CN111783668A - 一种确定人员与事件之间关联度的方法、装置及设备 - Google Patents

一种确定人员与事件之间关联度的方法、装置及设备 Download PDF

Info

Publication number
CN111783668A
CN111783668A CN202010626732.7A CN202010626732A CN111783668A CN 111783668 A CN111783668 A CN 111783668A CN 202010626732 A CN202010626732 A CN 202010626732A CN 111783668 A CN111783668 A CN 111783668A
Authority
CN
China
Prior art keywords
event
person
historical
determining
elements
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
CN202010626732.7A
Other languages
English (en)
Other versions
CN111783668B (zh
Inventor
寿统达
丁国彪
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System 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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN202010626732.7A priority Critical patent/CN111783668B/zh
Publication of CN111783668A publication Critical patent/CN111783668A/zh
Application granted granted Critical
Publication of CN111783668B publication Critical patent/CN111783668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种确定人员与事件之间关联度的方法、装置及设备，方法包括：基于人员的特征要素、以及人员参与历史事件的事件要素与待关联事件的事件要素的匹配结果，确定人员与事件的关联度；可见，本方案中，并不是基于事件发生时段及地点的监控数据，确定人员与事件的关联度，因此，受监控设备、监控环境等因素影响较小，确定关联度的有效性较强。

Description

一种确定人员与事件之间关联度的方法、装置及设备
技术领域
本发明涉及数据处理技术领域，特别是涉及一种确定人员与事件之间关联度的方法、装置及设备。
背景技术
一些场景中，需要确定人员与事件之间关联度，或者说，确定可能参与某些事件的可疑人员。例如，发生了盗窃事件，需要确定可能参与该起盗窃事件的可疑人员。
相关方案中，通常是确定事件的发生时段和地点，获取该地点设置的摄像头在该时段采集的监控数据，基于该监控数据确定参与该事件的人员特征，作为目标特征；然后计算该目标特征与人员特征库中的特征的相似度，作为人员与事件之间的关联度，相似度越大，关联度越强，人员参与该事件的概率越大。
但是，如果发生事件的地点没有设置摄像头，或者由于环境因素影响，如黑夜、大雾、下雨天等，导致摄像头采集的图像清晰度较差，则利用上述方案并不能确定出人员与事件的关联度。可见，上述方案对硬件设备、环境等因素的依赖性较强，因此确定关联度的有效性较差。
发明内容
本发明实施例的目的在于提供一种确定人员与事件之间关联度的方法、装置及设备，以提高方案的有效性。
为了达到上述目的，本发明实施例提供了一种确定人员与事件之间关联度的方法，包括：
确定待关联事件的各事件要素；
获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素；
将所述待关联人员参与历史事件的事件要素与所述待关联事件的各事件要素进行匹配，得到匹配结果；
基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度。
可选的，所述待关联人员的特征要素包括：所述待关联人员对历史事件的参与情况；所述方法还包括：
获取历史事件信息，所述历史事件信息包括：事件类型、事件内容、参与历史事件的人员信息；
通过对所获取的历史事件信息进行统计，确定各人员对历史事件的参与情况，以及确定各人员所参与历史事件的事件要素；
针对每个人员，对应存储该人员对历史事件的参与情况、以及该人员所参与历史事件的事件要素；
所述获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素，包括：
在所存储的人员对历史事件的参与情况、以及人员所参与历史事件的事件要素中，读取指定的待关联人员对历史事件的参与情况、以及所述待关联人员参与历史事件的事件要素。
可选的，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数和时段；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数、时段、以及所采用的手段。
可选的，所述方法还包括：
确定所述待关联事件的发生地点和发生时段；
所述待关联人员的特征要素包括：所述待关联人员的轨迹信息；所述基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度，包括：
判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值，如果不相匹配，确定所述待关联人员的第一关联参数为第三预设值；
基于所述第一关联参数和所述匹配结果，计算所述待关联人员与所述待关联事件之间的关联度。
可选的，获取所述待关联人员的轨迹信息，包括：
获取所述待关联人员的票务数据；基于所述票务数据的始发地和目的地，获取所述待关联人员的轨迹信息；
和/或，基于采集到所述待关联人员的图像数据时的时段和地点，获取所述待关联人员的轨迹信息。
可选的，所述判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值，包括：
判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值；
若所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围不相匹配，所述方法还包括：
判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围是否相匹配，所述第二范围大于所述第一范围，如果相匹配，确定所述待关联人员的第一关联参数为第二预设值；
所述如果不相匹配，确定所述待关联人员的第一关联参数为第三预设值，包括：
若所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围不相匹配，确定所述待关联人员的第一关联参数为第三预设值。
可选的，事件的各事件要素包括以下任意一种或多种：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。
可选的，所述事件内容中包括事件发生地点；所述获取历史事件信息之后，还包括：
通过对所获取的历史事件信息进行统计，统计所述每个人员参与历史事件的地点；
基于所述每个人员参与历史事件的次数及地点，确定所述每个人员的级别；
按照所述每个人员的级别，对所述每个人员的信息进行排序展示，其中，每个人员的信息包括：该人员参与历史事件的次数、地点，该人员与所述待关联事件之间的关联度。
可选的，所述方法还包括：
获取指定的目标人员的轨迹信息或者所述目标人员的人口登记信息；
基于所述目标人员的轨迹信息或者所述目标人员的人口登记信息，确定所述目标人员的频繁活动区域；
若所述频繁活动区域发生变更，展示所述目标人员的轨迹异常标签。
为了达到上述目的，本发明实施例还提供了一种确定人员与事件之间关联度的装置，包括：
第一确定模块，用于确定待关联事件的各事件要素；
第一获取模块，用于获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素；
匹配模块，用于将所述待关联人员参与历史事件的事件要素与所述待关联事件的各事件要素进行匹配，得到匹配结果；
第二确定模块，用于基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度。
为了达到上述目的，本发明实施例还提供了一种电子设备，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任意一种确定人员与事件之间关联度的方法。
应用本发明所示实施例，基于人员的特征要素、以及人员参与历史事件的事件要素与待关联事件的事件要素的匹配结果，确定人员与事件的关联度；可见，本方案中，并不是基于事件发生时段及地点的监控数据，确定人员与事件的关联度，因此，受监控设备、监控环境等因素影响较小，确定关联度的有效性较强。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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他的附图。
图1为本发明实施例提供的确定人员与事件之间关联度的方法的第一种流程示意图；
图2为本发明实施例提供的确定人员与事件之间关联度的方法的第二种流程示意图；
图3为本发明实施例提供的一种分析系统示意图；
图4为本发明实施例提供的一种确定人员与事件之间关联度的装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
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他实施例，都属于本发明保护的范围。
为了达到上述目的，本发明实施例提供了一种确定人员与事件之间关联度的方法、装置及设备，该方法及装置可以应用于各种电子设备，具体不做限定。下面首先对该确定人员与事件之间关联度的方法进行介绍。
图1为本发明实施例提供的确定人员与事件之间关联度的方法的第一种流程示意图，包括：
S101：确定待关联事件的各事件要素。
举例来说，如果发生了盗窃、抢劫、诈骗等事件，需要确定参与事件的可疑人员，可以采用本发明所示实施例，确定事件与各人员的关联度，关联度越强，人员参与该事件的概率越大。这种情况下，S101中的待关联事件为发生的盗窃、抢劫、诈骗等事件。或者，其他情况下，待关联事件也可以为购物事件，可以采用本发明所示实施例，确定人员触发某些购物事件的概率。待关联事件的具体类型不做限定。
事件的各事件要素可以包括以下任意一种或多种：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。举例来说，事件类型可以分为：盗窃、抢劫、诈骗等等，或者，也可以将盗窃进一步细分为：扒窃、入室盗窃等，也可以将抢劫进一步细分为：入室抢劫、上车抢劫等，也可以将诈骗进一步细分为：接触诈骗、电话诈骗等，具体事件类型不做限定。事件发生地点可以分为：店面、生活区域、交通工具内、仓库等等，不再一一列举。事件发生时段可以分为：夜晚、白天、不确定，等等。事件涉及物品可以分为：工具金属材料、金银饰品、现金、家电、证件文书等等，不再一一列举。事件中采用的手段可以分为：机会型、技术型、破坏型等等，机会型可以包括：顺手类、拖运类、拉车门类等等，技术型可以包括：扒窃类、攀爬类、窃车类等等，破坏型可以包括：破窗类、破门类、破锁柜类等等。
再举一例，事件类型可以为购物事件；事件发生地点可以分为：商场、网店、自营实体店等等；事件发生时段可以分为：上午、下午、晚上等等；事件涉及物品可以分为：衣服、鞋、化妆品、电子产品等等；事件中采用的手段可以分为：现金支付、电子支付、银行卡支付等等。
一种实施方式中，可以将事件统一规整为五要素：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。这样，既可以准确地描述事件，又为后续内容中事件之间进行匹配对比提供了条件。
S102：获取指定的待关联人员的特征要素、以及待关联人员参与历史事件的事件要素。
可以根据实际需求指定待关联人员。一种实施方式中，可以在指定待关联人员后，获取待关联人员的相关信息，比如档案、事件记录等信息，如果待关联事件为购物事件，可以获取待关联人员的购物记录。基于这些信息，确定待关联人员的特征要素、以及待关联人员参与历史事件的事件要素。
或者，另一种实施方式中，可以预先存储一些人员的特征要素、以及这些人员参与历史事件的事件要素，这种情况下，S102中可以从预先存储的这些数据中，读取指定的待关联人员的特征要素、以及待关联人员参与历史事件的事件要素。
一种情况下，待关联人员的特征要素包括：待关联人员对历史事件的参与情况。可以预先获取历史事件信息，所述历史事件信息包括：事件类型、事件内容、参与历史事件的人员信息；通过对所获取的历史事件信息进行统计，确定各人员对历史事件的参与情况，以及确定各人员所参与历史事件的事件要素；针对每个人员，对应存储该人员对历史事件的参与情况、以及该人员所参与历史事件的事件要素。
这种情况下，S102可以包括：在所存储的人员对历史事件的参与情况、以及人员所参与历史事件的事件要素中，读取指定的待关联人员对历史事件的参与情况、以及所述待关联人员参与历史事件的事件要素。
举例来说，可以通过ETL(Extract-Transform-Load，抽取-转换-加载，称为数据仓库技术)工具，从一些信息公开网站、或者相关部门的数据系统接入案件采录数据、案件标注数据等等，这些数据可以作为上述历史事件信息，对这些数据进行清洗碰撞、统计汇总，可以得到某地区(如地级市)的数据库。数据库中可以针对每个人员，存储该人员的信息条目，该信息条目中可以包括该人员对历史事件的参与情况、以及该人员所参与历史事件的事件要素。可以将数据库中涉及的每个人员分别作为待关联人员，采用本发明实施例，分别计算待关联事件与数据库中涉及的每个人员的关联度。
一种实施方式中，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数。举例来说，如果某人员多次参与盗窃、抢劫、诈骗等事件，则该人员的特征要素可以为累犯。本实施方式中，可以根据待关联人员参与历史事件的次数，将待关联人员分为累犯和非累犯。
或者，另一种实施方式中，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数和时段。这种实施方式中，可以进一步将累犯进行细分，比如，一年内累犯，三年内累犯等等，具体不做限定。本实施方式中，可以根据待关联人员参与历史事件的次数和时段，将待关联人员分为一年内累犯、三年内累犯和非累犯，等等。
或者，另一种实施方式中，待关联人员对历史事件的参与情况包括：待关联人员参与历史事件的次数、时段、以及所采用的手段。可以根据待关联参与历史事件的次数、时段、以及所采用的手段，将待关联人员分为职业化累犯、非职业化累犯和非累犯。或者，还可以将待关联人员进一步细分为：高度职业化累犯、轻度职业化累犯、非职业化累犯和非累犯。具体划分情况不做限定。
再举一例，如果待关联事件为购物事件，待关联人员的特征要素可以包括：人员的性别、年龄段、收入情况等等。这些特征要素可以在一定程度上反应待关联人员的购物倾向。
一种实施方式中，待关联人员的特征要素可以包括：待关联人员的轨迹信息。
上述例子中，通过ETL接入数据时，可以接入人员的轨迹类数据。人员的信息条目中可以包括该人员的轨迹信息。
一种情况下，可以获取所述待关联人员的票务数据；基于所述票务数据的始发地和目的地，获取所述待关联人员的轨迹信息。或者，另一种情况下，可以基于采集到所述待关联人员的图像数据时的时段和地点，获取所述待关联人员的轨迹信息。或者，再一种情况下，可以结合待关联人员的票务数据、以及采集到待关联人员的图像数据时的时段和地点，获取待关联人员的轨迹信息。
S103：将待关联人员参与历史事件的事件要素与待关联事件的各事件要素进行匹配，得到匹配结果。
如上所述，事件的各事件要素可以包括以下任意一种或多种：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。待关联人员参与历史事件的事件要素与待关联事件的各事件要素的种类相同，可以对每一种类的事件要素分别进行匹配。匹配过程可以理解为计算相似度的过程。
举例来说，可以基于S101中确定的待关联事件的各事件要素，生成案件特征向量Bi。可以综合待关联人员参与历史事件的各事件要素，生成人员特征向量Ai。然后可以采用如下算式，计算待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果：
Figure BDA0002565061650000081
其中，cosθ表示该匹配结果，n表示事件要素的种类数量，i表示事件要素的标识，Ai表示待关联人员参与历史事件的第i种事件要素，也即上述人员特征向量，Bi表示待关联事件的第i种事件要素，也即上述案件特征向量，μi表示第i种事件要素对应的相关因子，μi为设定值，具体数值不做限定。
上述算式中，计算待关联人员参与历史事件的事件要素与待关联事件的各事件要素的余弦相似度，作为匹配结果。或者，其他实施方式中，也可以采用其他相似度计算方式，具体不做限定。
S104：基于该匹配结果、以及待关联人员的特征要素，确定待关联人员与待关联事件之间的关联度。
一种实施方式中，可以基于待关联人员的轨迹信息，确定待关联人员的第一关联参数；基于待关联人员对历史事件的参与情况，确定待关联人员的第二关联参数；基于第一关联参数、第二关联参数和该匹配结果，确定待关联人员与待关联事件之间的关联度。
下面先对第二关联参数进行说明：
上述一种实施方式中，待关联人员的特征要素包括：所述待关联人员对历史事件的参与情况。这种实施方式中，可以基于待关联人员对历史事件的参与情况，确定待关联人员的第二关联参数。
比如，上述例子中，将人员分为累犯和非累犯，累犯的第二关联参数可以大于非累犯的第二关联参数。再比如，上述例子中，将人员分为一年内累犯、三年内累犯和非累犯，一年内累犯的第二关联参数可以大于三年内累犯的第二关联参数，三年内累犯的第二关联参数可以大于非累犯的第二关联参数。再比如，上述例子中，将人员分为职业化累犯、非职业化累犯和非累犯，职业化累犯的第二关联参数可以大于非职业化累犯的第二关联参数，非职业化累犯的第二关联参数可以大于非累犯的第二关联参数。具体第二关联参数的数值不做限定。
可以理解，累犯再次参与违法犯罪事件的倾向较大；累犯中，相较于时间较长的累犯，短期内的累犯再次参与违法犯罪事件的倾向较大；相较于非职业化累犯，职业化的累犯再次参与违法犯罪事件的倾向较大。本实施方式中，基于这种考量，为不同种类的累犯以及非累犯设定不同的第二关联参数，方案更合理，确定出的事件与人员的关联度更准确。
上述例子中，如果待关联事件为购物事件，待关联人员的特征要素可以包括：人员的性别、年龄段、收入情况等等。女性的第二关联参数可以大于男性的第二关联参数。20-50岁的人员的第二关联参数可以大于其他年龄段的第二关联参数。高收入人员的第二关联参数可以大于其他年龄段的第二关联参数。
可以理解，女性的购物倾向通常大于男性的购物倾向；20-50岁人员的购物倾向通常大于其他年龄段的购物倾向；高收入人员的购物倾向通常大于低收入人员的购物倾向。基于这种考量，为不同种类的人员设定不同的第二关联参数，方案更合理，确定出的事件与人员的关联度更准确。
下面再对第一关联参数进行说明：
上述一种实施方式中，待关联人员的特征要素可以包括：待关联人员的轨迹信息。这种实施方式中，可以确定所述待关联事件的发生地点和发生时段。一种情况下，待关联事件的事件要素中可以包括待关联事件的发生地点和发生时段，这种情况下，S101中便得到了待关联事件的发生地点和发生时段，不需要再重新确定待关联事件的发生地点和发生时段。
这种实施方式中，可以判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值，如果不相匹配，确定所述待关联人员的第一关联参数为第三预设值。
本实施方式中，如果待关联人员的轨迹信息与所述发生地点和发生时段相匹配，表示待关联人员参与待关联事件的概率较大，可以将待关联人员的第一关联参数设定为一个较大值。如果待关联人员的轨迹信息与所述发生地点和发生时段不相匹配，表示待关联人员参与待关联事件的概率较小，可以将待关联人员的第一关联参数设定为一个较小值。也就是说，上述第一预设值可以大于第三预设值。
一种实施方式中，针对待关联事件的发生地点，可以划分一个较大范围，记为第二范围，划分一个较小范围，记为第一范围。本实施方式中，将待关联人员的轨迹信息与待关联事件的发生地点和发生时段进行匹配，匹配结果分为三种情况：
第一种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围相匹配。这种情况下，确定待关联人员的第一关联参数为第一预设值。如上所述，第一范围为一个较小的范围，因此，待关联人员参与待关联事件的概率很大，第一预设值为一个较大的值。
第二种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围不相匹配，但是与待关联事件的发生时段、以及待关联事件的发生地点所在的第二范围相匹配。这种情况下，确定待关联人员的第一关联参数为第二预设值。如上所述，第二范围为一个较大的范围，因此，待关联人员参与待关联事件的概率小于第一种情况的概率，第二预设值小于第一预设值。
第三种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围、第二范围均不相匹配。这种情况下，确定待关联人员的第一关联参数为第三预设值。如果待关联人员的轨迹信息与所述发生时段、以及所述发生地点的第一范围、第二范围均不相匹配，表示待关联人员参与待关联事件的概率更小，第三预设值小于第二预设值。
举例来说，上述第二范围可以为地级市，第一范围可以为地级市中的区。如上所述，可以基于票务数据的始发地和目的地，获取所述待关联人员的轨迹信息。假设获取到待关联人员的票务数据包括：始发地北京，目的地杭州，出发时刻2020年6月10日8：00，到达时刻2020年6月10日13：00，则获取到待关联人员的轨迹信息为2020年6月10日8：00由北京出发，2020年6月10日13：00到达杭州。假设待关联事件的发生地点为杭州市西湖区，发生时段为2020年6月10日20：00，则待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围相匹配，属于上述第二种情况。
假设待关联人员2020年6月10日13：00到达杭州后，又获取到其购买市内公交的票务数据，该票务数据显示待关联人员于2020年6月10日16：00到达杭州市西湖区，这样，待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围相匹配，属于上述第一种情况。
再举一例，假设获取到待关联人员的图像数据，该图像数据的采集时段为2020年6月10日19：00，采集地点为杭州市西湖区。假设待关联事件的发生地点为杭州市西湖区，发生时段为2020年6月10日20：00，则待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围相匹配，属于上述第一种情况。
上述内容介绍了地点的匹配情况，关于时段的匹配情况，可以根据实际情况设定匹配条件，比如，时段间隔不超过3个小时，表示时段匹配成功，具体匹配条件不做限定。
一种实施方式中，可以基于以下三方面内容，确定待关联人员与待关联事件之间的关联度：一、待关联人员对历史事件的参与情况，二、待关联人员的轨迹信息与待关联事件的发生地点和发生时段的匹配情况，三、待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果。
这种实施方式中，可以采用如下算式，计算待关联人员与待关联事件之间的关联度：
Score＝k1*α+k2*β+k3*cosθ；
其中，Score表示该关联度，k1、k2、k3分别表示上述三方面内容的权重系数；α表示与“待关联人员对历史事件的参与情况”相关的第二关联参数；β表示与“待关联人员的轨迹信息与待关联事件的发生地点和发生时段的匹配情况”相关的第一关联参数，cosθ表示“待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果”。
k1、k2、k3为设定值，具体数值不做限定，例如，k1＝0.125，k2＝0.125，k3＝0.75。
本实施方式中，不仅基于人员参与历史事件与待关联事件的相似度，同时结合人员的轨迹信息，以及人员对历史事件的参与情况，能够更准确地确定人员与事件的关联度。
或者，其他实施方式中，可以基于第一关联参数和该匹配结果，确定待关联人员与待关联事件之间的关联度。这种实施方式中，可以采用如下算式，计算待关联人员与待关联事件之间的关联度：
Score＝k4*β+k5*cosθ；
其中，Score表示该关联度，k4表示第一关联参数的权重系数，k5表示匹配结果的权重系数；β表示与“待关联人员的轨迹信息与待关联事件的发生地点和发生时段的匹配情况”相关的第一关联参数，cosθ表示“待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果”。k4、k5为设定值，具体数值不做限定。
或者，其他实施方式中，可以基于第二关联参数和该匹配结果，确定待关联人员与待关联事件之间的关联度。这种实施方式中，可以采用如下算式，计算待关联人员与待关联事件之间的关联度：
Score＝k6*α+k7*cosθ；
其中，Score表示该关联度，k6表示第二关联参数的权重系数，k7表示该匹配结果的权重系数；α表示与“待关联人员对历史事件的参与情况”相关的第二关联参数；cosθ表示“待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果”。k6、k7为设定值，具体数值不做限定。
如上所述，可以预先建立数据库，数据库中存储每个人员的信息条目。可以将数据库中涉及的每个人员分别作为待关联人员，采用本发明实施例，分别计算待关联事件与数据库中涉及的每个人员的关联度。这种情况下，可以对每个人员对应的关联度进行排序，并将排序结果展示给用户，这样，可以快速定位参与事件的人员。
一种实施方式中，上述对所获取的历史事件信息进行统计时，还可以统计每个人员参与历史事件的地点；基于每个人员参与历史事件的次数及地点，确定每个人员的级别；按照每个人员的级别，对每个人员的信息进行排序展示，其中，每个人员的信息包括：该人员参与历史事件的次数、地点，该人员与待关联事件之间的关联度。如果有多个待关联事件，人员的信息中可以包括该人员与多个待关联事件之间的关联度。
这种实施方式中，不是按照关联度大小进行排序展示，而是按照人员的级别进行排序展示，可以满足用户的不同需求。如果事件为盗窃、抢劫、诈骗等事件，人员的级别可以表示人员的危险程度，按照人员的危险程度进行排序，有助于维护社会安全。而且展示的人员的信息中包括人员与一个或多个待关联事件之间的关联度，有助于用户对人员及事件进行综合分析。
本实施方式中，可以通过对所获取的历史事件信息进行统计，为每个人员分配标签。例如，如果人员的违法记录和犯罪记录不少于五次，并且近三年内有打处记录，则可以为其添加高度职业化标签。如果人员的违法记录和犯罪记录为3-4次，则可以为其添加轻度职业化标签。如果人员的违法记录和犯罪记录为2次，则可以为其添加非职业化标签。如果人员参与事件的地点相同，则为其添加盘踞型标签，如果人员参与事件的地点均不同，则为其添加流窜型标签。如果人员参与事件的地点属于同一重点关注区域，并在该区域的违法记录、犯罪记录和打处记录不少于三次，则为其添加区域重点型标签。
可以根据人员的标签确定人员的级别，展示的人员的信息中包含这些标签，这样有助于用户快速构建人员画像。
一种实施方式中，可以获取指定的目标人员的轨迹信息；基于所述轨迹信息，确定并展示所述目标人员的轨迹标签。
可以根据实际需求指定目标人员。举例来说，可以将从羁押场所释放的人员确定为目标人员。可以获取目标人员的票务数据；基于票务数据的始发地和目的地，获取目标人员的轨迹信息。和/或，可以基于采集到目标人员的图像数据时的时段和地点，获取目标人员的轨迹信息。
举例来说，轨迹标签可以包括：
A)静默：默认状态，表示未获取到轨迹信息。
B)首次触网：默认状态下获取到第一条轨迹信息，该第一条轨迹信息为基于非票务数据获取的。
C)离城：获取到始发地为本市、目的地为其他地区的轨迹信息，该轨迹信息为基于票务数据获取的。
D)回城触网：离城状态下，基于票务数据和/或非票务数据，获取到位于本市的轨迹信息。
E)稳定：分为两种情况，第一种情况，获取到最新一条轨迹信息之前的14天内，任意n天中均获取到5条以上轨迹信息，n可以为3、4、5。第二种情况，获取到人员的常住人口/暂住人口登记数据。
F)轨迹异常：轨迹信息不在频繁活动区域范围内，频繁活动区域的确定方式下面内容中进行说明。
G)活动范围变更：每周确定频繁活动区域，本周确定的频繁活动区域与上周确定的频繁活动区域不同。
H)流窜：存在多个频繁活动区域。
一种情况下，一个目标人员仅对应一个标签，如果目标人员的情况发生变化，其对应的标签也进行相应的变更。标签的覆盖规则可以包括：
离城>活动范围变更>轨迹异常>稳定>回城触网>首次触网；
回城触网>离城。
标签的变更规则可以包括：
稳定后，获取到最新一条轨迹信息之后的14天内，没有获取到新的轨迹信息，则变更为回城触网。
轨迹异常后14天内，没有再次异常，则变更为稳定。
获取到最新一条轨迹信息之后50天内，没有获取到新的轨迹信息，则变更为静默。
可以对标签进行分级，不同级别的标签为不同的颜色，比如，“活动范围变更”、“轨迹异常”的级别较高，标签颜色可以为红色，“稳定”的级别较低，标签颜色可以为绿色，等等，具体的标签情况不做限定。这样，有助于用户更直观地注意到潜在的危险人员。
关于上述频繁活动区域：
一种情况下，可以根据相关部门的分布情况进行区域划分。这种情况下，确定目标人员的频繁活动区域，可以理解为，确定目标人员在哪个部门的辖区内活动。或者，其他情况下，也可以根据行政区域、地理情况等进行区域划分，具体不做限定。
确定目标人员的频繁活动区域的方式可以包括：
每周统计目标人员的轨迹信息，该轨迹信息可以为基于非票务数据获取的，若存在5条以上位于同一区域的轨迹信息，则将该区域确定为目标人员的频繁活动区域。
或者，如果获取到人员的常住人口/暂住人口登记数据，则将登记数据指向的区域确定为目标人员的频繁活动区域。
一种实施方式中，基于所述轨迹信息和/或所述目标人员的人口登记信息，确定所述目标人员的频繁活动区域；若所述频繁活动区域发生变更，展示所述目标人员的轨迹异常标签。
本实施方式中，有助于及时发现目标人员的异常状态，维护社会安全。
应用本发明所示实施例，基于人员的特征要素、以及人员参与历史事件的事件要素与待关联事件的事件要素的匹配结果，确定人员与事件的关联度；可见，本方案中，并不是基于事件发生时段及地点的监控数据，确定人员与事件的关联度，因此，受监控设备、监控环境等因素影响较小，确定关联度的有效性较强。
图2为本发明实施例提供的确定人员与事件之间关联度的方法的第一种流程示意图，包括：
S201：获取历史事件信息及人员的轨迹信息。
历史事件信息可以包括：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。
一种情况下，可以获取人员的票务数据，基于所述票务数据的始发地和目的地，获取人员的轨迹信息。或者，另一种情况下，可以基于采集到人员的图像数据时的时段和地点，获取人员的轨迹信息。
举例来说，可以通过ETL工具，从一些信息公开网站、或者相关部门的数据系统接入案件采录数据、案件标注数据等等，这些数据可以作为上述历史事件信息。此外还可以接入人员的票务数据和非票务数据，以获取人员的轨迹信息。
S202：通过对所获取的历史事件信息进行统计，确定各人员对历史事件的参与情况，以及确定各人员所参与历史事件的事件要素。
S203：针对每个人员，对应存储该人员对历史事件的参与情况、该人员所参与历史事件的事件要素、以及该人员的轨迹信息。
对上述接入的数据进行清洗碰撞、统计汇总，可以得到某地区(如地级市)的数据库。数据库中可以针对每个人员，存储该人员的信息条目，该信息条目中可以包括该人员对历史事件的参与情况、该人员所参与历史事件的事件要素、以及该人员的轨迹信息。
S204：确定待关联事件的各事件要素。
事件的各事件要素可以包括：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。举例来说，事件类型可以分为：盗窃、抢劫、诈骗等等，或者，也可以将盗窃进一步细分为：扒窃、入室盗窃等，也可以将抢劫进一步细分为：入室抢劫、上车抢劫等，也可以将诈骗进一步细分为：接触诈骗、电话诈骗等，具体事件类型不做限定。事件发生地点可以分为：店面、生活区域、交通工具内、仓库等等，不再一一列举。事件发生时段可以分为：夜晚、白天、不确定，等等。事件涉及物品可以分为：工具金属材料、金银饰品、现金、家电、证件文书等等，不再一一列举。事件中采用的手段可以分为：机会型、技术型、破坏型等等，机会型可以包括：顺手类、拖运类、拉车门类等等，技术型可以包括：扒窃类、攀爬类、窃车类等等，破坏型可以包括：破窗类、破门类、破锁柜类等等。
将事件统一规整为上述五要素，既可以准确地描述事件，又为事件之间进行匹配对比提供了条件。
S205：在所存储的人员对历史事件的参与情况、人员所参与历史事件的事件要素、以及人员的轨迹信息中，读取指定的待关联人员对历史事件的参与情况、待关联人员参与历史事件的事件要素、以及待关联人员的轨迹信息。
延续上述例子，可以将上述数据库中涉及的每个人员依次作为待关联人员，采用本发明实施例，分别计算待关联事件与数据库中涉及的每个人员的关联度。
S206：判断待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围是否相匹配，如果相匹配，执行S207，如果不相匹配，执行S208。
S207：确定待关联人员的第一关联参数为第一预设值。
S208：判断待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第二范围是否相匹配，如果相匹配，执行S209，如果不相匹配，执行S210。
S209：确定待关联人员的第一关联参数为第二预设值。
S210：确定待关联人员的第一关联参数为第三预设值。其中，第三预设值<第二预设值<第一预设值。
针对待关联事件的发生地点，可以划分一个较大范围，记为第二范围，划分一个较小范围，记为第一范围。本实施例中，将待关联人员的轨迹信息与待关联事件的发生地点和发生时段进行匹配，匹配结果分为三种情况：
第一种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围相匹配。这种情况下，确定待关联人员的第一关联参数为第一预设值。如上所述，第一范围为一个较小的范围，因此，待关联人员参与待关联事件的概率很大，第一预设值为一个较大的值。
第二种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围不相匹配，但是与待关联事件的发生时段、以及待关联事件的发生地点所在的第二范围相匹配。这种情况下，确定待关联人员的第一关联参数为第二预设值。如上所述，第二范围为一个较大的范围，因此，待关联人员参与待关联事件的概率小于第一种情况的概率，第二预设值小于第一预设值。
第三种情况，待关联人员的轨迹信息与待关联事件的发生时段、以及待关联事件的发生地点所在的第一范围、第二范围均不相匹配。这种情况下，确定待关联人员的第一关联参数为第三预设值。如果待关联人员的轨迹信息与所述发生时段、以及所述发生地点的第一范围、第二范围均不相匹配，表示待关联人员参与待关联事件的概率更小，第三预设值小于第二预设值。
举例来说，上述第二范围可以为地级市，第一范围可以为地级市中的区。如上所述，可以基于票务数据的始发地和目的地，获取所述待关联人员的轨迹信息。假设获取到待关联人员的票务数据包括：始发地北京，目的地杭州，出发时刻2020年6月10日8：00，到达时刻2020年6月10日13：00，则获取到待关联人员的轨迹信息为2020年6月10日8：00由北京出发，2020年6月10日13：00到达杭州。假设待关联事件的发生地点为杭州市西湖区，发生时段为2020年6月10日20：00，则待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围相匹配，属于上述第二种情况。
假设待关联人员2020年6月10日13：00到达杭州后，又获取到其购买市内公交的票务数据，该票务数据显示待关联人员于2020年6月10日16：00到达杭州市西湖区，这样，待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围相匹配，属于上述第一种情况。
再举一例，假设获取到待关联人员的图像数据，该图像数据的采集时段为2020年6月10日19：00，采集地点为杭州市西湖区。假设待关联事件的发生地点为杭州市西湖区，发生时段为2020年6月10日20：00，则待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围相匹配，属于上述第一种情况。
上述内容介绍了地点的匹配情况，关于时段的匹配情况，可以根据实际情况设定匹配条件，比如，时段间隔不超过3个小时，表示时段匹配成功，具体匹配条件不做限定。
S211：将待关联人员参与历史事件的事件要素与待关联事件的各事件要素进行匹配，得到匹配结果。
如上所述，将事件统一规整为五要素：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。待关联人员参与历史事件的事件要素与待关联事件的各事件要素的种类相同，可以对每一种类的事件要素分别进行匹配。一种情况下，匹配过程可以理解为计算相似度的过程，这种情况下，匹配结果中可以包括这五种事件要素的相似度。
举例来说，可以基于S204中确定的待关联事件的各事件要素，生成案件特征向量Bi。可以综合待关联人员参与历史事件的各事件要素，生成人员特征向量Ai。然后可以采用如下算式，计算待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果：
Figure BDA0002565061650000181
其中，cosθ表示该匹配结果，n表示事件要素的种类数量，i表示事件要素的标识，Ai表示待关联人员参与历史事件的第i种事件要素，也即上述人员特征向量，Bi表示待关联事件的第i种事件要素，也即上述案件特征向量，μi表示第i种事件要素对应的相关因子，μi为设定值，具体数值不做限定。
上述算式中，计算待关联人员参与历史事件的事件要素与待关联事件的各事件要素的余弦相似度，作为匹配结果。或者，其他实施方式中，也可以采用其他相似度计算方式，具体不做限定。
S212：基于待关联人员对历史事件的参与情况，确定待关联人员的第二关联参数。
一种实施方式中，待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数。举例来说，如果某人员多次参与盗窃、抢劫、诈骗等事件，则该人员的特征要素可以为累犯。本实施方式中，可以根据待关联人员参与历史事件的次数，将待关联人员分为累犯和非累犯。累犯的第二关联参数可以大于非累犯的第二关联参数。
或者，另一种实施方式中，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数和时段。这种实施方式中，可以进一步将累犯进行细分，比如，一年内累犯，三年内累犯等等，具体不做限定。本实施方式中，可以根据待关联人员参与历史事件的次数和时段，将待关联人员分为一年内累犯、三年内累犯和非累犯，等等。一年内累犯的第二关联参数可以大于三年内累犯的第二关联参数，三年内累犯的第二关联参数可以大于非累犯的第二关联参数。
或者，另一种实施方式中，待关联人员对历史事件的参与情况包括：待关联人员参与历史事件的次数、时段、以及所采用的手段。可以根据待关联参与历史事件的次数、时段、以及所采用的手段，将待关联人员分为职业化累犯、非职业化累犯和非累犯。或者，还可以将待关联人员进一步细分为：高度职业化累犯、轻度职业化累犯、非职业化累犯和非累犯。具体划分情况不做限定。职业化累犯的第二关联参数可以大于非职业化累犯的第二关联参数，非职业化累犯的第二关联参数可以大于非累犯的第二关联参数。
可以理解，累犯再次参与违法犯罪事件的倾向较大；累犯中，相较于时间较长的累犯，短期内的累犯再次参与违法犯罪事件的倾向较大；相较于非职业化累犯，职业化的累犯再次参与违法犯罪事件的倾向较大。本实施方式中，基于这种考量，为不同种类的累犯以及非累犯设定不同的第二关联参数，方案更合理，确定出的事件与人员的关联度更准确。
S213：基于第一关联参数、第二关联参数和该匹配结果，计算待关联人员与待关联事件之间的关联度。
可以采用如下算式，计算待关联人员与待关联事件之间的关联度：
Score＝k1*α+k2*β+k3*cosθ；
其中，Score表示该关联度，k1、k2、k3分别表示上述三方面内容的权重系数；α表示与“待关联人员对历史事件的参与情况”相关的第二关联参数；β表示与“待关联人员的轨迹信息与待关联事件的发生地点和发生时段的匹配情况”相关的第一关联参数，cosθ表示“待关联人员参与历史事件的事件要素与待关联事件的各事件要素的匹配结果”。
k1、k2、k3为设定值，具体数值不做限定，例如，k1＝0.125，k2＝0.125，k3＝0.75。
本实施方式中，不仅基于人员参与历史事件与待关联事件的相似度，同时结合人员的轨迹信息，以及人员对历史事件的参与情况，能够更准确地确定人员与事件的关联度。
应用本发明所示实施例，基于人员的特征要素、以及人员参与历史事件的事件要素与待关联事件的事件要素的匹配结果，确定人员与事件的关联度；可见，本方案中，并不是基于事件发生时段及地点的监控数据，确定人员与事件的关联度，因此，受监控设备、监控环境等因素影响较小，确定关联度的有效性较强。
上述方法实施例中的各个步骤按照合乎逻辑的顺序执行即可，步骤标号或者对各步骤进行介绍的先后顺序，并不对各步骤的执行顺序构成限定。
下面参考图3所示，介绍一种分析系统：
可以通过ETL工具，从一些信息公开网站、或者相关部门的数据系统接入案件采录数据、案件标注数据、轨迹类数据等等，对这些数据进行清洗碰撞、统计汇总，可以得到某地区(如地级市)的数据库。将事件统一规整为五要素：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。数据库中可以针对每个人员，存储该人员的信息条目，该信息条目中可以包括该人员对历史事件的参与情况、该人员所参与历史事件的五要素、以及该人员的轨迹信息。
此外，还可以在数据库中为每个人员添加作案情况标签和轨迹标签，或者说，上述信息条目中还可以包括作案情况标签和轨迹标签。作案情况标签可以包括：高度职业化标签、轻度职业化标签、非职业化标签、盘踞型标签、流窜型标签、区域重点型标签等等。轨迹标签可以包括：静默、首次触网、离城、回城触网、稳定、轨迹异常、活动范围变更、流窜等等。上述内容中已经对各标签进行了介绍，这里不再赘述。
该系统可以实现可视化界面展示、动态防控、人案关联度计算、类案比对、查询以及手动录入。可以在该可视化界面中展示每个人员的信息条目，可以基于用户的需求对人员的信息条目进行排序，比如，基于上述作案情况标签和轨迹标签，确定人员的级别，级别高表示人员的危险程度高，可以按照级别高低，对人员的信息条目进行排序展示。
上述通过ETL工具接入的数据可以是动态更新的，这样，展示的每个人员的信息条目也可以是动态更新的。这样，可以实现对有关人员的动态防控。该分析系统中还可以实现手动录入，用户可以将数据手动录入至数据库中。该可视化界面中可以提供查询入口，以便于用户查询某些人员的信息条目。
该分析系统还可以实现类案对比，用户可以在可视化界面中输入待对比案件的五要素，计算数据库中存储的历史事件与待对比案件的相似度，并将相似度反馈给用户。
该分析系统还可以实现人案关联度计算，用户可以在可视化界面中输入待关联事件的五要素，采用上述实施例计算数据库中涉及的各人员与待关联事件的关联度，并将关联度反馈给用户。
如上所述，通过ETL工具接入的数据可以是动态更新的，如果待关联事件被破获，则数据更新后，系统中可以显示实际参与该事件的各人员，这样，便可以对上述计算得到的关联度进行校验，实现了闭环反馈。
与上述方法实施例相对应，本发明实施例还提供了一种确定人员与事件之间关联度的装置，如图4所示，包括：
第一确定模块401，用于确定待关联事件的各事件要素；
第一获取模块402，用于获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素；
匹配模块403，用于将所述待关联人员参与历史事件的事件要素与所述待关联事件的各事件要素进行匹配，得到匹配结果；
第二确定模块404，用于基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度。
一种实施方式中，所述待关联人员的特征要素包括：所述待关联人员对历史事件的参与情况；所述装置还包括：第二获取模块、第三确定模块和存储模块(图中未示出)，其中，
第二获取模块，用于获取历史事件信息，所述历史事件信息包括：事件类型、事件内容、参与历史事件的人员信息；
第三确定模块，用于通过对所获取的历史事件信息进行统计，确定各人员对历史事件的参与情况，以及确定各人员所参与历史事件的事件要素；
存储模块，用于针对每个人员，对应存储该人员对历史事件的参与情况、以及该人员所参与历史事件的事件要素；
第一获取模块402具体用于：在所存储的人员对历史事件的参与情况、以及人员所参与历史事件的事件要素中，读取指定的待关联人员对历史事件的参与情况、以及所述待关联人员参与历史事件的事件要素。
一种实施方式中，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数和时段；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数、时段、以及所采用的手段。
一种实施方式中，所述装置还包括：
第四确定模块(图中未示出)，用于确定所述待关联事件的发生地点和发生时段；
所述待关联人员的特征要素包括：所述待关联人员的轨迹信息；
第二确定模块404包括：第一判断子模块、第一确定子模块、第二确定子模块和计算子模块(图中未示出)，其中，
第一判断子模块，用于判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，触发第一确定子模块，如果不相匹配，触发第二确定子模块；
第一确定子模块，用于确定所述待关联人员的第一关联参数为第一预设值，
第二确定子模块，用于确定所述待关联人员的第一关联参数为第三预设值；
计算子模块，用于基于所述第一关联参数和所述匹配结果，计算所述待关联人员与所述待关联事件之间的关联度。
一种实施方式中，第一获取模块402还用于：
获取所述待关联人员的票务数据；基于所述票务数据的始发地和目的地，获取所述待关联人员的轨迹信息；
和/或，基于采集到所述待关联人员的图像数据时的时段和地点，获取所述待关联人员的轨迹信息。
一种实施方式中，所述装置还包括：第二判断模块和第五确定模块(图中未示出)；所述第一判断子模块，具体用于：
判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围是否相匹配，如果相匹配，触发所述第一确定子模块，如果不相匹配，触发第二判断模块；
第二判断模块，用于判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围是否相匹配，所述第二范围大于所述第一范围，如果相匹配，触发第五确定模块，如果不相匹配，触发所述第二确定子模块；
第五确定模块，用于确定所述待关联人员的第一关联参数为第二预设值。
一种实施方式中，事件的各事件要素包括以下任意一种或多种：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。
一种实施方式中，所述事件内容中包括事件发生地点；所述装置还包括：统计模块、第六确定模块和排序模块(图中未示出)，其中，
统计模块，用于通过对所获取的历史事件信息进行统计，统计所述每个人员参与历史事件的地点；
第六确定模块，用于基于所述每个人员参与历史事件的次数及地点，确定所述每个人员的级别；
排序模块，用于按照所述每个人员的级别，对所述每个人员的信息进行排序展示，其中，每个人员的信息包括：该人员参与历史事件的次数、地点，该人员与所述待关联事件之间的关联度。
一种实施方式中，所述装置还包括：第三获取模块和展示模块(图中未示出)，其中，
第三获取模块，获取指定的目标人员的轨迹信息或者所述目标人员的人口登记信息；
展示模块，用于基于所述目标人员的轨迹信息或者所述目标人员的人口登记信息，确定所述目标人员的频繁活动区域；若所述频繁活动区域发生变更，展示所述目标人员的轨迹异常标签。
应用本发明所示实施例，基于人员的特征要素、以及人员参与历史事件的事件要素与待关联事件的事件要素的匹配结果，确定人员与事件的关联度；可见，本方案中，并不是基于事件发生时段及地点的监控数据，确定人员与事件的关联度，因此，受监控设备、监控环境等因素影响较小，确定关联度的有效性较强。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501和存储器502，
存储器502，用于存放计算机程序；
处理器501，用于执行存储器502上所存放的程序时，实现上述任意一种确定人员与事件之间关联度的方法。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种确定人员与事件之间关联度的方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任意一种确定人员与事件之间关联度的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，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。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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、设备实施例、计算机可读存储介质实施例、以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (11)

1.一种确定人员与事件之间关联度的方法，其特征在于，包括：
确定待关联事件的各事件要素；
获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素；
将所述待关联人员参与历史事件的事件要素与所述待关联事件的各事件要素进行匹配，得到匹配结果；
基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度。
2.根据权利要求1所述的方法，其特征在于，所述待关联人员的特征要素包括：所述待关联人员对历史事件的参与情况；所述方法还包括：
获取历史事件信息，所述历史事件信息包括：事件类型、事件内容、参与历史事件的人员信息；
通过对所获取的历史事件信息进行统计，确定各人员对历史事件的参与情况，以及确定各人员所参与历史事件的事件要素；
针对每个人员，对应存储该人员对历史事件的参与情况、以及该人员所参与历史事件的事件要素；
所述获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素，包括：
在所存储的人员对历史事件的参与情况、以及人员所参与历史事件的事件要素中，读取指定的待关联人员对历史事件的参与情况、以及所述待关联人员参与历史事件的事件要素。
3.根据权利要求2所述的方法，其特征在于，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数和时段；
或者，所述待关联人员对历史事件的参与情况包括：所述待关联人员参与历史事件的次数、时段、以及所采用的手段。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述待关联事件的发生地点和发生时段；
所述待关联人员的特征要素包括：所述待关联人员的轨迹信息；所述基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度，包括：
判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值，如果不相匹配，确定所述待关联人员的第一关联参数为第三预设值；
基于所述第一关联参数和所述匹配结果，计算所述待关联人员与所述待关联事件之间的关联度。
5.根据权利要求4所述的方法，其特征在于，获取所述待关联人员的轨迹信息，包括：
获取所述待关联人员的票务数据；基于所述票务数据的始发地和目的地，获取所述待关联人员的轨迹信息；
和/或，基于采集到所述待关联人员的图像数据时的时段和地点，获取所述待关联人员的轨迹信息。
6.根据权利要求4所述的方法，其特征在于，所述判断所述待关联人员的轨迹信息与所述发生地点和发生时段是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值，包括：
判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围是否相匹配，如果相匹配，确定所述待关联人员的第一关联参数为第一预设值；
若所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第一范围不相匹配，所述方法还包括：
判断所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围是否相匹配，所述第二范围大于所述第一范围，如果相匹配，确定所述待关联人员的第一关联参数为第二预设值；
所述如果不相匹配，确定所述待关联人员的第一关联参数为第三预设值，包括：
若所述待关联人员的轨迹信息与所述发生时段、以及所述发生地点所在的第二范围不相匹配，确定所述待关联人员的第一关联参数为第三预设值。
7.根据权利要求1-6任一项所述的方法，其特征在于，事件的各事件要素包括以下任意一种或多种：事件类型、事件发生地点、事件发生时段、事件涉及物品、事件中采用的手段。
8.根据权利要求2所述的方法，其特征在于，所述事件内容中包括事件发生地点；所述获取历史事件信息之后，还包括：
通过对所获取的历史事件信息进行统计，统计所述每个人员参与历史事件的地点；
基于所述每个人员参与历史事件的次数及地点，确定所述每个人员的级别；
按照所述每个人员的级别，对所述每个人员的信息进行排序展示，其中，每个人员的信息包括：该人员参与历史事件的次数、地点，该人员与所述待关联事件之间的关联度。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取指定的目标人员的轨迹信息或者所述目标人员的人口登记信息；
基于所述目标人员的轨迹信息或者所述目标人员的人口登记信息，确定所述目标人员的频繁活动区域；
若所述频繁活动区域发生变更，展示所述目标人员的轨迹异常标签。
10.一种确定人员与事件之间关联度的装置，其特征在于，包括：
第一确定模块，用于确定待关联事件的各事件要素；
第一获取模块，用于获取指定的待关联人员的特征要素、以及所述待关联人员参与历史事件的事件要素；
匹配模块，用于将所述待关联人员参与历史事件的事件要素与所述待关联事件的各事件要素进行匹配，得到匹配结果；
第二确定模块，用于基于所述匹配结果、以及所述待关联人员的特征要素，确定所述待关联人员与所述待关联事件之间的关联度。
11.一种电子设备，其特征在于，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-9任一所述的方法步骤。
CN202010626732.7A 2020-07-01 2020-07-01 一种确定人员与事件之间关联度的方法、装置及设备 Active CN111783668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010626732.7A CN111783668B (zh) 2020-07-01 2020-07-01 一种确定人员与事件之间关联度的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010626732.7A CN111783668B (zh) 2020-07-01 2020-07-01 一种确定人员与事件之间关联度的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111783668A true CN111783668A (zh) 2020-10-16
CN111783668B CN111783668B (zh) 2024-09-03

Family

ID=72758089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010626732.7A Active CN111783668B (zh) 2020-07-01 2020-07-01 一种确定人员与事件之间关联度的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111783668B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678428A (zh) * 2016-01-28 2016-06-15 温州职业技术学院 一种犯罪嫌疑概率预测的方法和系统
CN106709047A (zh) * 2017-01-04 2017-05-24 浙江宇视科技有限公司 对象查找方法及装置
JP2017111657A (ja) * 2015-12-17 2017-06-22 株式会社日立製作所 設計支援装置及び設計支援方法及び設計支援プログラム
CN109656972A (zh) * 2018-11-27 2019-04-19 杭州中奥科技有限公司 区域治安程度的确定方法及装置
CN110942036A (zh) * 2019-11-29 2020-03-31 深圳市商汤科技有限公司 人员识别方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017111657A (ja) * 2015-12-17 2017-06-22 株式会社日立製作所 設計支援装置及び設計支援方法及び設計支援プログラム
CN105678428A (zh) * 2016-01-28 2016-06-15 温州职业技术学院 一种犯罪嫌疑概率预测的方法和系统
CN106709047A (zh) * 2017-01-04 2017-05-24 浙江宇视科技有限公司 对象查找方法及装置
CN109656972A (zh) * 2018-11-27 2019-04-19 杭州中奥科技有限公司 区域治安程度的确定方法及装置
CN110942036A (zh) * 2019-11-29 2020-03-31 深圳市商汤科技有限公司 人员识别方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111783668B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
Welsh et al. Public area CCTV and crime prevention: an updated systematic review and meta‐analysis
US9424306B2 (en) Incident tracking systems and methods
Corsaro et al. Problem-oriented policing and open-air drug markets: Examining the Rockford pulling levers deterrence strategy
JP5141048B2 (ja) リスク監視装置、リスク監視システム、リスク監視方法
Lantz et al. A networked boost: Burglary co-offending and repeat victimization using a network approach
Tillyer et al. Busy businesses and busy contexts: The distribution and sources of crime at commercial properties
Grubb et al. A spatiotemporal analysis of arson
US20180150683A1 (en) Systems, methods, and devices for information sharing and matching
Reich et al. Partially supervised spatiotemporal clustering for burglary crime series identification
Braakmann The link between crime risk and property prices in England and Wales: Evidence from street-level data
Ho et al. Hotel crimes: An unexplored victimization in the hospitality industry
Koper et al. The impacts of large-scale license plate reader deployment on criminal investigations
Ansari et al. Crime rates in India: A trend analysis
Baika et al. Centrality, mobility, and specialization: A study of drug markets in a non-metropolitan area in the United Kingdom
Yokota et al. Practice of offender profiling in Japan
Zhang et al. Secondary crash identification using crowdsourced Waze user reports
Prathap et al. Crime analysis and forecasting on spatio temporal news feed data—an indian context
Yang et al. Does hotel class moderate the impact of crime on operating performance?
Liu et al. Evaluating the coverage and spatiotemporal accuracy of crowdsourced reports over time: a case study of Waze event reports in Tennessee
Haginoya Offender demographics and geographical characteristics by offender means of transportation in serial residential burglaries
di Bella et al. Smart Security: Integrated systems for security policies in urban environments
Braun et al. Police discretion and racial disparity in organized retail theft arrests: Evidence from Texas
Schmidt et al. The drop box location problem
CN111783668A (zh) 一种确定人员与事件之间关联度的方法、装置及设备
Lee et al. The Bounty of buffers: Spatial measurement of displacement and diffusion of benefits of alarms on Burglary

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