CN109947793B

CN109947793B - 伴随关系的分析方法、装置和存储介质

Info

Publication number: CN109947793B
Application number: CN201910211904.1A
Authority: CN
Inventors: 张云村; 刘嘉荣; 张鋆; 孙黎; 闫茜; 张帆
Original assignee: Shenzhen Beidou Intelligence Technology Co ltd
Current assignee: Shenzhen Beidou Intelligence Technology Co ltd
Priority date: 2019-03-20
Filing date: 2019-03-20
Publication date: 2022-05-31
Anticipated expiration: 2039-03-20
Also published as: CN109947793A

Abstract

本发明公开了一种伴随关系的分析方法，所述伴随关系的分析方法包括以下步骤：获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。本发明还公开了一种伴随关系的分析装置和存储介质。本发明在进行伴随关系的挖掘时能够使用多种身份特征的数据，数据量大大提高，挖掘结果更加准确。

Description

伴随关系的分析方法、装置和存储介质

技术领域

本发明涉及信息技术领域，尤其涉及伴随关系的分析方法、装置和存储介质。

背景技术

挖掘出行人员间的伴随关系可以为交通路线设计、犯罪预防等提供重要参考，是目前智能交通领域的研究重点之一。

目前，通过大数据挖掘出行人员间的伴随关系一般是基于公交卡数据进行，每张公交卡对应一位出行人员，通过收集公交卡历史时间点及对应的位置，计算公交卡间的时空相似性从而挖掘公交卡之间的伴随关系。然而，由于单一身份信息的历史时空数据一般较少，挖掘到的伴随关系准确度较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种伴随关系的分析方法、装置和存储介质，旨在解决目前出行人员伴随关系挖掘仅基于同一种身份特征间的时空数据进行，数据量较少，挖掘结果准确度低的技术问题。

为实现上述目的，本发明提供一种伴随关系的分析方法，所述伴随关系的分析方法包括以下步骤：

获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；

在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；

在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。

优选地，所述在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系的步骤之后，还包括：

对所述身份特征进行频繁模式挖掘计算，获取对应的个体同时具有伴随关系的身份特征的集合，以获取同时具有伴随关系的个体的最大集。

优选地，所述获取各个身份特征之间的第一时空相似度的步骤包括：

获取各个所述身份特征对应的时空轨迹，其中，所述时空轨迹包括多个时空轨迹点；

根据所述时空轨迹计算所述各个身份特征之间的第一时空相似度。

优选地，所述根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性的步骤包括：

判断所述第一时空相似度是否小于等于第一预设相似度阈值；

其中，在所述第一时空相似度小于等于第一预设相似度阈值时，判定所述身份特征之间具有时空相似性。

优选地，所述获取所述身份特征中具有时空相似性的时空轨迹点对的步骤包括：

获取所述分身特征对应的时空轨迹点；

计算所述时空轨迹点之间的的第二时空相似度；

获取所述第二时空相似度小于等于第二相似度阈值的时空轨迹点对，并将所述第二时空相似度小于等于第二相似度阈值的时空轨迹点对作为所述身份特征中具有时空相似性的时空轨迹点对。

优选地，所述计算所述时空轨迹点之间的第二时空相似度的步骤包括：

计算所述时空轨迹点之间的时间差，获取所述时间差小于等于预设时间阈值的时空轨迹点对；

计算所述时空轨迹点对的第二时空相似度，所述时空轨迹点对的第二时空相似度即为所述时空轨迹点之间的第二时空相似度。

优选地，所述在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对的步骤之后，还包括：

在所述空轨迹点对的数量大于所述预设阈值时，判定所述身份特征对应的个体为同一个体。

此外，为实现上述目的，本发明还提供一种伴随关系的分析装置，所述伴随关系的分析装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的伴随关系的分析程序，所述伴随关系的分析程序被所述处理器执行时实现如上任一项所述的伴随关系的分析方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有伴随关系的分析程序，所述伴随关系的分析程序被处理器执行时实现如上任一项所述的伴随关系的分析方法的步骤。

本发明实施例提出的一种伴随关系的分析方法、装置和存储介质，通过获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。由于在进行伴随关系挖掘时，有效排除了属于同一用户的可能性较大的身份特征对，从而使得进伴随关系的挖掘时能够使用多种身份特征的数据，数据量大大提高，挖掘结果更加准确。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明伴随关系的分析方法第一实施例的流程示意图；

图3为本发明伴随关系的分析方法第二实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。

由于现有技术出行人员伴随关系挖掘仅基于同一种身份特征间的时空数据进行，数据量较少，挖掘结果准确度低。

本发明提供一种解决方案，由于在进行伴随关系挖掘时，有效排除了属于同一用户的可能性较大的身份特征对，从而使得进伴随关系的挖掘时能够使用多种身份特征的数据，数据量大大提高，挖掘结果更加准确

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及伴随关系的分析程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的伴随关系的分析程序，并执行以下操作：

进一步地，处理器1001可以调用存储器1005中存储的伴随关系的分析程序，还执行以下操作：

获取所述分身特征对应的时空轨迹点；

计算所述时空轨迹点之间的的第二时空相似度；

根据上述方案，通过获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。由于在进行伴随关系挖掘时，有效排除了属于同一用户的可能性较大的身份特征对，从而使得进伴随关系的挖掘时能够使用多种身份特征的数据，数据量大大提高，挖掘结果更加准确。

参照图2，图2为本发明伴随关系的分析方法第一实施例的流程示意图，所述伴随关系的分析方法包括：

步骤S10，获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；

本发明提供的伴随关系的分析方法主要用于信息技术领域，尤其用于基于多种身份特征的时空轨迹的伴随关系的分析挖掘。本发明提供的伴随关系的分析方法涉及的终端包括但不限于手机、平板电脑和电脑等，所述终端上预先加载有相关的应用系统，包括但不限于APP或者网页系统等。

本发明涉及的身份特征包括但不限于IC卡号、MAC地址、IMSI码和人脸图像信息等，可以理解的是，所述身份特征也可以是其他可以采集的用户或用户常携带的物体的特征，在此不做具体限制。

身份特征可通过设置于所需位置(例如地铁站或公交站等)的设备进行采集得到，设备实时或定时采集所在区域的身份特征、采集的时间信息和空间信息，并将采集的时间信息和空间信息发送至服务器，服务器接收采集设备发送的采集的时间信息和空间信息并将其与所述身份特征关联存储。其中，所述采集的时间信息可通过时间戳进行表示，例如2018-09-18、12：23：43等，空间信息可设置为采集设备的空间位置信息，所述空间信息可以是二维坐标(采集设备的经度和纬度)也可以是三维坐标(采集设备的经度、纬度和海拔)。需要理解的是，每个身份特征唯一对应一个个体，但一个个体可能对应多个身份特征。

考虑到时空数据的复杂性，本发明采用集成学习多模型的方法来判断时空相似性，时空相似性的判断可采用时空相似模型(Spatial Temporal Similarity，STS)。服务器将接收到的采集时间信息和空间信息保存至数据库，即得到各个身份特征对应的历史时空轨迹，所述历史时空轨迹包括不同时间信息对应的时空轨迹点，例如i身份特征和j身份特征分别对应的历史时空轨迹点可表示为：

其中，P_i和P_j分别表示身份特征i和j，t_ik和t_jk分别表示身份特征i和j对应的采集时间信息，L_ik表示身份特征i在t_ik时对应的空间位置，L_jk表示身份特征j在t_jk时对应的空间位置。L_ik和L_ik可以是二维坐标，也可以是三维坐标，例如，L_ik可以为{x_ik，y_ik}或者{x_ik，y_ik，z_ik}，其中，x_ik表示经度，y_ik表示纬度，z_ik表示海拔，k的范围为1～n。

在进行伴随关系挖掘时，首先挖掘数据库中具有时空相似性的身份特征点对。具体地，服务器首先获取数据库中所有身份特征的历史时空轨迹，计算获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，在所述身份特征之间具有时空相似性时，即将具有时空相似性的两个身份特征作为具有时空相似性的时空点对。服务器对数据库中所有的身份特征进行挖掘，获取所有所述身份特征中具有时空相似性的时空轨迹点对，其中，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个。

身份特征间的第一时空相似度通过时空轨迹进行计算，具体地，服务器获取各个所述身份特征对应的时空轨迹，其中，所述时空轨迹包括多个时空轨迹点，然后计算任意两个身份特质的时空轨迹之间的第一欧式距离。例如，上述身份特征P_i和身份特征P_j之间的时空轨迹之间的第一欧式距离可根据如下公式进行计算：

其中t_ik和t_jk为相同或差值在预设时间阈值之内的时间点，所述预设时间阈值可根据实际情况自行设置，在此不做具体限制。

然后，再进一步根据所述第一欧式距离和第一欧式距离预设阈值K1计算所述两个身份特征之间的第一时空相似度。例如，上述身份特征P_i和身份特征P_j之间的时空轨迹之间的第一时空相似度可根据如下公式进行计算：

其中，p1表示身份特征P_i和身份特征P_j之间的时空轨迹之间的第一时空相似度，K1表示所述第一欧式距离预设阈值。当计算得到的所述第一时空相似度小于等于第一时空相似度预设阈值时，判定身份特征P_i和身份特征P_j之间具备时空相似性，当所述第一时空相似度大于等于第一时空相似度预设阈值时，则判定身份特征P_i和身份特征P_j之间不具备时空相似性。服务器根据上述公式，对数据库中所以身份特征之间进行判断，挖掘得到所有具有时空相似性的身份特征对。

步骤S20，在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；

由于同一个体(用户个体)可对应多个身份特征，因此，具有时空相似性的身份特征对可能属于两个伴随关系的个体，也可能属于同一个个体，因此，本实施例提供的技术方案，在获取到具有时空相似性的身份特征对后，进一步排除属于同一个体的身份特征对，从而得到对应的个体为伴随关系的身份特征对。本实施例提供的技术方案，判断具有时空相似性的身份特征对是否属于同一个体通过所述身份特征对的时空轨迹点之间的时空相似性进行判断。

同样，考虑到时空数据的复杂性，本发明采用集成学习多模型的方法来进行伴随关系的判断，伴随关系的判断可采用随机验证模型(Random Verify，RV)。服务器获取所述分身特征对应的时空轨迹点，然后计算所述时空轨迹点之间的的第二时空相似度，优选地，由于不具有时间相似性的时空轨迹点必然不可能具有时空相似性，服务器首先计算所述时空轨迹点之间的时间差，获取所述时间差小于等于第二预设时间阈值的时空轨迹点对，然后再计算所述时空轨迹点对的第二时空相似度，所述时空轨迹点对的第二时空相似度即为所述时空轨迹点之间的第二时空相似度，其中，所述第二预设时间阈值可以根据实际情况自行设置，在此不做具体限制。具体地，服务器获取具有时空相似性的身份特征对的两个身份特征对应的时空轨迹点，计算各个时空轨迹点之间的，然后计算任意两个时空轨迹点之间的第二欧式距离(优选地，计算时间差小于等于第二预设时间阈值的时空轨迹点对之间的第二欧式距离)。例如，当上述身份特征P_i和身份特征P_j之间具有时空相似性时，计算身份特征P_i和身份特征P_j的所有时空轨迹点中时间差小于等于第二预设时间阈值的时刻轨迹点H_i:(t_ik,L_ik)和H_j:(t_ik,L_jk)的第二欧式距离，具体计算可按下述公式进行：

其中t_ik和t_jk为相同或差值在第二预设时间阈值之内的时间点，k的范围为1～n。

然后，再进一步根据所述第二欧式距离和第二欧式距离预设阈值K2计算另个时空轨迹点之间的第二时空相似度。例如，上述空轨迹点(t_ij,L_ik)和(t_ij,L_jk)之间的第二时空相似度可根据如下公式进行计算：

其中，p2表示身份特征P_i和身份特征P_j之间的时空轨迹点之间的第二时空相似度，K2表示所述第二欧式距离预设阈值。当计算得到的所述第二时空相似度小于等于第二时空相似度预设阈值时，判定空轨迹点(t_ik,L_ik)和(t_jk,L_jk)之间具备时空相似性，当第二时空相似度大于第二时空相似度预设阈值时，判定空轨迹点(t_ik,L_ik)和(t_jk,L_jk)之间不具备时空相似性。服务器对身份特征P_i和身份特征P_j的所有时空轨迹点之间进行时空相似性判断，并统计具有时空相似性的时空轨迹点对的数量。

步骤S30，在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。

现实情况中，具有伴随关系的个体一般不可能随时在一起，因此其时空轨迹点也不可能均具有时空相似性。因此，本实施例中，服务器计算得到具有时空相似性的时空轨迹点对的数量后，在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系，在所述空轨迹点对的数量大于所述预设阈值时，判定所述身份特征对应的个体为同一个体。服务器对所述具有时空相似性的所有身份特征对按照上述方法进行判断，从而得到对应的个体为伴随关系的身份特征对的集合。

本实施例提供的技术方案，通过获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息中的至少一个；在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对；在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系。由于在进行伴随关系挖掘时，有效排除了属于同一用户的可能性较大的身份特征对，从而使得进伴随关系的挖掘时能够使用多种身份特征的数据，数据量大大提高，挖掘结果更加准确。

进一步的，参照图3，图3为本发明伴随关系的分析方法第二实施例的流程示意图，所述步骤S10之后，还包括：

步骤S40，对所述身份特征进行频繁模式挖掘计算，获取对应的个体同时具有伴随关系的身份特征的集合，以获取同时具有伴随关系的个体的最大集。

现实情况中，常常需要获取一个个体的多个伴随个体，为了获取同时具有伴随关系的个体的最大集合。例如身份特征Pi对应的个体分别与身份特征Y1，Y2，…,Yn对应的个体不一定具有伴随关系或伴随关系不同时，此时，出于分析个体行为的需要，常需要获取Pi，Y1，Y2，…,Yn同时具有伴随关系的最大集合。

本实施例中，获取对应的个体同时具有伴随关系的身份特征的集合利用频繁模型(Frequent Pattern，FP)进行。具体地，服务器在获取到对应的个体为伴随关系的身份特征对后，服务器基于所述身份特征对，进一步通过频繁模式挖掘算法进行挖掘计算，获取对应的个体同时具有伴随关系的身份特征的集合，以获取同时具有伴随关系的个体的最大集。在进行频繁模式挖掘时，挖掘的时间窗口范围可根据实际需要自行设置，在此不做具体限制，例如时长窗口长度可以设置为1天或者1个月等。此外，所述频繁模式挖掘算法可以是常规的频繁模式挖掘算法，在此不做特殊限制。

本实施例提供的技术方案，在获取到具有伴随关系的身份特征对的集合后，服务器进一步对所述身份特征进行频繁模式挖掘计算，获取对应的个体同时具有伴随关系的身份特征的集合，从而获取到同时具有伴随关系的个体的最大集，以为分析个体行为提供参考。

此外，为实现上述目的，本发明实施例还提供一种伴随关系的分析装置，所述伴随关系的分析装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的伴随关系的分析程序，所述伴随关系的分析程序被所述处理器执行时实现如上任一实施例所述的伴随关系的分析方法的步骤。

此外，为实现上述目的，本发明实施例还提供一种存储介质，所述存储介质上存储有伴随关系的分析程序，所述伴随关系的分析程序被处理器执行时实现如上任一实施例所述的伴随关系的分析方法的步骤。

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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(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。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种伴随关系的分析方法，其特征在于，所述伴随关系的分析方法包括以下步骤：

获取各个身份特征之间的第一时空相似度，根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性，所述身份特征包括IC卡号、MAC地址、IMSI码和人脸图像信息；

在所述身份特征之间具有时空相似性时，获取所述身份特征对应的时空轨迹点；

计算所述时空轨迹点对的第二时空相似度，所述时空轨迹点对的第二时空相似度即为所述时空轨迹点之间的第二时空相似度；

获取所述第二时空相似度小于等于第二相似度阈值的时空轨迹点对，并将所述第二时空相似度小于等于第二相似度阈值的时空轨迹点对作为所述身份特征中具有时空相似性的时空轨迹点对；

2.如权利要求1所述的伴随关系的分析方法，其特殊在于，所述在所述时空轨迹点对的数量小于等于预设阈值时，判定所述身份特征对应的个体为伴随关系的步骤之后，还包括：

3.如权利要求1所述的伴随关系的分析方法，其特征在于，所述获取各个身份特征之间的第一时空相似度的步骤包括：

4.如权利要求1所述的伴随关系的分析方法，其特征在于，所述根据所述第一时空相似度判断所述身份特征之间是否具有时空相似性的步骤包括：

5.如权利要求1-4任一项所述的伴随关系的分析方法，其特征在于，所述在所述身份特征之间具有时空相似性时，获取所述身份特征中具有时空相似性的时空轨迹点对的步骤之后，还包括：

6.一种伴随关系的分析装置，其特征在于，所述伴随关系的分析装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的伴随关系的分析程序，所述伴随关系的分析程序被所述处理器执行时实现如权利要求1至5中任一项所述的伴随关系的分析方法的步骤。

7.一种存储介质，其特征在于，所述存储介质上存储有伴随关系的分析程序，所述伴随关系的分析程序被处理器执行时实现如权利要求1至5中任一项所述的伴随关系的分析方法的步骤。