所述预设值时，判定使用所述移动电话终端的所述乘客乘坐所述模型对应的列车。

7.根据权利要求6所述系统，其特征在于，所述数据获取模块为按预定周期获取所述移动电话终端的所述基站数据的模块。

8.根据权利要求7所述系统，其特征在于，所述判断模块包括：

相似度判断单元，用于判断所述基站跳转时序队列与模型的相似度是否大于90％。

9.根据权利要求6所述系统，其特征在于，还包括：

学习模块，用于获得本次乘客识别的数据，并根据所述数据通过所述马尔科夫算法进行所述迭代学习。

10.根据权利要求6至9任一项所述系统，其特征在于，还包括：

上报模块，用于将所述列车对应的列车班次和所述乘客的身份信息上报至管控中心。