CN109977108B - 一种基于行为轨迹库的多种轨迹碰撞分析方法 - Google Patents

Abstract

本发明公开一种基于行为轨迹库的多种轨迹碰撞分析方法，包括：设置目标、时间以及分析参数；过滤目标的轨迹数据；聚合上述数据，获得目标活动时间集合；统计设备距离信息并与目标活动时间集合关联；统计所有目标采集设备并去重；过滤目标跟随人员的轨迹数据；聚合上述数据并输出至下一环节；将上述数据与目标的轨迹数据进行数据关联；判断并输出满足轨迹交叉条件的数据；聚合上述数据；判断目标是否满足多种轨迹碰撞目标条件；输出所有满足条件的多种轨迹碰撞目标。本发明实现精准分析目标人员的多种轨迹碰撞目标，可快速获得行为轨迹库中多种轨迹碰撞目标的分析结果。

Description

一种基于行为轨迹库的多种轨迹碰撞分析方法

技术领域

本发明涉及安防与信息技术领域，尤其涉及一种基于行为轨迹库的多种轨迹碰撞分析方法。

背景技术

目前，安防系统中多种监控设备会采集大量行为轨迹数据，包括：人脸、MAC、IMSI和IMEI；而安防系统中采集设备本身只能对进入其侦测范围的目标信息进行识别，不能判断监控目标是从哪个方向进入设备侦测范围，也无法得到设备与监控目标之间的距离，因而无法得到目标的精准地理位置。通常系统以采集设备自身的地理位置作为探测目标的位置，而采集设备分为固定采集设备和移动采集设备，对于地理位置保持不变的固定采集设备，以其所处的地理位置作为探测目标的位置；对于移动采集设备，以其探测时刻所处的地理位置作为探测目标的位置。

此外，一个监控目标在同一时刻可能会被多个设备探测到，目标活动期间所有设备采集的数据组成了目标活动轨迹的时空信息(包括时间、经度和纬度的3维信息)，其中，经纬度位置信息是不准确的。

为了后期能更有效的利用采集设备采集的海量行为轨迹数据，需要对海量地理位置不精确的轨迹数据进行清洗，因此，合理与高效的轨迹数据清洗方法以及信息存储格式成为亟待解决的问题。另一方面，如何利用数据清洗过的轨迹数据高效、精准的分析出属于该目标人员的或跟随目标人员的另外一种轨迹类型的轨迹路线是个亟待解决的问题。

多种轨迹碰撞是指给定分析对象某个时间段的某种活动轨迹路线(其例如是MAC)，分析出另一种轨迹类型的目标对象(如IMSI)，其在给定时间段内的活动轨迹与分析对象的活动轨迹频繁的交叉，其中交叉是指两个轨迹点时间相差较小且距离相隔较近。

由于需要处理的数据量巨大，并且期望快速获得分析结果，特别是待处理的地理信息不精确，因此急需提出有效、快速的数据清洗方法，用以估计出监控目标精准的地理信息，并解决行为轨迹库中多种轨碰撞分析的问题。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于行为轨迹库的多种轨迹碰撞分析方法。

本发明的技术方案如下：一种基于行为轨迹库的多种轨迹碰撞分析方法，包括以下步骤：

步骤S101，设置目标人员、目标活动时间区间以及碰撞分析参数；

步骤S102，从行为轨迹库中过滤出目标人员在目标活动时间区间内的所有轨迹数据；

所述步骤S102中的轨迹数据包括采集设备和采集时间；

步骤S103，将上述轨迹数据按采集设备进行聚合处理，获得目标人员在每个采集设备上的活动时间集合；

步骤S104，统计采集设备距离信息，并将上述活动时间集合与采集设备距离信息进行数据关联处理；通过上述数据关联处理统计出每个采集设备在其采集范围内的所有目标采集设备，并展开成多条数据记录；

步骤S105，统计上述所有目标采集设备并去重；

步骤S106，根据目标活动时间以及所有目标采集设备，从行为轨迹库中过滤出目标跟随人员的轨迹数据；

步骤S107，将步骤S106的目标跟随人员的轨迹数据按目标跟随人员和目标采集设备进行数据聚合处理，并输出聚合数据至下一环节；

步骤S108，将每个目标跟随人员和目标采集设备的聚合数据与目标人员的轨迹数据进行数据关联处理，并以组输出关联数据至下一环节；

步骤S109，判断每组关联数据是否满足轨迹交叉条件，并输出满足轨迹交叉条件的数据；

步骤S110，将步骤S109的数据按目标人员进行数据聚合处理；

步骤S111，判断每个目标人员是否满足多种轨迹碰撞目标条件；

步骤S112，输出所有满足条件的多种轨迹碰撞目标。

进一步地，所述步骤S101中的碰撞分析参数包括目标轨迹类型、轨迹交叉最大时间间隔与距离间隔以及最少匹配设备数。

进一步地，所述步骤S103通过groupByKey函数将所述步骤S102过滤的所有轨迹数据按设备执行数据聚合处理。

进一步地，所述步骤S104通过给定轨迹交叉的最大距离间隔，并统计出每一个采集设备在所述给定轨迹交叉的最大距离间隔范围内的其他设备，实现统计设备距离信息。

进一步地，所述步骤S104通过broadcast函数执行对所述设备距离信息与活动时间集合的数据关联处理。

进一步地，所述步骤S107通过groupByKey函数将步骤S106过滤的轨迹数据按目标跟随人员和目标采集设备执行数据聚合处理。

进一步地，所述步骤S108通过broadcast函数执行所述步骤S107输出的聚合数据与目标人员的轨迹数据的数据关联处理。

进一步地，所述步骤109中的轨迹交叉条件为步骤S108输出的关联数据中存在一对轨迹时间相差不大于给定的轨迹交叉最大时间间隔。

进一步地，所述步骤S111通过统计所有目标人员所匹配的设备数量，并将每个目标人员所匹配的设备数量与所述给定的最少匹配设备数进行数据比较，实现每个目标人员是否满足多种轨迹碰撞目标条件的判断处理。

采用上述方案，本发明具有以下有益效果：

1、本发明实现精准分析目标人员的多种轨迹碰撞目标，可快速获得行为轨迹库中多种轨迹碰撞目标的分析结果。

本发明通过过滤目标人员所有轨迹数据，并按设备进行数据聚合以获得目标人员的活动时间集合，统计设备距离信息，并将设备距离信息与目标人员的活动时间集合进行数据关联，统计出每个设备在其采集范围内的所有目标采集设备，统计所有目标采集设备并去重，再过滤目标跟随人员的轨迹数据并进行数据聚合，将目标跟随人员的轨迹数据与目标人员的轨迹数据进行数据关联，筛选出满足轨迹交叉的数据，并将该数据按目标人员再次进行数据聚合，筛选满足条件的多种轨迹碰撞目标，即可获得行为轨迹库中多种轨迹碰撞目标的分析结果。

2、本发明实现对海量地理位置不精确的轨迹数据的高效清洗。

本发明通过map函数将海量行为轨迹数据切分成若干时间段和空间网格，并将切分好的数据转换成Key-value格式，通过groupByKey函数聚合属于同一时间段以及网格的轨迹数据，通过flatMap函数清洗groupByKey函数聚合的轨迹数据，所有操作基于ApacheSpark计算引擎，可快速完成海量行为轨迹数据的清洗；另一方面，经过清洗的轨迹数据将被压缩处理，入库存储效率高，利于轨迹数据的后续使用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。

图1为本发明基于行为轨迹库的多种轨迹碰撞分析方法的流程示意图；

图2为本发明用于搭建行为轨迹库的数据清洗方法的流程示意图。

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

以下结合附图和具体实施例，对本发明进行详细说明。

参照图1所示，本发明提供一种基于行为轨迹库的多种轨迹碰撞分析方法，包括以下步骤：

步骤S101，设置目标人员、目标活动时间区间以及碰撞分析参数；

步骤S102，从行为轨迹库中过滤出目标人员在目标活动时间区间内的所有轨迹数据；

所述步骤S102中的轨迹数据包括采集设备和采集时间；

步骤S103，将上述轨迹数据按采集设备进行聚合处理，获得目标人员在每个采集设备上的活动时间集合；

步骤S104，统计采集设备距离信息，并将上述活动时间集合与采集设备距离信息进行数据关联处理；通过上述数据关联处理统计出每个采集设备在其采集范围内的所有目标采集设备，并展开成多条数据记录；

步骤S105，统计上述所有目标采集设备并去重；

步骤S106，根据目标活动时间以及所有目标采集设备，从行为轨迹库中过滤出目标跟随人员的轨迹数据；

步骤S107，将步骤S106的目标跟随人员的轨迹数据按目标跟随人员和目标采集设备进行数据聚合处理，并输出聚合数据至下一环节；

步骤S108，将每个目标跟随人员和目标采集设备的聚合数据与目标人员的轨迹数据进行数据关联处理，并以组输出关联数据至下一环节；

步骤S109，判断每组关联数据是否满足轨迹交叉条件，并输出满足轨迹交叉条件的数据；

步骤S110，将步骤S109的数据按目标人员进行数据聚合处理；

步骤S111，判断每个目标人员是否满足多种轨迹碰撞目标条件；

步骤S112，输出所有满足条件的多种轨迹碰撞目标。

在本实施例中，所述步骤S101中的碰撞分析参数包括目标轨迹类型、轨迹交叉最大时间间隔与距离间隔以及最少匹配设备数。

在本实施例中，所述步骤S103通过groupByKey函数将所述步骤S102过滤的所有轨迹数据按源采集设备执行数据聚合处理，经数据聚合获得目标人员在每个源采集设备上的源活动时间集合。

在本实施例中，所述步骤S104通过给定轨迹交叉的最大距离间隔，并统计出每一个采集设备在所述给定轨迹交叉的最大距离间隔范围内的其他设备，实现统计采集设备距离信息。

在本实施例中，所述步骤S104通过broadcast函数执行对所述采集设备距离信息与源活动时间集合的数据关联处理，即对每个源采集设备关联得到距离间隔内的所有目标设备，并对应上述所有目标设备的数量展开成相应条数据记录。

作为一种较佳实施例，所述步骤S106从包含目标轨迹类型的行为轨迹库中过滤出目标跟随人员的轨迹数据。

在本实施例中，所述步骤S107通过groupByKey函数将步骤S106过滤的轨迹数据按目标跟随人员和目标采集设备执行数据聚合处理，经数据聚合获得目标跟随人员活动时间集合，。

在本实施例中，所述步骤S108通过broadcast函数执行所述步骤S107输出的聚合数据与目标人员的轨迹数据的数据关联处理，上述数据关联处理以目标采集设备为参考，经数据关联获得源采集设备数据和源采集设备活动时间集合，以及目标人员数据和目标活动时间集合。

在本实施例中，所述步骤109中的轨迹交叉条件为步骤S108输出的关联数据中存在一对轨迹时间相差不大于给定的轨迹交叉最大时间间隔。

其中，当关联数据中的源采集设备活动时间集合和目标活动时间集合存在一对轨迹时间相差不大于给定的轨迹交叉最大时间间隔，则说明此目标跟随人员在该采集设备上的轨迹与目标人员的轨迹满足交叉条件。

在本实施例中，所述步骤S110通过groupByKey函数将步骤S109输出的数据按目标人员执行数据聚合处理。

在本实施例中，所述步骤S111通过统计所有目标人员所匹配的设备数量，并将每个目标人员所匹配的设备数量与所述给定的最少匹配设备数进行数据比较，当目标人员所匹配的设备数量大于或等于给定的最少匹配设备数，则说明此目标人员为需要找出的多种轨迹碰撞目标，实现每个目标人员是否满足多种轨迹碰撞目标条件的判断处理。

参照图2所示，本发明还提供一种用于搭建行为轨迹库的数据清洗方法，包括以下步骤：

步骤S201，获取采集设备采集的海量原始行为轨迹数据；

步骤S202，对上述海量原始行为轨迹数据进行数据切分，并将切分好的轨迹数据输出至下一环节；

步骤S203，对上述切分后的轨迹数据进行数据聚合，并将聚合的轨迹数据输出至下一环节；

步骤S204，对上述聚合后的轨迹数据进行数据清洗，输出一组或多组轨迹数据；

步骤S205，将清洗后的轨迹数据入库存储，构成行为轨迹库。

作为一种实施例，所述步骤S201获取的数据包括人脸数据、MAC数据、IMSI数据、IMEI数据中的一种或多种。

作为一种实施例，所述步骤S202中的数据切分包括时间切分和空间切分；所述时间切分按指定的时间间隔将所述海量原始行为轨迹数据切分成若干时间段；所述空间切分按指定的空间刻度将所述海量原始行为轨迹数据切分成若干空间网格。

在本实施例中，所述步骤S202中的数据切分通过map函数执行对所述海量原始行为轨迹数据的切分，并确定轨迹数据所属的时间段以及网格，以及将切分的数据转换成Key-value格式输出至下一环节。

其中，Key包括目标、时间段以及网格；value包括时间、经度以及纬度。

作为一种较佳实施例，所述步骤S203中的数据聚合通过groupByKey函数执行对属于同一时间段以及网格的轨迹数据聚合。

作为一种较佳实施例，所述步骤S204中的数据清洗包括以下步骤：

步骤a，对步骤S203聚合的数据按时间排序，并对排序好的数据按给定的时间刻度进行数据切分；

步骤b，从上述切分好的数据中过滤出所有满足连续两条轨迹时间间隔的数据，且该数据的时间间隔不超过给定时间刻度，并将该数据划分为一组；

步骤c，取最早出现时间或者平均时间作为上述分组的采集时间，统计平均经纬度作为该分组的目标采集位置，根据所述采集时间和目标采集位置将每一组内的所有轨迹分别合并成一条轨迹。

在本实施例中，所述步骤S204中的数据清洗通过flatMap函数执行对所述步骤S203聚合的数据的清洗处理，并以组的形式输出清洗后的轨迹数据；输出的轨迹数据选自伴随目标、空间网格、时间、经度、纬度中的一种或多种。

在本实施例中，所述map函数、groupByKey函数和flatMap函数基于Apache Spark计算引擎实现各自的功能，使用Apache Spark可方便、快速的进行进行海量轨迹数据的数据清洗。

作为一种较佳实施例，所述步骤S205中的行为轨迹库可以是kudu数据库、HBase数据库中的一种或多种。

与现有技术相比，本发明具有以下有益效果：

1、本发明实现精准分析目标人员的多种轨迹碰撞目标，可快速获得行为轨迹库中多种轨迹碰撞目标的分析结果。

本发明通过过滤目标人员所有轨迹数据，并按设备进行数据聚合以获得目标人员的活动时间集合，统计设备距离信息，并将设备距离信息与目标人员的活动时间集合进行数据关联，统计出每个设备在其采集范围内的所有目标采集设备，统计所有目标采集设备并去重，再过滤目标跟随人员的轨迹数据并进行数据聚合，将目标跟随人员的轨迹数据与目标人员的轨迹数据进行数据关联，筛选出满足轨迹交叉的数据，并将该数据按目标人员再次进行数据聚合，筛选满足条件的多种轨迹碰撞目标，即可获得行为轨迹库中多种轨迹碰撞目标的分析结果。

2、本发明实现对海量地理位置不精确的轨迹数据的高效清洗。

本发明通过map函数将海量行为轨迹数据切分成若干时间段和空间网格，并将切分好的数据转换成Key-value格式，通过groupByKey函数聚合属于同一时间段以及网格的轨迹数据，通过flatMap函数清洗groupByKey函数聚合的轨迹数据，所有操作基于ApacheSpark计算引擎，可快速完成海量行为轨迹数据的清洗；另一方面，经过清洗的轨迹数据将被压缩处理，入库存储效率高，利于轨迹数据的后续使用。

以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，包括以下步骤：

步骤S101，设置目标人员、目标活动时间区间以及碰撞分析参数；

步骤S102，从行为轨迹库中过滤出目标人员在目标活动时间区间内的所有轨迹数据；

所述步骤S102中的轨迹数据包括采集设备和采集时间；

步骤S103，将上述轨迹数据按采集设备进行聚合处理，获得目标人员在每个采集设备上的活动时间集合；

步骤S104，统计采集设备距离信息，并将上述活动时间集合与采集设备距离信息进行数据关联处理；通过上述数据关联处理统计出每个采集设备在其采集范围内的所有目标采集设备，并展开成多条数据记录；其中，通过给定轨迹交叉的最大距离间隔，并统计出每一个采集设备在所述给定轨迹交叉的最大距离间隔范围内的其他设备，实现统计设备距离信息；

步骤S105，统计上述所有目标采集设备并去重；

步骤S106，根据目标活动时间以及所有目标采集设备，从行为轨迹库中过滤出目标跟随人员的轨迹数据；

步骤S107，将步骤S106的目标跟随人员的轨迹数据按目标跟随人员和目标采集设备进行数据聚合处理，并输出聚合数据至下一环节；

步骤S108，将每个目标跟随人员和目标采集设备的聚合数据与目标人员的轨迹数据进行数据关联处理，并以组输出关联数据至下一环节；

步骤S109，判断每组关联数据是否满足轨迹交叉条件，并输出满足轨迹交叉条件的数据；

步骤S110，将步骤S109的数据按目标人员进行数据聚合处理；

步骤S111，判断每个目标人员是否满足多种轨迹碰撞目标条件；

步骤S112，输出所有满足条件的多种轨迹碰撞目标。

2.根据权利要求1所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S101中的碰撞分析参数包括目标轨迹类型、轨迹交叉最大时间间隔与距离间隔、以及最少匹配设备数。

3.根据权利要求1所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S103通过groupByKey函数将所述步骤S102过滤的所有轨迹数据按采集设备执行数据聚合处理。

4.根据权利要求1所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S104通过broadcast函数执行对所述设备距离信息与活动时间集合的数据关联处理。

5.根据权利要求1所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S107通过groupByKey函数将步骤S106过滤的轨迹数据按目标跟随人员和目标采集设备执行数据聚合处理。

6.根据权利要求1所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S108通过broadcast函数执行所述步骤S107输出的聚合数据与目标人员的轨迹数据的数据关联处理。

7.根据权利要求2所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S109中的轨迹交叉条件为步骤S108输出的关联数据中存在一对轨迹时间相差不大于给定的轨迹交叉最大时间间隔。

8.根据权利要求2所述的基于行为轨迹库的多种轨迹碰撞分析方法，其特征在于，所述步骤S111通过统计所有目标人员所匹配的设备数量，并将每个目标人员所匹配的设备数量与所述最少匹配设备数进行数据比较，实现每个目标人员是否满足多种轨迹碰撞目标条件的判断处理。

Images