CN111414933B - 基于rfid与聚类算法的电动车销赃区域分析方法和系统 - Google Patents

基于rfid与聚类算法的电动车销赃区域分析方法和系统 Download PDF

Info

Publication number
CN111414933B
CN111414933B CN202010041698.7A CN202010041698A CN111414933B CN 111414933 B CN111414933 B CN 111414933B CN 202010041698 A CN202010041698 A CN 202010041698A CN 111414933 B CN111414933 B CN 111414933B
Authority
CN
China
Prior art keywords
electric vehicle
rfid
data
clustering algorithm
acquiring
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.)
Active
Application number
CN202010041698.7A
Other languages
English (en)
Other versions
CN111414933A (zh
Inventor
李旭
廖乔治
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.)
Wuhan Fiberhome Digtal Technology Co Ltd
Original Assignee
Wuhan Fiberhome Digtal 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 Wuhan Fiberhome Digtal Technology Co Ltd filed Critical Wuhan Fiberhome Digtal Technology Co Ltd
Priority to CN202010041698.7A priority Critical patent/CN111414933B/zh
Publication of CN111414933A publication Critical patent/CN111414933A/zh
Application granted granted Critical
Publication of CN111414933B publication Critical patent/CN111414933B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Alarm Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于RFID与聚类算法的电动车销赃区域分析的方法，包括：利用RFID采集设备获取获取电动车轨迹数据；对电动车轨迹数据进行清洗合并处理；根据预设规则获取异常电动车轨迹数据；根据所述异常电动车轨迹数据得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；根据k‑means聚类算法，不断重新计算聚类中心点；根据各类簇中RFID数据记录数量，显示电动车销赃区域。本发明依据k‑means聚类算法，利用新增的最后采集RFID数据的设备空间信息，不断重新计算聚类的中心点，提升聚类中心点精准度并推荐给用户，进而解决电动车盗窃的治安问题。从而帮助警员发现线索，排查嫌疑目标，提高民警办案以及侦查效率。

Description

基于RFID与聚类算法的电动车销赃区域分析方法和系统
技术领域
本发明涉及警务信息推荐算法领域，尤其涉及基于RFID与聚类算法的电动车销赃区域分析的方法。
背景技术
电动车在极大方便群众生产生活的同时，也给公安机关管理带来非常大的压力。突出表现在，电动车管理的“三难”。“三难”：防范难。由于车主自我防范意识不强，造成电动车被盗防不胜防。立案多，破案难。在一些地区，电动车被盗案件占整个侵财类案件的25％以上，但是破案率百分之50都不到；追缴返还难，由于缺乏相关备案登记信息，即使有追缴，也无法界定电动车身份信息。目前，对于电动车的安全管理，各地公安机关先后采取上钢印、上车牌等传统手段，但防控效果不佳，而使用GPS设备、有源设备价高难以普及。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于RFID与聚类算法的电动车销赃区域分析方法和系统。
一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，包括：
S100，利用RFID采集设备获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据；
S200，对电动车轨迹数据进行清洗合并处理；
S300,对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据；
S400，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；
S500，根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
S600，根据各类簇中RFID数据记录数量，显示电动车销赃区域。
进一步地，所述S200具体包括：对预设时间间隔内电动车轨迹数据固定的电动车轨迹数据进行合并处理，合并为一条电动车轨迹记录。
进一步地，所述S300的预设规则为：对电动车RFID轨迹数据库进行动态分析，获取第一预设时间内存在频繁活动且第二预设时间内无活动轨迹为异常电动车轨迹数据。
进一步地，通过k个初始聚类中心点，得到k个类簇的方法为：
RFID数据为n条，表示为X1,X2,X3,…,Xn，其中每条数据包含有经度与纬度信息，计算各RFID数据Xi＝{Longitude,Latitude}到聚类中心点的欧氏距离，如下所示：
Figure BDA0002367991000000021
上述表达式中，Xi(Longitutude),Xi(Latitude)分别表示第i条前端采集电动车RFID数据的经纬度，Cj(Longitutude),Cj(Latitude)分别表示第j个初始聚类中心点；将前端采集RFID数据X1,X2,X3,…,Xn依次分类到距离其最近的聚类中心点，即可得到k个类簇{S1,S2,S3,…,Sk}。
进一步地，S500具体方法为：
依据k-means聚类算法，利用新增的电动车RFID最后一条数据的采集设备空间信息，根据步骤S400中划分的k个类簇，将各个类簇中RFID数据的经度、纬度取均值，计算公式如下：
Figure BDA0002367991000000031
其中Xt∈St,Ci表示第i个聚类的中心，Xt表示该类簇中第t个对象，|Si|表示该类簇中对象个数。
进一步地，所述RFID数据包括：电动车编号信息、电动车车主信息，电动车当前经纬度信息和时间信息。
进一步地，所述第一预设时间为半年，所述第二预设时间为20天。
进一步地，S600中，根据各类簇中RFID数据记录数量，在GIS地图上用热力图方式将聚类中心点直观展示，显示电动车销赃区域。
本发明还公开了一种基于RFID与聚类算法的电动车销赃区域分析的系统，其特征在于，包括：RFID数据采集模块、异常电动车轨迹获取模块、聚类算法模块、销赃区域显示模块，其中，
RFID数据采集模块，获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据；
异常电动车轨迹获取模块，对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据；
聚类算法模块，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；
根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
销赃区域显示模块，根据各类簇中RFID数据记录数量，显示电动车销赃区域。
进一步地，所述系统还包括：电动车轨迹预处理模块，所述电动车轨迹预处理模块对电动车轨迹数据进行清洗合并处理，对预设时间间隔内电动车轨迹数据固定的电动车轨迹数据进行合并处理，合并为一条电动车轨迹记录。
本发明的有益效果是：
本发明提供的基于RFID技术与聚类算法的电动车销赃区域分析的方法和系统，基于智慧感知平台的支撑，获取公安机关建设的前端设备采集的电动车RFID实时数据，并基于获取的RFID数据，运用缓存池与待持久化队列接收RFID记录；对海量的RFID轨迹数据进行动态分析，挖掘近半年频繁活动而近20天无活动轨迹的电动车；分析这类电动车最后采集RFID数据的设备空间信息，设置N个设备点为初始聚类中心点；依据k-means聚类算法，利用新增的最后采集RFID数据的设备空间信息，不断重新计算聚类的中心点，提升聚类中心点精准度并推荐给用户，进而解决电动车盗窃的治安问题。从而帮助警员发现线索，排查嫌疑目标，提高民警办案以及侦查效率。
本发明的其它特征和优点将在随后的说明书中阐述，本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种基于RFID与聚类算法的电动车销赃区域分析的流程图；
图2为本发明实施例2中，一种基于RFID与聚类算法的电动车销赃区域分析的系统结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决现有技术公安机关管理电动车盗窃案防范难、破案难、返还难的问题，本发明实施例提供了一种基于RFID与聚类算法的电动车销赃区域分析的方法和系统。
实施例1
如图1，一种基于RFID与聚类算法的电动车销赃区域分析的方法，包括：
S100，利用RFID采集设备获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据。
具体的，对本地安装RFID芯片的电动车建档，通过关联电动车车主信息，实现一车一档。前端装有RFID阅读器的设备获取电动车的RFID数据，所述RFID数据包括电动车编号信息、电动车车主信息，电动车当前经纬度信息和时间信息，通过RFID数据可以获取电动车轨迹数据。
在一些优选实施例中，用户还可以选择用户兴趣偏好标签，用户兴趣偏好标签根据日常警务类型进行分类并形成兴趣标签供用户选择；
S200，对电动车轨迹数据进行清洗合并处理；由于RFID数据具有数量级大、冗余高的特点，需要对RFID进行清洗合并处理。数据缓存池会对时间间隔短(30秒内)、被采集空间位置固定的RFID数据进行合并处理，合成为一条轨迹记录。待持久化数据队列用于将合并后数据写入数据库持久化保存；
S300,对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据。
所述S300的预设规则为：对电动车RFID轨迹数据库进行动态分析，获取第一预设时间内存在频繁活动且第二预设时间内无活动轨迹为异常电动车轨迹数据。
在一些优选实施例中，采用Greenplum数据库SharedNothing/MPP架构，可将RFID数据平均分布到系统的所有节点服务器上。针对电动车被盗窃后销赃案件的特点，我们对海量的RFID轨迹数据进行动态分析：查询近半年存在频繁活动(电动车有运动轨迹的天数>40％)且近20天无活动轨迹的数据为异常行为电动车的RFID数据。
S400，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}。
具体的，通过k个初始聚类中心点，得到k个类簇的方法为：
RFID数据为n条，表示为X1,X2,X3,…,Xn，其中每条数据包含有经度与纬度信息，计算各RFID数据Xi＝{Longitude,Latitude}到聚类中心点的欧氏距离，如下所示：
Figure BDA0002367991000000071
上述表达式中，Xi(Longitutude),Xi(Latitude)分别表示第i条前端采集电动车RFID数据的经纬度，Cj(Longitutude),Cj(Latitude)分别表示第j个初始聚类中心点；将前端采集RFID数据X1,X2,X3,…,Xn依次分类到距离其最近的聚类中心点，即可得到k个类簇{S1,S2,S3,…,Sk}。
S500，根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
S500具体方法为：
依据k-means聚类算法，利用新增的电动车RFID最后一条数据的采集设备空间信息，根据步骤S400中划分的k个类簇，将各个类簇中RFID数据的经度、纬度取均值，计算公式如下：
Figure BDA0002367991000000072
其中Xt∈St，Ci表示第i个聚类的中心，Xt表示该类簇中第t个对象，|Si|表示该类簇中对象个数。
S600，根据各类簇中RFID数据记录数量，显示电动车销赃区域。
在一些优选实施例中，通过步骤500所得到的聚类中心点，根据各类簇中RFID记录数量多少，在GIS地图上用热力图方式将聚类中心点直观展示，给用户显示电动车可疑销赃点区域。
本实施例提供的基于RFID技术与聚类算法的电动车销赃区域分析的方法，基于智慧感知平台的支撑，获取公安机关建设的前端设备采集的电动车RFID实时数据，并基于获取的RFID数据，运用缓存池与待持久化队列接收RFID记录；对海量的RFID轨迹数据进行动态分析，挖掘近半年频繁活动而近20天无活动轨迹的电动车；分析这类电动车最后采集RFID数据的设备空间信息，设置N个设备点为初始聚类中心点；依据k-means聚类算法，利用新增的最后采集RFID数据的设备空间信息，不断重新计算聚类的中心点，提升聚类中心点精准度并推荐给用户，进而解决电动车盗窃的治安问题。从而帮助警员发现线索，排查嫌疑目标，提高民警办案以及侦查效率。
实施例2
本实施例公开了一种基于RFID与聚类算法的电动车销赃区域分析的系统，如图2，包括：RFID数据采集模块1、异常电动车轨迹获取模块2、聚类算法模块3、销赃区域显示模块4，其中，
RFID数据采集模块1，获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据；所述RFID数据包括电动车编号信息、电动车车主信息，电动车当前经纬度信息和时间信息，通过RFID数据可以获取电动车轨迹数据。
异常电动车轨迹获取模块2，对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据；
对电动车RFID轨迹数据库进行动态分析，获取第一预设时间内存在频繁活动且第二预设时间内无活动轨迹为异常电动车轨迹数据。
在一些优选实施例中，采用Greenplum数据库SharedNothing/MPP架构，可将RFID数据平均分布到系统的所有节点服务器上。针对电动车被盗窃后销赃案件的特点，我们对海量的RFID轨迹数据进行动态分析：查询近半年存在频繁活动(电动车有运动轨迹的天数>40％)且近20天无活动轨迹的数据为异常行为电动车的RFID数据。
聚类算法模块3，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；
根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
销赃区域显示模块4，根据各类簇中RFID数据记录数量，显示电动车销赃区域。在一些优选实施例中，销赃区域显示模块根据各类簇中RFID记录数量多少，在GIS地图上用热力图方式将聚类中心点直观展示，给用户显示电动车可疑销赃点区域。
在一些优选实施例中，所述系统还包括：电动车轨迹预处理模块，所述电动车轨迹预处理模块对电动车轨迹数据进行清洗合并处理，对预设时间间隔内电动车轨迹数据固定的电动车轨迹数据进行合并处理，合并为一条电动车轨迹记录。
本实施例提供的基于RFID技术与聚类算法的电动车销赃区域分析的系统，基于智慧感知平台的支撑，获取公安机关建设的前端设备采集的电动车RFID实时数据，并基于获取的RFID数据，运用缓存池与待持久化队列接收RFID记录；对海量的RFID轨迹数据进行动态分析，挖掘近半年频繁活动而近20天无活动轨迹的电动车；分析这类电动车最后采集RFID数据的设备空间信息，设置N个设备点为初始聚类中心点；依据k-means聚类算法，利用新增的最后采集RFID数据的设备空间信息，不断重新计算聚类的中心点，提升聚类中心点精准度并推荐给用户，进而解决电动车盗窃的治安问题。从而帮助警员发现线索，排查嫌疑目标，提高民警办案以及侦查效率。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本发明的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本发明的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，包括：
S100，利用RFID采集设备获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据；
S200，对电动车轨迹数据进行清洗合并处理；
S300,对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据；
S400，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；
S500，根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
S600，根据各类簇中RFID数据记录数量，显示电动车销赃区域。
2.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，所述S200具体包括：对预设时间间隔内电动车轨迹数据固定的电动车轨迹数据进行合并处理，合并为一条电动车轨迹记录。
3.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，所述S300的预设规则为：对电动车RFID轨迹数据库进行动态分析，获取第一预设时间内存在频繁活动且第二预设时间内无活动轨迹为异常电动车轨迹数据。
4.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，通过k个初始聚类中心点，得到k个类簇的方法为：
RFID数据为n条，表示为X1,X2,X3,…,Xn，其中每条数据包含有经度与纬度信息，计算各RFID数据Xi＝{Longitude,Latitude}到聚类中心点的欧氏距离，如下所示：
Figure FDA0003575173960000021
上述表达式中，Xi(Longitutude),Xi(Latitude)分别表示第i条前端采集电动车RFID数据的经纬度，Cj(Longitutude),Cj(Latitude)分别表示第j个初始聚类中心点；将前端采集RFID数据X1,X2,X3,…,Xn依次分类到距离其最近的聚类中心点，即可得到k个类簇{S1,S2,S3,…,Sk}。
5.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，S500具体方法为：
依据k-means聚类算法，利用新增的电动车RFID最后一条数据的采集设备空间信息，根据步骤S400中划分的k个类簇，将各个类簇中RFID数据的经度、纬度取均值，计算公式如下：
Figure FDA0003575173960000022
其中Xt∈St，Ci表示第i个聚类的中心，Xt表示该类簇中第t个对象，|Si|表示该类簇中对象个数。
6.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，所述RFID数据包括：电动车编号信息、电动车车主信息，电动车当前经纬度信息和时间信息。
7.如权利要求3所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，所述第一预设时间为半年，所述第二预设时间为20天。
8.如权利要求1所述的一种基于RFID与聚类算法的电动车销赃区域分析的方法，其特征在于，S600中，根据各类簇中RFID数据记录数量，在GIS地图上用热力图方式将聚类中心点直观展示，显示电动车销赃区域。
9.一种基于RFID与聚类算法的电动车销赃区域分析的系统，其特征在于，包括：RFID数据采集模块、异常电动车轨迹获取模块、聚类算法模块、销赃区域显示模块，其中，
RFID数据采集模块，获取电动车RFID数据，通过电动车RFID数据获取电动车轨迹数据；
异常电动车轨迹获取模块，对电动车轨迹数据进行动态分析，根据预设规则获取异常电动车轨迹数据；
聚类算法模块，根据所述异常电动车轨迹数据的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，并统计RFID采集设备获取异常电动车轨迹数据的最后一条RFID数据的次数，通过对所述次数由高到低排序，得到异常电动车轨迹的k个初始聚类中心点{C1,C2,C3,…,Ck}，通过k个初始聚类中心点，得到k个类簇{S1,S2,S3,…,Sk}；
根据k-means聚类算法，利用实时更新的异常电动车轨迹的最后一条RFID数据，获取最后一条RFID数据对应的RFID采集设备空间数据，重复步骤S400和S500，不断重新计算聚类中心点；
销赃区域显示模块，根据各类簇中RFID数据记录数量，显示电动车销赃区域。
10.如权利要求9所述的一种基于RFID与聚类算法的电动车销赃区域分析的系统，其特征在于，还包括：电动车轨迹预处理模块，所述电动车轨迹预处理模块对电动车轨迹数据进行清洗合并处理，对预设时间间隔内电动车轨迹数据固定的电动车轨迹数据进行合并处理，合并为一条电动车轨迹。
CN202010041698.7A 2020-01-15 2020-01-15 基于rfid与聚类算法的电动车销赃区域分析方法和系统 Active CN111414933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010041698.7A CN111414933B (zh) 2020-01-15 2020-01-15 基于rfid与聚类算法的电动车销赃区域分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010041698.7A CN111414933B (zh) 2020-01-15 2020-01-15 基于rfid与聚类算法的电动车销赃区域分析方法和系统

Publications (2)

Publication Number Publication Date
CN111414933A CN111414933A (zh) 2020-07-14
CN111414933B true CN111414933B (zh) 2022-07-08

Family

ID=71490876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010041698.7A Active CN111414933B (zh) 2020-01-15 2020-01-15 基于rfid与聚类算法的电动车销赃区域分析方法和系统

Country Status (1)

Country Link
CN (1) CN111414933B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950471B (zh) * 2020-08-14 2024-02-13 杭州海康威视系统技术有限公司 目标对象识别方法及装置
CN112651590B (zh) * 2020-10-10 2023-03-31 武汉烽火众智数字技术有限责任公司 一种指令处理流程推荐的方法
CN115100861B (zh) * 2022-06-22 2023-07-21 公安部交通管理科学研究所 一种酒驾车辆识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7356394B2 (en) * 2005-01-11 2008-04-08 Electronic Data Systems Corporation RFID vehicle management system and method
US9824568B2 (en) * 2013-03-13 2017-11-21 Qualcomm Incorporated Systems and methods for monitoring a proximity of a personal item and automatically assigning safe and unsafe zones
US9787704B2 (en) * 2015-03-06 2017-10-10 Ca, Inc. Anomaly detection based on cluster transitions
CA2912906A1 (en) * 2015-11-20 2017-05-20 Depura Partners Llc System for monitoring and classifying vehicle operator behavior
CN109034226A (zh) * 2018-07-16 2018-12-18 福州大学 一种基于图论的车辆轨迹聚类方法
CN109145995A (zh) * 2018-08-31 2019-01-04 国网福建省电力有限公司 一种基于聚类离散点检测的反窃电方法
CN109686050A (zh) * 2019-01-18 2019-04-26 桂林电子科技大学 基于云服务与深度神经网络的车内环境监测预警方法

Also Published As

Publication number Publication date
CN111414933A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414933B (zh) 基于rfid与聚类算法的电动车销赃区域分析方法和系统
Hajela et al. A clustering based hotspot identification approach for crime prediction
US10255793B2 (en) System and method for crime investigation
Stedman et al. Integrating wildlife and human‐dimensions research methods to study hunters
Chen et al. Detecting errors and imputing missing data for single-loop surveillance systems
Ratcliffe Aoristic signatures and the spatio-temporal analysis of high volume crime patterns
WO2019048070A1 (en) ELECTRONIC SYSTEM FOR QUITE REAL-TIME DYNAMIC MEASUREMENT AND IDENTIFICATION OF DRIVER MANEUVER ONLY FROM MOBILE TELEPHONE TELEMETRY, AND METHOD THEREOF
Taylor et al. Combating vehicle theft in Arizona: A randomized experiment with license plate recognition technology
CN111476183A (zh) 客流信息处理方法及装置
US20060111961A1 (en) Passive consumer survey system and method
CN112131325A (zh) 轨迹确定方法、装置及设备、存储介质
CN106875679B (zh) 识别伴随车辆的方法及装置
CN108510400B (zh) 汽车保险信息处理方法及装置、服务器及可读存储介质
CN111523577A (zh) 一种基于改进的lcss算法的海量轨迹相似度计算方法
CN111950471B (zh) 目标对象识别方法及装置
US11941716B2 (en) Systems and methods for electronic signature tracking
Aarthi et al. Crime hotspot detection with clustering algorithm using data mining
CN115330521A (zh) 基于gps轨迹数据的车辆贷款逾期风险评估方法及系统
CN110503032B (zh) 基于监控摄像头轨迹数据的个体重要场所探测方法
CN111598753A (zh) 一种嫌疑人推荐方法、装置、电子设备和存储介质
US8315431B2 (en) System and method for monitoring motion object
CN109918368A (zh) 一种通过轨迹关联度识别车辆驾驶者的系统和方法
US10740990B1 (en) System and method for analyzing vehicle data
Alparslan et al. Perfecting the Crime Machine
Aydın Classification of the fire station requirement with using machine learning algorithms

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