CN111260526A - 人物轨迹行为分析预估方法和装置 - Google Patents
人物轨迹行为分析预估方法和装置 Download PDFInfo
- Publication number
- CN111260526A CN111260526A CN202010066994.2A CN202010066994A CN111260526A CN 111260526 A CN111260526 A CN 111260526A CN 202010066994 A CN202010066994 A CN 202010066994A CN 111260526 A CN111260526 A CN 111260526A
- Authority
- CN
- China
- Prior art keywords
- data
- label
- behavior
- character
- tag
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 161
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 8
- 206010000117 Abnormal behaviour Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 235000021191 food habits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供的人物轨迹行为分析预估方法和装置，涉及人物轨迹行为分析领域，所述方法包括实时获取各个终端采集的人物行为数据；根据行为数据提取数据标签；基础标签表征人物的静态属性；根据数据标签构建不同维度的标签矩阵；标签矩阵表征人物在同一维度产生的行为数据的关联；根据标签矩阵生成标签模型；通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为。对采集的人物行为数据提取对公共安全有价值数据标签，根据数据标签构建不同维度的标签矩阵，进而根据标签矩阵生成标签模型，通过标签模型预估未来可能会出现的人物行为，当人物涉及危险行为时将实时告警推送至相关业务平台，从而避免了涉及公众安全的事件发生。
Description
技术领域
本发明涉及人物轨迹行为分析领域，具体而言，涉及一种人物轨迹行为分析预估方法和装置。
背景技术
人物满足日常生活所需的衣食住行会产生大量的行为数据，随着人们对数据资产的认识的逐步加深，数据的价值也被人们所重视。将这些数据提炼成对公共安全有价值的数据标签图谱，让人物涉及危险行为时实时推送告警至相关业务平台，可以有效避免涉及公众安全事件发生。
传统的人物行为数据分析提取，无论是数据横向串联亦或是数据纵向合并均存在以下弊端；以经验为导向：数据标签的提取更多的是依靠现有的经验提取数据关键字信息作为标签，并未把所有的业务场景发生的数据进行串联、归纳、分析，数据标签较为单一、枯燥，指导实战成效甚微；数据维度较为单一：现有的数据标签提取仅针对单一事件发生的行为进行关键字提取，并未做到多事件、多维度的关联，当前的标签仅对当前发生的行为进行标签提取，并未串联上游数据。
发明内容
有鉴于此，本发明的目的在于提供一种人物轨迹行为分析预估方法和装置。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，实施例提供一种人物轨迹行为分析预估方法，包括：
实时获取各个终端采集的人物行为数据；
根据所述行为数据提取数据标签；所述数据标签包括基础标签和行为标签；所述基础标签表征人物的静态属性；所述行为标签表征人物的动态属性；
根据所述数据标签构建不同维度的标签矩阵；所述标签矩阵表征人物在同一维度产生的行为数据的关联；
根据所述标签矩阵生成标签模型；所述标签模型表征不同维度的所述人物行为数据之间的关联关系。
在可选的实施方式中，所述根据所述行为数据提取数据标签的步骤，包括：
获取人物行为涉及到的各类实体的基本类型及固有属性；
基于所述基本类型及固有属性、所述人物行为数据提取所述数据标签。
在可选的实施方式中，根据所述数据标签构建不同维度的标签矩阵的步骤，包括：
获取不同维度上各种类型的所述数据标签之间的关联关系；
基于所述关联关系，在每个维度上的对所述数据标签构建一个所述标签矩阵。
在可选的实施方式中，根据所述标签矩阵生成标签模型的步骤，包括：
提取所述标签矩阵之间的关联关系；
基于神经网络根据所述关联关系建立标签模型。
第二方面，实施例提供一种人物轨迹行为分析预估方法，包括：
获取各个终端采集的人物行为数据；
通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为；所述标签模型包括不同维度的所述人物行为数据；所述人物行为表征不同维度产生的人物行为数据的关联。
第三方面，实施例提供一种人物轨迹行为分析预估装置，包括：
第一获取模块，用于实时获取各个终端采集的人物行为数据；
第一处理模块，用于根据所述行为数据提取数据标签；所述数据标签包括基础标签和行为标签；所述基础标签表征人物的静态属性；所述行为标签表征人物的动态属性；
以及还用于根据所述数据标签构建不同维度的标签矩阵；所述标签矩阵表征人物在同一维度产生的行为数据的关联；
以及还用于根据所述标签矩阵生成标签模型；所述标签模型表征不同维度的所述人物行为数据之间的关联关系。
在可选的实施方式中，所述第一获取模块，还用于获取人物行为涉及到的各类实体的基本类型及固有属性；
所述第一处理模块，还用于基于所述基本类型及固有属性、所述人物行为数据提取所述数据标签。
在可选的实施方式中，所述第一获取模块，还用于获取不同维度上各种类型的所述数据标签之间的关联关系；
所述第一处理模块，还用于基于所述关联关系，在每个维度上的对所述数据标签构建一个所述标签矩阵；
以及还用于提取所述标签矩阵之间的关联关系；
以及还用于基于神经网络根据所述关联关系建立标签模型；
以及还用于当所述标签模型分析预估出威胁社会安全的高危行为时，发出高危行为预警。
第四方面，实施例提供一种人物轨迹行为分析预估装置，包括：
第二获取模块，用于获取各个终端采集的人物行为数据；
第一处理模块，用于通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为；所述标签模型包括不同维度的所述人物行为数据；所述人物行为表征不同维度产生的人物行为数据的关联。
本发明实施例提供的人物轨迹行为分析预估方法和装置，所述方法包括实时获取各个终端采集的人物行为数据；根据行为数据提取数据标签；数据标签包括基础标签和行为标签；基础标签表征人物的静态属性；行为标签表征人物的动态属性；根据数据标签构建不同维度的标签矩阵；标签矩阵表征人物在同一维度产生的行为数据的关联；根据标签矩阵生成标签模型；通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为。对采集的人物行为数据提取对公共安全有价值数据标签，根据数据标签构建不同维度的标签矩阵，进而根据标签矩阵生成标签模型，通过标签模型预估未来可能会出现的人物行为，当人物涉及危险行为时将实时告警推送至相关业务平台，从而避免了涉及公众安全的事件发生。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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示出了本发明实施例提供的一种大数据支撑平台的架构示意图。
图2示出了本发明实施例提供的一种人物轨迹行为分析预估方法的流程示意图。
图3示出了本发明实施例提供的另一种人物轨迹行为分析预估方法的流程示意图。
图4示出了本发明实施例提供的一种业务数据表的示意图。
图5示出了本发明实施例提供的一种第一人物轨迹行为分析预估装置的功能模块图。
图6示出了本发明实施例提供的另一种人物轨迹行为分析预估方法的流程示意图。
图7示出了本发明实施例提供的一种第二人物轨迹行为分析预估装置的功能模块图。
图标：100-第一人物轨迹行为分析预估装置；110-第一获取模块；120-第一处理模块；200-第二人物轨迹行为分析预估装置；210-第二获取模块；220-第二处理模块。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
人物满足日常生活所需的衣食住行会产生大量的行为数据，将这些数据提炼成对公共安全有价值的数据标签图谱，让人物涉及危险行为时实时推送告警至相关业务平台，可以有效避免涉及公众安全事件发生。基于这一套实时标签推送，需要构建综合标签图谱，将购物、车辆、出行、人脸、卡口、电子围栏等数据结合时间提炼标签以矩阵的形式为上层服务提供标签服务。
随着数据结多元化、多样化、越来越复杂，数据搜集渠道越来越多，前段的设备规模也越来越广，例如：前段卡口数据已经完成结构化存储，视频人脸抓拍也完成结构化技术储备，如何利用好这些数据，让数据快速指导上层业务应用，已经成为亟待解决的问题，从数据自身角度来讲，主要由以下几方面进行突破：
第一，解决固有物体属性问题。任何设备厂商生产、部署、使用过程中均需要将物体固有属性作为数据上传基本必备条件之一，如：卡口数据上传，需要将卡口厂家、部署时间、地理位置等基础数据上传，抓拍人脸设备，需将视频设备厂家、速率、性能等相关数据一并上传。
第二，数据标签提取。需要一套高效识别各实体数据与业务数据标签的提取模型，内容包括实体的基本类型或分类、各类实体具有的属性和属性值类型、不同类型实体之间的关系类型、关系的定义域亿级关系值域、关键字提取、隶属关系，所有这些均需要多套模型辅助实现。模型的建设某种角度讲也是知识图谱创建的前期步骤之一。
第三，知识图谱模型构建实时标签提取旨在描述人物各日常生活中研究的存在的实体、概念及其关系，其本质是一种实时揭示实体关系的复杂网络。为提炼和抽象化实体数据的相关知识。
现有技术中，当前涉及到公共安全领域的标签均是通过事后行为的数据中获取关键字信息或者人工加注标签，再进行发布，这样的数据很大程度上的滞后性和脏数据的产生给实际上层应用带来困惑和不确定性。尤其是针对涉及到安全领域破案线索，如汽车、旅店、网吧、案件、卡口、WIFI、电子围栏等关键标签数据，关系到建立人与人、人与车、车与车等更深层次的隐性关系，也是破案线索的关键所在，传统的技术方案都是基于历史数据分析，构建实时标签体系数据不够鲜活。
传统方案获取标签数据存在几大弊端，无论是数据横向串联亦或是数据纵向合并均存在较大的弊端具体描述如下：
数据滞后性：涉及到公共安全领域的标签数据不仅仅需要历史数据佐证，更需要标签的及时高效为上层应用提供精准数据服务。
数据单向性：当前的数据标签更多是人与物的行为发生以后再进行标签工作，生产标签后再无更正、修复的工作并无数据互动补充，从数据闭环的角度讲，缺少一个数据自修复的环节。
标签提取技术呆板：目前的标签生产提取技术环节相对较为呆板，从市场占有份额比较大的产品分析，标签生产更多的涉及到数据库关键词提取，并无涉及到语义理解、场景结合综合理解行为。
请参阅图1，为本发明实施例提供的一种大数据支撑平台的架构示意图。
建设基于人物行为数据的实时标签先决条件是创建符合数据标签的软件平台，该软件平台技术架构如图1所示。
该大数据支撑平台主要有以下几项内容：
分布式存储于索引技术：制定行为数据描述标准和存储规范，对前端卡口数据、人脸数据、衣食住行数据等各项业务数据进行资源汇聚和整合；采用大数据分布式存储和索引技术、知识图谱进行存储。
Spark高性能计算技术：利用Spark高性能计算技术完成数据标签知识图谱加工过程的数据计算与演变，在本体和知识组织体系的指导下对结构化元数据、半结构数据、非结构化的数据进行语义理解、知识演变、数据标签生成，获得实体、属性和实体属性之间的关系，形式知识图谱的实体网络，并对其进行数据规范、实体对齐、属性值决策、关系挖掘以及融合外部知识等。此外采用自动检测数据标签合法性与正确性，实时对知识图谱标签矩阵进行扫描校验，不断提高数据标签的数据质量。同时将已经作用于生产的数据标签返回标签知识图谱标签矩阵中，检查标签的使用率与正确率，反作用于知识图谱促进知识图谱标签矩阵的改良与应用。
可视化展示与接口服务：可视化展示更加直观表达当前产品数据标签内容与数量，便于宏观调整数据标签计算规则与周期；展示可采用图形和表格、搜索、对第三方接口形式。
基于知识图谱标签矩阵建设：标签矩阵是一个An*n的向量列集合，可以将它看成为n个行向量的组合，亦可以看成一个n列向量的集合，不管是哪一种方式，标签矩阵行列式的绝对值都等于这个n个向量所张成的n维立体的矩阵体积。
以具体案例来说明，任何一个数据标签均可看成为是任意维度的交集，如前段人脸识别的终端上报的“重点人员”数据标签，可把这个标签看成是某一个人的数据标签，亦可以这个为维度加载所有属于这类数据标签的人员以及与此类人员相关的其他数据标签，这样就可形成一个庞大的标签矩阵体系。
基于公共安全标签模型建设：标签模型涉及到机器学习、业务理解、环境理解、串并上下游场景等各子环节处理，所有这些环节的处理集合称之为标签模型，目前该环节处理主要采用的算法有显性回归、决策树、朴素贝叶斯、LDA主题模型、K聚类等算法以满足不同场景下数据标签的提取需求。
基于公共安全实时异常行为检测：异常行为检测需要一个庞大的异常行为库作为基准，这需要与历史异常行为库对接并不断更新异常行为案例数据，实时业务场景中任何一条比对成功均向业务系统发出告警同时生成对应的告警标签，供各业务警钟使用，这种场景一般基于实时出警需求较为广泛。
请参阅图2，为本发明实施例提供的一种人物轨迹行为分析预估方法的流程示意图。
步骤101，实时获取各个终端采集的人物行为数据。
步骤102，根据行为数据提取数据标签。
步骤103，根据数据标签构建不同维度的标签矩阵。
步骤104，根据标签矩阵生成标签模型。
在本实施例中，首先实时获取各个终端采集的人物行为数据，然后根据行为数据提取数据标签，数据标签包括基础标签和行为标签，基础标签表征人物的静态属性，行为标签表征人物的动态属性；并根据数据标签构建不同维度的标签矩阵；标签矩阵表征人物在同一维度产生的行为数据的关联；最后根据标签矩阵生成标签模型。对采集的人物行为数据提取对公共安全有价值数据标签，根据数据标签构建不同维度的标签矩阵，进而根据标签矩阵生成标签模型，通过标签模型预估未来可能会出现的人物行为，当人物涉及危险行为时将实时告警推送至相关业务平台，从而避免了涉及公众安全的事件发生。
请参阅图3，为本发明实施例提供的另一种人物轨迹行为分析预估方法的流程示意图。
需要说明的是，本实施例所提供的人物轨迹行为分析预估方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。
步骤101，实时获取各个终端采集的人物行为数据。
获取人物行为数据的终端包括但不限于人脸识别端、车辆识别端、消防门禁端及电子围栏交通闸机等。
人物行为数据包括人物与人脸、卡口、车辆、网吧、购物、水电煤、住宿及交通等有关的行为数据。
步骤102，根据行为数据提取数据标签。
需要说明的是，步骤102包括两个子步骤，本步骤中未提及之处将在其子步骤中进行详细的阐述。
子步骤102-1，获取人物行为涉及到的各类实体的基本类型及固有属性。
如人物去了某一个商场，则获取该商场的地点、经营时间等基本信息，若人物去了某网吧，则获取该网吧的地点、经营时间等基本信息。
子步骤102-2，基于基本类型及固有属性、所述人物行为数据提取数据标签。
数据标签包括基础标签和行为标签；基础标签表征人物的静态属性，行为标签表征人物的动态属性。
静态属性包括人物的基本属性、社会属性、行为习惯、兴趣爱好及心理学属性。
基本属性包括性别、婚姻状况、星座、年龄、学历、收入水平、健康状况等信息。
社会属性包括职业、职级、孩子状态、车辆使用情况、房屋居住、手机价位及移动运营商等信息。
行为习惯包括常住城市、作息时间、交通方式、日常交通方式、理财特性、餐饮习惯及网购特性等信息。
兴趣爱好包括购物偏好、浏览偏好、音乐偏好、体育偏好、游戏偏好及旅游偏好等信息。
心理学属性包括生活方式、个性及价值观等信息。
步骤103，根据数据标签构建不同维度的标签矩阵。
需要说明的是，步骤103包括两个子步骤，本步骤中未提及之处将在其子步骤中进行详细的阐述。
子步骤103-1，获取不同维度上各种类型的数据标签之间的关联关系。
从人物个体、时间等维度来分析各种类型的数据标签之间的关联关系。
子步骤103-2，基于关联关系在每个维度上的对数据标签构建一个标签矩阵。
标签矩阵的作用是从全局的角度对数据标签存储与读取进行规划和设计，根据业务与数据的理解来设计全局标签矩阵，并为后续的标签模型提取提供标准范式，如图4所示是标签矩阵中业务数据表，其中每一列是个业务主体，每一行是数据主体，标签矩阵包括多个业务数据表。
请参阅图4，为本发明实施例提供的一种业务数据表的示意图。
步骤104，根据标签矩阵生成标签模型。
需要说明的是，步骤104包括两个子步骤，本步骤中未提及之处将在其子步骤中进行详细的阐述。
子步骤104-1，提取标签矩阵之间的关联关系。
根据标签矩阵中多个业务数据表得到标签矩阵之间的关联关系。
子步骤104-2，基于神经网络根据关联关系建立标签模型。
标签模型的建立基于每一个可运行的模型颗粒计算，每一个模型颗粒可提取一个或是多个数据标签，提取的数据标签最终落到标签模型中；标签模型的创建需要根据具体实际业务场景编辑，一般的数据标签提取采用文本理解即可，较为复杂的数据标签采用大数据挖掘类的一些算法。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种第一人物轨迹行为分析预估装置的实现方式。进一步地，请参阅图5，图5为本发明实施例提供的一种第一人物轨迹行为分析预估装置的功能模块图。需要说明的是，本实施例所提供的第一人物轨迹行为分析预估装置，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该第一人物轨迹行为分析预估装置100包括：第一获取模块110及第一处理模块120。
可以理解的，在一种实施例中，通过第一获取模块110执行步骤101、步骤102-1及步骤103-1。
可以理解的，在一种实施例中，通过第一处理模块120执行步骤102-2、步骤103-2及步骤104。
请参阅图6，为本发明实施例提供的另一种人物轨迹行为分析预估方法的流程示意图。
步骤201，获取各个终端采集的人物行为数据。
步骤202，通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为。
将获取的人物行为数据放入标签模型计进行计算，得到可能会出现的人物行为，当人物涉及危险行为时将实时告警推送至相关业务平台，以避免涉及公众安全的事件发生。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种第一人物轨迹行为分析预估装置的实现方式。进一步地，请参阅图7，图7为本发明实施例提供的一种第二人物轨迹行为分析预估装置的功能模块图。需要说明的是，本实施例所提供的第二人物轨迹行为分析预估装置，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该第二人物轨迹行为分析预估装置200包括：第二获取模块210及第二处理模块220。
可以理解的，在一种实施例中，通过第二获取模块210执行步骤201。
可以理解的，在一种实施例中，通过第二处理模块220执行步骤202。
综上所述，本发明实施例提供的人物轨迹行为分析预估方法和装置，所述方法包括实时获取各个终端采集的人物行为数据；根据行为数据提取数据标签；数据标签包括基础标签和行为标签；基础标签表征人物的静态属性；行为标签表征人物的动态属性；根据数据标签构建不同维度的标签矩阵；标签矩阵表征人物在同一维度产生的行为数据的关联；根据标签矩阵生成标签模型；通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为。对采集的人物行为数据提取对公共安全有价值数据标签，根据数据标签构建不同维度的标签矩阵，进而根据标签矩阵生成标签模型，通过标签模型预估未来可能会出现的人物行为，当人物涉及危险行为时将实时告警推送至相关业务平台，从而避免了涉及公众安全的事件发生。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述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，本发明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)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)
1.一种人物轨迹行为分析预估方法，其特征在于，包括：
实时获取各个终端采集的人物行为数据；
根据所述行为数据提取数据标签；所述数据标签包括基础标签和行为标签；所述基础标签表征人物的静态属性；所述行为标签表征人物的动态属性；
根据所述数据标签构建不同维度的标签矩阵；所述标签矩阵表征人物在同一维度产生的行为数据的关联；
根据所述标签矩阵生成标签模型；所述标签模型表征不同维度的所述人物行为数据之间的关联关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述行为数据提取数据标签的步骤，包括：
获取人物行为涉及到的各类实体的基本类型及固有属性；
基于所述基本类型及固有属性、所述人物行为数据提取所述数据标签。
3.根据权利要求1所述的方法，其特征在于，根据所述数据标签构建不同维度的标签矩阵的步骤，包括：
获取不同维度上各种类型的所述数据标签之间的关联关系；
基于所述关联关系，在每个维度上的对所述数据标签构建一个所述标签矩阵。
4.根据权利要求1所述的方法，其特征在于，根据所述标签矩阵生成标签模型的步骤，包括：
提取所述标签矩阵之间的关联关系；
基于神经网络根据所述关联关系建立标签模型。
5.一种人物轨迹行为分析预估方法，其特征在于，包括：
获取各个终端采集的人物行为数据；
通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为；所述标签模型包括不同维度的所述人物行为数据；所述人物行为表征不同维度产生的人物行为数据的关联。
6.一种人物轨迹行为分析预估装置，其特征在于，包括：
第一获取模块，用于实时获取各个终端采集的人物行为数据；
第一处理模块，用于根据所述行为数据提取数据标签；所述数据标签包括基础标签和行为标签；所述基础标签表征人物的静态属性；所述行为标签表征人物的动态属性；
以及还用于根据所述数据标签构建不同维度的标签矩阵；所述标签矩阵表征人物在同一维度产生的行为数据的关联；
以及还用于根据所述标签矩阵生成标签模型；所述标签模型表征不同维度的所述人物行为数据之间的关联关系。
7.根据权利要求6所述的方法，其特征在于，
所述第一获取模块，还用于获取人物行为涉及到的各类实体的基本类型及固有属性；
所述第一处理模块，还用于基于所述基本类型及固有属性、所述人物行为数据提取所述数据标签。
8.根据权利要求6所述的方法，其特征在于，
所述第一获取模块，还用于获取不同维度上各种类型的所述数据标签之间的关联关系；
所述第一处理模块，还用于基于所述关联关系，在每个维度上的对所述数据标签构建一个所述标签矩阵。
9.根据权利要求6所述的方法，其特征在于，
所述第一处理模块，还用于提取所述标签矩阵之间的关联关系；
以及还用于基于神经网络根据所述关联关系建立标签模型；
以及还用于当所述标签模型分析预估出威胁社会安全的高危行为时，发出高危行为预警。
10.一种人物轨迹行为分析预估装置，其特征在于，包括：
第二获取模块，用于获取各个终端采集的人物行为数据；
第一处理模块，用于通过标签模型计算人物行为数据在不同维度的关联关系，并分析预估人物行为；所述标签模型包括不同维度的所述人物行为数据；所述人物行为表征不同维度产生的人物行为数据的关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010066994.2A CN111260526A (zh) | 2020-01-20 | 2020-01-20 | 人物轨迹行为分析预估方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010066994.2A CN111260526A (zh) | 2020-01-20 | 2020-01-20 | 人物轨迹行为分析预估方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111260526A true CN111260526A (zh) | 2020-06-09 |
Family
ID=70952406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010066994.2A Pending CN111260526A (zh) | 2020-01-20 | 2020-01-20 | 人物轨迹行为分析预估方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260526A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113535871A (zh) * | 2021-06-25 | 2021-10-22 | 杨粤湘 | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 |
| CN114218566A (zh) * | 2021-12-06 | 2022-03-22 | 辽宁融汇互联网科技有限公司 | 一种结合人工智能的远程办公威胁行为分析方法及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427661A (zh) * | 2018-03-19 | 2018-08-21 | 广州汇智通信技术有限公司 | 一种新大数据标签生产方法及装置 |
| CN109388663A (zh) * | 2018-08-24 | 2019-02-26 | 中国电子科技集团公司电子科学研究院 | 一种面向社会安全领域的大数据智能分析平台 |
| CN110188268A (zh) * | 2019-05-21 | 2019-08-30 | 浙江工商大学 | 一种基于标签和时间信息的个性化推荐方法 |
| CN110457536A (zh) * | 2019-08-16 | 2019-11-15 | 北京金山数字娱乐科技有限公司 | 一种知识图谱构建方法及装置 |
| US10496815B1 (en) * | 2015-12-18 | 2019-12-03 | Exabeam, Inc. | System, method, and computer program for classifying monitored assets based on user labels and for detecting potential misuse of monitored assets based on the classifications |
-
2020
- 2020-01-20 CN CN202010066994.2A patent/CN111260526A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10496815B1 (en) * | 2015-12-18 | 2019-12-03 | Exabeam, Inc. | System, method, and computer program for classifying monitored assets based on user labels and for detecting potential misuse of monitored assets based on the classifications |
| CN108427661A (zh) * | 2018-03-19 | 2018-08-21 | 广州汇智通信技术有限公司 | 一种新大数据标签生产方法及装置 |
| CN109388663A (zh) * | 2018-08-24 | 2019-02-26 | 中国电子科技集团公司电子科学研究院 | 一种面向社会安全领域的大数据智能分析平台 |
| CN110188268A (zh) * | 2019-05-21 | 2019-08-30 | 浙江工商大学 | 一种基于标签和时间信息的个性化推荐方法 |
| CN110457536A (zh) * | 2019-08-16 | 2019-11-15 | 北京金山数字娱乐科技有限公司 | 一种知识图谱构建方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张大伟;: "公安数据标签化建设应用研究" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113535871A (zh) * | 2021-06-25 | 2021-10-22 | 杨粤湘 | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 |
| CN113535871B (zh) * | 2021-06-25 | 2024-02-27 | 杨粤湘 | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 |
| CN114218566A (zh) * | 2021-12-06 | 2022-03-22 | 辽宁融汇互联网科技有限公司 | 一种结合人工智能的远程办公威胁行为分析方法及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nazer et al. | Intelligent disaster response via social media analysis a survey | |
| Castillo | Big crisis data: social media in disasters and time-critical situations | |
| Kaufhold et al. | Rapid relevance classification of social media posts in disasters and emergencies: A system and evaluation featuring active, incremental and online learning | |
| US11580104B2 (en) | Method, apparatus, device, and storage medium for intention recommendation | |
| Waters | Tobler’s first law of geography | |
| CN113010572B (zh) | 基于深度贝叶斯网络的公共数字生活场景规则模型预测预警方法 | |
| Firdaus et al. | Retweet: A popular information diffusion mechanism–A survey paper | |
| Unankard et al. | Emerging event detection in social networks with location sensitivity | |
| Lee et al. | When twitter meets foursquare: tweet location prediction using foursquare | |
| CN105224699B (zh) | 一种新闻推荐方法及装置 | |
| EP2753024B1 (en) | System and method for continuously monitoring and searching social networking media | |
| US20170017638A1 (en) | Meme detection in digital chatter analysis | |
| CN112749749B (zh) | 基于分类决策树模型的分类方法、装置及电子设备 | |
| CN106528693A (zh) | 面向个性化学习的教育资源推荐方法及系统 | |
| Lwowski et al. | Geospatial event detection by grouping emotion contagion in social media | |
| CN113342972A (zh) | 舆情识别模型训练方法、系统以及舆情风险监测方法和系统 | |
| CN111260526A (zh) | 人物轨迹行为分析预估方法和装置 | |
| Apostol et al. | ContCommRTD: A distributed content-based misinformation-aware community detection system for real-time disaster reporting | |
| Yousfi et al. | Smart big data framework for insight discovery | |
| Karimiziarani | A Tutorial on Event Detection using Social Media Data Analysis: Applications, Challenges, and Open Problems | |
| Dutta et al. | Data Analytics for Social Microblogging Platforms | |
| Afyouni et al. | E-ware: a big data system for the incremental discovery of spatio-temporal events from microblogs | |
| Goswami et al. | Event detection using twitter platform | |
| CN110688469B (zh) | 一种自动分析相似行为特征的方法和装置 | |
| Kumar | Social media analytics for crisis response |
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. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200609 |