CN111125279A - 一种应用于轨迹伴随可能性分析的伴随系数计算方法 - Google Patents

一种应用于轨迹伴随可能性分析的伴随系数计算方法 Download PDF

Info

Publication number
CN111125279A
CN111125279A CN201911164367.6A CN201911164367A CN111125279A CN 111125279 A CN111125279 A CN 111125279A CN 201911164367 A CN201911164367 A CN 201911164367A CN 111125279 A CN111125279 A CN 111125279A
Authority
CN
China
Prior art keywords
track
trace
point
time
accompaniment
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
CN201911164367.6A
Other languages
English (en)
Other versions
CN111125279B (zh
Inventor
陈绮雯
王明兴
陆刚
池汉雄
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.)
Shenzhen Jiayi Technology Co ltd
Original Assignee
Shenzhen Jiayi Technology 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 Shenzhen Jiayi Technology Co ltd filed Critical Shenzhen Jiayi Technology Co ltd
Priority to CN201911164367.6A priority Critical patent/CN111125279B/zh
Publication of CN111125279A publication Critical patent/CN111125279A/zh
Application granted granted Critical
Publication of CN111125279B publication Critical patent/CN111125279B/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
    • G06F16/29—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
    • G06F16/24—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种应用于轨迹伴随可能性分析的伴随系数计算方法，包括：获取两条轨迹A和B并按时间排序；遍历轨迹A的轨迹点P，并从轨迹B找出与轨迹点P时间最接近的轨迹点Q，计算并记录轨迹点对(P，Q)的时间差；从轨迹点对(P，Q)中找出时间差最小且满足给定条件的轨迹点对(P’，Q’)；将轨迹A以轨迹点P’分为轨迹A1和A2，将轨迹B以轨迹点Q’分为轨迹B1和B2；重复上述步骤直至找出所有匹配的轨迹点对(P’，Q’)，并将该轨迹点对保存于最佳匹配结果集；计算并统计匹配状态；计算伴随系数。本发明有效降低伴随系数的计算复杂度，提高计算效率，且受偏差值影响较小，可应用到实际轨迹数据中分析出有效伴随信息。

Description

一种应用于轨迹伴随可能性分析的伴随系数计算方法
技术领域
本发明涉及安防与信息，尤其涉及一种应用于轨迹伴随可能性分析的伴随系数计算方法。
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，该行为轨迹数据包括人脸、MAC、IMSI及IMEI等数据，不同类型的数据通常由不同类型的采集设备所采集，因此，不同类型的轨迹数据通常没有直接的关联关系，但通过数据挖掘可以从上述轨迹数据中分析出许多有用信息，其中一种重要信息就是轨迹的伴随状态，通过伴随状态可以找出与目标人员经常同行的伴随人员，或找出属于同一个目标人员的多个行为特征，诸如此类信息可以在安防领域起到重要作用。
对于轨迹的伴随分析而言，伴随人员的轨迹不一定与目标人员完全一致，而是在满足一定时间差内两者处于合适距离，但时间差和距离不固定且经常变化，而且有时会出现偏差，另外伴随状态有可能不连续(即伴随人员的轨迹与目标人员的轨迹伴随一段时间后分离，经过一段时间后又回到伴随状态)，这些问题在做轨迹伴随分析时都是需要考虑的；另外，轨迹的伴随分析需要通过计算大量数据来得到伴随系数，市面已有多种用于计算伴随系数的轨迹数据分析算法，但大部分轨迹数据分析算法过于复杂，耗时长，无法有效的应用于轨迹大数据中。
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，提供一种应用于轨迹伴随可能性分析的伴随系数计算方法。
本发明的技术方案如下：一种应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，包括以下步骤：
步骤S1，任选两条轨迹A和B并按时间进行排序；
步骤S2，遍历所述轨迹A和B的轨迹点，找出所有轨迹点中时间差最小的轨迹点对(P’，Q’)；
步骤S3，采用递归的方法找出所述轨迹A和B中所有满足匹配条件的轨迹点对(P’，Q’)构成最佳匹配结果集；
步骤S4，计算所述最佳匹配结果集中每个轨迹点对(P’，Q’)的匹配状态，统计每种匹配状态的数据值并套用公式计算出伴随系数。
进一步地，所述步骤S1包括以下步骤：
步骤S101，获取采集设备采集的海量行为轨迹数据构建轨迹数据库，并从所述轨迹数据库中任意选择两条轨迹A和B；
步骤S102，将两条所述轨迹A和B按时间进行排序。
进一步地，所述步骤S101获取的海量行为轨迹包括人脸数据、MAC数据、IMSI数据、IMEI数据中的一种或多种。
进一步地，所述步骤S2包括以下步骤：
步骤S201，按时间顺序遍历所述轨迹A中的轨迹点P，并从所述轨迹B中找出与所述轨迹点P时间最接近的轨迹点Q，计算并记录所述轨迹点对(P，Q)的时间差；
步骤S202，从步骤S201中所述的轨迹点对(P，Q)中找出时间差最小，且所述轨迹点对(P，Q)的时间差满足不大于给出的最大匹配时间差的轨迹点P’和Q’，并将所述轨迹点P’和Q’组成轨迹点对(P’，Q’)。
进一步地，所述步骤S201中的时间差通过计算所述轨迹点P对应的时间与所述轨迹点Q对应的时间之间的差值得到。
进一步地，所述步骤S3包括以下步骤：
步骤S301，将所述轨迹A和轨迹B分别以轨迹点P’和轨迹点Q’的时间为分隔点划分为两段，所述轨迹A划分为比轨迹点P’时间早的轨迹A1及比轨迹点P’时间晚的轨迹A2，所述轨迹B划分为比轨迹点Q’时间早的轨迹B1及比轨迹点Q’时间晚的轨迹B2；
步骤S302，将所述轨迹A1与轨迹B1以及所述轨迹A2与轨迹B2分别重复步骤S102～步骤S301，直至找不出匹配的轨迹点对(P’，Q’)为止；
步骤S303，将所有匹配的轨迹点对(P’，Q’)保存于最佳匹配结果集中。
进一步地，所述步骤S4包括以下步骤：
步骤S401，根据步骤S303所述的最佳匹配结果集中每个所述轨迹点对(P’，Q’)之间的距离和时间差，计算出每个所述轨迹点对(P’，Q’)的匹配状态，并统计所述匹配状态的数据值；
步骤S402，根据步骤S401所述的数据值套用公式计算出伴随系数。
进一步地，所述步骤S401中的匹配状态包括匹配、偏离及不确定，每个所述轨迹点对的匹配状态通过比较“设备采集范围+时间差*正常移动速度”与距离的数值大小得出匹配结果。
进一步地，所述步骤S401中的数据值包括匹配值n1、偏离值n2及不确定值n3，所述步骤S402中的公式包括伴随参数a＝n2*1.0/(n1+n2)，b＝n1*1.0/(n1+n2+n3)，伴随系数＝2*(1-1/(1+exp(-5*a)))*(2/(1+exp(-8*b))-1)。
采用上述方案，本发明具有以下有益效果：
本发明有效降低了伴随系数的计算复杂度，提高了计算效率，且受偏差值影响较小，能够应用到实际轨迹数据中分析出有效伴随信息。
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为本发明应用于轨迹伴随可能性分析的伴随系数计算方法的流程示意图；
图2为本发明步骤S1的流程示意图；
图3为本发明步骤S2的流程示意图；
图4为本发明步骤S3的流程示意图；
图5为本发明步骤S4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，本发明提供一种应用于轨迹伴随可能性分析的伴随系数计算方法，包括以下步骤：
步骤S1，任选两条轨迹A和B并按时间进行排序；
步骤S2，遍历所述轨迹A和B的轨迹点，找出所有轨迹点中时间差最小的轨迹点对(P’，Q’)；
步骤S3，采用递归的方法找出所述轨迹A和B中所有满足匹配条件的轨迹点对(P’，Q’)构成最佳匹配结果集；
步骤S4，计算所述最佳匹配结果集中每个轨迹点对(P’，Q’)的匹配状态，统计每种匹配状态的数据值并套用公式计算出伴随系数。
作为一种较佳实施例，参照图2所示，所述步骤S1包括以下步骤：
步骤S101，获取采集设备采集的海量行为轨迹数据构建轨迹数据库，并从所述轨迹数据库中任意选择两条轨迹A和B；
步骤S102，将两条所述轨迹A和B按时间进行排序。
作为一种较佳实施例，所述步骤S101获取的海量行为轨迹包括人脸数据、MAC数据、IMSI数据、IMEI数据中的一种或多种。
作为一种较佳实施例，参照图3所示，所述步骤S2包括以下步骤：
步骤S201，按时间顺序遍历所述轨迹A中的轨迹点P，并从所述轨迹B中找出与所述轨迹点P时间最接近的轨迹点Q，计算并记录所述轨迹点对(P，Q)的时间差；
步骤S202，从步骤S201中所述的轨迹点对(P，Q)中找出时间差最小，且所述轨迹点对(P，Q)的时间差满足不大于给出的最大匹配时间差的轨迹点P’和Q’，并将所述轨迹点P’和Q’组成轨迹点对(P’，Q’)。
作为一种较佳实施例，所述步骤S201中的时间差通过计算所述轨迹点P对应的时间与所述轨迹点Q对应的时间之间的差值得到。
作为一种较佳实施例，所述步骤S201在计算中找出一对轨迹点(Pi，Qj)后，无需再重头遍历所述轨迹B来找出下一对轨迹点，而是直接从所述轨迹B中比轨迹点Pi对应时间晚的第一个轨迹点开始遍历，由此，可将计算复杂度从O(n2)降为O(n)，有效降低了计算复杂度，提高了计算效率。
作为一种较佳实施例，参照图4所示，所述步骤S3包括以下步骤：
步骤S301，将所述轨迹A和轨迹B分别以轨迹点P’和轨迹点Q’的时间为分隔点划分为两段，所述轨迹A划分为比轨迹点P’时间早的轨迹A1及比轨迹点P’时间晚的轨迹A2，所述轨迹B划分为比轨迹点Q’时间早的轨迹B1及比轨迹点Q’时间晚的轨迹B2；
步骤S302，将所述轨迹A1与轨迹B1以及所述轨迹A2与轨迹B2分别重复步骤S102～步骤S301，直至找不出匹配的轨迹点对(P’，Q’)为止；
步骤S303，将所有匹配的轨迹点对(P’，Q’)保存于最佳匹配结果集中。
作为一种较佳实施例，参照图5所示，所述步骤S4包括以下步骤：
步骤S401，根据步骤S303所述的最佳匹配结果集中每个所述轨迹点对(P’，Q’)之间的距离和时间差，计算出每个所述轨迹点对(P’，Q’)的匹配状态，并统计所述匹配状态的数据值；
步骤S402，根据步骤S401所述的数据值套用公式计算出伴随系数。
作为一种较佳实施例，所述步骤S401中的匹配状态包括匹配、偏离及不确定，每个所述轨迹点对(P’，Q’)的匹配状态通过比较“设备采集范围+时间差*正常移动速度”与距离的数值大小得出匹配结果；若距离小于“设备采集范围+时间差*正常移动速度”，则认为该轨迹点对的匹配状态为匹配；若距离大于“设备采集范围+时间差*正常移动速度”，则认为该轨迹点对的匹配状态为偏离；若距离等于“设备采集范围+时间差*正常移动速度”，则认为该轨迹点对的匹配状态为不确定。
作为一种较佳实施例，所述步骤S401中的数据值包括匹配值n1、偏离值n2及不确定值n3，那么伴随参数a＝n2*1.0/(n1+n2)，b＝n1*1.0/(n1+n2+n3)，则伴随系数＝2*(1-1/(1+exp(-5*a)))*(2/(1+exp(-8*b))-1)，其中，公式满足匹配值n1越大，伴随系数越小，偏离值n2和不确定值n3越大，伴随系统越大。
与现有技术相比，本发明具有以下有益效果：
本发明有效降低了伴随系数的计算复杂度，提高了计算效率，且受偏差值影响较小，能够应用到实际轨迹数据中分析出有效伴随信息。
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 (9)

1.一种应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，包括以下步骤：
步骤S1，任选两条轨迹A和B并按时间进行排序；
步骤S2，遍历所述轨迹A和B的轨迹点，找出所有轨迹点中时间差最小的轨迹点对(P’，Q’)；
步骤S3，采用递归的方法找出所述轨迹A和B中所有满足匹配条件的轨迹点对(P’，Q’)构成最佳匹配结果集；
步骤S4，计算所述最佳匹配结果集中每个轨迹点对(P’，Q’)的匹配状态，统计每种匹配状态的数据值并套用公式计算出伴随系数。
2.根据权利要求1所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S1包括以下步骤：
步骤S101，获取采集设备采集的海量行为轨迹数据构建轨迹数据库，并从所述轨迹数据库中任意选择两条轨迹A和B；
步骤S102，将两条所述轨迹A和B按时间进行排序。
3.根据权利要求2所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S101获取的海量行为轨迹包括人脸数据、MAC数据、IMSI数据、IMEI数据中的一种或多种。
4.根据权利要求3所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S2包括以下步骤：
步骤S201，按时间顺序遍历所述轨迹A中的轨迹点P，并从所述轨迹B中找出与所述轨迹点P时间最接近的轨迹点Q，计算并记录所述轨迹点对(P，Q)的时间差；
步骤S202，从步骤S201中所述的轨迹点对(P，Q)中找出时间差最小，且所述轨迹点对(P，Q)的时间差满足不大于给出的最大匹配时间差的轨迹点P’和Q’，并将所述轨迹点P’和Q’组成轨迹点对(P’，Q’)。
5.根据权利要求4所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S201中的时间差通过计算所述轨迹点P对应的时间与所述轨迹点Q对应的时间之间的差值得到。
6.根据权利要求5所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S3包括以下步骤：
步骤S301，将所述轨迹A和轨迹B分别以轨迹点P’和轨迹点Q’的时间为分隔点划分为两段，所述轨迹A划分为比轨迹点P’时间早的轨迹A1及比轨迹点P’时间晚的轨迹A2，所述轨迹B划分为比轨迹点Q’时间早的轨迹B1及比轨迹点Q’时间晚的轨迹B2；
步骤S302，将所述轨迹A1与轨迹B1以及所述轨迹A2与轨迹B2分别重复步骤S102～步骤S301，直至找不出匹配的轨迹点对(P’，Q’)为止；
步骤S303，将所有匹配的轨迹点对(P’，Q’)保存于最佳匹配结果集中。
7.根据权利要求6所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S4包括以下步骤：
步骤S401，根据步骤S303所述的最佳匹配结果集中每个所述轨迹点对(P’，Q’)之间的距离和时间差，计算出每个所述轨迹点对(P’，Q’)的匹配状态，并统计所述匹配状态的数据值；
步骤S402，根据步骤S401所述的数据值套用公式计算出伴随系数。
8.根据权利要求7所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S401中的匹配状态包括匹配、偏离及不确定，每个所述轨迹点对的匹配状态通过比较“设备采集范围+时间差*正常移动速度”与距离的数值大小得出匹配结果。
9.根据权利要求8所述的应用于轨迹伴随可能性分析的伴随系数计算方法，其特征在于，所述步骤S401中的数据值包括匹配值n1、偏离值n2及不确定值n3，所述步骤S402中的公式包括伴随参数a＝n2*1.0/(n1+n2)，b＝n1*1.0/(n1+n2+n3)，伴随系数＝2*(1-1/(1+exp(-5*a)))*(2/(1+exp(-8*b))-1)。
CN201911164367.6A 2019-11-25 2019-11-25 一种应用于轨迹伴随可能性分析的伴随系数计算方法 Active CN111125279B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911164367.6A CN111125279B (zh) 2019-11-25 2019-11-25 一种应用于轨迹伴随可能性分析的伴随系数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911164367.6A CN111125279B (zh) 2019-11-25 2019-11-25 一种应用于轨迹伴随可能性分析的伴随系数计算方法

Publications (2)

Publication Number Publication Date
CN111125279A true CN111125279A (zh) 2020-05-08
CN111125279B CN111125279B (zh) 2024-03-12

Family

ID=70496493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911164367.6A Active CN111125279B (zh) 2019-11-25 2019-11-25 一种应用于轨迹伴随可能性分析的伴随系数计算方法

Country Status (1)

Country Link
CN (1) CN111125279B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04345190A (ja) * 1991-05-23 1992-12-01 Hitachi Ltd ナビゲーション装置
JP2016078149A (ja) * 2014-10-15 2016-05-16 キヤノン株式会社 ロボット装置の制御方法及びロボット装置、プログラム及び記録媒体
CN107967493A (zh) * 2017-12-18 2018-04-27 广州汇智通信技术有限公司 一种人车伴随的判定方法、系统及相关装置
CN109657547A (zh) * 2018-11-13 2019-04-19 成都四方伟业软件股份有限公司 一种基于伴随模型的异常轨迹分析方法
CN109947793A (zh) * 2019-03-20 2019-06-28 深圳市北斗智能科技有限公司 伴随关系的分析方法、装置和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04345190A (ja) * 1991-05-23 1992-12-01 Hitachi Ltd ナビゲーション装置
JP2016078149A (ja) * 2014-10-15 2016-05-16 キヤノン株式会社 ロボット装置の制御方法及びロボット装置、プログラム及び記録媒体
CN107967493A (zh) * 2017-12-18 2018-04-27 广州汇智通信技术有限公司 一种人车伴随的判定方法、系统及相关装置
CN109657547A (zh) * 2018-11-13 2019-04-19 成都四方伟业软件股份有限公司 一种基于伴随模型的异常轨迹分析方法
CN109947793A (zh) * 2019-03-20 2019-06-28 深圳市北斗智能科技有限公司 伴随关系的分析方法、装置和存储介质

Also Published As

Publication number Publication date
CN111125279B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN110942019A (zh) 一种用于找出两条轨迹的最长伴随子路径的分析方法
CN105409306B (zh) 移动终端位置预测方法及装置
CN104680250B (zh) 一种位置预测系统
US10374786B1 (en) Methods of estimating frequency skew in networks using timestamped packets
CN107808122A (zh) 目标跟踪方法及装置
CN101753381A (zh) 一种检测网络攻击行为的方法
CN107463904A (zh) 一种确定事件周期值的方法及装置
CN111414828B (zh) 一种异常聚集识别方法及装置
US10116759B2 (en) Method, apparatus and computer for identifying state of user of social network
CN108650626A (zh) 一种基于泰森多边形的指纹定位算法
CN105095482B (zh) 一种检测异常数据区间的数据挖掘方法及系统
CN111710433B (zh) 传染病的发展趋势预测方法及系统
WO2023005789A1 (zh) 一种温度处理方法及装置
CN106033643B (zh) 一种数据处理方法及装置
CN113495913B (zh) 一种空气质量数据缺失值插补方法及装置
CN109344750A (zh) 一种基于结构描述子的复杂结构三维对象识别方法
CN111125279A (zh) 一种应用于轨迹伴随可能性分析的伴随系数计算方法
CN111258968B (zh) 企业冗余数据清理方法、装置及大数据平台
CN108416293A (zh) 一种特殊群体聚集行为早期检测及聚集地预测方法和系统
CN112633262A (zh) 通道监测方法、装置、电子设备及介质
CN105930430B (zh) 一种基于非累积属性的实时欺诈检测方法及装置
CN109583573A (zh) 一种轨道扣件的零件缺失检测方法及装置
CN116047223A (zh) 一种基于实时用电信息及大数据分析的窃电判别方法
CN112858725B (zh) 一种车速一致性检测方法、终端设备及存储介质
CN110956800A (zh) 一种路段交通数据预处理方法、装置及电子设备

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