CN110716925A - 一种基于轨迹分析的跨境行为识别方法 - Google Patents

一种基于轨迹分析的跨境行为识别方法 Download PDF

Info

Publication number
CN110716925A
CN110716925A CN201910837650.4A CN201910837650A CN110716925A CN 110716925 A CN110716925 A CN 110716925A CN 201910837650 A CN201910837650 A CN 201910837650A CN 110716925 A CN110716925 A CN 110716925A
Authority
CN
China
Prior art keywords
track
sequence
cross
data
border
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
Application number
CN201910837650.4A
Other languages
English (en)
Other versions
CN110716925B (zh
Inventor
范振军
张小康
印忠文
季晨雨
曹扬
洒科进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Division Big Data Research Institute Co Ltd
Original Assignee
Division Big Data Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Division Big Data Research Institute Co Ltd filed Critical Division Big Data Research Institute Co Ltd
Priority to CN201910837650.4A priority Critical patent/CN110716925B/zh
Publication of CN110716925A publication Critical patent/CN110716925A/zh
Application granted granted Critical
Publication of CN110716925B publication Critical patent/CN110716925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于轨迹分析的跨境行为识别方法，包括以下步骤：(1)获取人员历史轨迹及边界地理围栏数据；(2)对人员历史轨迹数据进行数据预处理；(3)轨迹数据预分类；(4)对预分类的轨迹数据进行跨境行为识别；(5)输出跨境行为识别结果。本发明基于地理GIS数据及人员轨迹数据，统筹地理科学、计算机图形学、统计学、大数据等多学科理论与技术手段，可为智能交通、社会公共安全、智慧公安等领域应用提供技术支持。

Description

一种基于轨迹分析的跨境行为识别方法
技术领域
本发明涉及一种基于轨迹分析的跨境行为识别方法，属于地理信息科学、数据挖掘及大数据技术领域。
背景技术
大数据时代，深度数据挖掘分析技术在智能交通、社会公共安全、智慧公安等行业的应用价值日益凸显。随着互联网和信息技术的快速发展，轨迹数据来源多样、采集方式多元化快速增加了轨迹数据的体量，单纯依靠人工对其进行分析已不适应当前发展与需要。
轨迹分析主要涉及的技术包括：数据预处理、数据存储与管理、轨迹模式挖掘、异常轨迹检测等，人员异常行为识别是其重要研究点。在现有技术中，对轨迹聚集、轨迹伴随、轨迹可视化等的研究较多，但对轨迹跨境行为识别的研究成果较少。然而，跨境行为作为异常行为的特殊类别，在边防安全、嫌疑犯监控等应用领域的社会价值巨大，有必要进行深入研究，以丰富轨迹分析技术的研究成果，促进其广泛应用。
发明内容
为解决上述技术问题，本发明提供了一种基于轨迹分析的跨境行为识别方法。
本发明通过以下技术方案得以实现。
本发明提供的一种基于轨迹分析的跨境行为识别方法，包括以下步骤：
①获取轨迹数据与边界地理围栏数据：获取人员历史轨迹及边界地理围栏数据；
②轨迹数据预处理：对人员历史轨迹数据进行数据预处理；
③轨迹数据预分类：根据①所得的边界地理围栏数据，对人员历史轨迹数据进行数据预分类；
④跨境行为识别和预测：对预分类的轨迹数据进行跨境行为识别和跨境趋势预测；
⑤获取跨境行为识别结果：获取跨境行为的识别结果或者跨境趋势的预测值。
所述步骤①分为以下步骤：
(1.1)获取人员历史轨迹数据：通过GPS定位数据、手机号联网移动位置数据获人员历史轨迹数据；
(1.2)获取边界地理围栏数据：通过GIS地理信息处理软件，并根据地图上任意目标区域的边界线，设定以最大半径R产生的边界地理围栏数据，该地理围栏区域依边界线呈不规则的多边形带状分布。
所述任意目标区域的边界线为：由经纬度点对组成的mx2维矩阵。
所述边界地理围栏数据分为边界内与边界外地理围栏数据。
所述步骤②分为以下步骤：
(2.1)数据序列化：将人员原始轨迹数据按时间排序生成轨迹序列，该轨迹序列为Nx3的二维矩阵，矩阵元素由轨迹点组成，轨迹点的形式为三元组：经度、维度、时间戳，其转换为向量形式即为[经度，纬度，时间戳]；
(2.2)倒序处理：将轨迹点中纬度、经度顺序异常的，调整为(2.1)的三元组顺序；
(2.3)异常值处理：去除轨迹点中的零值、空值数据；
(2.4)数据去重：删除采样频率内的重复数据，获取预处理后的轨迹序列P。
所述步骤③中，通过计算轨迹序列与目标区域的边界线的距离是否不大于步骤(1.2)中的最大半径R，将轨迹序列预分类为1或者0，其中，1表示进行跨境行为识别，距离不大于最大半径R，0表示忽略该轨迹序列，不进行跨境行为识别，距离大于最大半径R。
所述步骤③分为以下步骤：
(3.1)计算轨迹序列P的长度Lp，若Lp不大于设定的阈值，则忽略该轨迹序列，反之则执行步骤(3.2)；
(3.2)采用Haversine算法计算轨迹序列中的轨迹点与目标区域的边界线的距离，保留最小距离值，记为d；
(3.3)若d不大于步骤(1.2)中的最大半径R，则将该轨迹序列置标签1，若轨迹序列P中所有轨迹点与目标区域的边界线的距离均不满足步骤(3.3)的判别条件，则忽略该轨迹序列；
(3.4)重复步骤(3.2)～(3.3)，获取长度为L的距离序列D。
所述步骤④中，若有跨境行为，采用计算机图形射线法的跨境行为识别模型算法，输入轨迹序列、边界内地理围栏数据、边界外地理围栏数据，对轨迹点在多边形区域分布情况的精确分析来识别跨境行为，若无跨境行为，对轨迹数据序列进行跨境趋势预测。
所述步骤④中，对预分类为1的轨迹序列进行跨境行为识别，具体分为以下步骤：
(4.1)对边界内侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为1，反之则在区域外，标记为0，重复此步骤，得到由0和1组成的在边界内地理围栏区域的序列轨迹序列，标记为Pin；
(4.2)对边界外侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为-1，反之则在区域外，标记为0，重复此步骤，得到由0和-1组成的在边界外地理围栏区域的序列轨迹序列，标记为Pout；
(4.3)将序列Pin与Pout按位进行“加”运算，获取轨迹序列在边界内外两侧地理围栏区域新的标记结果Pio，Pio是由0、1和-1组成的序列；
(4.4)统计序列Pio中1、-1的跳变情况，获取轨迹序列在边界地理围栏区域的活动情况，若为1到-1变化，表示从边界内到边界外，为出境，若为-1到1变化，表示边界外到边界内，为入境，由此识别出轨迹的跨境行为，获取跨境行为的识别结果；
(4.5)若序列Pio中没有1、-1的跳变情况，则不存在跨境行为，进行跨境趋势预测，获取跨境趋势的预测值。
所述步骤④中，跨境趋势预测分为以下步骤：
(4.5.1)从序列Pio中第一个非零元素的对应轨迹点位置开始，截取轨迹序列，得到轨迹子序列Q并计算其长度，记为Lq，获取轨迹子序列Q与轨迹序列P的长度比值K1；
(4.5.2)根据距离序列D，并结合轨迹子序列Q，截取对应的距离子序列Dq，计算Dq序列中两两距离值的差值，并统计其差值小于给定阈值r的个数，记为M，获取M与Lq的比值K2；
(4.5.3)计算K1与K2的加权和，获取跨境趋势的预测值，记为p。
本发明的有益效果在于：基于地理GIS数据及人员轨迹数据，统筹地理科学、计算机图形学、统计学、大数据等多学科理论与技术手段，可为智能交通、城市规划、社会公共安全、边境区域管控、人物跟踪等领域应用提供技术支持。
附图说明
图1是本发明的流程示意图；
图2是本发明边界地理围栏的划分示意图；
图3是本发明跨境行为识别算法的流程图。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
如图1所示，一种基于轨迹分析的跨境行为识别方法，包括以下步骤：
①获取轨迹数据与边界地理围栏数据：获取人员历史轨迹及边界地理围栏数据；
②轨迹数据预处理：对人员历史轨迹数据进行数据预处理；
③轨迹数据预分类：根据①所得的边界地理围栏数据，对人员历史轨迹数据进行数据预分类；
④跨境行为识别和预测：对预分类的轨迹数据进行跨境行为识别和跨境趋势预测；
⑤获取跨境行为识别结果：获取跨境行为的识别结果或者跨境趋势的预测值。
所述步骤①分为以下步骤：
(1.1)获取人员历史轨迹数据：通过GPS定位数据、手机号联网移动位置数据获人员历史轨迹数据；
(1.2)获取边界地理围栏数据：通过GIS地理信息处理软件(如QGIS、ArcGIS)，并根据地图上任意目标区域的边界线，设定以最大半径R产生的边界地理围栏数据，其依边界线呈不规则的多边形带状分布，如图2所示。
所述任意目标区域的边界线为：由经纬度点对组成的mx2维矩阵。
所述边界地理围栏数据分为边界内与边界外地理围栏数据。
所述步骤②分为以下步骤：
(2.1)数据序列化：将人员原始轨迹数据按时间排序生成轨迹序列，该轨迹序列为Nx3的二维矩阵，矩阵元素由轨迹点组成，轨迹点的形式为三元组：经度、维度、时间戳，其转换为向量形式即为[经度，纬度，时间戳]；
(2.2)倒序处理：将轨迹点中纬度、经度顺序异常的，调整为(2.1)的三元组顺序；
(2.3)异常值处理：去除轨迹点中的零值、空值数据；
(2.4)数据去重：删除采样频率内的重复数据，获取预处理后的轨迹序列P。
所述步骤③中，通过计算轨迹序列与目标区域的边界线的距离是否不大于步骤(1.2)中的最大半径R，将轨迹序列预分类为1或者0，其中，1表示进行跨境行为识别，距离不大于最大半径R，0表示忽略该轨迹序列，不进行跨境行为识别，距离大于最大半径R。
所述步骤③分为以下步骤：
(3.1)计算轨迹序列P的长度Lp，若Lp不大于设定的阈值，则忽略该轨迹序列，反之则执行步骤(3.2)；
(3.2)采用Haversine算法计算轨迹序列中的轨迹点与目标区域的边界线的距离，保留最小距离值，记为d；
(3.3)若d不大于步骤(1.2)中的最大半径R，则将该轨迹序列置标签1，若轨迹序列P中所有轨迹点与目标区域的边界线的距离均不满足步骤(3.3)的判别条件，则忽略该轨迹序列；
(3.4)重复步骤(3.2)～(3.3)，获取长度为L的距离序列D。
所述步骤④中，若有跨境行为，采用计算机图形射线法的跨境行为识别模型算法，输入轨迹序列、边界内地理围栏数据、边界外地理围栏数据，对轨迹点在多边形区域分布情况的精确分析来识别跨境行为，若无跨境行为，对轨迹数据序列进行跨境趋势预测。
所述步骤④中，对预分类为1的轨迹序列进行跨境行为识别，如图3所示，具体分为以下步骤：
(4.1)对边界内侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为1，反之则在区域外，标记为0，重复此步骤，得到由0和1组成的在边界内地理围栏区域的序列轨迹序列，标记为Pin；
(4.2)对边界外侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为-1，反之则在区域外，标记为0，重复此步骤，得到由0和-1组成的在边界外地理围栏区域的序列轨迹序列，标记为Pout；
(4.3)将序列Pin与Pout按位进行“加”运算，获取轨迹序列在边界内外两侧地理围栏区域新的标记结果Pio，Pio是由0、1和-1组成的序列；
(4.4)统计序列Pio中1、-1的跳变情况，获取轨迹序列在边界地理围栏区域的活动情况，若为1到-1变化，表示从边界内到边界外，为出境，若为-1到1变化，表示边界外到边界内，为入境，由此识别出轨迹的跨境行为，获取跨境行为的识别结果；
(4.5)若序列Pio中没有1、-1的跳变情况，则不存在跨境行为，进行跨境趋势预测，获取跨境趋势的预测值。
所述步骤④中，跨境趋势预测分为以下步骤：
(4.5.1)从序列Pio中第一个非零元素的对应轨迹点位置开始，截取轨迹序列，得到轨迹子序列Q并计算其长度，记为Lq，获取轨迹子序列Q与轨迹序列P的长度比值K1，
Figure BDA0002192704500000081
(4.5.2)根据距离序列D，并结合轨迹子序列Q，截取对应的距离子序列Dq，计算Dq序列中两两距离值的差值，并统计其差值小于给定阈值r的个数，记为M，获取M与Lq的比值K2，即
Figure BDA0002192704500000091
(4.5.3)计算K1与K2的加权和，获取跨境趋势的预测值，记为p。
实施例
如上所述，一种基于轨迹分析的跨境行为识别方法，包括以下步骤：
(1)获取人员历史轨迹及边界地理围栏数据：
步骤1.1，获取人员历史轨迹数据：轨迹数据的来源可以是GPS定位数据、手机号联网移动位置数据等；
步骤1.2，边界地理围栏数据：通过GIS地理信息处理软件，如QGIS、ArcGIS，并根据指定的边界(即边界线，由经纬度点对组成的线状序列)以设定的最大半径R(比如5km)产生边界地理围栏数据，并将边界地理围栏数据分为边界内与边界外地理围栏数据，其依边界线呈不规则的多边形带状分布；
(2)对人员历史轨迹数据进行数据预处理：
步骤2.1，数据序列化：将人员原始轨迹数据按时间排序生成轨迹序列，该轨迹序列为Nx3的二维矩阵，矩阵元素由轨迹点组成，轨迹点的形式为三元组：经度、维度、时间戳，其转换为向量形式即为[经度，纬度，时间戳]；
步骤2.2，倒序处理：将纬度经度顺序异常的调整为步骤2.1的三元组顺序；
步骤2.3，异常值处理：零值、空值数据直接去除；
步骤2.4，数据去重：删除采样频率内的重复数据，由此得到预处理后的轨迹序列P，P＝{p1，p2，...，pn}，其中pi＝[经度，纬度，时间戳]，i＝{1，2，...，h}；
(3)轨迹数据预分类：
步骤3.1，计算轨迹序列P的长度Lp，若Lp不大于设定的阈值(比如10)，则忽略该轨迹序列，反之则执行步骤3.2；
步骤3.2，采用Haversine算法计算轨迹序列中的轨迹点与边界的距离并保留最小距离值d，Haversine公式如下：
Figure BDA0002192704500000101
其中，Re为地球半径，可取平均值6371km，
Figure BDA0002192704500000102
表示两点的维度，Δλ表示两点经度的差值；
步骤3.3，如果d不大于权利要求2中所述步骤1.2中的最大半径R，则将该轨迹序列置标签1(1表示进行跨境行为识别)，并重复步骤3.2，得到长度为L的距离序列D，否则，重复步骤3.2、3.3；
步骤3.4，如果轨迹序列中所有轨迹点与边界的距离均不满足步骤3.3的判别条件，则忽略该轨迹序列；
(4)对预分类为1的轨迹数据进行跨境行为识别，包括两种情况：
情形1，存在跨境行为：采用基于计算机图形射线法的跨境行为识别，算法具体步骤如下：
步骤4.1，对边界内侧地理围栏区域，采用射线法计算轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为1，反之则在区域外，标记为0，重复此步骤，得到轨迹序列在边界内侧地理围栏区域的标记结果Pin(由0和1组成的序列)；
步骤4.2，对边界外侧地理围栏区域，与步骤4.2类似，如果次数为奇数，则轨迹点在区域内，标记为-1，反之则在区域外，标记为0，重复此步骤，得到轨迹序列在边界外侧地理围栏区域的标记结果Pout(由0和-1组成的序列)；
步骤4.3，对上述步骤得到的序列Pin与Pout按位进行“加”运算得到轨迹序列在边界内外两侧地理围栏区域新的标记结果Pio(由0、1和-1组成的序列)；
步骤4.4，根据序列Pio中1、-1的跳变情况，即可识别出轨迹的跨境行为，如果变化为1到-1，表示从边界内到边界外，即出境，如果变化为-1到1，表示从边界外到边界内，即入境；
情形2，基于步骤4.4得到的标记结果Pio，如果此序列没有1、-1的跳变情况，则不存在跨境行为，进行跨境趋势预测，算法具体步骤如下：
步骤4.5，从标记结果Pio中第一个非零元素的对应轨迹点位置开始截取轨迹序列，得到轨迹子序列Q，Q＝{q1，q2，...，qh}，其中qi＝[经度，纬度，时间戳]，j＝{1，2，...，h}，h∈[1，n]，并计算其长度，记为Lq，进而可得到轨迹子序列Q与轨迹序列P的长度比值K1，即
Figure BDA0002192704500000111
步骤4.6，基于步骤3.3得到的距离序列D，结合子序列Q截取对应的距离子序列Dq，计算Dq序列中两两距离值的差值并统计其差值小于给定阈值r的个数，记为M，进而计算M与Lq的比值K2，即
Figure BDA0002192704500000112
步骤4.7，计算K1与K2的加权和，公式如下：
p＝a*K1+b*K2
其中，加权系数a＝0.3，b＝0.7，即加权系数之和等于1，则p即为跨境趋势预测的概率值；
(5)输出跨境行为识别结果：
通过上述步骤1～4，得到轨迹序列跨境行为的识别结果或者跨境趋势的预测值。
综上所述，结合边界地理围栏数据及人员的历史轨迹数据，采用本发明提供的方法可实现对其跨境行为的识别及跨境趋势的预测，从而有助于对轨迹异常行为进行深入挖掘。

Claims (10)

1.一种基于轨迹分析的跨境行为识别方法，其特征在于：包括以下步骤：
①获取轨迹数据与边界地理围栏数据：获取人员历史轨迹及边界地理围栏数据；
②轨迹数据预处理：对人员历史轨迹数据进行数据预处理；
③轨迹数据预分类：根据边界地理围栏数据，对人员历史轨迹数据进行数据预分类；
④跨境行为识别和预测：对预分类的轨迹数据进行跨境行为识别和跨境趋势预测；
⑤获取跨境行为识别结果：获取跨境行为的识别结果或者跨境趋势的预测值。
2.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤①分为以下步骤：
(1.1)获取人员历史轨迹数据：通过GPS定位数据、手机号联网移动位置数据获得人员历史轨迹数据；
(1.2)获取边界地理围栏数据：通过GIS地理信息处理软件，并根据地图上任意目标区域的边界线，设定以最大半径R产生的边界地理围栏数据，其地理围栏区域依边界线呈不规则的多边形带状分布。
3.如权利要求2所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述目标区域的边界线为：由经纬度点对组成的mx2维矩阵。
4.如权利要求2所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述边界地理围栏数据分为边界内与边界外地理围栏数据。
5.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤②分为以下步骤：
(2.1)数据序列化：将人员原始轨迹数据按时间排序生成轨迹序列，该轨迹序列为Nx3的二维矩阵，矩阵元素由轨迹点组成，轨迹点的形式为三元组：经度、维度、时间戳，其转换为向量形式即为[经度，纬度，时间戳]；
(2.2)倒序处理：将轨迹点中纬度、经度顺序异常的，调整为(2.1)的三元组顺序；
(2.3)异常值处理：去除轨迹点中的零值、空值数据；
(2.4)数据去重：删除采样频率内的重复数据，获取预处理后的轨迹序列P。
6.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤③中，通过计算轨迹序列与目标区域的边界线的距离是否不大于步骤(1.2)中的最大半径R，将轨迹序列预分类为1或者0，其中，1表示进行跨境行为识别，距离不大于最大半径R，0表示忽略该轨迹序列，不进行跨境行为识别，距离大于最大半径R。
7.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤③分为以下步骤：
(3.1)计算轨迹序列P的长度，即组成序列的轨迹点数目，记为Lp，若Lp不大于设定的阈值，则忽略该轨迹序列，反之则执行步骤(3.2)；
(3.2)采用Haversine算法计算轨迹序列中的轨迹点与目标区域的边界线的距离，保留最小距离值d；
(3.3)若d不大于步骤(1.2)中的最大半径R，则将该轨迹序列置标签1，若轨迹序列P中所有轨迹点与目标区域的边界线的距离均不满足步骤(3.3)的判别条件，则忽略该轨迹序列；
(3.4)重复步骤(3.2)～(3.3)，获取长度为L的距离序列D。
8.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤④中，若有跨境行为，采用计算机图形射线法的跨境行为识别模型算法，输入轨迹序列、边界内地理围栏数据、边界外地理围栏数据，对轨迹点在多边形区域分布情况的精确分析来识别跨境行为，若无跨境行为，对轨迹数据序列进行跨境趋势预测。
9.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤④中，对预分类为1的轨迹序列进行跨境行为识别，具体分为以下步骤：
(4.1)对边界内侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为1，反之则在区域外，标记为0，重复此步骤，得到由0和1组成的在边界内地理围栏区域的序列轨迹序列，标记为Pin；
(4.2)对边界外侧地理围栏区域，采用射线法获取轨迹点在该区域的穿越次数，如果次数为奇数，则轨迹点在区域内，标记为-1，反之则在区域外，标记为0，重复此步骤，得到由0和-1组成的在边界外地理围栏区域的序列轨迹序列，标记为Pout；
(4.3)将序列Pin与Pout按位进行“加”运算，获取轨迹序列在边界内外两侧地理围栏区域新的标记结果Pio，Pio是由0、1和-1组成的序列；
(4.4)统计序列Pio中1、-1的跳变情况，获取轨迹序列在边界地理围栏区域的活动情况，若为1到-1变化，表示从边界内到边界外，为出境，若为-1到1变化，表示边界外到边界内，为入境，由此识别出轨迹的跨境行为，获取跨境行为的识别结果；
(4.5)若序列Pio中没有1、-1的跳变情况，则不存在跨境行为，进行跨境趋势预测，获取跨境趋势的预测值。
10.如权利要求1所述的基于轨迹分析的跨境行为识别方法，其特征在于：所述步骤④中，跨境趋势预测分为以下步骤：
(4.5.1)从序列Pio中第一个非零元素的对应轨迹点位置开始，截取轨迹序列，得到轨迹子序列Q并计算其长度，记为Lq，获取轨迹子序列Q与轨迹序列P的长度比值K1；
(4.5.2)根据距离序列D，并结合轨迹子序列Q，截取对应的距离子序列Dq，计算Dq序列中两两距离值的差值，并统计其差值小于给定阈值r的个数，记为M，获取M与Lq的比值K2；
(4.5.3)计算K1与K2的加权和，获取跨境趋势的预测值，记为p。
CN201910837650.4A 2019-09-05 2019-09-05 一种基于轨迹分析的跨境行为识别方法 Active CN110716925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910837650.4A CN110716925B (zh) 2019-09-05 2019-09-05 一种基于轨迹分析的跨境行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910837650.4A CN110716925B (zh) 2019-09-05 2019-09-05 一种基于轨迹分析的跨境行为识别方法

Publications (2)

Publication Number Publication Date
CN110716925A true CN110716925A (zh) 2020-01-21
CN110716925B CN110716925B (zh) 2023-08-04

Family

ID=69210256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910837650.4A Active CN110716925B (zh) 2019-09-05 2019-09-05 一种基于轨迹分析的跨境行为识别方法

Country Status (1)

Country Link
CN (1) CN110716925B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111578933A (zh) * 2020-05-09 2020-08-25 北京上下文系统软件有限公司 一种快速识别用户进入特定地理区域内的方法
CN111669710A (zh) * 2020-04-21 2020-09-15 上海因势智能科技有限公司 人口统计去重方法
CN112559639A (zh) * 2020-11-30 2021-03-26 武汉烽火众智数字技术有限责任公司 一种基于图谱结构的跨境组织分析方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866827A (zh) * 2015-05-19 2015-08-26 天津大学 基于视频监控平台的人员翻越行为的检测方法
US20170049843A1 (en) * 2011-04-02 2017-02-23 Washington State University Hepatocyte Growth Factor Mimics as Therapeutic Agents
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法
CN107911793A (zh) * 2017-10-30 2018-04-13 东南大学 一种无人机任意图形禁飞区识别导航系统
CN108417276A (zh) * 2018-03-08 2018-08-17 华东师范大学 一种面向健康养老驿站的实时照护智能监测方法
CN109558961A (zh) * 2017-09-25 2019-04-02 阿里巴巴集团控股有限公司 确定位置信息的方法和系统、存储介质、处理器以及装置
CN110032609A (zh) * 2019-02-28 2019-07-19 东南大学 一种基于定位数据的生活圈识别方法
CN110070704A (zh) * 2018-01-22 2019-07-30 江苏迪纳数字科技股份有限公司 一种汽车行驶记录仪的电子围栏监控方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170049843A1 (en) * 2011-04-02 2017-02-23 Washington State University Hepatocyte Growth Factor Mimics as Therapeutic Agents
CN104866827A (zh) * 2015-05-19 2015-08-26 天津大学 基于视频监控平台的人员翻越行为的检测方法
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN109558961A (zh) * 2017-09-25 2019-04-02 阿里巴巴集团控股有限公司 确定位置信息的方法和系统、存储介质、处理器以及装置
CN107911793A (zh) * 2017-10-30 2018-04-13 东南大学 一种无人机任意图形禁飞区识别导航系统
CN110070704A (zh) * 2018-01-22 2019-07-30 江苏迪纳数字科技股份有限公司 一种汽车行驶记录仪的电子围栏监控方法
CN108417276A (zh) * 2018-03-08 2018-08-17 华东师范大学 一种面向健康养老驿站的实时照护智能监测方法
CN110032609A (zh) * 2019-02-28 2019-07-19 东南大学 一种基于定位数据的生活圈识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张泰: "周界视频监控中人员翻越行为检测算法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111669710A (zh) * 2020-04-21 2020-09-15 上海因势智能科技有限公司 人口统计去重方法
CN111578933A (zh) * 2020-05-09 2020-08-25 北京上下文系统软件有限公司 一种快速识别用户进入特定地理区域内的方法
CN111578933B (zh) * 2020-05-09 2022-03-11 北京上下文系统软件有限公司 一种快速识别用户进入特定地理区域内的方法
CN112559639A (zh) * 2020-11-30 2021-03-26 武汉烽火众智数字技术有限责任公司 一种基于图谱结构的跨境组织分析方法
CN112559639B (zh) * 2020-11-30 2022-08-19 武汉烽火众智数字技术有限责任公司 一种基于图谱结构的跨境组织分析方法

Also Published As

Publication number Publication date
CN110716925B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Liu et al. Adaptive douglas-peucker algorithm with automatic thresholding for AIS-based vessel trajectory compression
CN107103754B (zh) 一种道路交通状况预测方法及系统
Bolbol et al. Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification
CN109005515B (zh) 一种基于移动轨迹信息的用户行为模式画像的方法
CN105045858B (zh) 基于投票的出租车载客点推荐方法
Li et al. Coupled application of generative adversarial networks and conventional neural networks for travel mode detection using GPS data
CN110472467A (zh) 基于YOLO v3的针对交通枢纽关键物体的检测方法
CN110716925A (zh) 一种基于轨迹分析的跨境行为识别方法
CN109325502B (zh) 基于视频渐进区域提取的共享单车停放检测方法和系统
CN108170793A (zh) 基于车辆语义轨迹数据的停留点分析方法及其系统
CN111539296B (zh) 一种基于遥感影像变化检测的违章建筑识别方法及系统
Zhu et al. Identifying transportation modes from raw GPS data
CN103854027A (zh) 一种人群行为识别方法
CN112232199A (zh) 基于深度学习的佩戴口罩检测方法
CN105427586A (zh) 一种基于多轨迹碰撞的车辆落脚点分析方法
CN113378891A (zh) 基于轨迹分布表示的城市区域关系可视分析方法
CN110443287B (zh) 一种基于稀疏轨迹数据的人群移动流绘制方法
CN103136757A (zh) 基于流形距离的两阶段聚类算法的sar图像分割方法
CN104700412A (zh) 一种视觉显著图的计算方法
Chen et al. Uvlens: urban village boundary identification and population estimation leveraging open government data
Song et al. MultiMix: a multi-task deep learning approach for travel mode identification with few GPS data
CN109581444B (zh) 一种gps轨迹分段及语义标注方法
CN110909037A (zh) 一种频繁轨迹模式的挖掘方法及装置
Cerqueira et al. Integrative analysis of traffic and situational context data to support urban mobility planning
Yang et al. Mobility pattern identification based on mobile phone data

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