CN109165237A - 伴随对象确定方法、装置以及电子设备 - Google Patents

Abstract

本发明提供了一种伴随对象确定方法、装置以及电子设备，涉及数据挖掘技术领域，伴随对象确定方法包括：根据目标物的行程路径，得到目标物的目的点；获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象；选取与所述目标物具有相同目的点的待确认对象，作为对象数据集；根据所述对象数据集通过关联分析算法确定第一伴随对象集合，解决了现有技术中存在的目前的伴随车辆发现方法准确度较低的技术问题。

Description

伴随对象确定方法、装置以及电子设备

技术领域

本发明涉及数据挖掘技术领域，尤其是涉及一种伴随对象确定方法、装置以及电子设备。

背景技术

现代社会道路监控技术发展的同时，违法犯罪行为与车辆、交通系统的联系也越来越密切。伴随车辆是指在一定时间范围内与目标车辆(通常为重点嫌疑人车辆)以一定概率(在多个卡口同时出现)存在伴随关系的车辆。通过对发掘出的疑似伴随车辆的重点追踪和排查，能够达到快速侦破案件的目的。

随着计算机技术的飞速发展，互联网、物联网等技术已经慢慢融入到人们的日常生活中。越来越多的传统应用开始向联网化信息化的方向发展，在道路交通方面，通过启用联网的车辆卡口系统来智能监测和记录公路上来往的车辆，对大范围通行车辆图像进行抓拍、车牌号识别以及通行信息实时采集和贮存，为侦破机动车协同作案提供基础数据保证。但是，由于卡口系统采集数据量过于庞大，往往不容易发现有意义的数据。

目前已有的伴随车辆发现方法，普遍是通过将现有的大数据组件和技术应用在海量的车辆卡口数据进而进行处理，但是该方法很容易造成误判的情况，因此目前的伴随车辆发现方法的准确度较低。

发明内容

有鉴于此，本发明的目的在于提供一种伴随对象确定方法、装置以及电子设备，以解决现有技术中存在的目前的伴随车辆发现方法准确度较低的技术问题。

第一方面，本发明实施例提供了一种伴随对象确定方法，包括：

根据目标物的行程路径，得到目标物的目的点；

获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象；

选取与所述目标物具有相同目的点的待确认对象，作为对象数据集；

根据所述对象数据集通过关联分析算法确定第一伴随对象集合。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述行程路径中包括必经路径。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象，包括：

获取目标物的行程路径中的所有行程点；

根据目标物经过每个所述行程点的时间，确定每个所述行程点相应的目标时间段；

选取经过任一所述行程点的时刻在相应的目标时间段内的对象，得到所述待确认对象。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，还包括：

获取多个历史第一伴随对象集合，构成疑似对象集合；

分别计算当前第一伴随对象集合中若干个第一伴随对象在所述疑似对象集合中出现的次数；

将所述次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述目标物为车辆或移动终端；

所述关联分析算法为频繁模式(Frequent Pattern，简称FP-growth)算法。

第二方面，本发明实施例还提供一种伴随对象确定装置，包括：

第一获取单元，用于根据目标物的行程路径，得到目标物的目的点；

第一确定单元，用于获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象；

选取单元，用于选取与所述目标物具有相同目的点的待确认对象，作为对象数据集；

第二确定单元，用于根据所述对象数据集通过关联分析算法确定第一伴随对象集合。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述第一确定单元包括：

获取模块，用于获取目标物的行程路径中的所有行程点；

确定模块，用于根据目标物经过每个所述行程点的时间，确定每个所述行程点相应的目标时间段；

选取模块，用于选取经过任一所述行程点的时刻在相应的目标时间段内的对象，得到所述待确认对象。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，还包括：

第二获取单元，用于获取多个历史第一伴随对象集合，构成疑似对象集合；

计算单元，用于分别计算当前第一伴随对象集合中若干个第一伴随对象在所述疑似对象集合中出现的次数；

第三确定单元，用于将所述次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如第一方面所述的方法。

本发明实施例提供的技术方案带来了以下有益效果：本发明实施例提供的伴随对象确定方法、装置以及电子设备，包括：根据目标物的行程路径得到目标物的目的点，然后，获取行程路径中的行程点，并将经过行程点的对象确定为待确认对象，之后，选取与目标物具有相同目的点的待确认对象，将其作为对象数据集，然后，根据对象数据集通过关联分析算法确定第一伴随对象集合，因此，将经过目标物行程路径中行程点的，且与目标物具有相同目的点的对象，作为对象数据集，再基于该对象数据集通过关联分析算法从而确定出第一伴随对象集合，即得出伴随目标物的对象集合，不仅使其目的点与目标物目的点不同的对象得到了过滤，能够避免仅某段路程的部分路径相同而带来误判的情况，而且还将只有其目的点与目标物目的点相同的对象得到了过滤，以此避免了仅仅目的地相同而带来误判的情况，从而实现了从多方面进行伴随对象的筛选，以过滤掉更多的偶然伴随情况，使误判率得到大幅度降低从而提高准确度，解决了现有技术中存在的目前的伴随车辆发现方法准确度较低的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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示出了本发明实施例一所提供的伴随对象确定方法的流程图；

图2示出了本发明实施例二所提供的伴随对象确定方法的流程图；

图3示出了本发明实施例二所提供的伴随对象确定方法中的路线图；

图4示出了本发明实施例三所提供的一种伴随对象确定装置的结构示意图；

图5示出了本发明实施例四所提供的一种电子设备的结构示意图。

图标：3-伴随对象确定装置；31-第一获取单元；32-第一确定单元；33-选取单元；34-第二确定单元；4-电子设备；41-存储器；42-处理器；43-总线；44-通信接口。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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，都属于本发明保护的范围。

目前，由于卡口系统采集数据量过于庞大，往往不容易发现有意义的数据。而对于侦查人员，通过对海量车辆过卡口数据进行分析，进而快速精确的发现潜在的结伴作案车辆，对案件侦查来说很重要，能够在很大程度上提升相关案件侦破工作的效率。

而现有的伴随车辆发现方法，主要在数据预处理和算法运行进度等方面进行改进，即通过使用分布式处理、并行计算等大数据技术，来改善当前单一节点下伴随车辆发现方法所存在的空间和时间上的局限性、处理性能低下等问题，该方法旨在提升对海量过卡口车辆数据的处理和响应速度，以及加快疑似伴随车辆的发现进度，其重心主要放在对海量数据的处理速度方面。然而在准确度方面，却并没有所改进。

因此，现有卡口伴随车辆发现技术主要在算法处理速度方面有所改进，而在准确性方面却并无改进，对于可能出现的各种偶然伴随情况没有采取有效的处理和规避措施，从而会造成大量的误判情况，影响伴随车辆发现的准确性。

基于此，本发明实施例提供的一种伴随对象确定方法、装置以及电子设备，可以解决现有技术中存在的目前的伴随车辆发现方法准确度较低的技术问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种伴随对象确定方法、装置以及电子设备进行详细介绍。

实施例一：

本发明实施例提供的一种伴随对象确定方法，如图1所示，包括：

S11：根据目标物的行程路径，得到目标物的目的点。

其中，目标物可以为人、车辆等任何可移动的物体。需要说明的是，当目标物为人时，可以通过人所携带的手机确定人(即目标物)的位置，例如利用手机联通的WiFi、GPS等定位来确认其位置，从而获取人(即目标物)的行程路径。作为本实施例的优选实施方式，目标物为汽车等车辆。

本步骤中，根据目标物移动的行程路径，得到目标物的目的地终点，即目的点。

S12：获取行程路径中的行程点，并将经过行程点的对象确定为待确认对象。

需要说明的是，行程点是目标物在其移动的行程路径中经过的位置点，行程路径中必然存在若干个行程点。本步骤中，可以将经过这些行程点中的某一个行程点的对象确定为待确认对象，也可以将经过这些行程点中的某些行程点的对象确定为待确认对象，当然，还可以将经过所有这些行程点的对象确定为待确认对象。

作为本实施例的优选实施方式，将经过这些行程点中的部分行程点的对象确定为待确认对象。其中，这些部分行程点可以为目标物从出发点到目的点所必经的路径中的点，即必经点。

S13：选取与目标物具有相同目的点的待确认对象，作为对象数据集。

本步骤中，从步骤S12中的待确认对象中，选取与目标物具有相同目的点的对象，作为对象数据集，即从待确认对象中选取最后经过的行程点也为目标物目的点的对象，并将这些对象的集合作为对象数据集。

S14：根据对象数据集通过关联分析算法确定第一伴随对象集合。

其中，关联分析算法可以为关联规则(Apriori)算法，也可以为频繁模式(Frequent Pattern，简称FP-growth)算法。需要说明的是，FP-Growth算法是关联分析算法的一种，可以用于数据挖掘，其将提供频繁项集的数据库压缩到一棵频繁模式树(FrequentPattern Tree，简称FP-tree)，但仍保留项集关联信息。具体的，在FP-Growth算法中使用了一种称为FP-tree的数据结构，其中，FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成，FP-tree将事务数据表中的各个事务数据项按照支持度排序后，把每个事务中的数据项按降序依次插入到一棵树中，同时在每个结点处记录该结点出现的支持度。FP-Growth算法是不断的迭代FP-tree构造和投影的过程，并基于以上这些结构加快了整个数据挖掘的过程。

作为一个优选方案，根据步骤S13中的对象数据集，通过FP-growth算法进行数据关联分析挖掘，从而确定伴随目标物的对象的集合，即第一伴随对象集合。

现有的卡口伴随车辆发现技术主要在算法处理速度和效率方面有所改进，而在准确性方面较差，对于可能出现的各种偶然伴随情况没有采取有效的处理和规避措施，容易造成大量误判情况，从而影响伴随车辆发现的准确性。例如，重点嫌疑人车辆经过了某段路程的情况下，所有偶然在该路段上通行的车辆便都会被认为是疑似伴随车辆，从而造成误判情况。

本实施例中，伴随对象确定方法可以作为一种基于FP-growth算法的车辆卡口伴随分析方法，从而应用于对重点嫌疑人车辆的伴随车辆的确认过程。在实际应用中，先根据重点嫌疑人车辆(即目标物)的行程路径，得到重点嫌疑人车辆(即目标物)的终点(即目的点)，可以同时获取重点嫌疑人车辆(即目标物)的行程路径中的行程点，并将经过该行程点的车辆(即对象)确定为待确认伴随车辆(即待确认对象)，然后，选取最后经过的位置点为该终点(即目标物目的点)的待确认伴随车辆(即待确认对象)，并将其作为对象数据集，之后，根据该对象数据集利用FP-growth算法，便能够从大量的车辆行驶路径数据(例如过卡口数据)中，更加准确的挖掘出潜在的伴随车辆关系，以最大限度的减少误判情况，从而提升准确率。

实施例二：

本发明实施例提供的一种伴随对象确定方法，如图2所示，包括：

S21：根据目标物的行程路径，得到目标物的目的点。

其中，目标物为车辆或移动终端。本实施例以目标物为重点人的车辆为例进行说明，则目标物的行程路径即为重点人车辆的行车轨迹，目标物经过的行程点即为重点人车辆经过的卡口，目标物的目的点即为重点人车辆的目的点。

本步骤中，根据重点人车辆(即目标物)的行车轨迹(即行程路径)，得到重点人车辆的目的地终点卡口ID(即目标物的目的点)。例如，重点人在一定时间段内经过的最后一个卡口为K10，则卡口K10为目标物目的点。

S22：获取目标物的行程路径中的所有行程点。

其中，行程路径中包括必经路径，即目标物的行程路径包括目标物从出发地到目的地所必经的路径(即目标物从出发地到目的地所绕不开的必须会经过的路径)。因此，本步骤中的这些行程点(即经过的卡口)可以包括目标物从出发点到目的点所必经的位置点(即必经的卡口)。

作为一个优选方案，本步骤中的这些行程点(即经过的卡口)即为目标物从出发点到目的点所必经的位置点(即必经的卡口)。因此，本步骤也可以为：根据目标物的行程路径，得到目标物的必经点(即必经卡口)。具体的，可以先根据目标物到达目的点的行程路径，获取到达目的点之前的所有位置点(即经过的卡口)，然后，从这些位置点中提取所必须经过(即绕不开)的若干个位置点，从而得到必经点(即必经卡口)。

例如，如图3所示，根据重点人车辆(即目标物)到达卡口K10(即目的点)的行程路径，获取到达卡口K10(即目的点)之前的所有经过的卡口(即位置点)，然后，从这些卡口中提取必须不得不经过的卡口，从而得到必经卡口(即必经点)，其中，必经卡口(即必经点)可以为一个，也可以为多个。例如，必经卡口为卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7，所有从这里经过的车辆肯定都必须通过这5个卡口。

S23：根据目标物经过每个行程点的时间，确定每个行程点相应的目标时间段。

例如，重点人车辆(即目标物)经过卡口K5(即某个行程点)的时刻为10点整，则可以确定10点的前后3分钟内(即9点57分至10点03分之间的时间段)为该卡口(即该行程点)相应的目标时间段。当然，也可以确定10点的前后6分钟内(即9点54分至10点06分之间的时间段)为该卡口(即该行程点)相应的目标时间段，该3分钟、6分钟等时间长度也可以为其他任意设定的时间长度。

S24：选取经过任一行程点的时刻在相应的目标时间段内的对象，得到待确认对象。

例如，重点人车辆(即目标物)经过卡口K4(也可以为卡口K3、卡口K5、卡口K6、卡口K7等其他必经卡口)的时刻为7点25分，则选取7点25分的前后5分钟内(即7点20分至7点30分之间)经过卡口K4的所有车辆的车牌，作为待确认伴随车辆车牌集合<Filtered Plate>(即待确认对象的集合)。

S25：选取与目标物具有相同目的点的待确认对象，作为对象数据集。

例如，重点人车辆最后经过的行位置点为卡口K10，则本步骤中，选取最后经过的卡口为卡口K10(即目的点)的待确认伴随车辆(即待确认对象)，从而得到对象数据集。当然，也可以同时利用经过卡口K10的目标时间段来进行选取，例如，重点人车辆(即目标物)经过卡口K10(即目的点)的时刻为11点整，选取11点前后3分钟内(即10点57分至11点03分之间的时间段)经过卡口K10的所有车辆的车牌，作为初次过滤后的车牌集合<TransCollection>(即对象数据集)。

当然，也可以先进行步骤S21与S25，之后再进行步骤S22至S24，即先选取与目标物具有相同目的点的对象，再从中选取经过目标物必经点的对象，最终同样能够得到对象数据集。具体的，先根据目标物的行程路径得到目标物的目的点，选取最后经过的位置点为该目的点的对象，作为初步对象；然后，根据目标物的行程路径得到目标物的必经点，从上述初步对象中选取经过目标物的所有必经点的对象，最终得到对象数据集(也就是既与目标物具有相同目的点，也经过目标物必经点的对象集合)。

例如，如图3所示，重点人车辆的必经卡口为卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7，重点人车辆的目的点为卡口K10。先选取目的点也为卡口K10的车辆，再从中选取经过前边5个必经卡口(即卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7)的对象，也可以理解为对与重点人车辆(即目标物)同行的车辆进行筛选，保留同时与重点人车辆目的点相同的车辆。最终得到包含6(5个必经卡口+1个终点卡口＝6个卡口)条事务数据的事务集合<TransCollection>(即对象数据集)，因此，可以保证事务集合中的每个车牌对应的车辆在规定时间段内经过的最后一个卡口，与重点人车辆(即目标物)经过的最后一个卡口相同，且也经过了重点人车辆(即目标物)的必经卡口。例如，本实施例中，筛选出经过了卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7(即5个必经点)，且经过的最后一个卡口也为K10(即目的物的目的点)的所有车辆的数据，从而得到集合<Trans Collection>(即对象数据集)。

如图3所示，如果某车辆的行车路线为：通过卡口K1、卡口K2、卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7口后，没有经过卡口K8与卡口K9，而是经过卡口K15与卡口K16而到达的目的点K10，则该车辆也会被筛选进入对象数据集，因为无论车辆走的路线是哪条，只要经过了卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7这5个必经卡口，并且目的地是K10，则便确定作为对象数据集中的对象。如果该车辆的行车路线为：经过卡口K11、卡口K12、卡口K3、卡口K14、卡口K5、卡口K6、卡口K7、卡口K8以及卡口K9，且目的地是卡口K10，那也不能作为对象数据集中的对象，因为该车辆没有经过全部的必经卡口(没有经过卡口K3与卡口K14)。

S26：根据对象数据集通过关联分析算法确定第一伴随对象集合。

其中，关联分析算法可以为关联规则(Apriori)算法，也可以为频繁模式(Frequent Pattern，简称FP-growth)算法。作为一个优选方案，关联分析算法为FP-growth算法。

本步骤中，在步骤S25得到的<Trans Collection>(即对象数据集)基础上，使用FP-growth算法进行伴随车牌挖掘，从而确定出重点人车辆(即目标物)的伴随车辆(即第一伴随对象集合)。

因此，通过步骤S21至S26得到的伴随车辆的集合(即第一伴随对象集合)中的车辆与重点人都通过了必经卡口(即卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7)，并且在规定时间段内通过的最后卡口(即卡口K10)与重点人通过的最后卡口(即卡口K10)相同。

如图3所示，如果某车辆的行驶路线为：经过卡口K1、卡口K2、卡口K3、卡口K4、卡口K5、卡口K6、卡口K7、卡口K17、卡口K18以及卡口K19，且目的地是卡口K19，则该车辆与重点人共同通过了所有个必经卡口(即卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7)后又向其他方向行驶，最后经过的一个卡口不是卡口K10甚至没有经过卡口K10，则该车辆不会被判别为重点人的伴随车辆(即第一伴随对象)。即无论同行车辆起点是哪里，其在某个时间段内和重点人车辆必须共同通过必经卡口，且目的地相同(即最终经过的卡口相同)，才可将其初步归为伴随车辆集合(即第一伴随对象集合)。

因此，步骤S21至S26可以作为卡口关联性判别机制，避免某段路程的部分必经路径带来的误判情况。例如，与重点人车辆(即目标物)一起经过若干个卡口K3、K4、K5、K6、K7，而这些车辆中的一部分在通过K3、K4、K5、K6、K7卡口后又分别向其他方向行驶(即与重点人车辆最终通过的卡口不相同)，则这些车辆能够通过本实施例提供的伴随对象确定方法过滤掉，便不会被误判为重点人的伴随车辆，从而在一定程度上提高分析结果的准确率。

在其他实施方式中，也可以不考虑步骤S22至S24，直接由步骤S21与S25得到与目标物具有相同目的点的对象，之后通过FP-growth算法来确定第一伴随对象。也就是说，可以直接根据最后行程点为目的点的对象，来认定为第一伴随对象集，而不再考虑必经路径的部分。因此，在实际应用中，也可以不进行步骤S22至S24的必经路径选取部分，只要最后经过的卡口(即目的点)也是为K10，即其与重点人车辆(即目标物)最后经过的卡口相同，便可通过FP-growth算法将这些车辆认定为第一伴随对象集，然后，直接基于该对象数据集进行步骤S27至S39的后续处理过程。

S27：获取多个历史第一伴随对象集合，构成疑似对象集合。

本步骤中，基于多个历史第一伴随对象集合，按照采集时间记录所有的疑似对象，得到疑似对象的集合，可以按照卡口数据采集时间(capture time)按天存储疑似对象的集合<History Result>，例如：{“2018-01-01”：{“车牌1”，“车牌2”，“车牌3”}，“2018-01-05”：{“车牌1”，“车牌4”}，…}。

进一步，按照采集时间记录所有的第一伴随对象集合从而得到疑似对象的集合。将步骤S21至S26分析得到的重点人车辆(即目标物)的所有伴随车辆(即第一伴随对象集合)作为疑似对象，从而获取重点人在筛选时间范围内的所有疑似伴随车辆。

S28：分别计算当前第一伴随对象集合中若干个第一伴随对象在疑似对象集合中出现的次数。

对步骤S21至S26分析得到的重点人车辆(即目标物)的伴随车辆(即第一伴随对象集合)进行二次分析，即对步骤S26得到的第一伴随对象集合中的若干个车牌进行循环处理，计算其中的每个车牌在步骤S27的疑似对象集合<History Result>中出现的次数。

S29：将次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

在实际应用中，对比步骤S38中的这些次数，若第一伴随对象集合中的某个车牌在<History Result>中出现的次数大于设置的伴随次数阈值Frequency Threshold(即预设值)，则说明该车辆在所设日期范围内与重点人车辆有过多次伴随事件，则将该车牌对应的车辆归为最终确定的重点人伴随车辆(即第二伴随对象集合)。

在步骤S21至S26的分析中，已经过滤掉了同行车辆中与重点人目的地不同的伴随车辆，也过滤掉了仅仅目的地与重点人相同的车辆，一定程度上减少了误判情况的发生，但对于某些偶然情况还不能完全过滤掉。而通过步骤S27至S29的二次过滤过程，进行了有限日期范围内伴随次数阈值的判别，避免了偶然出现的车辆经过必经路径相同且终点相同而造成的误判情况。

对于现有技术而言，如果某地是景点之类的地方，则会有大量车辆聚集，由于节假日去往同一景点的车辆，目的地相同，在某段路径中会出现大量偶然伴随的情况，因此，仅使用步骤S21至S26的方法也可能会造成误判。例如，卡口K3、卡口K4、卡口K5、卡口K6以及卡口K7为通往某地(如某景点)的必经之路，所有去往该地的车辆都会从这5个卡口通过，且其去往目的地也都相同，即时间范围内最后经过的卡口也都相同，如果本实施例中的重点人也在某个时间段内去往该景点，则该时间段内与重点人偶然同行同去该景点的所有车辆，便都会被误判为重点人的伴随车辆，即使加入对目的地是否相同的筛选判断，也无法过滤这些偶然同行的车辆。

通过步骤S27至S29引入了有限日期范围内伴随次数阈值判断机制，对步骤S26所生成的伴随车辆(即第一伴随对象集合)进行了二次处理，即对比某段时间内第一伴随对象车辆与重点人车辆的伴随次数，若大于设定阈值Frequency Threshold(如FrequencyThreshold＝1，2或3次)，才将其归为最终确定的重点人伴随车辆(即第二伴随对象集合)。因此，通过步骤S27至S29能够在一定程度上再次减少偶然伴随情况对伴随分析结果造成的干扰，从而提升伴随分析结果的准确率。

作为本实施例的另一种实施方式，在步骤S21之前，还可以先对大量车辆经过卡口的数据进行预筛选，然后再进行后续的正式筛选过程(即步骤S21至步骤S29的过程)。由于每日经过某卡口的车辆数量非常多，通过提前的预筛选过程，可以使后续正式筛选过程的效率得到大幅度提升。对于预筛选的过程，通过以下举例进行说明：

首先，根据重点人车辆(即目标物)的行程路径，得到预筛选点(即预筛选卡口)。具体的，某市每天所有的车辆过卡口数据，都先通过各种数据抽取-转换-加载(Extract-Transform-Load，简称ETL)工具或数据抽取程序，定时抽取转化到某部门的数据库(如MPP等)中进行统一存储和分析，如重点人集合S＝{s1，s2，s3，…，sn}，其中，S中包含重点人身份信息和车牌信息。以全市车辆过卡口数据为基础，对S集合中的重点人一段时间T内(例如T＝3个月)的车辆过卡口轨迹数据进行分析，T_start和T_end分别为处理数据的开始时间和结束时间。人员轨迹表<person track table>可以如下表所示：

由于一个地市每天的车辆过卡口数据量是十分巨大的(可达千万级别)，因此，本实施例中，将时间段T内的时间进行切片，得到n个T_slice(如T_slice＝30分钟，每个T_slice有起始时间点T_slice-start和结束时间点T_slice-end)，从而减缓车辆卡口伴随分析程序处理数据的压力。分析程序顺序处理每个时间片T_slice内的数据，直至所有T_slice的数据都处理完毕。

对于每个T_slice内的分析过程，首先为后续的关联分析算法生成所需要的事务数据集<Trans Collection>。本步骤中，提取时间片T_slice内该市的所有重点人(即集合<S>中的重点人)过卡口轨迹数据，对该T_slice内的活动重点人车牌号进行去重，得到车牌集合<P_suspect>。其中，如果重点人车牌为空，则直接结束重点人的伴随对象的确定过程；如果重点人车牌不为空，则继续进行以下步骤。

之后，循环处理<P_suspect>中的每个重点人车牌，本实施例中，从集合<P_suspect>中选取一个重点人S_i的车牌Pi，作为本实施例的目标重点人车辆(即目标物)的车牌。对于这个重点人S_i的车牌，获取该重点人S_i的车牌Pi在该时间片结束时间点T_slice-end前n(n＝1,2,3,…)小时内的所有过卡口记录，对其经过的所有卡口进行去重后得到重点人车牌Pi经过卡口ID的集合<C>(即预筛选点的集合)。其中，若该重点人S_i在n小时内经过的卡口数(即预筛选点数)小于3，则从集合中选取另一个重点人车牌Pj，作为本实施例新的目标重点人车辆(即目标物)的车牌；若该重点人S_i在n小时内经过的卡口数大于等于3，则Pi还为本实施例的目标重点人车辆(即目标物)的车牌。

然后，根据目标物经过预筛选点的时间，确定筛选时间范围。具体的，从上述的集合<C>(即预筛选点的集合)中选取一个卡口(即预筛选点)，根据目标重点人车辆(即目标物)经过卡口(即预筛选点)的时间，确定筛选时间范围，该筛选时间范围可以根据实际情况而设置，可以将目标重点人车辆(即目标物)经过卡口(即预筛选点)时刻的前后t(t＝1,2,3,…，单位：minute)时间，确定为筛选时间范围，例如t＝5分钟。

之后，选取在筛选时间范围内经过预筛选点的对象，得到预筛选对象。具体的，将目标重点人车辆(即目标物)经过卡口C_i(即预筛选点)时刻的前后t时间内经过该卡口C_i的所有车辆的车牌，存入一条事务<事务表>中，最终得到本事务的集合<Trans Collection>。其中，每条事务中存放的都是与重点人在某个时间阈值内经过某个卡口的所有车牌。然后，调用FP-growth算法等关联分析算法进行伴随车牌挖掘，从事务表中获取本事务的集合，即在得到的<Trans Collection>基础上使用FP-growth算法进行伴随车牌挖掘。

具体的，首先，设置FP-growth算法参数(最小支持数、支持度、决策属性、置信度等)，调用FP-growth算法对事务集合进行处理，得到频繁模式集合，例如：<{“车牌1，车牌2，…”，同过卡口数}，{“车牌1，车牌2，…”，同过卡口数}，…>。然后，由频繁模式集合中可以得到该重点人S_i对应车辆(即目标物)的所有关联规则，即以重点人车辆(即目标物)为决策属性，得到该重点人车辆(即目标物)在某个置信度阈值下的所有关联规则。关联规则可以为：{车牌1}＝>{车牌2，车牌3}置信度0.8，其中，置信度为{车牌1，车牌2，车牌3}组合在事务集合中出现的次数/{车牌1}在事务中出现的次数。最后，根据该关联规则便可以得到所有经过预筛选后的伴随该重点人车辆(即目标物)的车辆(即预筛选后的对象)。

通过以上过程，便可以实现步骤S21之前的预筛选过程，从而得到预筛选后的对象。因此，步骤S21中的目标物(即重点人车辆)即为预筛选过程中确定的目标物(即预筛选过程中确定的重点人车辆)。因此，在步骤S24中，便可以直接从预筛选后的对象(即经过预筛选后的重点人伴随车辆)中，选取经过任一行程点的时刻在相应的目标时间段内的对象，从而得到待确认对象，即步骤S24中的待确认对象都是从预筛选后的对象中选取出来的。

本发明实施例提供的伴随对象确定方法可以用于发掘重点人的伴随车辆，并在此基础上针对可能大量存在的偶然伴随情况造成的误判的问题进行了两个方面的改进，即后续卡口关联性判别与伴随次数阈值判断，从而能够解决车辆卡口伴随轨迹分析过程中的误判问题，实现了在减少计算量的同时显著提高伴随分析结果的准确率。在实际应用中，通过伴随对象确定方法能够使办案人员快速准确的从海量车辆过卡口数据中挖掘出潜在的伴随车辆关系，最大限度的减少误判，提升准确率。

实施例三：

本发明实施例提供的一种伴随对象确定装置，如图4所示，伴随对象确定装置3包括：获第一获取单元31、第一确定单元32、选取单元33以及第二确定单元34。

进一步的是，第一获取单元31用于根据目标物的行程路径，得到目标物的目的点。第一确定单元32用于获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象。选取单元33用于选取与目标物具有相同目的点的待确认对象，作为对象数据集。第二确定单元34用于根据对象数据集通过关联分析算法确定第一伴随对象集合。

其中，第一确定单元包括：获取模块、确定模块以及选取模块。获取模块用于获取目标物的行程路径中的所有行程点。确定模块用于根据目标物经过每个行程点的时间，确定每个行程点相应的目标时间段。选取模块用于选取经过任一行程点的时刻在相应的目标时间段内的对象，得到待确认对象。

作为一个优选方案，伴随对象确定装置还包括：第二获取单元、计算单元以及第三确定单元。其中，第二获取单元用于获取多个历史第一伴随对象集合，构成疑似对象集合。计算单元用于分别计算当前第一伴随对象集合中若干个第一伴随对象在疑似对象集合中出现的次数。第三确定单元用于将次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

本发明实施例提供的伴随对象确定装置，与上述实施例提供的伴随对象确定方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

实施例四：

本发明实施例提供的一种电子设备，如图5所示，电子设备4包括存储器41、处理器42，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例一或实施例二提供的方法的步骤。

参见图5，电子设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器42在接收到执行指令后，执行所述程序，前述本发明任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器42中，或者由处理器42实现。

处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。

实施例五：

本发明实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述实施例一或实施例二提供的方法。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本发明实施例提供的具有处理器可执行的非易失的程序代码的计算机可读介质，与上述实施例提供的伴随对象确定方法、装置以及电子设备具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明实施例所提供的进行伴随对象确定方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种伴随对象确定方法，其特征在于，包括：

根据目标物的行程路径，得到目标物的目的点；

获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象；

选取与所述目标物具有相同目的点的待确认对象，作为对象数据集；

根据所述对象数据集通过关联分析算法确定第一伴随对象集合。

2.根据权利要求1所述的伴随对象确定方法，其特征在于，所述行程路径中包括必经路径。

3.根据权利要求1所述的伴随对象确定方法，其特征在于，所述获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象，包括：

获取目标物的行程路径中的所有行程点；

根据目标物经过每个所述行程点的时间，确定每个所述行程点相应的目标时间段；

选取经过任一所述行程点的时刻在相应的目标时间段内的对象，得到所述待确认对象。

4.根据权利要求1所述的伴随对象确定方法，其特征在于，还包括：

获取多个历史第一伴随对象集合，构成疑似对象集合；

分别计算当前第一伴随对象集合中若干个第一伴随对象在所述疑似对象集合中出现的次数；

将所述次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

5.根据权利要求1所述的伴随对象确定方法，其特征在于，所述目标物为车辆或移动终端；

所述关联分析算法为频繁模式FP-growth算法。

6.一种伴随对象确定装置，其特征在于，包括：

第一获取单元，用于根据目标物的行程路径，得到目标物的目的点；

第一确定单元，用于获取所述行程路径中的行程点，并将经过所述行程点的对象确定为待确认对象；

选取单元，用于选取与所述目标物具有相同目的点的待确认对象，作为对象数据集；

第二确定单元，用于根据所述对象数据集通过关联分析算法确定第一伴随对象集合。

7.根据权利要求6所述的伴随对象确定装置，其特征在于，所述第一确定单元包括：

获取模块，用于获取目标物的行程路径中的所有行程点；

确定模块，用于根据目标物经过每个所述行程点的时间，确定每个所述行程点相应的目标时间段；

选取模块，用于选取经过任一所述行程点的时刻在相应的目标时间段内的对象，得到所述待确认对象。

8.根据权利要求6所述的伴随对象确定装置，其特征在于，还包括：

第二获取单元，用于获取多个历史第一伴随对象集合，构成疑似对象集合；

计算单元，用于分别计算当前第一伴随对象集合中若干个第一伴随对象在所述疑似对象集合中出现的次数；

第三确定单元，用于将所述次数大于预设值的第一伴随对象，确定为第二伴随对象集合。

9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至5任一所述方法。