CN110750589A - 一种数据分析方法、装置及计算机存储介质 - Google Patents
一种数据分析方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN110750589A CN110750589A CN201910832993.1A CN201910832993A CN110750589A CN 110750589 A CN110750589 A CN 110750589A CN 201910832993 A CN201910832993 A CN 201910832993A CN 110750589 A CN110750589 A CN 110750589A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- associated object
- target
- track data
- 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
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
- G06F16/29—Geographical information 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
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种数据分析方法,应用于数据分析技术领域,包括:根据目标对象;确定第一关联对象;根据目标对象、第一参数,在数据库中获取与第一关联对象相对应的第一轨迹数据;确定第二关联对象;根据第一关联对象,在数据库中获取与第二关联对象相对应的第二轨迹数据;在第一轨迹数据和第二轨迹数据进行数据比对,获取多组数据;获取每一个关联对象所对应的积分。以及提供了一种数据分析装置及计算机存储介质。应用本发明实施例,因此,通过第一关联对象进行中间过渡,能够根据目标对象的单一维度数据获得第二关联对象所对应的维度数据,形成新的轨迹,避免人工进行观察,提高数据分析的效率,且相较于人工分析更为全面。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种数据分析方法、装置及计算机存储介质。
背景技术
单类型轨迹是指一个类型的物体的运动信息,具体可以是时域的运动信息、空间的运动信息。例如,车辆在行驶时,其行驶经过的摄像头能够记录其经历某一位置时的时间信息和位置信息,因此,通过能够获得车辆的单类型轨迹。
现有技术中,单一物体具有的轨迹也是单一的,如果想从多个物体之间的关联时,往往需要人为进行数据分析。尤其是在公安部门进行大数据分析时,数据量较大,且大部分时候只能找到其单个轨迹,给身份确认带来相当大的困难,人工比对耗时耗力,效果还不明显。
因此,现有技术中缺少一种根据单一维度数据获得多维度数据的关联分析方法。
发明内容
本发明的目的在于克服现有技术之缺陷,提供了一种数据分析方法、装置及计算机存储介质,旨在过第一关联对象进行中间过渡,能够根据目标对象的单一维度数据获得第二关联对象所对应的维度数据,形成新的轨迹,避免人工进行观察,提高数据分析的效率,且相较于人工分析更为全面。
本发明是这样实现的:
本发明提供一种数据分析方法,包括:
根据目标对象,在数据库中搜索与所述目标对象对应的目标轨迹数据,所述目标轨迹数据中至少包含与每一个目标对象对应的第一参数和第二参数,第二参数为时间参数;
确定第一关联对象,其中,所述第一关联对象为与所述第一参数相关联的对象;
根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据;
确定第二关联对象,其中,所述第二关联对象为与所述第一关联对象相关联的对象;
根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据,其中,所述第一轨迹数据和所述第二轨迹数据均包含第二参数;
根据所述第一参数和采样时间,在所述第一轨迹数据和所述第二轨迹数据进行数据比对,获取多组数据,其中,每一组数据包括目标对象、参数、第一关联对象、第二关联对象;
针对每一个第二关联对象执行:获取每一个第二关联对象所对应第一参数的数量、第一关联对象数量;根据积分规则,获取每一个关联对象所对应的积分,其中,所述积分规则为与第一参数的数量、第一关联对象数量相关的积分策略;根据所述积分对第二关联对象进行排序。
进一步地,所述根据目标对象,在数据库中搜索与所述目标对象对应的目标轨迹数据,所述目标轨迹数据中至少包含与每一个目标对象对应的第一参数和第二参数,第二参数为时间参数的步骤,包括:
确定目标对象为车牌号;
根据车牌号,在数据库中搜索车牌号对应的第一参数;
确定每一第一参数所对应的时间参数,其中,第一参数为位置参数;
将车牌号、第一参数和每一第一参数对应的时间组成目标轨迹数据。
进一步地,所述确定第一关联对象的步骤,包括:
确定移动通信站点为第一关联对象;
所述根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据的步骤,包括:
基于数据库,确定每一个移动通信站点的覆盖范围;
确定覆盖范围内所对应的位置参数;
形成位置参数与每一移动通信站点的对应关系;
基于所述目标轨迹数据、位置参数与每一移动通信站点的对应关系,将车牌号、位置参数、移动通信站点和时间参数组成第一轨迹数据。
进一步地,所述确定第二关联对象的步骤,包括:
所述第二关联对象为通信设备;
所述根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据的步骤,包括:
基于数据库,搜索与所述通信设备通信相连的移动通信站点以及对应的通信时间参数;
基于通信设备通信、与通信设备下关联的移动通信站点和对应的通信时间参数,组成第二轨迹数据。
进一步地,所述根据所述第一参数和采样时间,在所述第一轨迹数据和所述第二轨迹数据进行数据比对,获取多组数据的步骤,包括:
在所述第二轨迹数据和所述第一轨迹数据中,获取位置参数相同,且若时间间隔不大于预设时间间隔的多组数据。
进一步地,所述根据积分规则的具体公式表达为:
F=(M1*M2*M3)/(M1+M2)
其中,F是积分,M1第一参数的数量、M2第一关联对象数量,M3是总次数。
进一步地,所述将车牌号、第一参数和每一第一参数对应的时间组成目标轨迹数据的步骤,包括:
将车牌号、第一参数和每一第一参数对应的时间组成第三轨迹数据;
根据预设采样时间,对所述第三轨迹数据进行采样;
将采样后的第三轨迹数据确定为目标轨迹数据。
进一步地,所述根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据的步骤,包括:
根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第四轨迹数据;
根据预设采样时间,对所述第四轨迹数据进行采样;
将采样后的第四轨迹数据确定为第二轨迹数据。
此外,本发明还公开了一种数据分析装置,所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器;其中,
所述存储器,用于存储数据分析程序;
所述处理器,用于执行所述数据分析程序,以实现任一项所述的数据分析步骤。
以及,公开了一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行任一项所述的数据分析步骤。
应用本发明的数据分析方法、装置及计算机存储介质,本发明通过目标对象所在的单一维度数据,在数据库中进行分析,获得与其关联的第一关联对象和第二关联对象所对应的轨迹数据,再根据相同的第一参数和采样时间进行数据筛选,获得多组数据后根据积分规则和第二关联对象的出现频率,获得第二关联对象的排序关系。因此,通过第一关联对象进行中间过渡,能够根据目标对象的单一维度数据获得第二关联对象所对应的维度数据,形成新的轨迹,避免人工进行观察,提高数据分析的效率,且相较于人工分析更为全面。
通过本发明实施例,本发明通过车牌号与位置参数,例如站台的关系,获得车牌号对应的目标轨迹数据,根据位置参数能确定覆盖该位置的移动通信站点,将移动通信站点作为第一关联对象;再根据动通信站点与通信设备之间的通信连接关系,将通信设备作为第二关联对象,从而形成不同的运动轨迹数据,通过时间差,碰撞分析出多维度数据轨迹与目标轨迹的关联度,通过公式计算匹配度积分。积分越高,则可以将多维度数据轨迹合一,形成新的目标对象轨迹。通过对多类轨迹进行分析,给民警提供更全面的线索信息,为案情分析提供便捷的工具。
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获得其它的附图。
图1为本发明实施例提供的数据分析方法的一种流程示意图;
图2为本发明实施例提供的数据分析装置的一种应用场景示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供一种数据分析方法,包括步骤如下:
S101,根据目标对象,在数据库中搜索与所述目标对象对应的目标轨迹数据,所述目标轨迹数据中至少包含与每一个目标对象对应的第一参数和第二参数,第二参数为时间参数。
本发明实施例中,目标对象可以是人员的身份证信息、车辆的车牌号等,一般情况下,目标对象为用于便于获得的对象信息。
可以理解的是,数据中包含了众多信息,对目标对象而言,在目标对象为车牌号时,可以以时间为横轴,以位置为纵轴,包含在时间轴上各个点所对应的信息,从而形成一个关于时间参数和位置参数的运动轨迹。
一种具体实施例中,确定目标对象为车牌号;根据车牌号,在数据库中搜索车牌号对应的第一参数;确定每一第一参数所对应的时间参数,其中,第一参数为位置参数;将车牌号、第一参数和每一第一参数对应的时间组成目标轨迹数据。
本发明实施例中,还可以定义轨迹范围规则,例如,设置目标轨迹类型的名称,便于形成一个以轨迹名称进行分类的分类组,例如为clkk,目标对象值为鄂AXXXXX,开始时间为2019-05-01 00:00:00,结束时间为2019-05-01 23:59:59。目的是为了获取该时间段内的鄂AXXXXX的轨迹数据。
可以理解的是,针对每一个鄂AXXXXX,可以在其初始时间和基础时间范围内获得一组包含车牌号、类型和位置参数以及时间信息,本发明实施例中设置位置参数为站点编号、时间参数为在站点包含摄像头的情况下能够记录经过该位置的时间,获得的目标轨迹,如表1所示。其中,ST_001、ST_002、ST_003等均为站点编号。
表1
序号 | 车牌号 | 类型 | 第一参数 | 时间 |
1 | 鄂AXXXXX | clkk | ST_001 | 2019-05-01 12:12:27 |
2 | 鄂AXXXXX | clkk | ST_001 | 2019-05-01 12:12:34 |
3 | 鄂AXXXXX | clkk | ST_003 | 2019-05-01 13:12:12 |
4 | 鄂AXXXXX | clkk | ST_001 | 2019-05-01 12:12:32 |
5 | 鄂AXXXXX | clkk | ST_002 | 2019-05-01 12:32:43 |
6 | 鄂AXXXXX | clkk | ST_003 | 2019-05-01 13:12:21 |
7 | 鄂AXXXXX | clkk | ST_002 | 2019-05-01 12:32:34 |
… | … | … | … | … |
本发明的另一种实现方式中,通过将车牌号、第一参数和每一第一参数对应的时间组成第三轨迹数据;根据预设采样时间,对所述第三轨迹数据进行采样;将采样后的第三轨迹数据确定为目标轨迹数据。示例性的,目标轨迹数据集D1,其结构为T{target,type,code,time…},分别包括目标对象值(车牌号),目标轨迹类型,目标站点编码,目标站点经过时刻,其中目标轨迹类型为设备关联数据集D中的字段,如clkk。
可以理解的是,在设置了开始时间、结束时间后,以车辆而言,通过同一个位置的车辆是有时间间隔的,所以设置经过同一位置的间隔时间,如30秒,从而通过时间采样可以去掉30秒内对轨迹数据进行采样,采样后的数据重复率低。示例性的,对表的采样结果如表2所示。取样后的轨迹数据集D2,其结构为T{target,type,code,time…},分别包括目标对象值,目标轨迹类型,目标轨迹站点编码,目标经过站点时刻。
表2
序号 | 车牌号 | 类型 | 第一参数 | 时间 |
1 | 鄂AXXXXX | clkk | ST_001 | 2019-05-01 12:12:27 |
3 | 鄂AXXXXX | clkk | ST_003 | 2019-05-01 13:12:12 |
5 | 鄂AXXXXX | clkk | ST_002 | 2019-05-01 12:32:43 |
… | … | … | … | … |
S102,确定第一关联对象,其中,所述第一关联对象为与所述第一参数相关联的对象。
可以理解的是,为了扩大维度数据,与目标轨迹数据进行关联,因此,需要获取与目标轨迹数据中进行关联的对象,从而进行关联。本发明实施例中,设置第一关联对象位于第一参数相关联的对象。在步骤S101中,已知第一参数是位置参数,那么第一关联参数是与位置参数相关联的参数。
本发明的一种具体实现方式中,确定移动通信站点为第一关联对象。可以理解的是,移动通信站点是有覆盖范围的,因此,在数据库中采用条件搜索获取移动站点,该移动站点是能够覆盖步骤S101中站点位置的移动通信站点,示例性的,搜索到的移动通信站点的编号为:WF_001、WF_002、WF_003。
S103,根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据。
所述根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据的步骤,包括:基于数据库,确定每一个移动通信站点的覆盖范围;确定覆盖范围内所对应的位置参数;形成位置参数与每一移动通信站点的对应关系;基于所述目标轨迹数据、位置参数与每一移动通信站点的对应关系,将车牌号、位置参数、移动通信站点和时间参数组成第一轨迹数据。
根据搜索到的移动通信站点和位置的对应关系,组成多组数据,将多组数据组成的轨迹成为第一轨迹数据,如表3所示。其中,移动通信站点可以是WiFi站点也可以是基站,并进行编号处理,例如,WF_001、WF_002、WF_003是WiFi站点的编号。示例性的,相关联的关联对象数据集D,其结构为D{clkk,wifi,rlkk…},分别包括车辆卡口,WIFI站点,人脸站点等等。
具体的,第一轨迹数据是虚拟关联轨迹数据,对应的数据集为D3,其结构为S{target,type,code,time,target1,type1,code1,time1…},分别包括目标对象值目标轨迹类型,目标站点编码,目标经过站点时刻,关联对象值,关联对象轨迹类型,关联对象轨迹站点编码,关联对象经过站点时刻。
表3
S104,确定第二关联对象,其中,所述第二关联对象为与所述第一关联对象相关联的对象。
本发明的具体实现中,所述第二关联对象为通信设备;可以理解的是,通信设备,例如,移动通信终端是通过与基站或者是WiFi站点进行连接,然后进行通信,所以可以获得一个时刻挂接在一个基站或者是WiFi站点下的通信设备。示例性的,通过搜索,通信设备的MAC,MAC是移动通信设备的唯一对应码,因此,能够唯一确定设备。
S105,根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据,其中,所述第一轨迹数据和所述第二轨迹数据均包含第二参数。
具体实现中,基于数据库,搜索与所述通信设备通信相连的移动通信站点以及对应的通信时间参数;基于通信设备通信、与通信设备下关联的移动通信站点和对应的通信时间参数,组成第二轨迹数据。
通过搜索,能够获得移动通信站点与每一个通信设备的连接时间,因此,通过每一组数据可以是MAC、移动通信站点、和连接时间(例如时间均可以为起始时间)组成一组数据,从而构成多组数据,多组数据构成第二轨迹数据,如表4所示。表4是实际关联的轨迹数据集D4,其结构为T{target,type,code,time…},分别包括关联对象值,关联对象轨迹类型,关联轨迹站点编码,关联对象经过站点时刻。
表4
序号 | MAC | 类型 | 第一关联对象 | 时间 |
1 | 01-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:27 |
2 | 01-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:28 |
3 | 01-02-03-04-05-06 | wifi | WF_002 | 2019-05-01 12:32:43 |
4 | 01-02-03-04-05-06 | wifi | WF_002 | 2019-05-01 12:32:46 |
5 | 01-02-03-04-05-06 | wifi | WF_003 | 2019-05-01 13:12:12 |
6 | 02-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:34 |
7 | 02-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:37 |
8 | 02-02-03-04-05-06 | wifi | WF_002 | 2019-05-01 12:32:34 |
9 | 02-02-03-04-05-06 | wifi | WF_003 | 2019-05-01 13:12:21 |
10 | 03-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:32 |
… | … | … | … | … |
可以理解的是,移动终端的通话时间可以是较长的,所以为了进一步解决数据冗余,根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第四轨迹数据;根据预设采样时间,对所述第四轨迹数据进行采样;将采样后的第四轨迹数据确定为第二轨迹数据,实现数据采样,采样后的结果如表5所示。
表5
序号 | MAC | 类型 | 第一关联对象 | 时间 |
1 | 01-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:27 |
2 | 01-02-03-04-05-06 | wifi | WF_002 | 2019-05-01 12:32:43 |
3 | 01-02-03-04-05-06 | wifi | WF_003 | 2019-05-01 13:12:12 |
4 | 02-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:34 |
5 | 02-02-03-04-05-06 | wifi | WF_002 | 2019-05-01 12:32:34 |
6 | 03-02-03-04-05-06 | wifi | WF_001 | 2019-05-01 12:12:32 |
… | … | … | … | … |
S106,根据所述第一参数和采样时间,在所述第一轨迹数据和所述第二轨迹数据进行数据比对,获取多组数据,其中,每一组数据包括目标对象、参数、第一关联对象、第二关联对象。
可以理解的是,表3和表5是互相独立的第一轨迹数据和第二轨迹数据,但是,又包含相同的第一参数,也就是位置参数和时间参数,因此,在所述第二轨迹数据和所述第一轨迹数据中,获取位置参数相同,且若时间间隔不大于预设时间间隔的多组数;因此,获得的如表6所示多组数据均为站点相同,两轨迹时间相隔小于规则中的间隔时间,结果如表6所示。
表6
表6是一对一的轨迹结果集R1,其结构为S{target,type,code,time,target1,type1,code1,time1…},分别包括目标对象值,目标轨迹类型,目标站点编码,目标经过站点时刻,关联对象值,关联对象轨迹类型,关联对象轨迹站点编码,关联对象经过站点时刻。
S107,针对每一个第二关联对象执行:获取每一个第二关联对象所对应第一参数的数量、第一关联对象数量;根据积分规则,获取每一个关联对象所对应的积分,其中,所述积分规则为与第一参数的数量、第一关联对象数量相关的积分策略;根据所述积分对第二关联对象进行排序。
针对表6中的每一组数据,统计对于每一个MAC,出现在站点(也就是位置参数)的次数M1以及出现在移动通信站点的次数M2,示例性的,统计结果为表7所示,针对总次数,如下公式所示,对每一个MAC对应一个积分规则,积分结果为F,计算表达式如下:
F=(M1*M2*M3)/(M1+M2)
因此,针对每一个MAC均能获得对应的积分F,然后将F进行倒序排列,可以得到最终结果。
表7
序号 | MAC | 第一参数 | 第一关联对象 | 总次数 | 得分 |
1 | 01-02-03-04-05-06 | 3 | 3 | 3 | 4.5 |
2 | 02-02-03-04-05-06 | 2 | 2 | 2 | 2 |
3 | 03-02-03-04-05-06 | 1 | 1 | 1 | 0.5 |
… | … | … |
如表7所示,统计的结果数据集R2,其结构为R{target,typeCount,typeCount1…},分别包括关联对象值,目标站点数量,关联站点数量等。若在增加积分排序时,排序结果集S,其结构为M{target,typeCount,typeCount1,score。。。},分别包括关联对象值,目标站点数量,关联站点数量,得分。
此外,如图2所示,本发明还公开了一种数据分析装置200,所述装置200包括处理器210、以及通过通信总线230与所述处理器210连接的存储器220;其中,
所述存储器220,用于存储数据分析程序;
所述处理器210,用于执行所述数据分析程序,以实现任一项所述的数据分析步骤。
以及公开了一种计算机存储介质,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个如图2所示的处理器210执行,以使所述一个或者多个处理器210执行任一项所述的数据分析步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据分析方法,其特征在于,所述方法包括:
根据目标对象,在数据库中搜索与所述目标对象对应的目标轨迹数据,所述目标轨迹数据中至少包含与每一个目标对象对应的第一参数和第二参数,第二参数为时间参数;
确定第一关联对象,其中,所述第一关联对象为与所述第一参数相关联的对象;
根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据;
确定第二关联对象,其中,所述第二关联对象为与所述第一关联对象相关联的对象;
根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据,其中,所述第一轨迹数据和所述第二轨迹数据均包含第二参数;
根据所述第一参数和采样时间,在所述第一轨迹数据和所述第二轨迹数据进行数据比对,获取多组数据,其中,每一组数据包括目标对象、参数、第一关联对象、第二关联对象;
针对每一个第二关联对象执行:获取每一个第二关联对象所对应第一参数的数量、第一关联对象数量;根据积分规则,获取每一个关联对象所对应的积分,其中,所述积分规则为与第一参数的数量、第一关联对象数量相关的积分策略;根据所述积分对第二关联对象进行排序。
2.根据权利要求1所述的数据分析方法,其特征在于,所述根据目标对象,在数据库中搜索与所述目标对象对应的目标轨迹数据,所述目标轨迹数据中至少包含与每一个目标对象对应的第一参数和第二参数,第二参数为时间参数的步骤,包括:
确定目标对象为车牌号;
根据车牌号,在数据库中搜索车牌号对应的第一参数;
确定每一第一参数所对应的时间参数,其中,第一参数为位置参数;
将车牌号、第一参数和每一第一参数对应的时间组成目标轨迹数据。
3.根据权利要求2所述的数据分析方法,其特征在于,所述确定第一关联对象的步骤,包括:
确定移动通信站点为第一关联对象;
所述根据所述目标对象、所述第一参数,在数据库中获取与所述第一关联对象相对应的第一轨迹数据的步骤,包括:
基于数据库,确定每一个移动通信站点的覆盖范围;
确定覆盖范围内所对应的位置参数;
形成位置参数与每一移动通信站点的对应关系;
基于所述目标轨迹数据、位置参数与每一移动通信站点的对应关系,将车牌号、位置参数、移动通信站点和时间参数组成第一轨迹数据。
4.根据权利要求3所述的数据分析方法,其特征在于,所述确定第二关联对象的步骤,包括:
所述第二关联对象为通信设备;
所述根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据的步骤,包括:
基于数据库,搜索与所述通信设备通信相连的移动通信站点以及对应的通信时间参数;
基于通信设备通信、与通信设备下关联的移动通信站点和对应的通信时间参数,组成第二轨迹数据。
5.如权利要求4所述的数据分析方法,其特征在于,所述根据所述第一参数和采样时间,在所述第一轨迹数据和所述第二轨迹数据进行数据比对,获取多组数据的步骤,包括:
在所述第二轨迹数据和所述第一轨迹数据中,获取位置参数相同,且若时间间隔不大于预设时间间隔的多组数据。
6.如权利要求5所述的数据分析方法,其特征在于,所述根据积分规则的具体公式表达为:
F=(M1*M2*M3)/(M1+M2)
其中,F是积分,M1第一参数的数量、M2第一关联对象数量,M3是总次数。
7.如权利要求1-6任一项所述的数据分析方法,其特征在于,所述将车牌号、第一参数和每一第一参数对应的时间组成目标轨迹数据的步骤,包括:
将车牌号、第一参数和每一第一参数对应的时间组成第三轨迹数据;
根据预设采样时间,对所述第三轨迹数据进行采样;
将采样后的第三轨迹数据确定为目标轨迹数据。
8.如权利要求7所述的数据分析方法,其特征在于,所述根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第二轨迹数据的步骤,包括:
根据所述第一关联对象,在数据库中获取与所述第二关联对象相对应的第四轨迹数据;
根据预设采样时间,对所述第四轨迹数据进行采样;
将采样后的第四轨迹数据确定为第二轨迹数据。
9.一种数据分析装置,其特征在于,所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器;其中,
所述存储器,用于存储数据分析程序;
所述处理器,用于执行所述数据分析程序,以实现如权利要求1至7中任一项所述的数据分析步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行如权利要求1至7中任一项所述的数据分析步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832993.1A CN110750589B (zh) | 2019-09-04 | 2019-09-04 | 一种数据分析方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832993.1A CN110750589B (zh) | 2019-09-04 | 2019-09-04 | 一种数据分析方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750589A true CN110750589A (zh) | 2020-02-04 |
CN110750589B CN110750589B (zh) | 2022-08-16 |
Family
ID=69276010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832993.1A Active CN110750589B (zh) | 2019-09-04 | 2019-09-04 | 一种数据分析方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750589B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326410A (zh) * | 2020-02-28 | 2021-08-31 | 拓尔思天行网安信息技术有限责任公司 | 基于时空关联的关系人行为轨迹分析方法和装置 |
CN113934595A (zh) * | 2021-10-14 | 2022-01-14 | 泰康保险集团股份有限公司 | 数据分析方法及系统、存储介质及电子终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60114238D1 (de) * | 2000-07-21 | 2006-03-02 | Trw Automotive Us Llc Livonia | Erkennung menschlicher gesichtsmerkmale für kraftfahrzeugrückhaltesysteme |
CN104992075A (zh) * | 2015-07-30 | 2015-10-21 | 浙江宇视科技有限公司 | 一种基于大数据的多源信息关联方法 |
CN107645709A (zh) * | 2017-09-28 | 2018-01-30 | 浙江大华技术股份有限公司 | 一种确定人员信息的方法及装置 |
CN108694216A (zh) * | 2017-04-12 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 一种多源对象关联方法及装置 |
CN109656973A (zh) * | 2018-11-30 | 2019-04-19 | 武汉烽火众智数字技术有限责任公司 | 一种目标对象关联分析方法及装置 |
CN109977108A (zh) * | 2019-04-03 | 2019-07-05 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的多种轨迹碰撞分析方法 |
-
2019
- 2019-09-04 CN CN201910832993.1A patent/CN110750589B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60114238D1 (de) * | 2000-07-21 | 2006-03-02 | Trw Automotive Us Llc Livonia | Erkennung menschlicher gesichtsmerkmale für kraftfahrzeugrückhaltesysteme |
CN104992075A (zh) * | 2015-07-30 | 2015-10-21 | 浙江宇视科技有限公司 | 一种基于大数据的多源信息关联方法 |
CN108694216A (zh) * | 2017-04-12 | 2018-10-23 | 杭州海康威视数字技术股份有限公司 | 一种多源对象关联方法及装置 |
CN107645709A (zh) * | 2017-09-28 | 2018-01-30 | 浙江大华技术股份有限公司 | 一种确定人员信息的方法及装置 |
CN109656973A (zh) * | 2018-11-30 | 2019-04-19 | 武汉烽火众智数字技术有限责任公司 | 一种目标对象关联分析方法及装置 |
CN109977108A (zh) * | 2019-04-03 | 2019-07-05 | 深圳市甲易科技有限公司 | 一种基于行为轨迹库的多种轨迹碰撞分析方法 |
Non-Patent Citations (1)
Title |
---|
孙盛 等: "基于多源信息融合技术的全域卡口车辆身份检索", 《电子技术与软件工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326410A (zh) * | 2020-02-28 | 2021-08-31 | 拓尔思天行网安信息技术有限责任公司 | 基于时空关联的关系人行为轨迹分析方法和装置 |
CN113326410B (zh) * | 2020-02-28 | 2024-02-13 | 拓尔思天行网安信息技术有限责任公司 | 基于时空关联的关系人行为轨迹分析方法和装置 |
CN113934595A (zh) * | 2021-10-14 | 2022-01-14 | 泰康保险集团股份有限公司 | 数据分析方法及系统、存储介质及电子终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110750589B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635857B (zh) | 人车轨迹监测分析方法、装置、设备及存储介质 | |
CN110750589B (zh) | 一种数据分析方法、装置及计算机存储介质 | |
US20160277259A1 (en) | Traffic quality analysis method and apparatus | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN105303437A (zh) | 对账的处理方法及装置 | |
CN104034792A (zh) | 基于质荷比误差识别能力的蛋白质二级质谱鉴定方法 | |
CN106843941A (zh) | 信息处理方法、装置和计算机设备 | |
CN104199945A (zh) | 数据存储方法和装置 | |
CN111210158B (zh) | 目标地址确定方法、装置、计算机设备和存储介质 | |
CN111896016A (zh) | 位置信息的处理方法及装置、存储介质、终端 | |
CN112801512A (zh) | 应聘人员与工作岗位的匹配方法、装置、介质及电子设备 | |
CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN112614007B (zh) | 充电潜力小区的识别方法和装置 | |
CN107085603B (zh) | 一种数据处理方法及装置 | |
CN108153661A (zh) | 执行测试用例的方法和装置 | |
CN110659320B (zh) | 一种职住地分布的解析方法、解析装置及可读存储介质 | |
CN109471907B (zh) | 一种基于卡口数据的行车规律分析系统和方法 | |
CN109756887B (zh) | 高铁伴随移动端识别方法、装置及计算机可读存储介质 | |
CN113327336B (zh) | 人车关系的识别方法、装置和电子设备 | |
CN114549091A (zh) | 数据处理方法、设备以及计算机可读存储介质 | |
CN114066506A (zh) | 网络行为ai分析算法 | |
CN113610360A (zh) | 基于战略价值的gso频轨资源效能评估方法 | |
CN111832599A (zh) | 一种基于机器学习随机森林的加油站预测方法 | |
CN106851669B (zh) | 一种无线站点价值评估方法及系统 | |
CN106202390B (zh) | 一种数据库完善系统及方法 |
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 |