CN109543312A - 一种时空侦查分析方法及系统 - Google Patents
一种时空侦查分析方法及系统 Download PDFInfo
- Publication number
- CN109543312A CN109543312A CN201811424694.6A CN201811424694A CN109543312A CN 109543312 A CN109543312 A CN 109543312A CN 201811424694 A CN201811424694 A CN 201811424694A CN 109543312 A CN109543312 A CN 109543312A
- Authority
- CN
- China
- Prior art keywords
- analysis
- time
- data
- space
- activity
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种时空侦查分析方法及系统,所述方法包括自动识别多轨信息资源、智能分析预处理、启动时空侦查分析模型、接收模型分析参数、智能挖掘分析处理以及精准推送可疑对象的步骤。本发明通过整合各类时空轨迹类型、利用实体与实体间的关联关系,实现定人、定位的智能化侦查分析,为侦查工作带来极大便利。
Description
技术领域
本发明涉及数据侦查分析应用技术领域,特别是一种时空侦查分析方法及系统。
背景技术
轨迹数据是在时空环境下,通过对一个或多个移动对象运动过程的采样所获得的数据信息,包括采样点位置、采样时间、速度等,这些采样点数据信息根据采样先后顺序构成了轨迹数据。时空轨迹数据作为侦查活动中重要的数据资源之一,能够充分发挥数据空间和时间的优势,充分说明嫌疑目标与案件的关联性,提供非常重要的侦查线索,为案件侦查指明方向。然而,传统的数据侦查方式由于受技术条件的限制,对时空数据分析存在数据不规范、数据种类不统一、身份无法归一的局限性。
发明内容
本发明需要解决的技术问题是提供一种时空侦查分析方法及系统,通过整合各类时空轨迹类型、利用实体与实体间的关联关系,实现定人、定位的智能化侦查分析。
为解决上述技术问题,本发明所采取的技术方案如下。
一种时空侦查分析方法,具体包括以下步骤:
S1.配置各类数据所涉及的相关属性信息,并通过配置的相关属性信息从各类汇聚的数据中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据;
S2:对步骤S1中识别出的轨迹数据进行预处理,包括身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项在分布式环境中存储;
S3:启动时空侦查分析模型,根据输入的模型分析参数,按照分析时间、分析活动区域提取时间范围内、活动区域范围内的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息;
S4:根据步骤S3中得到的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理,按照分数的高低推送最有可疑的作案对象。
上述一种时空侦查分析方法,步骤S1中所述的相关属性信息包括轨迹类型、身份属性、时间属性、空间属性;所述的轨迹数据包括人员轨迹、车辆轨迹、号码轨迹、图像轨迹。
上述一种时空侦查分析方法,步骤S2中以流式数据汇集管道接收步骤S1中识别出的轨迹数据。
上述一种时空侦查分析方法,步骤S2中,所述身份归一预处理的方法为根据人员、车辆、号码、图像四者间的关联关系,将散乱的轨迹数据整合成以人员证件号码为核心的条理轨迹数据;所述活动地点坐标预处理的方法为,针对有活动场所的数据,通过活动场所编号自动检索出相关的坐标点位;针对无活动场所的数据,通过活动地址全称进行分词解析,提取出省、市、县、街路巷等结构化数据,并分析出该地址所处的坐标点位。
上述一种时空侦查分析方法,步骤S3中所述的时空侦查分析模型是将步骤S2中存储的各类轨迹数据加载至分布式运算服务器节点,按照哈希算法平均分布各类数据,并在分布式运算服务器节点中提取符合条件的相关轨迹数据的过程。
上述一种时空侦查分析方法,步骤S3中所述的模型分析参数包括模型类型、分析时间范围、分析活动区域、时间偏移量、地点偏移量。
上述一种时空侦查分析方法,所述时间偏移量、地点偏移量的计算方法为:首先进行一次轨迹坐标点的偏移量运算,时间偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,地点偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,并获取两者都符合的数据交集;进一步分析多个坐标点的偏移量运算,按照一个坐标点的偏移量运算规则,自动运算出其他坐标点的运算结果。
一种时空侦查分析系统,包括
配置模块:接收各类数据,对其进行配置,从中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据,并发送至预处理模块;
预处理模块:对接收自配置模块的轨迹数据进行身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项发送至存储模块;
存储模块:对接收自预处理模块的数据进行分布式存储;
时空侦查数据分析模块:根据输入的模型分析参数,按照分析时间、分析活动区域提取符合条件的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息;
分析处理模块:根据时空侦查数据分析模块推送的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理;
推送模块:依据分析处理模块计算的分数,按照分数的高低推送最有可疑的作案对象。
由于采用了以上技术方案,本发明所取得技术进步如下。
本发明基于云计算、大数据等先进技术,利用数据挖掘、关联分析等手段,构建包含多点碰撞、路线寻人、伴随分析的时空侦查数据分析模型,形成智慧侦查大脑,为侦查人员提供智能化的侦查体验,可根据不同的案件类型、案件现场、案件特点自动发现侦查线索、精准锁定犯罪嫌疑人,全息刻画侦查目标,实时推送预警情报,实现从冷冰冰数据摸排向活生生技战法模型的转变、从以往被动式侦查向主动化出击的转变、从粗放式应用向精准化打击的转变,打开智慧侦查工作新局面。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
本发明应用于数据侦查技术领域,主要解决以下三个方面的问题。
(1)多点碰撞模型:实现多区域流窜案件多时空出现分析,通过多轨(人、车、号)信息的多个空间不同时间比对碰撞,实现案发区域附近频繁出现、重复出现对象的综合分析,系统按照出现频率智能推荐可疑对象。
(2)路线寻人:基于其他侦查手段掌握嫌疑目标逃跑路线,通过空间电子地图描绘嫌疑目标逃跑路线图,系统通过时空数据模型自动分析逃跑路线中出现对象(人、车、号),自动分析案发时间段内经过该路线所有可疑对象。
(3)伴随分析:在一定时间、空间范围内分析对象(人、车、号)相互间的时间、空间吻合度,自动分析多个对象间相互关系的亲密度、分析对象归一性以及同行性情况。
具体地,本发明所提出的的一种时空侦查分析方法,是基于大数据应用环境,对在分析区域内的所有触网对象出现全部活动踪迹进行智能感知、动态监控,形成区域内的对象进出池,客观、全面、准确地掌握所有目标对象的相关活动轨迹情况;并对已知对象进行全域轨迹的综合分析,包括人员活动轨迹、车辆活动轨迹、网络对象活动轨迹、通话活动轨迹等,其具体流程如图1所示,主要包括以下步骤。
S1.配置各类数据所涉及的相关属性信息,并通过配置的相关属性信息从各类汇聚的数据中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据。
本步骤中所述的相关属性信息包括轨迹类型、身份属性、时间属性、空间属性;所述的轨迹数据包括人员轨迹、车辆轨迹、号码轨迹、图像轨迹。
本步骤通过数据汇集,自动识别出活动轨迹信息,把分散、隐藏在各种信息资源中的轨迹数据提取出来集中存放,并通过数据处理进行标注,直观获得主体某段时间、某个区域的运动情况。在本步骤中,用户可以灵活自定义需要分析处理的轨迹数据,并根据自动感知来配置信息、自动处理。
S2:以流式数据汇集管道接收步骤S1中识别出的轨迹数据,并对其进行预处理,包括身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项在分布式环境中存储。
本步骤中所述身份归一预处理的方法为根据人员、车辆、号码、图像四者间的关联关系,将散乱的轨迹数据整合成以人员证件号码为核心的条理轨迹数据。所述活动地点坐标预处理的方法为,针对有活动场所的数据,通过活动场所编号自动检索出相关的坐标点位;针对无活动场所的数据,通过活动地址全称进行分词解析,提取出省、市、县、街路巷等结构化数据,并分析出该地址所处的坐标点位。
本步骤还可通过对活动轨迹的时序性进行综合分析,掌握活动目标在一个或者多个区域内的活动进入、离开情况,形成活动进出池;通过对活动轨迹相关性分析,掌握活动目标间的关联关系,形成关联信息库;通过对活动实体间的归属性分析,掌握活动实体间的身份一致性,形成活动实体全息档案。
S3:启动时空侦查分析模型,根据输入的模型分析参数,按照分析时间、分析活动区域提取时间范围内、活动区域范围内的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息。其中,模型分析参数包括模型类型、分析时间范围、分析活动区域、时间偏移量、地点偏移量。
分析活动区域支持输入不规则的点、线、面等图形,支持直线、曲线;支持矩形、圆形、正方形、多边形等,时间偏移量支持按小时、按天时间范围;地点偏移量支持按米、按公里的距离范围。通过上述条件设置,系统能够灵活应对用户丰富的时空侦查分析模型应用场景,将输入相关的参数传递至下一步的智能挖掘分析处理步骤。
所述时空侦查分析模型是将步骤S2中存储的各类轨迹数据加载至分布式运算服务器节点,按照哈希算法平均分布各类数据,并在分布式运算服务器节点中提取符合条件的相关轨迹数据的过程。
所述时间偏移量、地点偏移量的计算方法为:首先进行一次轨迹坐标点的偏移量运算,时间偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,地点偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,并获取两者都符合的数据交集;进一步分析多个坐标点的偏移量运算,按照一个坐标点的偏移量运算规则,自动运算出其他坐标点的运算结果。
S4:根据步骤S3中得到的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理,按照分数的高低推送最有可疑的作案对象。
本发明通过划定一定区域、一定时间,设置相关的时间、空间偏移量,在有限时空范围内,实现对该区域内部所有活动对象的活动情况进行多维度分析,通过对轨迹信息的多维度运算分析,自动推送活动可疑对象、活动可疑对象的当前位置、活动可疑关联关系对象以及活动可疑对象的真实真份等信息。
本发明还提供了一种时空侦查分析系统,主要包括配置模块、预处理模块、存储模块、时空侦查数据分析模块以及推送模块。具体地,配置模块用于接收各类数据,对其进行配置,从中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据,并发送至预处理模块;预处理模块对接收自配置模块的轨迹数据进行身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项发送至存储模块;存储模块用于对接收自预处理模块的数据进行分布式存储;时空侦查数据分析模块为本系统的核心模块,根据输入的模型分析参数,按照分析时间、分析活动区域提取符合条件的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息;根据时空侦查数据分析模块推送的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理;推送模块则依据分析处理模块计算的分数,按照分数的高低推送最有可疑的作案对象。
本发明所述的时空侦查分析系统支持多对象应用,即一个对象关联的其他类型的对象也视为同一对象进行分析应用;可自定义选择多种轨迹种类;支持多时空条件,包括一个或者多个时间、空间、位置相关属性;支持灵活的组合条件,包括并且、或者、不包含等灵活表达式的组合分析;提供多种关联模型的分析,包括出行轨迹关联、居住轨迹关联、打处轨迹关联、通讯轨迹关联、资金交易轨迹关联分析、网络轨迹关联等多维关联分析方法;同时还可提供多种展示方式,例如,平面时间轴、空间电子地图、关联可视化、空间热点分析、统计图等丰富可视化方式进行分析结果的展现。
Claims (8)
1.一种时空侦查分析方法,其特征在于,具体包括以下步骤:
S1.配置各类数据所涉及的相关属性信息,并通过配置的相关属性信息从各类汇聚的数据中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据;
S2:对步骤S1中识别出的轨迹数据进行预处理,包括身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项在分布式环境中存储;
S3:启动时空侦查分析模型,根据输入的模型分析参数,按照分析时间、分析活动区域提取时间范围内、活动区域范围内的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息;
S4:根据步骤S3中得到的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理,按照分数的高低推送最有可疑的作案对象。
2.根据权利要求1所述的一种时空侦查分析方法,其特征在于,步骤S1中所述的相关属性信息包括轨迹类型、身份属性、时间属性、空间属性;所述的轨迹数据包括人员轨迹、车辆轨迹、号码轨迹、图像轨迹。
3.根据权利要求1所述的一种时空侦查分析方法,其特征在于,步骤S2中以流式数据汇集管道接收步骤S1中识别出的轨迹数据。
4.根据权利要求1所述的一种时空侦查分析方法,其特征在于,步骤S2中,所述身份归一预处理的方法为根据人员、车辆、号码、图像四者间的关联关系,将散乱的轨迹数据整合成以人员证件号码为核心的条理轨迹数据;所述活动地点坐标预处理的方法为,针对有活动场所的数据,通过活动场所编号自动检索出相关的坐标点位;针对无活动场所的数据,通过活动地址全称进行分词解析,提取出省、市、县、街路巷等结构化数据,并分析出该地址所处的坐标点位。
5.根据权利要求1所述的一种时空侦查分析方法,其特征在于,步骤S3中所述的时空侦查分析模型是将步骤S2中存储的各类轨迹数据加载至分布式运算服务器节点,按照哈希算法平均分布各类数据,并在分布式运算服务器节点中提取符合条件的相关轨迹数据的过程。
6.根据权利要求1所述的一种时空侦查分析方法,其特征在于,步骤S3中所述的模型分析参数包括模型类型、分析时间范围、分析活动区域、时间偏移量、地点偏移量。
7.根据权利要求1所述的一种时空侦查分析方法,其特征在于,所述时间偏移量、地点偏移量的计算方法为:首先进行一次轨迹坐标点的偏移量运算,时间偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,地点偏移量分析当前分析轨迹数据中符合偏移量范围内的其他轨迹信息,并获取两者都符合的数据交集;进一步分析多个坐标点的偏移量运算,按照一个坐标点的偏移量运算规则,自动运算出其他坐标点的运算结果。
8.一种时空侦查分析系统,其特征在于:包括
配置模块:接收各类数据,对其进行配置,从中识别出能够反映实体身份、活动时间、活动空间三个属性的轨迹数据,并发送至预处理模块;
预处理模块:对接收自配置模块的轨迹数据进行身份归一预处理和活动地点坐标预处理,并将预处理后的轨迹数据按照证件号码、活动时间、活动地址、活动经纬度坐标四类数据项发送至存储模块;
存储模块:对接收自预处理模块的数据进行分布式存储;
时空侦查数据分析模块:根据输入的模型分析参数,按照分析时间、分析活动区域提取符合条件的相关轨迹数据,并根据待分析的模型类型进行相关时间偏移量、地点偏移量的计算,识别出待分析模型所涉及的分析空间范畴,自动识别模型是属于点、线、面中哪种类别,并根据对应类别所包含的坐标点集合所涉及的所有偏移量进行交叉运算,推送交叉比中人员信息;
分析处理模块:根据时空侦查数据分析模块推送的交叉比中人员信息,按照每个坐标点出现人员的次数、出现人员的背景身份核查情况、出现人员的作案特点与当前案件特点吻合度三项指标进行加权分析,为每一个出现人员进行综合计分处理;
推送模块:依据分析处理模块计算的分数,按照分数的高低推送最有可疑的作案对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424694.6A CN109543312B (zh) | 2018-11-27 | 2018-11-27 | 一种时空侦查分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424694.6A CN109543312B (zh) | 2018-11-27 | 2018-11-27 | 一种时空侦查分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543312A true CN109543312A (zh) | 2019-03-29 |
CN109543312B CN109543312B (zh) | 2023-04-07 |
Family
ID=65850906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424694.6A Active CN109543312B (zh) | 2018-11-27 | 2018-11-27 | 一种时空侦查分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543312B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175791A (zh) * | 2019-06-04 | 2019-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110489400A (zh) * | 2019-08-23 | 2019-11-22 | 武汉白虹软件科技有限公司 | 一种实现人车采集数据准实时关联的算法模型 |
CN111695511A (zh) * | 2020-06-12 | 2020-09-22 | 中国人民公安大学 | 基于城市社区的对象管理方法、装置、机器可读介质及设备 |
CN111693822A (zh) * | 2020-06-23 | 2020-09-22 | 西安重冶电控科技有限公司 | 一种基于云平台的电气设备线路故障检测系统 |
CN112256788A (zh) * | 2020-10-09 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 侦查智慧脑图方法 |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100079336A1 (en) * | 2008-09-30 | 2010-04-01 | Sense Networks, Inc. | Comparing Spatial-Temporal Trails In Location Analytics |
WO2017117857A1 (zh) * | 2016-01-08 | 2017-07-13 | 中兴通讯股份有限公司 | 移动终端运动轨迹的匹配方法及装置 |
CN107481177A (zh) * | 2017-08-17 | 2017-12-15 | 航天科工智慧产业发展有限公司 | 一种快速实现可疑人员核查处置指导的方法和系统 |
CN107590250A (zh) * | 2017-09-18 | 2018-01-16 | 广州汇智通信技术有限公司 | 一种时空轨迹生成方法及装置 |
JP2018093283A (ja) * | 2016-11-30 | 2018-06-14 | マクセル株式会社 | 監視情報収集システム |
-
2018
- 2018-11-27 CN CN201811424694.6A patent/CN109543312B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100079336A1 (en) * | 2008-09-30 | 2010-04-01 | Sense Networks, Inc. | Comparing Spatial-Temporal Trails In Location Analytics |
WO2017117857A1 (zh) * | 2016-01-08 | 2017-07-13 | 中兴通讯股份有限公司 | 移动终端运动轨迹的匹配方法及装置 |
JP2018093283A (ja) * | 2016-11-30 | 2018-06-14 | マクセル株式会社 | 監視情報収集システム |
CN107481177A (zh) * | 2017-08-17 | 2017-12-15 | 航天科工智慧产业发展有限公司 | 一种快速实现可疑人员核查处置指导的方法和系统 |
CN107590250A (zh) * | 2017-09-18 | 2018-01-16 | 广州汇智通信技术有限公司 | 一种时空轨迹生成方法及装置 |
Non-Patent Citations (4)
Title |
---|
刘军等: "海量多源信息中的空间轨迹挖掘与分析技术在PGIS中的实现", 《警察技术》 * |
吕书杰: "精确图侦手段,挖掘视频价值", 《中国公共安全》 * |
孙楠: "警用多源数据轨迹分析系统设计与实现", 《测绘科学》 * |
王羽佳: ""大数据"时代背景下电子轨迹在侦查工作中的应用研究", 《中国科技信息》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175217A (zh) * | 2019-05-16 | 2019-08-27 | 武汉数矿科技股份有限公司 | 一种用于确定嫌疑人的感知数据分析方法和装置 |
CN110175791A (zh) * | 2019-06-04 | 2019-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN110175791B (zh) * | 2019-06-04 | 2021-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN110390031A (zh) * | 2019-06-28 | 2019-10-29 | 深圳市商汤科技有限公司 | 信息处理方法及装置、图像设备及存储介质 |
CN110489400A (zh) * | 2019-08-23 | 2019-11-22 | 武汉白虹软件科技有限公司 | 一种实现人车采集数据准实时关联的算法模型 |
CN111695511A (zh) * | 2020-06-12 | 2020-09-22 | 中国人民公安大学 | 基于城市社区的对象管理方法、装置、机器可读介质及设备 |
CN111693822A (zh) * | 2020-06-23 | 2020-09-22 | 西安重冶电控科技有限公司 | 一种基于云平台的电气设备线路故障检测系统 |
CN112256788A (zh) * | 2020-10-09 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 侦查智慧脑图方法 |
CN112256788B (zh) * | 2020-10-09 | 2024-04-19 | 珠海市新德汇信息技术有限公司 | 侦查智慧脑图方法 |
CN113536083A (zh) * | 2021-05-31 | 2021-10-22 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
CN113536083B (zh) * | 2021-05-31 | 2023-11-24 | 中国人民公安大学 | 一种基于案事件时空坐标的目标人轨迹碰撞分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109543312B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543312A (zh) | 一种时空侦查分析方法及系统 | |
CN107229708B (zh) | 一种个性化出行服务大数据应用系统及方法 | |
Alaloul et al. | Evolution of close-range detection and data acquisition technologies towards automation in construction progress monitoring | |
JP5224401B2 (ja) | 監視システムおよび方法 | |
CN106355604B (zh) | 图像目标跟踪方法与系统 | |
Xia et al. | Attnmove: History enhanced trajectory recovery via attentional network | |
CN111930868A (zh) | 一种基于多维数据采集的大数据行为轨迹分析方法 | |
CN109388663A (zh) | 一种面向社会安全领域的大数据智能分析平台 | |
CN111291589A (zh) | 信息的关联分析方法及装置、储存介质、电子装置 | |
CN109284296A (zh) | 一种大数据pb级分布式信息存储与检索平台 | |
Ahmed et al. | IoT-based crowd monitoring system: Using SSD with transfer learning | |
Gaikwad et al. | Smart surveillance system for real-time multi-person multi-camera tracking at the edge | |
Abdulghafoor et al. | A novel real-time multiple objects detection and tracking framework for different challenges | |
Yu et al. | A deep encoder-decoder network for anomaly detection in driving trajectory behavior under spatio-temporal context | |
Shin et al. | CCTV image sequence generation and modeling method for video anomaly detection using generative adversarial network | |
Gokaraju et al. | Identification of spatio-temporal patterns in cyber security for detecting the signature identity of hacker | |
Kumar et al. | 2. IoT technology and applications | |
Jotheeswaran et al. | Hybrid video surveillance systems using P300 based computational cognitive threat signature library | |
Saha et al. | Federated learning–based global road damage detection | |
Prabha et al. | A comprehensive insight towards pre-processing methodologies applied on GPS data | |
Xie et al. | Pedestrian Trajectory Prediction Based on Social Interactions Learning With Random Weights | |
Jeong et al. | Identifying the indoor space characteristics of an urban railway station based on pedestrian trajectory data | |
Bhardwaj et al. | Deep learning architectures for crime occurrence detection and prediction | |
Shad et al. | Precise location acquisition of mobility data using cell-id | |
Kaluza et al. | Towards detection of suspicious behavior from multiple observations |
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 | ||
CB02 | Change of applicant information |
Address after: Unit K, 607, 6th Floor, Main Building No. 10 Science and Technology Road, Tangjiawan Town, Zhuhai High-tech Zone, Guangdong Province Applicant after: ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co.,Ltd. Address before: 519000 4th Floor, Jinqiao Building, 2121 Jiuzhou Avenue, Xiangzhou District, Zhuhai City, Guangdong Province Applicant before: ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |