CN110162588B - 一种多维关联信息的轨迹融合方法 - Google Patents
一种多维关联信息的轨迹融合方法 Download PDFInfo
- Publication number
- CN110162588B CN110162588B CN201910455961.4A CN201910455961A CN110162588B CN 110162588 B CN110162588 B CN 110162588B CN 201910455961 A CN201910455961 A CN 201910455961A CN 110162588 B CN110162588 B CN 110162588B
- Authority
- CN
- China
- Prior art keywords
- track
- objects
- associated information
- equivalent
- fusion method
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明特别涉及一种多维关联信息的轨迹融合方法。该多维关联信息的轨迹融合方法，以各种维度的轨迹记录数据为基础，将各类不同维度的轨迹记录数据进行轨迹融合算法分析，将符合多维关联信息的对象融合成一体；被融合成一体的对象互为轨迹等价对象，在轨迹上可以被彼此等价替换，即被融合成一体的对象之中的任一个体的轨迹均可以被认作是被融合成一体的对象的轨迹，也可以认作是被融合成一体的对象中其他任一个体的轨迹。该多维关联信息的轨迹融合方法，仅以轨迹记录数据为依据，根据融合算法在海量数据中把轨迹融合规则的多个不同类别的对象融合成一个整体，从而提取出对象的完整轨迹路径，并分析出密切关系人，进而为抓捕犯罪分子提供依据。
Description
技术领域
本发明涉及数据挖掘技术领域，特别涉及一种多维关联信息的轨迹融合方法。
背景技术
轨迹是人、车、手机等实体在时空中留下的痕迹，是对实体行为和活动的客观反映。公安机关在多年案件侦破过程中，通过对嫌疑人员、特殊区域、特殊群体的轨迹的研判分析，发现在不同类型的案件中，嫌疑人具有各自不同的轨迹规律。进一步结合用户实践中形成的轨迹分析技战法，可以快速锁定嫌疑对象。但随着时代的发展，一方面，犯罪分子具备了一定的反侦查能力，他们在作案过程当中会刻意掩盖、混淆其真实轨迹；另一方面，电子围栏、摄像头、WIFI探针等轨迹探测装置的广泛装备，使得轨迹类数据激增。
面对激增的数据，传统轨迹技战法已经无法将海量数据完全分析，从而造成数据利用率低下。
基于此，本发明提出了一种多维关联信息的轨迹融合方法，对原有轨迹技战法的改进，将电子围栏、WIFI探针以及卡口摄像头等其他不同类型的设备采集的数据进行全部整合融合、分析，将各种维度的轨迹信息不断融合，从而挖掘出其中相近的对象，在海量数据中自动、高效、精准发现嫌疑对象真实轨迹。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种简单高效的多维关联信息的轨迹融合方法。
本发明是通过如下技术方案实现的：
一种多维关联信息的轨迹融合方法，其特征在于：以各种维度的轨迹记录数据为基础，将各类不同维度的轨迹记录数据进行轨迹融合算法分析，将符合多维关联信息的对象融合成一体；被融合成一体的对象互为轨迹等价对象，在轨迹上可以被彼此等价替换，即被融合成一体的对象之中的任一个体的轨迹均可以被认作是被融合成一体的对象的轨迹，也可以认作是被融合成一体的对象中其他任一个体的轨迹。
所述符合多维关联信息的对象包括人员，车辆，手机，船舶和飞机。
所述多维度轨迹记录数据包括三合一卡口采集器获取的卡口过车车辆结构化轨迹数据，电子围栏采集的手机结构化轨迹数据和WIFI探针采集的手机结构化轨迹数据。
该多维关联信息的轨迹融合方法，包括以下步骤：
(1)判断轨迹记录数据中是否存在路网数据，若存在则便利获取路网沿途附近点位，若不存在则遍历获取附近点位；
(2)查询各点位出现的对象，并判断对象是否有具体轨迹，若有则针对每一个对象统计出其出现的点位次数，若没有则针对任意两个对象统计出其同时出现的点位次数；得到由各个对象与对应的点位频次组成的集合F；
(3)计算集合F中各个对象的轨迹相似度L，若相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象；
(4)遍历集合F，按相似度L倒序排列输出结果即可。
所述轨迹融合算法是指根据其不同的轨迹类型重合次数c以及该轨迹类型所占权重w，计算关系相似度L，计算公式如下：
相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象。
不同类型的轨迹拥有不同的权重w，不同轨迹类型的权重w基于轨迹记录的置信度取值；对于三合一卡口采集器获取的车辆，人像和电围信息，由于三者的等价关系置信度较高，卡口轨迹的权重w取值相对较大；而宾馆入住记录，时间跨度较大且受周围环境和人口密集程度影响，对于识别出来的等价关系置信度较低，因而宾馆入住类轨迹的权重w取值相对较小。
当已知确定对象x的轨迹时，仅需遍历由每个对象出现过的点位组成的集合，即可找出对象x的轨迹等价对象。
当已知多个确定的点位时，需遍历由每个点位出现过的对象组成的集合，即可在途经这些点位及其附近区域的所有对象中识别出具有轨迹等价特征的对象组合。
本发明的有益效果是：该多维关联信息的轨迹融合方法，仅以轨迹记录数据为依据，根据融合算法即可在海量数据中把轨迹融合规则的多个不同类别，如人与车、人与手机、车与手机，的对象融合成一个整体，从而提取出对象的完整轨迹路径，并分析出密切关系人，进而为抓捕犯罪分子提供依据。
附图说明
附图1为本发明多维关联信息的轨迹融合方法示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
传统轨迹信息包含了对象的基本信息，例如上网、住宿、火车乘车、民航乘机等，因为传统数据是必须实名制登记，此类数据都是用身份证来采集。但是随着时代的发展，犯罪分子具备了一定的反侦查能力，实名制登记用假名或者避免实名制登记的点位。这样传统的信息采集已经无法快速定位嫌疑人位置。
嫌疑人一旦在某个位置活动过，就一定会留下活动信息。而且，随着高新技术的发展，电子围栏、WIFI探针的数据已经能采集到，而且是海量数据，此类信息数据如果不进行数据挖掘，是对信息资源的浪费。既然传统的轨迹信息挖掘不到嫌疑人信息，就将此类海量数据信息接入进来，进行统一融合分析，而采集的多维度轨迹记录数据包含：
1)三合一卡口采集器获取的卡口过车车辆结构化轨迹数据；
2)电子围栏采集的手机结构化轨迹数据；
3)WIFI探针采集的手机结构化轨迹数据。
该多维关联信息的轨迹融合方法，目的是试图通过轨迹融合算法分析，将具有相似行为的时空对象划分到一起，而将具有相异行为的时空对象划分开来。相似行为的时空对象可以被融合成一体的对象，我们认为它们在轨迹上可以被彼此等价替换，它们互为轨迹等价对象。而他们中的任一个体的轨迹信息都可以作为这个整体的轨迹，可以认作这些对象之间具有轨迹等价特征。此技术主要包含两个核心步骤：获取轨迹和执行融合。
所述符合多维关联信息的对象包括人员，车辆，手机，船舶和飞机。
该多维关联信息的轨迹融合方法，包括以下步骤：
(1)判断轨迹记录数据中是否存在路网数据，若存在则便利获取路网沿途附近点位，若不存在则遍历获取附近点位；
(2)查询各点位出现的对象，并判断对象是否有具体轨迹，若有则针对每一个对象统计出其出现的点位次数，若没有则针对任意两个对象统计出其同时出现的点位次数；得到由各个对象与对应的点位频次组成的集合F；
(3)计算集合F中各个对象的轨迹相似度L，若相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象；
(4)遍历集合F，按相似度L倒序排列输出结果即可。
所述轨迹融合算法是指根据其不同的轨迹类型重合次数c以及该轨迹类型所占权重w，计算关系相似度L，计算公式如下：
相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象。
不同类型的轨迹拥有不同的权重w，不同轨迹类型的权重w基于轨迹记录的置信度取值；对于三合一卡口采集器获取的车辆，人像和电围信息，由于三者的等价关系置信度较高，卡口轨迹的权重w取值相对较大；而宾馆入住记录，时间跨度较大且受周围环境和人口密集程度影响，对于识别出来的等价关系置信度较低，因而宾馆入住类轨迹的权重w取值相对较小。
当已知确定对象x的轨迹时，仅需遍历由每个对象出现过的点位组成的集合，即可找出对象x的轨迹等价对象。
当已知多个确定的点位时，需遍历由每个点位出现过的对象组成的集合，即可在途经这些点位及其附近区域的所有对象中识别出具有轨迹等价特征的对象组合。
该多维关联信息的轨迹融合方法，轨迹融合应用场景一般分为两种：
一种是已知某确定对象的轨迹，将其记录附近轨迹点位作为一类，附近其他维度的轨迹集作为另一类，然后两类不同维度轨迹信息分析，提取时空轨迹数据中的相似性与异常特征，查找出它的轨迹等价对象，记作场景1；
另一种已知多个确定的点位，在途经这些点位及其附近区域的所有对象中实现融合分析，提取时空轨迹数据中的相似性与异常特征，查找出具有轨迹等价特征的对象组合，记作场景2。
两种场景的具体实现方式以及轨迹融合规则如下：
1)场景1：
设已知对象x的轨迹集合T，它途经的点位集合S。
首先，找出x途经点位附近的所有点位，记作集合S1，其中，对应第k个途径点的附近点位记作s1k，那么S1＝s11+s12+…+s1n；如有可能，找出x每两条轨迹记录之间的可能路线。设S中的点位为P1，P2，P3，…，Pn。以Pi为圆心，依次作出n个半径为r的圆；再查询出该范围内的所有点位，记作S1i；S点位的所有邻近点位记作：S1 +＝∪S1i。然后，查询出S中相邻点位间连线两侧距离r范围内的所有点位，记作S2 +。最后，将S1 +和S2 +取并集，得到x轨迹点附近及沿途的点位集合，记作S+＝S1+∪S2 +。
第二步，对照T和S+，将每条轨迹活动发生的时刻追加到对应的点位上。具体地，每个点位的时间属性是一个或多个时间范围，每个时间范围包括“开始时间”和“结束时间”两个时刻。因此，s1k的时间属性是第k个途径点上发生轨迹的时刻前后m分钟的时间区间集合；s2k的时间属性是其对应的路线的起点轨迹时刻之前m分钟至终点轨迹时刻之后m分钟组成的时间区间集合。
第三步，找出每个点位在对应时间范围内出现的轨迹记录，记作Tk，对{T,Tk}进行1:N的轨迹融合规则判别，进而得到轨迹等价对象。
2)场景2：
设已知若干点位的集合S，以及在每个点位期望进行分析的轨迹时间范围。
首先，如有可能，找出按时间先后顺序排列，相邻两个点位之间的可能路线，设S中的点位为P1，P2，P3，…，Pn。以Pi为圆心，依次作出n个半径为r的圆；再查询出该范围内的所有点位，记作S1i；S点位的所有邻近点位记作：S1 +＝∪S1i。然后，查询出S中相邻点位间连线两侧距离r范围内的所有点位，记作S2 +。最后，将S1 +和S2 +取并集，得到x轨迹点附近及沿途的点位集合，记作S+＝S1+∪S2 +。
第二步，找出每个点位在对应时间范围内出现的轨迹记录，记作Tk，对{Tk,Tk}进行M:N的轨迹融合规则判别，进而得到轨迹等价对象组。
3)执行融合
不同类型的轨迹拥有不同的权重w，具体取值与轨迹记录的置信度有关。例如，对于三合一卡口采集器获取的车辆、人像、电围信息，三者的等价关系置信度较高，因此卡口轨迹的权重值相对较大；而对于类似宾馆入住记录而言，由于时间跨度较大，且受周围环境、人口密集程度影响，对于识别出来的等价关系置信度较低，所以宾馆入住类轨迹的权重值相对较小。
设待判别的轨迹集结构如下所示：
那么，可先对trace分别按对象、按点位进行分组统计，得到“每个对象出现过的点位”和“每个点位出现过的对象”两个集合。
在场景1中，由于存在一个隐含的条件，即trace中所有的点位上均发现了对象x的轨迹，因此，在进行1:N判别时，仅需遍历“每个对象出现过的点位”集合。根据其不同的轨迹类型重合次数c以及此类型所占权重w，计算关系相似度L，L的计算公式如下所示：
当相似度L大于等于可融合阈值的对象，则可认定为对象x的轨迹等价对象。
在场景2中，需遍历“每个点位出现过的对象”集合，进而得到两两对象在同一点位不同的轨迹类型重合次数c以及此类型所占权重w，计算出所有的相似度L，计算方法同上。
例如，将计算结果以矩阵形式汇总起来，得到如下关系矩阵：
其中，矩阵中的值代表纵横两个对象的相似度。从此矩阵中找出权重值大于等于可融合阈值的对象对，它们彼此互为轨迹等价对象。对于此例，若min＝5，则a与b，a与c，b与d互为轨迹等价对象。
Claims (5)
1.一种多维关联信息的轨迹融合方法，其特征在于：以各种维度的轨迹记录数据为基础，将各类不同维度的轨迹记录数据进行轨迹融合算法分析，将符合多维关联信息的对象融合成一体；被融合成一体的对象互为轨迹等价对象，在轨迹上可以被彼此等价替换，即被融合成一体的对象之中的任一个体的轨迹均可以被认作是被融合成一体的对象的轨迹，也可以认作是被融合成一体的对象中其他任一个体的轨迹；
所述轨迹融合算法是指根据其不同的轨迹类型重合次数c以及该轨迹类型所占权重w，计算关系相似度L，计算公式如下：
相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象；
不同类型的轨迹拥有不同的权重w，不同轨迹类型的权重w基于轨迹记录的置信度取值；对于三合一卡口采集器获取的车辆，人像和电围信息，由于三者的等价关系置信度较高，卡口轨迹的权重w取值相对较大；而宾馆入住记录，时间跨度较大且受周围环境和人口密集程度影响，对于识别出来的等价关系置信度较低，因而宾馆入住类轨迹的权重w取值相对较小；
包括以下步骤：
(1)判断轨迹记录数据中是否存在路网数据，若存在则便利获取路网沿途附近点位，若不存在则遍历获取附近点位；
(2)查询各点位出现的对象，并判断对象是否有具体轨迹，若有则针对每一个对象统计出其出现的点位次数，若没有则针对任意两个对象统计出其同时出现的点位次数；得到由各个对象与对应的点位频次组成的集合F；
(3)计算集合F中各个对象的轨迹相似度L，若相似度L大于等于可融合阈值的对象，则认定彼此互为轨迹等价对象；
(4)遍历集合F，按相似度L倒序排列输出结果即可。
2.根据权利要求1所述的多维关联信息的轨迹融合方法，其特征在于：所述符合多维关联信息的对象包括人员，车辆，手机，船舶和飞机。
3.根据权利要求1所述的多维关联信息的轨迹融合方法，其特征在于：所述多维度轨迹记录数据包括三合一卡口采集器获取的卡口过车车辆结构化轨迹数据，电子围栏采集的手机结构化轨迹数据和WIFI探针采集的手机结构化轨迹数据。
4.根据权利要求1所述的多维关联信息的轨迹融合方法，其特征在于：当已知确定对象x的轨迹时，仅需遍历由每个对象出现过的点位组成的集合，即可找出对象x的轨迹等价对象。
5.根据权利要求1所述的多维关联信息的轨迹融合方法，其特征在于：当已知多个确定的点位时，需遍历由每个点位出现过的对象组成的集合，即可在途经这些点位及其附近区域的所有对象中识别出具有轨迹等价特征的对象组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910455961.4A CN110162588B (zh) | 2019-05-29 | 2019-05-29 | 一种多维关联信息的轨迹融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910455961.4A CN110162588B (zh) | 2019-05-29 | 2019-05-29 | 一种多维关联信息的轨迹融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110162588A CN110162588A (zh) | 2019-08-23 |
| CN110162588B true CN110162588B (zh) | 2023-06-09 |
Family
ID=67629918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910455961.4A Active CN110162588B (zh) | 2019-05-29 | 2019-05-29 | 一种多维关联信息的轨迹融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162588B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674236A (zh) * | 2019-09-23 | 2020-01-10 | 浙江省北大信息技术高等研究院 | 基于时空轨迹匹配的移动目标关联方法、装置、设备及存储介质 |
| CN110662169B (zh) * | 2019-09-25 | 2021-04-27 | 北京明略软件系统有限公司 | 一种终端设备的匹配方法及装置 |
| CN110727756A (zh) * | 2019-10-18 | 2020-01-24 | 北京明略软件系统有限公司 | 时空轨迹数据的管理方法和装置 |
| CN110765221A (zh) * | 2019-10-18 | 2020-02-07 | 北京明略软件系统有限公司 | 时空轨迹数据的管理方法和装置 |
| CN110944294B (zh) * | 2019-11-26 | 2021-05-07 | 北京梧桐车联科技有限责任公司 | 移动轨迹记录方法、装置、系统、计算机设备及存储介质 |
| CN111090816A (zh) * | 2019-11-29 | 2020-05-01 | 北京明略软件系统有限公司 | 时空轨迹数据的管理方法和装置 |
| CN111479224B (zh) * | 2020-03-09 | 2022-01-11 | 深圳市广道高新技术股份有限公司 | 高精度轨迹恢复方法、系统及电子设备 |
| CN111460075B (zh) * | 2020-04-16 | 2023-09-22 | 万翼科技有限公司 | 行为轨迹的确定方法、装置、设备及可读存储介质 |
| CN111797295B (zh) * | 2020-06-19 | 2021-04-02 | 云从科技集团股份有限公司 | 一种多维时空轨迹融合方法、装置、机器可读介质及设备 |
| CN111970685B (zh) * | 2020-10-23 | 2021-01-15 | 上海世脉信息科技有限公司 | 一种大数据环境下一人多卡识别方法 |
| CN112330960A (zh) * | 2020-10-30 | 2021-02-05 | 成都蜀虹装备制造股份有限公司 | 一种多维数据采集系统 |
| CN113329343A (zh) * | 2021-06-02 | 2021-08-31 | 杨成 | 一种基于目标WiFi及蓝牙特征ID嗅探数据分析方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
| CN108629978B (zh) * | 2018-06-07 | 2020-12-22 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN109635059A (zh) * | 2018-11-23 | 2019-04-16 | 武汉烽火众智数字技术有限责任公司 | 基于轨迹相似度匹配的人车关联分析方法及系统 |
-
2019
- 2019-05-29 CN CN201910455961.4A patent/CN110162588B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110162588A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162588B (zh) | 一种多维关联信息的轨迹融合方法 | |
| CN111950937B (zh) | 一种基于融合时空轨迹的重点人员风险评估方法 | |
| CN109828967B (zh) | 一种伴随关系获取方法、系统、设备、存储介质 | |
| Thom et al. | Spatiotemporal anomaly detection through visual analysis of geolocated twitter messages | |
| CN109461106A (zh) | 一种多维信息感知处理方法 | |
| CN104700434B (zh) | 一种用于复杂结构化场景的人群运动轨迹异常检测方法 | |
| CN108537922B (zh) | 基于人脸识别的访客预警方法和系统 | |
| CN106131784B (zh) | 一种嫌疑号码确定方法、装置和系统 | |
| CN108540752B (zh) | 对视频监控中目标对象进行识别的方法、装置和系统 | |
| Grothoff et al. | The NSA’s SKYNET program may be killing thousands of innocent people | |
| CN106874951B (zh) | 一种旅客关注度评级方法及装置 | |
| Weber et al. | Incidents1M: a large-scale dataset of images with natural disasters, damage, and incidents | |
| CN106326835A (zh) | 一种用于加油站便利店的人脸数据采集统计系统及方法 | |
| CN106102001A (zh) | 可疑犯罪移动终端的筛选方法和系统 | |
| CN108536866B (zh) | 基于话题转移熵的微博隐蔽关键用户分析方法 | |
| CN112052337A (zh) | 基于时空关联的目标关系探测方法、系统及存储介质 | |
| CN116405306A (zh) | 一种基于异常流量识别的信息拦截方法及系统 | |
| CN109871456A (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
| CN113450236B (zh) | 基于时空数据的可疑人员识别方法、装置、系统和介质 | |
| CN114186118A (zh) | 一种网络舆情话题信息处理系统、方法、存储介质、终端 | |
| CN104301330B (zh) | 基于异常行为监测和成员亲密度测量的陷阱网络检测方法 | |
| CN111291129B (zh) | 一种基于多维数据研判的目标人员追踪方法及装置 | |
| CN113163327A (zh) | 一种移动应用中定位数据真伪辨别的方法和系统 | |
| CN112416922A (zh) | 一种团伙关联数据挖掘方法、装置、设备及存储介质 | |
| CN112052338A (zh) | 一种知识图谱的构建方法、系统及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |