CN109241223A - 行为行踪识别方法及平台 - Google Patents

Abstract

本发明提出了一种行为行踪识别方法及平台，涉及数据处理技术领域，通过行为行踪识别平台‑研微，可以在更加全面时空数据建立的数据模型下，更加容易、准确的识别到目标对象的行为行踪。所述方法包括：获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；对所述时空数据进行数据融合；基于所述融合后的时空数据，建立数据模型；根据所述数据模型，识别目标对象的行为和/或行踪。本发明提供的行为行踪识别方法及平台，适用于异常行为行踪的识别挖掘。

Description

行为行踪识别方法及平台

技术领域

本发明涉及数据处理技术领域，尤其涉及一种行为行踪识别方法及平台。

背景技术

时空大数据是社会安全领域最为重要的数据来源之一，主要包含目标对象的时空关系、时空轨迹、时空位置及其相应属性信息，具有跨时空、多尺度、多粒度等特征。异常行为行踪的发生通常标志着异常事件的发生，因此在时空大数据背景下，异常行为行踪的识别关乎着人们的切身利益—安全问题。针对异常行为行踪的诸多特性，例如时空轨迹、关系网络等，若对其时空数据进行有效的挖掘与分析，可以从中发现潜在有价值的信息，实现对异常行为行踪的识别与预警预测，从而提高社会治安防控能力。

现有技术中，基于时空大数据对异常行为行踪进行识别时，首先面临时空数据匹配、关联、复原、补全等问题；其次面临目标对象关系网络的准确构建和异常关系行为识别问题；再次面临着行踪理解识别问题。目前，大多数社会安全方面的模型都是基于业务规则来构建，时空数据不足、模型局限性较大，当面对复杂的异常行为行踪识别时准确率便会下降，从而导致误判、漏判等研判不准情况的出现，并且有些异常行为行踪不能预判。

发明人在实现本发明的过程中，发现现有技术中，至少存在以下问题：

基于时空大数据对异常行为行踪识别的准确率较低，无法满足更高的治安防控要求。

发明内容

本发明提出了一种行为行踪识别方法及平台，提高了基于时空大数据对异常行为行踪进行识别的准确率，可以满足更高的治安防控要求。

第一方面，本发明实施例提供一种行为行踪识别方法，所述方法包括：

获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；

对所述时空数据进行数据融合；

基于所述融合后的时空数据，建立数据模型；

根据所述数据模型，识别目标对象的行为和/或行踪。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，对所述时空数据进行数据融合，包括：

根据所述时空数据，确定所述多个关注对象的时空关系，以实现对所述时空数据的数据融合。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述时空数据包括多个关注对象的行为数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取若干个关注对象之间的多维关联因素；

基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络之后，所述基于所述融合后的时空数据，建立数据模型还包括：

采用基于时间聚合的多粒度时变关系网络压缩表征与建模的方式，将时间维度加入到所述多维关系网络中，以时间聚合方式发现所述多维关系网络中关键演变节点及时间片段。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述时空数据包括多个关注对象的行踪数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取若干个关注对象的行踪轨迹信息；

通过学习所述行踪轨迹信息与行踪模式的映射关系，得到行踪轨迹识别模型；

其中，所述行踪模式包括正常行踪和异常行踪。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述时空数据包括多个关注对象的行踪数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取关注时间段的行踪流量信息；

通过学习所述关注时间段的行踪流量信息与总关注时段内的行踪流量信息的映射关系，得到行踪流量识别模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述数据模型，识别目标对象的行为，包括：

至少通过以下方式之一，识别所述目标对象的行为：

在所述多维关系网络中查询并分析所述目标对象的关联信息；和/或，

基于所述目标对象，对所述多维关系网络中的关键节点进行分析；和/或，

对所述多维关系网络中所述目标对象的关系演化进行预测。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述数据模型，识别目标对象的行踪，包括：

通过所述行踪轨迹识别模型，对所述目标对象的行踪轨迹信息进行处理，以得到所述目标对象对应的行踪模式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：

通过所述行踪流量识别模型，对目标时间段的行踪流量信息进行处理，以得到总目标时段内的行踪流量信息。

第二方面，本发明实施例提供一种行为行踪识别平台，所述平台包括：

获取模块，用于获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；

数据融合模块，用于对所述时空数据进行数据融合；

建立模块，用于基于所述融合后的时空数据，建立数据模型；

识别模块，用于根据所述数据模型，识别目标对象的行为和/或行踪。

第三方面，本发明实施例提供一种行为行踪识别设备，所述设备包括处理器和存储器；

所述处理器用于执行存储器中存储的异常行为行踪线索挖掘方法的程序，以实现如上任一方面及任一可能的实现方式所述的异常行为行踪线索挖掘方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一方面及任一可能的实现方式所述的异常行为行踪线索挖掘方法的步骤。

采用上述技术方案，本发明至少具有下列优点：

本发明所述的行为行踪识别方法及平台，首先获取多源异构的时空数据；然后对所述时空数据进行数据融合；再基于所述融合后的时空数据，建立数据模型；最后根据所述数据模型，识别目标对象的行为和/或行踪。本发明提供的技术方案首先获取大量的多源异构的时空数据，可以得到覆盖更加全面的所关注对象的行为行踪数据，然后基于多源异构的时空数据进行数据融合，可以确定所关注对象的时空关系，基于融合后的时空数据建立数据模型，最后通过数据模型识别目标对象的行为和/或行踪。在更加全面时空数据建立的数据模型下，通过更加全面的数据模型可以更加容易、准确的识别到目标对象的行为行踪，因此发明提供的技术方案提高了基于时空大数据对异常行为行踪进行识别的准确率，可以满足更高的治安防控要求。

附图说明

图1为本发明实施例提供的一种行为行踪识别方法的流程图；

图2为本发明实施例提供的另一种行为行踪识别方法的流程图；

图3为本发明实施例提供的另一种行为行踪识别方法的流程图；

图4为本发明实施例提供的另一种行为行踪识别方法的流程图；

图5为本发明实施例提供的另一种行为行踪识别方法的流程图；

图6为本发明实施例提供的一种异常行为行踪识别智能应用平台的示意图；

图7为本发明实施例提供的一种行为行踪识别平台的组成结构框图；

图8为本发明实施例提供的一种行为行踪识别设备的实体组成结构示意图。

具体实施方式

为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。

本发明实施例提供一种行为行踪识别方法，适用于异常行为行踪的识别挖掘，如图1所示，所述方法包括：

S101、获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据。

其中，多源异构的时空数据指的是大量的不同来源不同机构的关注对象在时间和空间上的信息数据。具体的关注对象，可以是人员、终端、车、社会团体组织、地区等等。

需要说明的是，行为行踪数据可以包括行为数据和/或行踪数据，行为数据用来确定对象行为，行踪数据用来确定对象行踪。

其中，行为数据包括关注对象的时空位置、时空关系、时间信息、对象属性、兴趣爱好等各种能够体现对象行为的数据。而行踪数据的范围比较单一，指的是关注对象的轨迹行踪，或者是某时间段内在某个地段所有关注对象的行踪流量。

S102、对所述时空数据进行数据融合。

不同于传统基于硬性映射规则的对象匹配方法，本发明实施例提出的数据融合方法，基于异质网络和关联规则置信度的异质对象匹配与动态关联映射方法，通过时空序列相似度计算方法、基于时空关系行为与轨迹行踪的时空相似性、基于规则置信度的异构数据元自动映射等技术，深入剖析异质对象数据所代表的对象在时间、空间上的连续性和相关性，实现人、终端、汽车等异质对象之间的关联匹配及其关联特征解析，从而实现对所关注对象的时空数据动态融合匹配。

需要说明的是，在对所述时空数据进行数据融合的同时，本发明实施例还可以对所述时空数据进行缺失填补、数据清洗(去重、无效)、错误更正、离群去除、标准化、数据转换等工作中的一种或多种。

S103、基于所述融合后的时空数据，建立数据模型。

具体的，对融合后的时空数据建立数据模块，可以包括建立以行为数据为基础的数据模型以及以行踪数据为基础的数据模型。

需要说明的是，建立以行为数据为基础的数据模型，是指利用时空数据中的时空关系信息、时空位置信息、时间信息以及属性信息等，对关注对象发生任何时空关系行为的情况进行建模，构建完善的时空关系行为模式专题库，并在行为模式专题库基础上关联跨源相关对象、选择适当属性特征，构建多源异构的大规模多维时变关系网络。详细的过程可以参见步骤S1031A、S1032A和S1033A。

进一步说明的是，建立以行踪数据为基础的数据模型，是指将时空数据中的海量多源异构的时空轨迹踪迹大数据，进行标准化等预处理工作后，突破基于机器学习和规则逻辑的行踪语义理解技术，构建行踪专题库，并在行踪专题库基础上，基于深度学习的异常行踪模式识别算法，通过对多种行踪特征的融合训练获取行踪识别模型。详细的过程可以参见步骤S1031B和S1032B、步骤S1031C和S1032C。

S104、根据所述数据模型，识别目标对象的行为和/或行踪。

具体的，基于行为数据，可以通过对多维时变关系网络中异常行为的发现和分析、异常对象相关的关键节点的挖掘以及时变关系演化预测等，实现对时空大数据的深层关系挖掘，最终识别出目标对象的异常行为。

基于行踪数据，可以通过训练出的行踪识别模型对目标对象的未知行踪进行识别，并基于关系网络技术实现对相关团伙的行踪进行识别。

这里需要解释的是，关注对象是指泛指的大量对象，而目标对象是特指的需要进行行为行踪识别的特定对象。目标对象通常属于关注对象，但是在特殊情况，比如多维时变关系网外延时发现的目标对象，或者基于行踪识别模型对新发现行踪轨迹进行识别时对应的目标对象，则有可能不属于原有的关注对象。

上述发明实施例提供的行为行踪识别方法，首先获取多源异构的时空数据；然后对所述时空数据进行数据融合；再基于所述融合后的时空数据，建立数据模型；最后根据所述数据模型，识别目标对象的行为和/或行踪。本发明提供的技术方案首先获取大量的多源异构的时空数据，可以得到覆盖更加全面的所关注对象的行为行踪数据，然后基于多源异构的时空数据进行数据融合，可以确定所关注对象的时空关系，基于融合后的时空数据建立数据模型，最后通过数据模型识别目标对象的行为和/或行踪。在更加全面时空数据建立的数据模型下，通过更加全面的数据模型可以更加容易、准确的识别到目标对象的行为行踪，因此发明提供的技术方案提高了基于时空大数据对异常行为行踪进行识别的准确率，可以满足更高的治安防控要求。

进一步来说，结合前述方法流程，本发明实施例的另一种可能的实现方式，针对步骤S102中，对所述时空数据进行数据融合的具体实现过程，还提供了以下方法流程，如图2所示，包括：

S1021、根据所述时空数据，确定所述多个关注对象的时空关系，以实现对所述时空数据的数据融合。

这种数据融合方法，深入剖析异质对象数据所代表的对象在时间、空间上的连续性和相关性，实现人、终端、汽车、地点等异质对象之间的关联匹配及其关联特征解析，以知识图谱的形式，将人和物、人和人、物和物的关联关系进行匹配融合。

进一步来说，结合前述方法流程，当所述时空数据包括多个关注对象的行为数据时，本发明实施例的另一种可能的实现方式，针对步骤S103中建立以行为数据为基础的数据模型过程提供了以下具体实现方法，包括：

1031A、基于所述融合后的时空数据，获取若干个关注对象之间的多维关联因素。

具体的，多维关联因素是指关注对象在多个维度上的关联特征，比如在时间上的关联、在居住地区上的关联、在常去地的相关性关联、在属性信息上的关联等等。

1032A、基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络。

多维关系网络旨在发现关注对象在时空上的关系行为，本发明实施例采用多态模型(Multi-State Model，MSM)技术研究关注对象的时空关系行为模式发现方法，采用用户在时间维度和空间维度上的中心性特征，设计一种基于中心行为的特征构造方法，并利用随机森林、决策树分类器构建时空属性与访问内容之间的关联，建立位置、时间与访问位置等多维的关系网络。

多维关系网络由规模庞大的节点及节点间复杂的关系构成。具体的，对于其中直接存在于人员行为模式专题库中的各类关系模式，可以将相应的人员或地点、兴趣、行为等抽象为网络节点，对应的关系抽象为网络的边，以拓扑图形式刻画关注对象间的联通、关系权重和关联细节等因素。

进一步来说，结合前述方法流程，考虑到多维关系网络中社会关系和行为的长期动态演化特性，还可以将时间纬度加入到多维关系网络中。因此本发明实施例的另一种可能的方法流程还提供了以下方法流程，执行在步骤S1032A之后，包括：

1033A、采用基于时间聚合的多粒度时变关系网络压缩表征与建模的方式，将时间维度加入到所述多维关系网络中，以时间聚合方式发现所述多维关系网络中关键演变节点及时间片段。

将时间纬度加入多维关系网络中，形成时变多维关系网络，并将时变关系网络中的冗余信息去除，极大压缩地刻画时变多维关系网络的演化历程。

上述发明实施例通过已知的多维关系网络拓扑结构和属性特征，利用复杂网络演化机制模型和社会关系时序演化模型，可以发现多维关系网络中关系行为的演化规律，从而在正常社会关系演化为异常关系行为之前对其进行发现和预警。

进一步来说，结合前述方法流程，当所述时空数据包括多个关注对象的行踪数据时，本发明实施例的另一种可能的实现方式，对于步骤S103中建立以行踪数据为基础的数据模型，分别针对行踪轨迹和行踪流量两个方面的建立模型过程，提供了以下具体实现方法。

第一种实现方法，针对行踪轨迹，包括：

1031B、基于所述融合后的时空数据，获取若干个关注对象的行踪轨迹信息。

1032B、通过学习所述行踪轨迹信息与行踪模式的映射关系，得到行踪轨迹识别模型。

其中，所述行踪模式包括正常行踪和异常行踪。

该实现方法提出了深度学习的行踪模式识别技术，该技术还可以针对海量多源异构行踪轨迹特征在识别异常行踪时各具优势的特点，采用多模态深度玻尔兹曼机算法将多种特征进行融合，综合各种特征的识别优势得到识别准确率更高的行踪轨迹识别模型。首先，对每种行踪轨迹特征基于深度学习算法构建初始隐层和节点，将正常行踪轨迹和异常行踪轨迹作为输入层接入到构建的网络中；其次，通过调节深度学习的网络层数和相关参数，对每种特征构建的模型进行训练(也即是基于各行踪轨迹特征，学习行踪轨迹信息与行踪模式的映射关系，得到行踪轨迹识别模型)，同时，在网络末端加入联合表达层，将多种行踪特征融合进行表达，融合多种特征的识别优势，得到最终的行踪轨迹识别模型，训练结束后，将未知行踪输入到训练好的模型中即可以识别判断出是否属于异常行踪。

该方法除了针对个体关注对象的异常行踪模式识别外，还可以结合个体关注对象的社会关系网络，构建团伙行踪模式识别模型；最后，将不断产生的行踪识别结果反馈到深度学习训练模型中，不断完善优化行踪模式识别模型，进而大大提高对异常行踪的识别准确率。

第二种实现方法，针对行踪流量，包括：

1031C、基于所述融合后的时空数据，获取关注时间段的行踪流量信息。

其中，行踪流量信息可以指示所有关注对象在某个具体时间段内在某个具体地点的流动数量。

1032C、通过学习所述关注时间段的行踪流量信息与总关注时段内的行踪流量信息的映射关系，得到行踪流量识别模型。

其中，关注时间段可以是总关注时段内便于观察行踪流量的一个指定小时间段。

通过对某个具体地点在关注时间段内的行踪流量和在总关注时段内的总行踪流量的映射关系进行学习，得到行踪流量识别模型。该行踪流量模型可以用于识别某个地点或地段的总行踪流量是否异常。

进一步来说，结合前述方法流程，本发明实施例的另一种可能的实现方式，针对从多维关系网络中识别目标对象的行为的具体方法，还提供了以下具体步骤，执行在步骤S1032A或者S1033A之后，如图3所示，步骤S104包括：

S1041A、至少通过以下方式之一，识别所述目标对象的行为：在所述多维关系网络中查询并分析所述目标对象的关联信息；和/或，基于所述目标对象，对所述多维关系网络中的关键节点进行分析；和/或，对所述多维关系网络中所述目标对象的关系演化进行预测。

进一步来说，结合前述方法流程，本发明实施例的另一种可能的实现方式，针对根据行踪轨迹识别模型识别目标对象的行踪轨迹的方法，还提供了以下具体步骤，执行在步骤S1032B之后，如图4所示，步骤S104包括：

S1041B、通过所述行踪轨迹识别模型，对所述目标对象的行踪轨迹信息进行处理，以得到所述目标对象对应的行踪模式。

步骤S1031B和S1032B为模型生成过程，步骤S1041B则是模型应用过程。将目标对象的行踪轨迹信息输入到行踪轨迹识别模型进行处理，基于深度学习技术，可以确定未知的目标对象行踪轨迹是属于正常行踪模式还是属于异常行踪模式。

进一步来说，结合前述方法流程，本发明实施例的另一种可能的实现方式，针对根据行踪流量识别模型识别行踪流量的方法，还提供了以下具体步骤，执行在步骤S1032C之后，如图5所示，包括：

S105、通过所述行踪流量识别模型，对目标时间段的行踪流量信息进行处理，以得到总目标时段内的行踪流量信息。

步骤S1031C和S1032C为模型生成过程，步骤S105则是模型应用过程。将目标时间段的行踪流量信息输入到行踪流量识别模型中，即可以基于深度学习技术，得到总目标时段内的行踪流量信息，进而确定行踪流量是否异常，比如是否发生人员聚集或人员疏散等事件。

其中，目标时间段是总目标时段内的一个指定小时间段。

在上述技术方案的基础上，本发明实施例结合附图6介绍一个基于本发明开发的时空大数据异常行为行踪识别智能应用平台——研微(本发明实施例包括但不限于对该名称的保护)。

如图6所示的研微平台，首先是获取多源异构的时空大数据，包括关系数据、轨迹数据、视频数据、标签数据等；然后对时空大数据进行融合处理；然后通过各类计算方式，包括数据库查询(Spark SQL)、流计算(Spark Streaming)、图计算(GraphX)和机器学习(MLlib)等，确定异常关系行为识别模型库(即多维关系网络)和异常行踪模式识别库(即行踪模式识别模型)；在此基础上，构建多类算法模型引擎来对异常行为行踪进行识别判断，基于调度管理、服务监控、权限管理、安全管理、资源管理等服务管理，可以提供异常智能研判、微线索识别服务、线索智能推荐服务等各类服务。

本发明实施例紧密围绕全面提升时空大数据异常行为行踪智能分析与识别的迫切需求，对社会安全领域的时空大数据进行融合，构建基于时空关系行为数据的关系网络并识别异常关系行为，理解时空轨迹行踪数据的行踪语义并识别异常轨迹行踪。结合可视化建模与智能分析技术构建基于时空大数据融合的异常行为行踪智能识别平台——研微，支撑多源异构数据的时空关系提取、网络构建及关系挖掘，支撑时空轨迹行踪提取、行踪语义理解及异常行踪智能识别与智能可视化分析决策，可以极大程度提升社会安全事件的主动发现与预测预警能力，可以向社会安全领域各类用户推送异常行为行踪线索，从根本上提高社会安全风险应对响应与快速处置能力。

研微平台具有自预警功能，可挖掘并推送异常人员、异常团伙、异常车辆等多种异常线索。本发明实施例提供的技术方案可以全面提升犯罪行为的预测预警能力，能够精准识别、预测个体及群体异常行为，有效提高事前预警能力、预警水平，为应急响应提供有力技术支撑，使得精准应急成为可能，提升国家应对突发社会安全风险时应急指挥决策的科学性、合理性和有效性，保障了人民的生命财产安全以及社会稳定。

本发明实施例提供了一种行为行踪识别平台，适用于上述方法流程，如图7所示，所述平台包括：

获取模块21，用于获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；

数据融合模块22，用于对所述时空数据进行数据融合；

建立模块23，用于基于所述融合后的时空数据，建立数据模型；

识别模块24，用于根据所述数据模型，识别目标对象的行为和/或行踪。

可选的是，所述数据融合模块22具体用于：

根据所述时空数据，确定所述多个关注对象的时空关系，以实现对所述时空数据的数据融合。

可选的是，所述建立模块23具体用于：

基于所述融合后的时空数据，获取若干个关注对象之间的多维关联因素；

基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络。

可选的是，所述建立模块23还具体用于：

采用基于时间聚合的多粒度时变关系网络压缩表征与建模的方式，将时间维度加入到所述多维关系网络中，以时间聚合方式发现所述多维关系网络中关键演变节点及时间片段。

可选的是，所述建立模块23具体用于：

基于所述融合后的时空数据，获取若干个关注对象的行踪轨迹信息；

通过学习所述行踪轨迹信息与行踪模式的映射关系，得到行踪轨迹识别模型；

其中，所述行踪模式包括正常行踪和异常行踪。

可选的是，所述建立模块23具体用于：

基于所述融合后的时空数据，获取关注时间段的行踪流量信息；

通过学习所述关注时间段的行踪流量信息与总关注时段内的行踪流量信息的映射关系，得到行踪流量识别模型。

可选的是，所述识别模块24具体用于：

至少通过以下方式之一，识别所述目标对象的行为：

在所述多维关系网络中查询并分析所述目标对象的关联信息；和/或，

基于所述目标对象，对所述多维关系网络中的关键节点进行分析；和/或，

对所述多维关系网络中所述目标对象的关系演化进行预测。

可选的是，所述识别模块24具体用于：

通过所述行踪轨迹识别模型，对所述目标对象的行踪轨迹信息进行处理，以得到所述目标对象对应的行踪模式。

可选的是，所述识别模块24还用于：

通过所述行踪流量识别模型，对目标时间段的行踪流量信息进行处理，以得到总目标时段内的行踪流量信息。

上述发明实施例提供的行为行踪识别平台，首先获取多源异构的时空数据；然后对所述时空数据进行数据融合；再基于所述融合后的时空数据，建立数据模型；最后根据所述数据模型，识别目标对象的行为和/或行踪。本发明提供的技术方案首先获取大量的多源异构的时空数据，可以得到覆盖更加全面的所关注对象的行为行踪数据，然后基于多源异构的时空数据进行数据融合，可以确定所关注对象的时空关系，基于融合后的时空数据建立数据模型，最后通过数据模型识别目标对象的行为和/或行踪。在更加全面时空数据建立的数据模型下，通过更加全面的数据模型可以更加容易、准确的识别到目标对象的行为行踪，因此发明提供的技术方案提高了基于时空大数据对异常行为行踪进行识别的准确率，可以满足更高的治安防控要求。

本发明实施例提供一种行为行踪识别设备，如图8所示，所述设备包括处理器31和存储器32；

所述处理器31用于执行存储器32中存储的异常行为行踪线索挖掘方法的程序，以实现如上任一实施例及可能的实现方式所述的异常行为行踪线索挖掘方法的步骤。

在本发明的一些实施例中，处理器31和存储器32可通过总线或者其它方式连接。

处理器31可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)，还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(英文：Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。其中，存储器32用于存储所述处理器31的可执行指令；

存储器32，用于存储程序代码，并将该程序代码传输给处理器31。存储器32可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；存储器32也可以包括非易失性存储器(Non-Volatile Memory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器32还可以包括上述种类的存储器的组合。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例及可能的实现方式所述的异常行为行踪线索挖掘方法的步骤。

其中，计算机存储介质可以是RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域已知的任何其他形式的存储介质。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种行为行踪识别方法，其特征在于，所述方法包括：

获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；

对所述时空数据进行数据融合；

基于所述融合后的时空数据，建立数据模型；

根据所述数据模型，识别目标对象的行为和/或行踪。

2.根据权利要求1所述的方法，其特征在于，对所述时空数据进行数据融合，包括：

根据所述时空数据，确定所述多个关注对象的时空关系，以实现对所述时空数据的数据融合。

3.根据权利要求1所述的方法，其特征在于，所述时空数据包括多个关注对象的行为数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取若干个关注对象之间的多维关联因素；

基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络。

4.根据权利要求3所述的方法，其特征在于，在所述基于所述多维关联因素，建立所述若干个关注对象间的多维关系网络之后，所述基于所述融合后的时空数据，建立数据模型还包括：

采用基于时间聚合的多粒度时变关系网络压缩表征与建模的方式，将时间维度加入到所述多维关系网络中，以时间聚合方式发现所述多维关系网络中关键演变节点及时间片段。

5.根据权利要求1所述的方法，其特征在于，所述时空数据包括多个关注对象的行踪数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取若干个关注对象的行踪轨迹信息；

通过学习所述行踪轨迹信息与行踪模式的映射关系，得到行踪轨迹识别模型；

其中，所述行踪模式包括正常行踪和异常行踪。

6.根据权利要求1所述的方法，其特征在于，所述时空数据包括多个关注对象的行踪数据，所述基于所述融合后的时空数据，建立数据模型，包括：

基于所述融合后的时空数据，获取关注时间段的行踪流量信息；

通过学习所述关注时间段的行踪流量信息与总关注时段内的行踪流量信息的映射关系，得到行踪流量识别模型。

7.根据权利要求3或4所述的方法，其特征在于，所述根据所述数据模型，识别目标对象的行为，包括：

至少通过以下方式之一，识别所述目标对象的行为：

在所述多维关系网络中查询并分析所述目标对象的关联信息；和/或，

基于所述目标对象，对所述多维关系网络中的关键节点进行分析；和/或，

对所述多维关系网络中所述目标对象的关系演化进行预测。

8.根据权利要求5所述的方法，其特征在于，所述根据所述数据模型，识别目标对象的行踪，包括：

通过所述行踪轨迹识别模型，对所述目标对象的行踪轨迹信息进行处理，以得到所述目标对象对应的行踪模式。

9.根据权利要求6所述的方法，其特征在于，所述方法还包括：

通过所述行踪流量识别模型，对目标时间段的行踪流量信息进行处理，以得到总目标时段内的行踪流量信息。

10.一种行为行踪识别平台，其特征在于，所述平台包括：

获取模块，用于获取多源异构的时空数据，所述时空数据包括多个关注对象的行为行踪数据；

数据融合模块，用于对所述时空数据进行数据融合；

建立模块，用于基于所述融合后的时空数据，建立数据模型；

识别模块，用于根据所述数据模型，识别目标对象的行为和/或行踪。