CN111241149A - 一种人员异常判定方法、装置、电子设备及存储介质 - Google Patents
一种人员异常判定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111241149A CN111241149A CN201911291659.6A CN201911291659A CN111241149A CN 111241149 A CN111241149 A CN 111241149A CN 201911291659 A CN201911291659 A CN 201911291659A CN 111241149 A CN111241149 A CN 111241149A
- Authority
- CN
- China
- Prior art keywords
- time period
- target
- behavior data
- target person
- target time
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data 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
- G06F16/24—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)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种人员异常判定方法、装置、电子设备及存储介质,该方法包括根据目标人员的身份标识查找目标人员的行为数据以及人群种类标识,该行为数据包括多个时间段的定位信息;根据每一时间段的定位信息确定每一时间段该目标人员的活跃度;获取该目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据;根据该目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在该目标时间段的行为数据对该目标人员进行异常判定。
Description
技术领域
本申请涉及大数据技术领域,具体而言,涉及一种人员异常判定方法、装置、电子设备及存储介质。
背景技术
针对对社会安定有较高潜在危害的特殊人员,会对其进行管控,以防止发生相关犯罪行为。
目前对上述特殊人员进行行为分析的方法一般是通过人工分析特定人员的行为轨迹或通话记录来判断其行为是否异常,但这种方式存在着判定不准确、费时费力的问题。
发明内容
本申请实施例的目的在于提供一种人员异常判定方法、装置、电子设备及存储介质,用以解决目前通过人工分析特定人员的行为轨迹或通话记录进行人员异常判定存在的判定不准确、费时费力的问题。
第一方面,实施例提供一种人员异常判定方法,所述方法包括:根据目标人员的身份标识查找所述目标人员的行为数据以及人群种类标识,所述行为数据包括多个时间段的定位信息;根据每一时间段的定位信息确定每一时间段所述目标人员的活跃度;获取所述目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据;根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
在上述设计的人员异常判定方法中,通过目标人员的身份标识获取该目标人员的行为数据以及人群种类,进而根据行为数据中的定位信息计算该目标人员的活跃度,进而获取该目标人员活跃度超预设值的目标时间段的行为数据与该人群种类中其他人员在该目标时间段的行为数据来对该目标人员进行异常判定,从而根据目标人员活跃时间段的行为数据来进行分析,使得对目标人员的异常判定更加精确和简便,同时实现了人员异常判定的自动化分析过程,解决了目前通过人工分析特定人员的行为轨迹或通话记录进行人员异常判定存在的判定不准确、费时费力的问题。
在第一方面的可选实施方式中,所述根据每一时间段的定位信息确定每一时间段所述目标人员的活跃度,包括:根据每一时间段的定位信息确定每一时间段所述目标人员的最大活动距离以及定位落脚点个数;根据每一时间段所述目标人员的最大活动距离以及定位落脚点个数计算每一时间段所述目标人员的活跃度。
在第一方面的可选实施方式中,所述每一时间段的定位信息包括每一时间段的多个GeoHash,所述根据所述每一时间段的定位信息确定每一时间段所述目标人员的最大活动距离以及定位落脚点个数,包括:根据每一时间段中相似程度相差最大的两个GeoHash确定每一时间段所述目标人员的最大活动距离;根据每一时间段的GeoHash个数确定每一时间段所述目标人员的定位落脚点个数。
在上述设计的两种实施方式中,通过一定时间段内的定位信息确定目标人员在这个时间段内的最大活动距离以及落脚点个数,根据这个时间段内的最大活动距离和落脚点个数计算该目标人员在这个时间段的活跃度,进而基于活跃度在多个时间段中筛选中目标人员活跃的时间段来对其进行异常判断,使得后续对该目标人员的异常判定更加准确。
在第一方面的可选实施方式中,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:获取所述目标人员在所述目标时间段的最大活动距离;根据所述目标人员在所述目标时间段的最大活动距离以及具有相同人群种类标识的其他人员在所述目标时间段的定位信息确定在所述最大活动距离内的具有相同人群种类标识的其他人员;根据在所述最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对所述目标人员进行异常判定。
在上述设计的实施方式中,通过目标人员在目标时间段的最大活动距离以及其他人员在目标时间段定位信息确定出在该最大活动距离内出现过的其他人员,进而根据在该最大活动距离内出现过的其他人员的行为数据以及目标人员在该目标时间段的行为数据来确定该目标人员是否异常,对其他人员进行了范围筛选,使得对比数据合理化简洁,在异常判定精准度不降低的前提下,加快了异常判定的速度。
在第一方面的可选实施方式中,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:根据所述目标时间段查找具有相同人群种类标识的其他人员在所述目标时间段的行为数据;将所述目标人员对应目标时间段的行为数据与所述具有相同人群种类标识的其他人员在所述目标时间段的行为数据进行对比,以对所述目标人员进行异常判定。
在第一方面的可选实施方式中,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:获取所述具有相同人群种类标识的其他人员所述目标时间段的定位信息;根据所述目标时间段的定位信息确定所述目标时间段每个其他人员的活跃度;根据所述目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
在第一方面的可选实施方式中,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:确定所述目标时间段内所述目标人员的定位信息与其他人员的定位信息是否重合;若是,则确定所述重合的时间长度是否超过预设长度;若是,则确定所述目标人员异常。
在第一方面的可选实施方式中,所述行为数据还包括通讯信息,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:根据所述目标时间段内所述目标人员的通讯信息以及其他人员的通讯信息确定所述目标人员与其他人员的通讯时长;判断所述通讯时长是否超过预设长度;若是,则确定所述目标人员异常。
第二方面,实施例提供一种人员异常判定装置,所述装置包括:查找模块,用于根据目标人员的身份标识查找所述目标人员的行为数据以及人群种类标识,所述行为数据包括多个时间段的定位信息;确定模块,用于根据所述每个时间段的定位信息确定每个时间段所述目标人员的活跃度;获取模块,用于获取所述目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据;判定模块,用于根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
在上述设计的人员异常判定装置中,通过目标人员的身份标识获取该目标人员的行为数据以及人群种类,进而根据行为数据中的定位信息计算该目标人员的活跃度,进而获取该目标人员活跃度超预设值的目标时间段的行为数据与该人群种类中其他人员在该目标时间段的行为数据来对该目标人员进行异常判定,从而根据目标人员活跃时间段的行为数据来进行分析,使得对目标人员的异常判定更加精确和简便,同时实现了人员异常判定的自动化分析过程,解决了目前通过人工分析特定人员的行为轨迹或通话记录进行人员异常判定存在的判定不准确、费时费力的问题。
在第二方面的可选实施方式中,所述确定模块,具体用于根据每一时间段的定位信息确定每一时间段所述目标人员的最大活动距离以及定位落脚点个数;根据每一时间段所述目标人员的最大活动距离以及定位落脚点个数计算每一时间段所述目标人员的活跃度。
在第二方面的可选实施方式中,所述每一时间段的定位信息包括每一时间段的多个GeoHash字符串,所述确定模块,具体用于根据每一时间段中相似程度相差最大的两个GeoHash字符串确定每一时间段所述目标人员的最大活动距离;根据每一时间段的GeoHash字符串个数确定每一时间段所述目标人员的定位落脚点个数。
在第二方面的可选实施方式中,所述判定模块,具体用于获取所述目标人员在所述目标时间段的最大活动距离;根据所述目标人员在所述目标时间段的最大活动距离以及具有相同人群种类标识的其他人员在所述目标时间段的定位信息确定在所述最大活动距离内的具有相同人群种类标识的其他人员;根据在所述最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对所述目标人员进行异常判定。
在第二方面的可选实施方式中,所述判定模块,具体用于根据所述目标时间段查找具有相同人群种类标识的其他人员在所述目标时间段的行为数据;将所述目标人员对应目标时间段的行为数据与所述具有相同人群种类标识的其他人员在所述目标时间段的行为数据进行对比,以对所述目标人员进行异常判定。
第三方面,实施例提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第四方面,实施例提供一种非暂态可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时执行第一方面、第一方面的任一可选的实现方式中的所述方法。
第五方面,实施例提供了一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行第一方面、第一方面的任一可选的实现方式中的所述方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请第一实施例提供的人员异常判定方法第一流程图;
图2为本申请第一实施例提供的人员异常判定方法第二流程图;
图3为本申请第一实施例提供的人员异常判定方法第三流程图;
图4为本申请第一实施例提供的人员异常判定方法第四流程图;
图5为本申请第一实施例提供的人员异常判定方法第五流程图;
图6为本申请第一实施例提供的人员异常判定方法第六流程图;
图7为本申请第一实施例提供的人员异常判定方法第七流程图;
图8为本申请第一实施例提供的人员异常判定方法第八流程图;
图9为本申请第二实施例提供的人员异常判定装置结构图;
图10为本申请第三实施例提供的电子设备结构图。
图标:200-查找模块;202-确定模块;204-获取模块;206-判定模块;3-电子设备;301-处理器;302-存储器;303-通信总线。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
第一实施例
如图1所示,本申请实施例提供一种人员异常判定方法,该方法具体包括如下步骤:
步骤S100:根据目标人员的身份标识查找目标人员的行为数据以及人群种类标识,该行为数据包括多个时间段的定位信息。
步骤S102:根据每一时间段的定位信息确定每一时间段该目标人员的活跃度。
步骤S104:获取目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据。
步骤S106:根据目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在该目标时间段的行为数据对目标人员进行异常判定。
在步骤S100中目标人员表示为曾经实施过违法乱纪行为并被列入高危人群的人员;该目标人员的身份标识可为该目标人员的身份证号码或驾驶证号码等,通过输入该目标人员的身份标识即可查找到该目标人员的行为数据以及人群种类标识;其中,该目标人员的身份标识、目标人员的行为数据以及人群种类标识提前关联并存储在数据库中,该数据库可为公安系统的数据库。该人群种类标识表示该目标人员的所属人群,会提前对实施过相应行为的人员打上对应标识并存储在数据库中。该行为数据可包括该目标人员的定位信息(如手机定位地址、上网记录等)、通讯信息(如通话记录、通话次数、通话时长等)。
步骤S100中所描述的多个时间段的定位信息可为将一个时间段分为多个时间小段,获得的多个时间小段中每个时间小段该目标人员的定位信息,例如,一个月中每一天代表一个时间小段,进而获得一个月三十天每天的定位信息;在此基础上,还可以将一个月中每天分为三个时间段,包括白天时间段(如04:00:00至18:59:59)、晚上时间段(如19:00:00至23:59:59)以及凌晨时间段(如00:00:00至03:59:59),进而可以获得每天分成的三个时间段的定位信息,从而获得一个月中每天对应的三个时间段的定位信息。上述所描述的人群种类标识和行为数据,在公安系统中通过输入目标人员的身份标识都可以直接获取到,在获取到之后,即可执行步骤S102。
在步骤S102中根据每一时间段的定位信息确定每一时间段该目标人员的活跃度,根据每一个时间段该目标人员的定位信息确定该时间段该目标人员的活跃度,例如根据该目标人员的一个月的定位信息中得出该目标人员活跃的地方多同时无规律可循,这可以说明该目标人员最近较活跃,进而根据活跃的地方个数等计算出一个活跃度得分,这种情况下该活跃度得分应该较高;而相对的,该目标人员一个月的定位信息中每天的定位痕迹基本一致,例如只有家庭住址和上班地址的行动轨迹,这样可以说明该目标人员在这段时间不活跃,也可以计算出一个活跃度得分,这种情况下的活跃度得分应该较低。通过上述方式确定该目标人员每一时间段的活跃度之后,执行步骤S104。
在步骤S104中,设定一个活跃度预设值,其中,当该目标人员在该时间段的活跃度超过该活跃度预设值时,则将活跃度超过预设值的时间段确定为目标时间段,进而在步骤S104中获取该目标人员在该目标时间段的行为数据,进而执行步骤S106。
在步骤S106中,根据该目标人员在该目标时间段的行为数据以及与该目标人员相同人群种类中的其他人员在该目标时间段的行为数据对该目标人员进行异常判定,也就是说,将该目标人员在该目标时间段的行为数据与该目标人员相同人群种类中的其他人员在该目标时间段的行为数据进行信息比对,比如,根据他们的定位信息比对后,确定出在相同时间定位信息重合,这表示目标人员与其相同类型的人进行了碰面,可能正在执行或密谋违法乱纪的事情,因此,存在异常,由此来根据比对结果来判定该目标人员是否异常。
在上述设计的人员异常判定方法中,通过目标人员的身份标识获取该目标人员的行为数据以及人群种类,进而根据行为数据中的定位信息计算该目标人员的活跃度,进而获取该目标人员活跃度超预设值的目标时间段的行为数据与该人群种类中其他人员在该目标时间段的行为数据来对该目标人员进行异常判定,从而根据目标人员活跃时间段的行为数据来进行分析,使得对目标人员的异常判定更加精确和简便,同时实现了人员异常判定的自动化分析过程,解决了目前通过人工分析特定人员的行为轨迹或通话记录进行人员异常判定存在的判定不准确、费时费力的问题。
在本实施例的可选实施方式中,步骤S102中的根据每一时间段的定位信息确定每一时间段该目标人员的活跃度,如图2所示,具体可包括如下步骤:
步骤S1020:根据每一时间段的定位信息确定每一时间段该目标人员的最大活动距离以及定位落脚点个数。
步骤S1022:根据每一时间段该目标人员的最大活动距离以及定位落脚点个数计算每一时间段该目标人员的活跃度。
在步骤S1020中,根据每一时间段的定位信息可获得该时间段内该目标人员的多个定位位置等信息,进而根据这多个定位位置可确定该目标人员的最大活动距离以及落脚点个数,其中,落脚点可根据定位位置的持续时间来进一步确定,例如,当该目标人员在同一定位位置持续待了半个小时以上,即可成为落脚点;当然,也可以将每个定位位置都可作为该目标人员的落脚点。在得到每一时间段该目标人员的最大活动距离以及定位落脚点个数之后,执行步骤S1022。
在步骤S1022中,活跃度的计算可根据预设的比例分配,给最大活动距离和落脚点个数进行比例分配,例如最大活动距离分配0.6,落脚点个数分配0.4,进而最终得分为两个参数按照预设比例转化后相加得到的分数,即为该目标人员的活跃度得分。其中,上述最大活动距离和落脚点个数的比例分配可根据前述所说的一天中的三个时间段的不同时间段来进行调整,因为普通人的行为不会在凌晨出现在多个地点,因此在凌晨时间段时落脚点个数的比例可相应调高,例如,在白天时间段,最大活动距离与落脚点个数的比例为0.6和0.4;凌晨时间段,最大活动距离与落脚点个数的比例为0.3和0.7。
在本实施例的可选实施方式中,该每一时间段的定位信息可包括每一时间段的多个GeoHash字符串,每一GeoHash字符串代表了某一矩形区域,在每一时间段中,由于目标人员的活动可能会有多个GeoHash字符串,该GeoHash字符串具有如下性质,两个GeoHash字符串之间的相似度越大代表两个GeoHash字符串对应的矩形区域之间的距离越近,两个GeoHash字符串之间的相似度越小(差异越大)代表两个GeoHash字符串对应的矩形区域之间的距离越远。
在上述描述的基础上,步骤S1020根据每一时间段的定位信息确定每一时间段该目标人员的最大活动距离以及定位落脚点个数可通过以下方式具体实现,如图3所示,包括:
步骤S10200:根据每一时间段中相似程度相差最大的两个GeoHash字符串确定每一时间段该目标人员的最大活动距离。
步骤S10202:根据每一时间段的GeoHash字符串个数确定每一时间段该目标人员的定位落脚点个数。
在步骤S10200中,由于一个时间段中相似程度相差最大的两个GeoHash字符串可表示该目标人员在该时间段去的距离相差最大的两个地点,进而可根据相似度相差最大的两个GeoHash字符串确定该时间段该目标人员的最大活动距离。
在步骤S10202中,前述已经描述到在每一时间段中,由于目标人员的活动可能会有多个GeoHash字符串,因此,可将每一段时间内的GeoHash字符串个数作为该目标人员的定位落脚点个数。
在上述设计的实施方式中,通过一定时间段内的定位信息确定目标人员在这个时间段内的最大活动距离以及落脚点个数,根据这个时间段内的最大活动距离和落脚点个数计算该目标人员在这个时间段的活跃度,进而基于活跃度在多个时间段中筛选中目标人员活跃的时间段来对其进行异常判断,使得后续对该目标人员的异常判定更加准确。
在本实施例的可选实施方式中,在前述步骤S1020根据每一时间段的定位信息确定每一时间段该目标人员的最大活动距离之后,步骤S106根据目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在目标时间段的行为数据对目标人员进行异常判定,如图4所示,可具体为如下方式:
步骤S1060:获取目标人员在目标时间段的最大活动距离。
步骤S1061:根据目标人员在目标时间段的最大活动距离以及具有相同人群种类标识的其他人员在目标时间段的定位信息确定在最大活动距离内的具有相同人群种类标识的其他人员。
步骤S1062:根据在最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对目标人员进行异常判定。
在步骤S1020确定每一时间段该目标人员的最大活动距离以及步骤S104确定出超过活跃度预设值的目标时间段之后,即可执行步骤S1060获取目标人员在目标时间段的最大活动距离,进而执行步骤S1062。
步骤S1061表示在步骤S1060确定的目标时间段的最大活动距离的范围下,根据其他人员的定位信息是否出现在该最大活动距离内,进而确定出在该最大活动距离内与该目标人员具有相同人群种类标识的其他人员。然后执行步骤S1062,根据在最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对目标人员进行异常。
在上述设计的实施方式中,通过目标人员在目标时间段的最大活动距离以及其他人员在目标时间段定位信息确定出在该最大活动距离内出现过的其他人员,进而根据在该最大活动距离内出现过的其他人员的行为数据以及目标人员在该目标时间段的行为数据来确定该目标人员是否异常,对其他人员进行了范围筛选,使得对比数据合理化简洁,在异常判定精准度不降低的前提下,加快了异常判定的速度。
在本实施例的可选实施方式中,步骤S106根据目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在目标时间段的行为数据对目标人员进行异常判定,除了上述实施方式以外,还可以包括如下多种方式:
第一,不进行其他人员的筛选,通过直接查找具有相同人群种类标识的所有其他人员的行为数据的方式,如图5所示,该方式具体包括如下步骤:
步骤S1063:根据目标时间段查找具有相同人群种类标识的其他人员在目标时间段的行为数据。
步骤S1064:将目标人员对应目标时间段的行为数据与具有相同人群种类标识的其他人员在目标时间段的行为数据进行对比,以对目标人员进行异常判定。
在步骤S1063中根据步骤S104确定的目标人员活跃度超过预设值的目标时间段直接查找其他同类人在该目标时间段的行为数据,进而执行步骤S1064将查找到的其他同类人在该目标时间段的行为数据与该目标人员在该目标时间段的行为数据进行对比,进而对该目标人员进行异常判定。
第二,通过在该目标时间段的同类活跃人的行为数据与目标人员的行为数据进行对比的方式,如图6所示,该方式具体包括如下步骤:
步骤S1065:获取具有相同人群种类标识的其他人员在该目标时间段的定位信息。
步骤S1066:根据目标时间段的定位信息确定该目标时间段每个其他人员的活跃度。
步骤S1067:根据目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在该目标时间段的行为数据对目标人员进行异常判定。
上述步骤S1065~步骤S1067表示为,在确定出目标人员活跃度超过预设值的目标时间段字后,获取与该目标人员属于同类人群中的其他人员在该目标时间段的定位信息,根据前述所描述的方式确定这些其他人员在该目标时间段的活跃度,进而执行步骤S1067,将超过活跃度预设值的其他人员在该目标时间段的行为数据和该目标人员在该目标时间段的行为数据来对该目标人员进行异常判定。
在本实施例的可选实施方式中,前述三种实施方式中,最终根据目标人员在目标时间段的行为数据以及其他人员在目标时间段的行为数据对目标人员进行异常判断,具体可为如下两种方式,第一,通过行为数据中的定位信息来进行异常判断;第二,通过行为数据中的通讯信息来进行异常判断。第一种,如图7所示,具体包括如下步骤:
步骤S1070:确定目标时间段内目标人员的定位信息与其他人员的定位信息是否重合,若是,则转到步骤S1071。
步骤S1071:确定重合的时间长度是否超过预设长度,若是,则转到步骤S1073。
步骤S1073:确定该目标人员异常。
在步骤S1070中,通过该目标时间段内目标人员的定位信息以及其他人员的定位信息可确定出该目标时间段内目标人员与其他人员的定位信息是否重合,如果重合了,则表示该目标人员与其他同类人员进行了碰面,可能在进行私下的违法乱纪行为,此时可以初步确定该目标人员异常。为了进一步确定该目标人员的异常,执行步骤S1071确定两个定位信息的重合时间长度是否超过预设长度,例如,目标人员A和其他同类人员B的定位信息重合,并且重合时间超过半小时,而预设的时间长度为10分钟,此时表示两个定位信息的重合时间长度超过预设长度,那么则确定该目标人员异常;也可以根据前述的描述对一天的三个时间段白天、晚上以及凌晨设定不同的标准,白天的预设长度为10分钟,晚上的预设长度为8分钟,凌晨的预设长度为5分钟,在各个时间段满足对应的预设长度时则确定该目标人员异常。在步骤S1073确定出该目标人员异常之后,可将查找出该目标人员的身份标识以及当前定位信息发送给相关执法人员,进而相关执法人员对该目标人员进行排查检查。
前述所说的第二种方式,如图8所示,具体可包括如下步骤:
步骤S1075:根据目标时间段内目标人员的通讯信息以及其他人员的通讯信息确定目标人员与其他人员的通讯时长。
步骤S1076:判断通讯时长是否超过预设长度,若是,则转到步骤S1077。
步骤S1077:确定该目标人员异常。
在步骤S1075中根据目标时间段内目标人员的通话信息以及其他人员的通讯信息,例如通话记录以及通话时长,可以确定出在该目标时间段内该目标人员与哪些同类其他人员进行了通话,可能在进行私下的违法乱纪行为,此时可以初步确定该目标人员异常。为了进一步确定该目标人员是否异常,可执行步骤S1076判断目标人员与同类其他人员的通讯时长是否超过预设长度,例如,设置的预设长度为三分钟,目标人员与同类其他人员的通讯时长超过三分钟即可表示该目标人员异常;也可以在前述所说的一天分为三个时间段的情况下,设定不同的标准,例如,白天的预设长度为三分钟,晚上的预设长度为两分钟,凌晨期间有相互通话就算异常,进而执行步骤S1077确定该目标人员的异常情况。在步骤S1077确定出该目标人员异常之后,可将查找出该目标人员的身份标识以及当前定位信息发送给相关执法人员,进而相关执法人员对该目标人员进行排查检查。
另外,这里需要说明的是,上述所有步骤执行的方法过程可应用于服务器中,在需要进行目标人员的异常判定时,可通过客户端输入该目标人员的身份标识(例如身份证号码),服务器执行上述步骤,进而向该客户端返回是否异常结果以及如果具有异常,可将该目标人员的当前定位信息返回客户端以供用户使用。
第二实施例
图9出示了本申请提供的人员异常判定装置的示意性结构框图,应理解,该装置与上述图1至图8中的方法实施例对应,能够执行第一实施例中服务器执行的方法涉及的步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。具体地,该装置包括:查找模块200,用于根据目标人员的身份标识查找目标人员的行为数据以及人群种类标识,该行为数据包括多个时间段的定位信息;确定模块202,用于根据每个时间段的定位信息确定每个时间段该目标人员的活跃度;获取模块204,用于获取该目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据;判定模块206,用于根据目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在该目标时间段的行为数据对目标人员进行异常判定。
在上述设计的人员异常判定装置中,通过目标人员的身份标识获取该目标人员的行为数据以及人群种类,进而根据行为数据中的定位信息计算该目标人员的活跃度,进而获取该目标人员活跃度超预设值的目标时间段的行为数据与该人群种类中其他人员在该目标时间段的行为数据来对该目标人员进行异常判定,从而根据目标人员活跃时间段的行为数据来进行分析,使得对目标人员的异常判定更加精确和简便,同时实现了人员异常判定的自动化分析过程,解决了目前通过人工分析特定人员的行为轨迹或通话记录进行人员异常判定存在的判定不准确、费时费力的问题。
在本实施例的可选实施方式中,确定模块202,具体用于根据每一时间段的定位信息确定每一时间段该目标人员的最大活动距离以及定位落脚点个数;根据每一时间段该目标人员的最大活动距离以及定位落脚点个数计算每一时间段该目标人员的活跃度。
在本实施例的可选实施方式中,每一时间段的定位信息包括每一时间段的多个GeoHash字符串,确定模块202,还具体用于根据每一时间段中相似程度相差最大的两个GeoHash字符串确定每一时间段该目标人员的最大活动距离;根据每一时间段的GeoHash字符串个数确定每一时间段该目标人员的定位落脚点个数。
在本实施例的可选实施方式中,判定模块206,具体用于获取目标人员在目标时间段的最大活动距离;根据目标人员在目标时间段的最大活动距离以及具有相同人群种类标识的其他人员在目标时间段的定位信息确定在最大活动距离内的具有相同人群种类标识的其他人员;根据在最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对目标人员进行异常判定。
第三实施例
如图10所示,本申请提供一种电子设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以执行时执行第一实施例、第一实施例的任一可选的实现方式中的方法,例如步骤S100~步骤S106:根据目标人员的身份标识查找目标人员的行为数据以及人群种类标识,该行为数据包括多个时间段的定位信息;根据每一时间段的定位信息确定每一时间段该目标人员的活跃度;获取该目标人员活跃度超过预设值的目标时间段及对应目标时间段的行为数据;根据该目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在该目标时间段的行为数据对该目标人员进行异常判定。
本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一实施例、第一实施例的任一可选的实现方式中的方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行第一实施例、第一实施例的任一可选的实现方式中的所述方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
需要说明的是,功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种人员异常判定方法,其特征在于,所述方法包括:
根据目标人员的身份标识查找所述目标人员的行为数据以及人群种类标识,所述行为数据包括多个时间段的定位信息;
根据每一时间段的定位信息确定每一时间段所述目标人员的活跃度;
获取所述目标人员的活跃度超过预设值的目标时间段及对应目标时间段的行为数据;
根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
2.根据权利要求1所述方法,其特征在于,所述根据每一时间段的定位信息确定每一时间段所述目标人员的活跃度,包括:
根据每一时间段的定位信息确定每一时间段所述目标人员的最大活动距离以及定位落脚点个数;
根据每一时间段所述目标人员的最大活动距离以及定位落脚点个数计算每一时间段所述目标人员的活跃度。
3.根据权利要求2所述方法,其特征在于,所述每一时间段的定位信息包括每一时间段的多个GeoHash字符串,所述根据所述每一时间段的定位信息确定每一时间段所述目标人员的最大活动距离以及定位落脚点个数,包括:
根据每一时间段中相似程度相差最大的两个GeoHash字符串确定每一时间段所述目标人员的最大活动距离;
根据每一时间段的GeoHash字符串个数确定每一时间段所述目标人员的定位落脚点个数。
4.根据权利要求2所述方法,其特征在于,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:
获取所述目标人员在所述目标时间段的最大活动距离;
根据所述目标人员在所述目标时间段的最大活动距离以及具有相同人群种类标识的其他人员在所述目标时间段的定位信息确定在所述最大活动距离内的具有相同人群种类标识的其他人员;
根据在所述最大活动距离内的具有相同人群种类标识的其他人员的行为数据以及对应目标时间段的行为数据对所述目标人员进行异常判定。
5.根据权利要求1所述方法,其特征在于,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:
根据所述目标时间段查找具有相同人群种类标识的其他人员在所述目标时间段的行为数据;
将所述目标人员对应目标时间段的行为数据与所述具有相同人群种类标识的其他人员在所述目标时间段的行为数据进行对比,以对所述目标人员进行异常判定。
6.根据权利要求1所述方法,其特征在于,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:
获取所述具有相同人群种类标识的其他人员在所述目标时间段的定位信息;
根据所述目标时间段的定位信息确定所述目标时间段每个其他人员的活跃度;
根据所述目标时间段、对应目标时间段的行为数据以及超过活跃度预设值的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
7.根据权利要求1所述方法,其特征在于,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:
确定所述目标时间段内所述目标人员的定位信息与其他人员的定位信息是否重合;
若是,则确定所述重合的时间长度是否超过预设长度;
若是,则确定所述目标人员异常。
8.根据权利要求1所述方法,其特征在于,所述行为数据还包括通讯信息,所述根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定,包括:
根据所述目标时间段内所述目标人员的通讯信息以及其他人员的通讯信息确定所述目标人员与其他人员的通讯时长;
判断所述通讯时长是否超过预设长度;
若是,则确定所述目标人员异常。
9.一种人员异常判定装置,其特征在于,所述装置包括:
查找模块,用于根据目标人员的身份标识查找所述目标人员的行为数据以及人群种类标识,所述行为数据包括多个时间段的定位信息;
确定模块,用于根据每个时间段的定位信息确定每个时间段所述目标人员的活跃度;
获取模块,用于获取所述目标人员的活跃度超过预设值的目标时间段及对应目标时间段的行为数据;
判定模块,用于根据所述目标时间段、对应目标时间段的行为数据以及具有相同人群种类标识的其他人员在所述目标时间段的行为数据对所述目标人员进行异常判定。
10.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。
11.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291659.6A CN111241149B (zh) | 2019-12-13 | 2019-12-13 | 一种人员异常判定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291659.6A CN111241149B (zh) | 2019-12-13 | 2019-12-13 | 一种人员异常判定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111241149A true CN111241149A (zh) | 2020-06-05 |
CN111241149B CN111241149B (zh) | 2023-02-28 |
Family
ID=70874116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291659.6A Active CN111241149B (zh) | 2019-12-13 | 2019-12-13 | 一种人员异常判定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111241149B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232178A (zh) * | 2020-10-13 | 2021-01-15 | 重庆紫光华山智安科技有限公司 | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 |
CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、系统及存储介质 |
CN113343056A (zh) * | 2021-05-21 | 2021-09-03 | 北京市燃气集团有限责任公司 | 一种用户用气量异常检测方法及装置 |
CN113779171A (zh) * | 2021-09-26 | 2021-12-10 | 浙江大华技术股份有限公司 | 对象落脚点的确定方法、装置、存储介质及电子装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016189544A (ja) * | 2015-03-30 | 2016-11-04 | 富士フイルム株式会社 | 画像撮影装置、画像撮影方法、プログラムおよび記録媒体 |
CN107454204A (zh) * | 2017-07-24 | 2017-12-08 | 北京小米移动软件有限公司 | 用户信息标注方法及装置 |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN107918917A (zh) * | 2017-10-13 | 2018-04-17 | 东软集团股份有限公司 | 社交分析方法及装置、存储介质、电子设备 |
-
2019
- 2019-12-13 CN CN201911291659.6A patent/CN111241149B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016189544A (ja) * | 2015-03-30 | 2016-11-04 | 富士フイルム株式会社 | 画像撮影装置、画像撮影方法、プログラムおよび記録媒体 |
CN107454204A (zh) * | 2017-07-24 | 2017-12-08 | 北京小米移动软件有限公司 | 用户信息标注方法及装置 |
CN107665448A (zh) * | 2017-09-29 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 用于确定消费贡献价值的方法、装置以及存储介质 |
CN107918917A (zh) * | 2017-10-13 | 2018-04-17 | 东软集团股份有限公司 | 社交分析方法及装置、存储介质、电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232178A (zh) * | 2020-10-13 | 2021-01-15 | 重庆紫光华山智安科技有限公司 | 基于人像聚档的区域落脚点判定方法、系统、设备及介质 |
CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、系统及存储介质 |
CN113343056A (zh) * | 2021-05-21 | 2021-09-03 | 北京市燃气集团有限责任公司 | 一种用户用气量异常检测方法及装置 |
CN113779171A (zh) * | 2021-09-26 | 2021-12-10 | 浙江大华技术股份有限公司 | 对象落脚点的确定方法、装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111241149B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241149B (zh) | 一种人员异常判定方法、装置、电子设备及存储介质 | |
US8635162B2 (en) | Creating rules for the administration of end-user license agreements | |
Amiri et al. | Pattern extraction for high-risk accidents in the construction industry: a data-mining approach | |
CN109687991A (zh) | 用户行为识别方法、装置、设备及存储介质 | |
US20070233607A1 (en) | Identifying whether material is subject to an end-user license agreement | |
EP2793162A1 (en) | Anonymization device, anonymization method, and computer program | |
CN111427926B (zh) | 异常医保群组识别方法、装置、计算机设备及存储介质 | |
CN108648810B (zh) | 医学审核的数据处理方法、装置、及计算机可读存储介质 | |
Hughes et al. | From free-text to structured safety management: Introduction of a semi-automated classification method of railway hazard reports to elements on a bow-tie diagram | |
US20170054750A1 (en) | Risk assessment | |
CN111464487B (zh) | 访问控制方法、装置及系统 | |
US8160964B2 (en) | Virtual license documents | |
CN112528166A (zh) | 用户关系分析方法、装置、计算机设备及存储介质 | |
CN110400080A (zh) | 考核数据监控方法、装置、计算机设备和存储介质 | |
CN111367906B (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
CN111159183B (zh) | 报表生成方法、电子装置及计算机可读存储介质 | |
CN110191097B (zh) | 登录页面安全性的检测方法、系统、设备及存储介质 | |
CN111224859A (zh) | 删除聊天记录的方法、计算机设备以及存储介质 | |
CN105677813A (zh) | 一种信息展示方法及装置 | |
US20070083474A1 (en) | Administration of end-user licence agreements | |
CN111090655A (zh) | 基于监控数据的预警方法及装置、电子设备和存储介质 | |
CN113254732B (zh) | 企业关系的确定方法、装置、计算机设备和存储介质 | |
CN112613853A (zh) | 一种数据归集方法、装置、计算机设备和可读存储介质 | |
CN112686742A (zh) | 销项发票风险预警方法、装置、存储介质及电子设备 | |
CN111178231B (zh) | 一种对象监测方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210914 Address after: 100000 room 650, 6th floor, building 11, Huashan Garden Cultural Media Industrial Park, 1376 folk culture street, Gaobeidian village, Gaobeidian Township, Chaoyang District, Beijing Applicant after: Beijing Zhizhi Heshu Technology Co.,Ltd. Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing Applicant before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |