CN111950937A - 一种基于融合时空轨迹的重点人员风险评估方法 - Google Patents

一种基于融合时空轨迹的重点人员风险评估方法 Download PDF

Info

Publication number
CN111950937A
CN111950937A CN202010905650.6A CN202010905650A CN111950937A CN 111950937 A CN111950937 A CN 111950937A CN 202010905650 A CN202010905650 A CN 202010905650A CN 111950937 A CN111950937 A CN 111950937A
Authority
CN
China
Prior art keywords
key personnel
space
data
time
static
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
CN202010905650.6A
Other languages
English (en)
Other versions
CN111950937B (zh
Inventor
郑志骏
韩德志
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010905650.6A priority Critical patent/CN111950937B/zh
Publication of CN111950937A publication Critical patent/CN111950937A/zh
Application granted granted Critical
Publication of CN111950937B publication Critical patent/CN111950937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于融合时空轨迹的重点人员风险评估方法，包含步骤：S1、筛选、预处理重点人员的静态信息数据，得到重点人员的静态特征；S2、融合重点人员的人像时空轨迹数据和手机三码时空轨迹数据得到融合时空轨迹数据；S3、提取融合时空轨迹数据的行为特征并进行特征衍生，得到重点人员的动态特征；S4、删选得到有效特征并进行特征编码；S5、将有效特征的特征编码输入梯度提升决策树模型，得到对应静态、动态特征的重要性评分；S6、通过重要性评分高于设定评分阈值的静态、动态特征的特征编码值训练异构深度神经网络模型；通过训练好的该异构深度神经网络模型给出重点人员的风险评分。

Description

一种基于融合时空轨迹的重点人员风险评估方法
技术领域
本发明涉及公安重点人员管控领域，尤其涉及一种基于融合时空轨迹的重点人员风险评估方法。
背景技术
重点人员是由公安机关重点管理的人员。通过管控重点人员为公安机关日常工作提供重要信息来源，是公安机关基层的一项重要基础工作。对重点人员进行管理，可以提前预防、发现和打击违法犯罪行为，挽救有违法犯罪倾向的人员，消除社会治安隐患。建立有效的重点人员风险管理体制，能够有效减少犯罪率，维护社会稳定。
传统的公安机关对于重点人员的管控模式主要是通过谈话、走访等方式了解到该重点人员的历史信息、日常活动信息，基于业务规则对获取的信息进行评估，借助专家经验来判断该人员是否列管或撤管。目前，已经发展到基于大数据、专家经验和机器学习算法建立重点人口风险评估系统来识别重点人员。现有技术中，主要通过录入重点人员身份信息、通过访谈等手段采集重点人员日常行为数据，利用大数据挖掘发现犯罪发生的风险要素，并结合业务规则和专家经验的评分系统评估重点人员的风险系数。但目前的做法仍然对基层警力造成大量负担，且难以适应不断升级的犯罪行为。
近年来，随着人脸识别技术的快速发展以及各省市“天网工程”、“雪亮工程”等建设不断铺开和落地，尤其是基于人像特征值聚类技术的不断成熟，许多省市已建成“一人一档”的人像大数据系统。城市的WIFI探针、伪基站能够采集大量的手机三码(IMEI、IMSI、MAC地址)数据。利用这些数据，能够有效刻画重点人员的行为模式进而分析其行为带来的风险性。然而对于MAC、IMSI、IMEI等时空轨迹，虽然具备一定的稠密程度，考虑到存在一人多卡、手机冒用、手机更换等情况，难以根据IMSI、MAC信息准确确定手机持有人身份。而对于人像轨迹，尽管能够较为准确地确认对象身份，但由于遮挡、侧面、背面、光照和设备数量等客观条件的限制，数据较稀疏，因此对重点人员的管控效果比较有限。
发明内容
本发明的目的是提供一种基于融合时空轨迹的重点人员风险评估方法，首先通过筛选、预处理重点人员的静态信息数据得到对应的静态特征；接着从多源、异构的时空轨迹数据中，基于广义最长公共子串算法进行时空轨迹融合，得到重点人员的融合时空轨迹数据；然后挖掘融合时空轨迹数据中的重点人员行为模式，得到对应的的动态特征；进一步通过决策树筛选重要度高的静态、动态特征用于训练异构深度神经网络模型；最后训练好的异构深度神经网络模型为重点人员进行风险评估。本发明能客观多源地衡量重点人员行为带来的风险。对重点人员的风险评估结果兼顾了稳定性、准确度和可解释性；同时，本发明不需要人工调参，更具便利性。
为了达到上述目的，本发明提供一种基于融合时空轨迹的重点人员风险评估方法，包含步骤：
S1、筛选重点人员的静态信息数据，并对筛选后的静态信息数据进行预处理得到重点人员的静态特征；
S2、获取重点人员的人像时空轨迹数据和手机三码时空轨迹数据，基于广义最长公共子串算法(C_LCS)融合所述人像时空轨迹数据、手机三码时空轨迹数据，得到融合时空轨迹数据；
S3、提取所述融合时空轨迹数据的行为特征并进行特征衍生，得到重点人员的动态特征；
S4、删选得到静态特征中的有效静态特征，将所述动态特征、有效静态特征作为有效特征并进行特征编码；
S5、将有效特征的特征编码输入梯度提升决策树模型，通过所述梯度提升决策树模型得到对应静态、动态特征的重要性评分；
S6、通过重要性评分高于设定评分阈值的静态、动态特征的特征编码值训练异构深度神经网络模型；通过训练好的该异构深度神经网络模型给出重点人员的风险评分。
步骤S1具体包含：
S11、获取重点人员的静态信息数据，包含：重点人员出生日期、性别、上网记录、案事件记录、盘问记录、访谈记录、住店记录；
S12、对所述静态信息数据进行去缺失值预处理；
S13、人工为由步骤S12所得的静态信息数据设置类别标签，将惯犯、屡犯、涉毒的重点人员的静态信息数据的标签值设为1，该静态信息数据作为正样本数据；其余静态信息数据的标签值为0，作为负样本数据；通过SMOTE方法对所述正样本数据进行过采样预处理；
S14、将步骤S13预处理后的正样本数据作为重点人员的静态特征。
步骤S2中所述获取重点人员的人像时空轨迹数据和手机三码时空轨迹数据具体包含：
S21、通过图像采集设备捕获重点人员的图像，提取该图像中的人脸特征生成对应的人脸特征值；根据所述人脸特征值比对人像档案，获取唯一识别该重点人员的id号；所述人像档案中存储有重点人员的人脸特征值及对应的id号；
S22、生成重点人员的人像时空轨迹数据，包含：重点人员的id号、图像的捕获时间、图像采集设备经度、图像采集设备纬度；
S23、通过伪基站采集重点人员的手机通讯信息，获取对应的手机三码数据；生成重点人员的手机三码时空轨迹数据，包含：手机三码，伪基站的采集时间，伪基站经度，伪基站维度；
S24、去除所述人像时空轨迹数据、手机三码时空轨迹数据中的噪声数据。
步骤S2中所述融合所述人像时空轨迹数据、手机三码时空轨迹数据，具体包含：
S25、通过Dev-DBSCAN算法基于图像采集设备的经度、维度对所述图像采集设备进行聚类；
S26、基于同一个聚类中的图像采集设备在设定时段内获取的人像时空轨迹数据建立第一时空轨迹Ta＝{Pa1,…,Pai}，Pak为Ta的一个轨迹点，对应一个人像时空轨迹数据；i为Ta所包含的轨迹点总数，k∈[1,i]；
基于所述设定时段内的手机三码时空轨迹数据建立第二时空轨迹Tb＝{Pb1,…,Pbj}；Pbl为Tb的一个轨迹点，对应一个手机三码时空轨迹数据；j为Tb第二时空轨迹所包含的手机三码时空轨迹数据总数，l∈[1,j]；
基于第一时空轨迹Ta、第二时空轨迹Tb建立时空轨迹对；
S27、基于Pak中图像采集设备经纬度，以及Pbl中伪基站经纬度，计算第一时空轨迹Ta、第二时空轨迹Tb的时空相似度；将时空相似度高于设定相似度阈值的第一时空轨迹Ta、第二时空轨迹Tb融合为同一重点人员的融合时空轨迹TR＝Ta∪Tb。
步骤S3具体包含：
S31、基于所述融合时空轨迹TR中图像采集设备经、纬度和伪基站经、纬度，提取重点人员行为特征，包含高频出现地点、在各时间段内的出现地分布情况、出现在敏感区域次数、两地徘徊次数、时空异常点；
S32、基于所述时空异常点、高频出现点、以及行为规律衍生出重点人员的动态特征；所述动态特征包括异常行为分、昼伏夜出、出入敏感区域次数、是否徘徊、轨迹离散度。
步骤S4具体包含：
S41、对每类静态特征的标签值进行统频，计算不同的标签值在该类静态特征的百分比，若该百分比落在设定阈值范围内，则该类静态特征为有效静态特征；否则，为无效静态特征；将有效静态特征和动态特征作为有效特征；
S42、基于皮尔森相关系数，计算任意两个连续型有效特征之间的两两相关性；若相关性超过设定的相关阈值，则只保留所述两个连续型有效特征其中的一个连续型有效特征；
S43、依据有效特征的特征属性，对其进行特征编码。
所述步骤S43中具体包含：
S431、当有效特征为离散型特征，采用正样本率进行编码；
S432、当有效特征为连续型特征，采用卡分分箱法进行分箱，再对分箱完成的有效特征进行证据权重编码。
步骤S5包括：
S51、将有效特征的特征编码值输入梯度提升决策树模型；所述的梯度提升决策树模型的决策函数为：
Figure BDA0002661338540000041
其中M为所述梯度提升决策树模型的迭代次数，也即梯度提升决策树模型中的决策树总棵树，T(x；θm)是第m轮迭代中生成的弱分类器；θm为该分类器的参数；
S5.2、将CART决策树算法作为所述梯度提升决策树模型中的弱分类器模型，对M棵决策树进行处理，计算得到各有效特征的重要性评分；
S5.3、为所述重要性评分设定第一评分阈值和第二评分阈值，其中第一评分阈值高于第二评分阈值；重要性评分高于第一评分阈值有效特征作为高重要度特征；重要性评分在第一、第二评分阈值之间的有效特征作为中低重要度特征。
步骤S6中包含：
S61、所述异构神经网络模型包含第一输入层和第二输入层、k个隐藏层、输出层，所述第一输入层用于输入所述高重要度特征的特征编码值，所述第二输入层用于输入中低重要度特征的特征编码值；基于反向传播算法训练所述异构神经网络模型；k∈[2,4]；
其中，所述第一输入层与输出层直接相连，第二输入层依序经过所述k个隐藏层中的第一至第k隐藏层连接输出层；若第k′隐藏层的输入维数为x，则第k′+1隐藏层维数范围为
Figure BDA0002661338540000051
隐藏层数和隐藏层维数利用网格搜索的方式选定；输出层采用Softmax函数；异构神经网络模型的损失函数为交叉熵损失函数，激活函数选用RELU函数，通过Adam迭代优化器及反向传播算法更新各节点权重使得损失函数取得最小值；
S62、将实时获取的重点人员的动态特征、静态特征输入训练好的异构深度神经网络模型，通过该异构深度神经网络模型给出重点人员的风险评分；
S63、当所述风险评分高于设定的风险评分阈值，生成对应的报警信息。
与现有技术相比，本发明的有益效果在于：
1)本发明从多源多视角研究重点人员行为模式，提高了重点人员风险评估的效率与准确性。
2)本发明基于城市布控场景，提出了C-LCS算法对人像时空轨迹数据和手机三码时空轨迹数据进行融合，相较传统的基于最长公共子序列的LCSS算法，能够更快速高效地对多维轨迹进行融合。
3)本发明基于梯度提升决策树模型获取静态特征和动态特征的重要性评分，筛选出具有一定重要度的静态、动态特征，并将筛选出的特征训练异构深度神经网络模型，通过训练好的异构深度神经网络模型根据重点人员的静态、动态特征自动生成对应的风险评分。本发明兼顾了评分的稳定性、准确度和可解释性，对重点人员的管控具有很好的效果，大大节约了人力。
附图说明
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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为本发明的基于融合时空轨迹的重点人员风险评估方法流程图；
图2为本发明的异构深度神经网络模型示意图；
图3为本发明的实施例中，第一时空轨迹Ta、第二时空轨迹Tb的子序列中的时空相似点对示意图。
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。
本发明提供为了达到上述目的，本发明提供一种基于融合时空轨迹的重点人员风险评估方法，如图1所示，包含步骤：
S1、筛选重点人员的静态信息数据，并对筛选后的静态信息数据进行预处理得到重点人员的静态特征；具体包含：
S11、获取重点人员的静态信息数据，包含：重点人员出生日期、性别、上网记录、案事件记录、盘问记录、访谈记录、住店记录；
在本发明的一些实施例中，还会对静态信息数据进行进一步衍生出新的静态信息数据，如根据网吧上网记录中重点人员上网时间和下网时间衍生得到平均上网时长。网吧上网时长和时间段都比较有业务含义，举例来说，很多流浪汉会选择在网吧进行通宵(因在网吧通宵相对便宜)，另外，许多符合昼伏夜出特征的人员白天常常在网吧度过。该特征可以从侧面反映一个人的稳定程度，因为如果是一个有着固定工作的成年人是不会在网吧花费过多时间的。
S12、对所述静态信息数据进行去缺失值预处理；具体包含：
当缺失值的种类为连续型完全随机缺失值时，该缺失值通常由于传输过程引起，如上网时间的缺失等，采用该缺失值邻近5-10个数的算术平均值来替代该缺失值；当缺失值的种类为离散型完全随机缺失值时，该缺失值也通常由于传输过程引起，因此处理过程是将该缺失值舍去；当缺失值的种类为随机缺失值或完全非随机缺失值时，如盘问记录中获取的人员的收入信息，工作状态等信息，将该缺失值记为-1；
S13、人工为步骤S12所得的静态信息数据设置类别标签，将惯犯、屡犯、涉毒的重点人员的静态信息数据的标签值设为1，该静态信息数据作为正样本数据；其余静态信息数据的标签值为0，作为负样本数据；通过SMOTE方法(此为现有技术)对所述正样本数据进行过采样预处理；
由于通常在对重点人员采集的静态信息数据中，正样本的比例非常小，因此需要通过过采样预处理平衡正负样本的数量。
通过SMOTE方法对所述正样本数据进行过采样预处理包含：
对于静态信息数据中的每个样本xi，采用欧式距离计算方法找到距离样本xi最近的k个近邻，记为Xi(near)，near∈{1，…，k}；
然后从这k个近邻中随机选择n个近邻，再分别对n个近邻和原样本xi间进行线性插值，从而合成2n个新样本。
S2、获取重点人员的人像时空轨迹数据和手机三码时空轨迹数据，基于广义最长公共子串算法(C_LCS)融合所述人像时空轨迹数据、手机三码时空轨迹数据，得到融合时空轨迹数据；具体包含：
S21、通过图像采集设备捕获重点人员的图像，提取该图像中的人脸特征生成对应的人脸特征值；根据所述人脸特征值比对人像档案，获取唯一识别该重点人员的id号；所述人像档案中存储有重点人员的人脸特征值及对应的id号；
S22、生成重点人员的人像时空轨迹数据，包含：重点人员的id号(在本发明的实施例中，可以是唯一识别重点人员的身份证号、人像id号、车牌号)、图像的捕获时间、图像采集设备经度、图像采集设备纬度；
S23、通过伪基站采集重点人员的手机通讯信息，获取对应的手机三码数据；生成重点人员的手机三码时空轨迹数据，包含：手机三码，伪基站的采集时间，伪基站经度，伪基站维度；所述的手机三码是指手机的MAC地址、手机的国际移动用户识别码IMSI编号、手机的国际移动设备识别码IMEI编号。
S24、去除所述人像时空轨迹数据、手机三码时空轨迹数据中的噪声数据。
噪声数据有两种，一种是速度明显异常，一种是频率明显异常。速度异常是指根据人的正常活动能力不可能达到的运动速度；频率明显异常是指在某段时间内平均每人被采样20个点，但有某人被采样的次数远高于20个点。
S25、通过Dev-DBSCAN算法基于图像采集设备的经度、维度对所述图像采集设备进行聚类；
所述Dev-DBSCAN在现有算法DBSCAN聚类算法的基础之上，通过将DBSCAN算法中距离度量从原来的欧式距离改进为基于采集设备类型(图像采集设备或手机三码采集设备)加权欧式距离，使得不同类型采集设备的距离更小，相同类型采集设备间距离更大。从而使得邻近的不同类型采集设备更倾向于被聚为同一类。
xi,xj分别代表两个不同类型的采集设备，它们可以用设备标识，设备类型，设备经度，设备纬度的四元组的形式标识：(id,type,lng,lat)
基于采集设备类型加权欧式距离distance(xi,xj)通过下式计算得出：
Figure BDA0002661338540000081
式中，lngi lati typei分别表示设备xi的经度、纬度和设备类型(例如：摄像头还是伪基站)，lngj latj typej分别表示设备xj的经度、纬度和设备类型。
S26、基于同一个聚类中的图像采集设备在设定时段内获取的人像时空轨迹数据建立第一时空轨迹Ta＝{Pa1,…,Pai}，Pak为Ta的一个轨迹点，对应一个人像时空轨迹数据；Pa1～Pai对应同一个重点人员；i为Ta所包含的轨迹点总数，k∈[1,i]；
基于所述设定时段内的手机三码时空轨迹数据建立第二时空轨迹Tb＝{Pb1,…,Pbj}；Pbl为Tb的一个轨迹点，对应一个手机三码时空轨迹数据；Pb1～Pbj对应同一个重点人员；j为Tb第二时空轨迹所包含的手机三码时空轨迹数据总数，l∈[1,j]；
基于第一时空轨迹Ta、第二时空轨迹Tb建立时空轨迹对；
S27、基于Pak中图像采集设备经纬度，以及Pbl中伪基站经纬度，计算第一时空轨迹Ta、第二时空轨迹Tb的时空相似度；将时空相似度高于设定相似度阈值的第一时空轨迹Ta、第二时空轨迹Tb融合为同一重点人员的融合时空轨迹TR＝Ta∪Tb。
当第一时空轨迹Ta中的轨迹点Pai与第二时空轨迹Tb的轨迹点Pbj的时间之差小于设定阈值时，他们的时空相似性sim(Pai,Pbj)计算方法如下：
Figure BDA0002661338540000091
(2)式中OFFSET_DIST为距离阈值，是一个常数，Pai(lng,lat)、Pbj(lng,lat)分别为时空轨迹点Pa、Pb的经纬度坐标，DIS(Pai(lng,lat),Pbj(lng,lat))为Pa，Pb时空轨迹点之间的欧式距离。当sim(Pai,Pbj)大于设定阈值时，我们认为轨迹点Pai和Pbj是一对时空相似点。
第一时空轨迹Ta、第二时空轨迹Tb分别由i、j个轨迹点(一个时空轨迹数据对应一个轨迹点)组成，定义i+1行j+1列的状态转移矩阵dp(i+1)×(j+1)，该矩阵的元素dp[m][n](m≤i，n≤j)表示：Ta从1到m编号的轨迹点Pa1～Pam组成的子序列与Tb从1到n编号的轨迹点Pb1～Pbn组成的子序列，他们中包含所有时空相似点对(Ta的一个轨迹点只能和Tb的一个轨迹点组成时空相似点对)的相似性之和的最大值，举例来说，Ta和Tb的子序列如图3所示，其包含的时空相似点对为a2和b1，a2和b2，a3和b3，该三组时空相似点对的时空相似性分别为1，0.9，1。由于a2和b1的时空相似性为1大于a2和b2的时空相似性0.9，因此dp[2][3]取值为1+1＝2。dp[m][n]的计算用下述递推式表示：
当Ta中下标为m的时空轨迹点Pam和Tb中下标为n的时空轨迹点Pbn满足当m＝0或者n＝0时，
dp[m][n]＝0。
当m＞0且n＞0时:
当时空轨迹点Pam和Pbn的时间之差小于设定值时：
Figure BDA0002661338540000102
若超过设定值：
dp[m][n]＝max{dp[m][n-1],dp[m-1][n]} (4)
利用上述递推式即可求得状态转移矩阵dp所有元素的值，dp的最右下角元素dp[i][j]即为两个时空轨迹Ta和Tb的时空相似度。将不同时间段下时空轨迹对的时空相似度累加，得到总时空相似度LCSS(Ta,Tb)，考虑到地理离散的场景下，人像轨迹点数和手机三码的轨迹点数长度分布不均衡，因此最终相似分：
Figure BDA0002661338540000101
式中，LENa、LENb为Ta、Tb的各自的轨迹长度。
当FIN_SCORE高于设定相似度阈值，融合Ta、Tb为融合时空轨迹TR＝Ta∪Tb。
S3、提取所述融合时空轨迹数据的行为特征并进行特征衍生，得到重点人员的动态特征；
S4、删选得到静态特征中的有效静态特征，将有效静态特征和动态特征作为有效特征；保留相关性低于设定相关阈值的连续型有效特征；基于有效特征的类型进行特征编码；
S5、将有效特征的特征编码输入梯度提升决策树模型，通过所述梯度提升决策树模型得到对应静态、动态特征的重要性评分；
S6、通过重要性评分高于设定评分阈值的静态、动态特征的特征编码值训练异构深度神经网络模型；通过训练好的该异构深度神经网络模型给出重点人员的风险评分。
步骤S3具体包含：
S31、基于所述融合时空轨迹TR中图像采集设备经、纬度和伪基站经、纬度，提取重点人员行为特征，包含高频出现地点、在各时间段内的出现地分布情况、出现在敏感区域次数、两地徘徊次数、时空异常点；根据历史统计，若某重点人员在某特定时间段经常在A地出现，但在某天该时间段内突然出现在较远的B地，则出现在B地的时间和位置为时空异常点。
S32、基于所述时空异常点、高频出现点、以及行为规律衍生出重点人员的动态特征；所述动态特征包括异常行为分、昼伏夜出、出入敏感区域次数、是否徘徊、轨迹离散度。
轨迹离散度r通过(6)式计算得出，假设某人所有的时空轨迹点集为Ta(tr1,tr2,…,trm)，时空点tri的地理经纬度可以用二元组(xi,yi)表征，则轨迹离散度可以通过(6)式计算得出。
Figure BDA0002661338540000111
是X的均值和y的均值
Figure BDA0002661338540000112
步骤S4具体包含：
S41、对每类静态特征的标签值进行统频，计算不同的标签值在该类静态特征的百分比，若该百分比落在设定阈值范围内，则该类静态特征为有效静态特征；否则，为无效静态特征；将有效静态特征和动态特征作为有效特征；
举例来说，重点人员表中的部分数据字段如下表1所示，其中人员id为每个重点人员的唯一id，表中包含一个离散型静态特征：年龄，两个连续型特征：月收入与年收入，以及一个离散型动态特征：是否有昼伏夜出行为，以及类别标签：是否屡犯，其中标签取值为1的样本为正样本。
Figure BDA0002661338540000113
Figure BDA0002661338540000121
表1.重点人员表示例
探查对应性别为男性的记录数占所有重点人员记录的比值，设定比值的阈值范围为48％～52％。若在“性别”特征下，百分之80以上取值均为男性，则该“性别”特征为无效特征。
S42、基于皮尔森相关系数，计算任意两个连续型有效特征取值之间的两两相关性；若相关性超过设定的相关阈值，则只保留所述两个连续型有效特征其中的一个连续型有效特征；
对于一个连续性有效特征，若其在所述重点人员表中具有n条数据，则可以用n维向量表示该连续型有效特征，一个向量对应一条数据。如在表1中，连续型有效特征“月收入”的取值可以用向量X(10000,10001,20000,30000,20001,20000,5000)表示、连续型有效特征“年收入”的取值可以用向量Y(120000,120012,240000,360000,120012,240000,60000)来表示，则X与Y的皮尔森相关系数ρX,Y计算如下：
Figure BDA0002661338540000122
cov(X,Y)表示X和Y的协方差；σX、σY表示X、Y的标准差。
经过计算得有效特征月收入和年收入的相关系数为1，因此只保留其中一个连续型有效特征，举例来说，可以将连续型有效特征“月收入”舍去。
S43、依据有效特征的特征属性，对其进行特征编码，具体包含：
S431、当有效特征为离散型特征，采用对应取值下的正样本率进行编码，举例来说，对于表1中的“是否有昼伏夜出行为”特征；可以被编码如表2所示
Figure BDA0002661338540000123
Figure BDA0002661338540000131
表2
S432、当有效特征为连续型特征，采用卡分分箱法进行分箱，再对分箱完成的有效特征进行证据权重编码。所述卡方分箱法和证据权重编码为现有技术。
举例来说，对于表1中的连续型有效特征“年收入”，以最大分箱数为2且卡方阈值为95％进行卡方分箱和证据权重编码后，如表3所示。
Figure BDA0002661338540000132
表3
步骤S5包括以下步骤：
S51、将有效特征的特征编码输入现有的梯度提升决策树模型；得到各个特征编码的重要度评分。此为现有技术。
S5.3、为所述重要性评分设定第一评分阈值和第二评分阈值，其中第一评分阈值高于第二评分阈值；重要性评分高于第一评分阈值有效特征作为高重要度特征；重要性评分在第一、第二评分阈值之间的有效特征作为中低重要度特征。
步骤S6中包含：
S6.1、如图2所示，所述异构神经网络模型包含第一输入层和第二输入层、k个隐藏层、输出层，所述第一输入层用于输入所述高重要度特征的特征编码值，所述第二输入层用于输入中低重要度特征的特征编码值；基于反向传播算法训练所述异构神经网络模型；k∈[2,4]；
其中，所述第一输入层与输出层直接相连，第二输入层依序经过所述k个隐藏层中的第一至第k隐藏层连接输出层；若第k′隐藏层的输入维数为x，则第k′+1隐藏层维数范围为
Figure BDA0002661338540000141
隐藏层数和隐藏层维数利用网格搜索的方式选定；输出层采用Softmax函数；异构神经网络模型的损失函数为交叉熵损失函数，激活函数选用RELU函数，通过Adam迭代优化器及反向传播算法更新各节点权重使得损失函数取得最小值；
S6.2、将实时获取的重点人员的动态特征、静态特征输入训练好的异构深度神经网络模型，通过该异构深度神经网络模型给出重点人员的风险评分；
S6.3、当所述风险评分高于设定的风险评分阈值，生成对应的报警信息。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于融合时空轨迹的重点人员风险评估方法，其特征在于，包含步骤：
S1、筛选重点人员的静态信息数据，并对筛选后的静态信息数据进行预处理得到重点人员的静态特征；
S2、获取重点人员的人像时空轨迹数据和手机三码时空轨迹数据，基于广义最长公共子串算法融合所述人像时空轨迹数据、手机三码时空轨迹数据，得到融合时空轨迹数据；
S3、提取所述融合时空轨迹数据的行为特征并进行特征衍生，得到重点人员的动态特征；
S4、删选得到静态特征中的有效静态特征，将所述动态特征、有效静态特征作为有效特征并进行特征编码；
S5、将有效特征的特征编码输入梯度提升决策树模型，通过所述梯度提升决策树模型得到对应静态、动态特征的重要性评分；
S6、通过重要性评分高于设定评分阈值的静态、动态特征的特征编码值训练异构深度神经网络模型；通过训练好的该异构深度神经网络模型给出重点人员的风险评分。
2.如权利要求1所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S1具体包含：
S11、获取重点人员的静态信息数据，包含：重点人员出生日期、性别、上网记录、案事件记录、盘问记录、访谈记录、住店记录；
S12、对所述静态信息数据进行去缺失值预处理；
S13、人工为由步骤S12所得的静态信息数据设置类别标签，将惯犯、屡犯、涉毒的重点人员的静态信息数据的标签值设为1，该静态信息数据作为正样本数据；其余静态信息数据的标签值为0，作为负样本数据；通过SMOTE方法对所述正样本数据进行过采样预处理；
S14、将步骤S13预处理后的正样本数据作为重点人员的静态特征。
3.如权利要求1所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S2中所述获取重点人员的人像时空轨迹数据和手机三码时空轨迹数据具体包含：
S21、通过图像采集设备捕获重点人员的图像，提取该图像中的人脸特征生成对应的人脸特征值；根据所述人脸特征值比对人像档案，获取唯一识别该重点人员的id号；所述人像档案中存储有重点人员的人脸特征值及对应的id号；
S22、生成重点人员的人像时空轨迹数据，包含：重点人员的id号、图像的捕获时间、图像采集设备经度、图像采集设备纬度；
S23、通过伪基站采集重点人员的手机通讯信息，获取对应的手机三码数据；生成重点人员的手机三码时空轨迹数据，包含：手机三码，伪基站的采集时间，伪基站经度，伪基站维度；
S24、去除所述人像时空轨迹数据、手机三码时空轨迹数据中的噪声数据。
4.如权利要求3所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S2中所述融合所述人像时空轨迹数据、手机三码时空轨迹数据，具体包含：
S25、通过Dev-DBSCAN算法基于图像采集设备的经度、维度对所述图像采集设备进行聚类；
S26、基于同一个聚类中的图像采集设备在设定时段内获取的人像时空轨迹数据建立第一时空轨迹Ta＝{Pa1,…,Pai}，Pak为Ta的一个轨迹点，对应一个人像时空轨迹数据；i为Ta所包含的轨迹点总数，k∈[1,i]；
基于所述设定时段内的手机三码时空轨迹数据建立第二时空轨迹Tb＝{Pb1,…,Pbj}；Pbl为Tb的一个轨迹点，对应一个手机三码时空轨迹数据；j为Tb第二时空轨迹所包含的手机三码时空轨迹数据总数，l∈[1,j]；
基于第一时空轨迹Ta、第二时空轨迹Tb建立时空轨迹对；
S27、基于Pak中图像采集设备经纬度，以及Pbl中伪基站经纬度，计算第一时空轨迹Ta、第二时空轨迹Tb的时空相似度；将时空相似度高于设定相似度阈值的第一时空轨迹Ta、第二时空轨迹Tb融合为同一重点人员的融合时空轨迹TR＝Ta∪Tb。
5.如权利要求4所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S3具体包含：
S31、基于所述融合时空轨迹TR中图像采集设备经、纬度和伪基站经、纬度，提取重点人员行为特征，包含高频出现地点、在各时间段内的出现地分布情况、出现在敏感区域次数、两地徘徊次数、时空异常点；
S32、基于所述时空异常点、高频出现点、以及行为规律衍生出重点人员的动态特征；所述动态特征包括异常行为分、昼伏夜出、出入敏感区域次数、是否徘徊、轨迹离散度。
6.如权利要求5所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S4具体包含：
S41、对每类静态特征的标签值进行统频，计算不同的标签值在该类静态特征的百分比，若该百分比落在设定阈值范围内，则该类静态特征为有效静态特征；否则，为无效静态特征；将有效静态特征和动态特征作为有效特征；
S42、基于皮尔森相关系数，计算任意两个连续型有效特征之间的两两相关性；若相关性超过设定的相关阈值，则只保留所述两个连续型有效特征其中的一个连续型有效特征；
S43、依据有效特征的特征属性，对其进行特征编码。
7.如权利要求6所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，所述步骤S43中具体包含：
S431、当有效特征为离散型特征，采用正样本率进行编码；
S432、当有效特征为连续型特征，采用卡分分箱法进行分箱，再对分箱完成的有效特征进行证据权重编码。
8.如权利要求6所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S5包括以下步骤：
S51、将有效特征的特征编码值输入梯度提升决策树模型；所述的梯度提升决策树模型的决策函数为：
Figure FDA0002661338530000031
其中M为所述梯度提升决策树模型的迭代次数，也即梯度提升决策树模型中的决策树总棵树，T(x；θm)是第m轮迭代中生成的弱分类器；θm为该分类器的参数；
S5.2、将CART决策树算法作为所述梯度提升决策树模型中的弱分类器模型，对M棵决策树进行处理，计算得到各有效特征的重要性评分；
S5.3、为所述重要性评分设定第一评分阈值和第二评分阈值，其中第一评分阈值高于第二评分阈值；重要性评分高于第一评分阈值有效特征作为高重要度特征；重要性评分在第一、第二评分阈值之间的有效特征作为中低重要度特征。
9.如权利要求8所述的基于融合时空轨迹的重点人员风险评估方法，其特征在于，步骤S6中包含：
S61、所述异构神经网络模型包含第一输入层和第二输入层、k个隐藏层、输出层，所述第一输入层用于输入所述高重要度特征的特征编码值，所述第二输入层用于输入中低重要度特征的特征编码值；基于反向传播算法训练所述异构神经网络模型；k∈[2,4]；
其中，所述第一输入层与输出层直接相连，第二输入层依序经过所述k个隐藏层中的第一至第k隐藏层连接输出层；若第k′隐藏层的输入维数为x，则第k′+1隐藏层维数范围为
Figure FDA0002661338530000041
隐藏层数和隐藏层维数利用网格搜索的方式选定；输出层采用Softmax函数；异构神经网络模型的损失函数为交叉熵损失函数，激活函数选用RELU函数，通过Adam迭代优化器及反向传播算法更新各节点权重使得损失函数取得最小值；
S62、将实时获取的重点人员的动态特征、静态特征输入训练好的异构深度神经网络模型，通过该异构深度神经网络模型给出重点人员的风险评分；
S63、当所述风险评分高于设定的风险评分阈值，生成对应的报警信息。
CN202010905650.6A 2020-09-01 2020-09-01 一种基于融合时空轨迹的重点人员风险评估方法 Active CN111950937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010905650.6A CN111950937B (zh) 2020-09-01 2020-09-01 一种基于融合时空轨迹的重点人员风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010905650.6A CN111950937B (zh) 2020-09-01 2020-09-01 一种基于融合时空轨迹的重点人员风险评估方法

Publications (2)

Publication Number Publication Date
CN111950937A true CN111950937A (zh) 2020-11-17
CN111950937B CN111950937B (zh) 2023-12-01

Family

ID=73367733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010905650.6A Active CN111950937B (zh) 2020-09-01 2020-09-01 一种基于融合时空轨迹的重点人员风险评估方法

Country Status (1)

Country Link
CN (1) CN111950937B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200272A (zh) * 2020-12-07 2021-01-08 上海冰鉴信息科技有限公司 业务分类方法及装置
CN113051317A (zh) * 2021-04-09 2021-06-29 上海云从企业发展有限公司 一种数据探查方法和系统、数据挖掘模型更新方法和系统
CN113240213A (zh) * 2021-07-09 2021-08-10 平安科技（深圳）有限公司 基于神经网络和树模型的人员甄选方法、装置及设备
CN113468242A (zh) * 2021-06-30 2021-10-01 中国人民解放军海军航空大学 一种基于多维次序匹配的多节点航迹快速关联方法及系统
CN113516302A (zh) * 2021-06-23 2021-10-19 平安科技（深圳）有限公司 业务风险分析方法、装置、设备及存储介质
CN113807223A (zh) * 2021-09-07 2021-12-17 南京中兴力维软件有限公司 人脸聚类子类合并方法、装置及设备
CN114078277A (zh) * 2022-01-19 2022-02-22 深圳前海中电慧安科技有限公司 一人一档的人脸聚类方法、装置、计算机设备及存储介质
CN114297323A (zh) * 2021-08-31 2022-04-08 北京九栖科技有限责任公司 一种一机多号识别方法、装置及其存储介质
CN115169588A (zh) * 2022-09-06 2022-10-11 深圳前海中电慧安科技有限公司 电像计算时空轨迹车码关联方法、装置、设备及存储介质
CN115907483A (zh) * 2023-01-06 2023-04-04 山东蜂鸟物联网技术有限公司 人员风险评估预警的方法
CN116249084A (zh) * 2023-03-24 2023-06-09 北京大也智慧数据科技服务有限公司 偷渡组织者识别方法、装置、存储介质及设备
CN117150319A (zh) * 2023-10-30 2023-12-01 北京艾瑞数智科技有限公司 一种一人多号的识别方法及装置
CN117992775A (zh) * 2024-04-07 2024-05-07 武昌首义学院 一种卫星情报与训练数据能效管理与优化方法及系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404890A (zh) * 2015-10-13 2016-03-16 广西师范学院 一种顾及轨迹时空语义的犯罪团伙判别方法
US20160299507A1 (en) * 2015-04-08 2016-10-13 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
WO2016188380A1 (zh) * 2015-05-28 2016-12-01 中兴通讯股份有限公司 用户设备的确定方法及装置
CN107016374A (zh) * 2017-04-12 2017-08-04 电子科技大学 面向特定目标的智能检测追踪及时空轨迹的生成方法
CN107816996A (zh) * 2017-10-31 2018-03-20 上海海事大学 时变环境下agv流时空干涉检测与规避方法
CN108805142A (zh) * 2018-05-31 2018-11-13 中国华戎科技集团有限公司 一种犯罪高危人员研判方法及系统
CN109657547A (zh) * 2018-11-13 2019-04-19 成都四方伟业软件股份有限公司 一种基于伴随模型的异常轨迹分析方法
CN109711370A (zh) * 2018-12-29 2019-05-03 北京博睿视科技有限责任公司 一种基于wifi探测和人脸聚类的数据融合算法
CN109947793A (zh) * 2019-03-20 2019-06-28 深圳市北斗智能科技有限公司 伴随关系的分析方法、装置和存储介质
CN110059079A (zh) * 2019-04-28 2019-07-26 北京深醒科技有限公司 一种基于大数据建模分析的人员违法犯罪预测方法和系统
CN110298264A (zh) * 2019-06-10 2019-10-01 上海师范大学 基于堆叠降噪自编码器的人体日常行为活动识别优化方法
CN110505583A (zh) * 2019-07-23 2019-11-26 中山大学 一种基于卡口数据与信令数据的轨迹匹配算法
CN110555964A (zh) * 2019-07-25 2019-12-10 武汉烽火众智数字技术有限责任公司 一种多数据融合的重点区域预警系统及方法
CN110766895A (zh) * 2019-09-17 2020-02-07 重庆特斯联智慧科技股份有限公司 基于目标轨迹分析的智慧社区异常报警系统及方法
CN111159512A (zh) * 2019-12-30 2020-05-15 北京明略软件系统有限公司 轨迹信息的处理方法和服务器
WO2020114138A1 (zh) * 2018-12-06 2020-06-11 西安光启未来技术研究院 信息的关联分析方法及装置、储存介质、电子装置
CN111523577A (zh) * 2020-04-13 2020-08-11 南京烽火星空通信发展有限公司 一种基于改进的lcss算法的海量轨迹相似度计算方法
WO2020163508A1 (en) * 2019-02-05 2020-08-13 Creopoint, Inc. Containing disinformation spread using customizable intelligence channels
CN111583031A (zh) * 2020-05-15 2020-08-25 上海海事大学 一种基于集成学习的申请评分卡模型建立方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160299507A1 (en) * 2015-04-08 2016-10-13 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
WO2016188380A1 (zh) * 2015-05-28 2016-12-01 中兴通讯股份有限公司 用户设备的确定方法及装置
CN105404890A (zh) * 2015-10-13 2016-03-16 广西师范学院 一种顾及轨迹时空语义的犯罪团伙判别方法
CN107016374A (zh) * 2017-04-12 2017-08-04 电子科技大学 面向特定目标的智能检测追踪及时空轨迹的生成方法
CN107816996A (zh) * 2017-10-31 2018-03-20 上海海事大学 时变环境下agv流时空干涉检测与规避方法
CN108805142A (zh) * 2018-05-31 2018-11-13 中国华戎科技集团有限公司 一种犯罪高危人员研判方法及系统
CN109657547A (zh) * 2018-11-13 2019-04-19 成都四方伟业软件股份有限公司 一种基于伴随模型的异常轨迹分析方法
WO2020114138A1 (zh) * 2018-12-06 2020-06-11 西安光启未来技术研究院 信息的关联分析方法及装置、储存介质、电子装置
CN111291589A (zh) * 2018-12-06 2020-06-16 西安光启未来技术研究院 信息的关联分析方法及装置、储存介质、电子装置
CN109711370A (zh) * 2018-12-29 2019-05-03 北京博睿视科技有限责任公司 一种基于wifi探测和人脸聚类的数据融合算法
WO2020163508A1 (en) * 2019-02-05 2020-08-13 Creopoint, Inc. Containing disinformation spread using customizable intelligence channels
CN109947793A (zh) * 2019-03-20 2019-06-28 深圳市北斗智能科技有限公司 伴随关系的分析方法、装置和存储介质
CN110059079A (zh) * 2019-04-28 2019-07-26 北京深醒科技有限公司 一种基于大数据建模分析的人员违法犯罪预测方法和系统
CN110298264A (zh) * 2019-06-10 2019-10-01 上海师范大学 基于堆叠降噪自编码器的人体日常行为活动识别优化方法
CN110505583A (zh) * 2019-07-23 2019-11-26 中山大学 一种基于卡口数据与信令数据的轨迹匹配算法
CN110555964A (zh) * 2019-07-25 2019-12-10 武汉烽火众智数字技术有限责任公司 一种多数据融合的重点区域预警系统及方法
CN110766895A (zh) * 2019-09-17 2020-02-07 重庆特斯联智慧科技股份有限公司 基于目标轨迹分析的智慧社区异常报警系统及方法
CN111159512A (zh) * 2019-12-30 2020-05-15 北京明略软件系统有限公司 轨迹信息的处理方法和服务器
CN111523577A (zh) * 2020-04-13 2020-08-11 南京烽火星空通信发展有限公司 一种基于改进的lcss算法的海量轨迹相似度计算方法
CN111583031A (zh) * 2020-05-15 2020-08-25 上海海事大学 一种基于集成学习的申请评分卡模型建立方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GAO, Y: "Disturbance Observer-based Trajectory Tracking Control of Unmanned Surface Vehicles with Unknown Disturbances and Input Saturation", 《 PROCEEDINGS OF THE 36TH CHINESE CONTROL CONFERENCE (CCC 2017)》 *
呼延智等: "基于时空概率的机场航站楼人员轨迹还原方法", 《船电技术》, vol. 43, no. 9 *
孙爽等: "轨迹数据的时空模式挖掘与管理决策研究综述", 《计算机工程与应用》, vol. 57, no. 16 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200272A (zh) * 2020-12-07 2021-01-08 上海冰鉴信息科技有限公司 业务分类方法及装置
CN113051317A (zh) * 2021-04-09 2021-06-29 上海云从企业发展有限公司 一种数据探查方法和系统、数据挖掘模型更新方法和系统
CN113051317B (zh) * 2021-04-09 2024-05-28 上海云从企业发展有限公司 一种数据挖掘模型更新方法、系统、计算机设备及可读介质
CN113516302A (zh) * 2021-06-23 2021-10-19 平安科技（深圳）有限公司 业务风险分析方法、装置、设备及存储介质
CN113516302B (zh) * 2021-06-23 2022-01-04 平安科技（深圳）有限公司 业务风险分析方法、装置、设备及存储介质
CN113468242A (zh) * 2021-06-30 2021-10-01 中国人民解放军海军航空大学 一种基于多维次序匹配的多节点航迹快速关联方法及系统
CN113468242B (zh) * 2021-06-30 2024-04-16 中国人民解放军海军航空大学 一种基于多维次序匹配的多节点航迹快速关联方法及系统
CN113240213A (zh) * 2021-07-09 2021-08-10 平安科技（深圳）有限公司 基于神经网络和树模型的人员甄选方法、装置及设备
CN114297323A (zh) * 2021-08-31 2022-04-08 北京九栖科技有限责任公司 一种一机多号识别方法、装置及其存储介质
CN114297323B (zh) * 2021-08-31 2023-05-09 北京九栖科技有限责任公司 一种一机多号识别方法、装置及其存储介质
CN113807223B (zh) * 2021-09-07 2024-04-09 南京中兴力维软件有限公司 人脸聚类子类合并方法、装置及设备
CN113807223A (zh) * 2021-09-07 2021-12-17 南京中兴力维软件有限公司 人脸聚类子类合并方法、装置及设备
CN114078277A (zh) * 2022-01-19 2022-02-22 深圳前海中电慧安科技有限公司 一人一档的人脸聚类方法、装置、计算机设备及存储介质
CN115169588A (zh) * 2022-09-06 2022-10-11 深圳前海中电慧安科技有限公司 电像计算时空轨迹车码关联方法、装置、设备及存储介质
CN115907483A (zh) * 2023-01-06 2023-04-04 山东蜂鸟物联网技术有限公司 人员风险评估预警的方法
CN116249084A (zh) * 2023-03-24 2023-06-09 北京大也智慧数据科技服务有限公司 偷渡组织者识别方法、装置、存储介质及设备
CN117150319A (zh) * 2023-10-30 2023-12-01 北京艾瑞数智科技有限公司 一种一人多号的识别方法及装置
CN117992775A (zh) * 2024-04-07 2024-05-07 武昌首义学院 一种卫星情报与训练数据能效管理与优化方法及系统

Also Published As

Publication number Publication date
CN111950937B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN111950937B (zh) 一种基于融合时空轨迹的重点人员风险评估方法
CN110245981B (zh) 一种基于手机信令数据的人群类型识别方法
CN109828967B (zh) 一种伴随关系获取方法、系统、设备、存储介质
CN110162588B (zh) 一种多维关联信息的轨迹融合方法
CN106304015B (zh) 用户设备的确定方法及装置
CN112053221A (zh) 一种基于知识图谱的互联网金融团伙欺诈行为检测方法
CN105574506A (zh) 基于深度学习和大规模集群的智能人脸追逃系统及方法
CN111159387B (zh) 基于多维度报警信息文本相似度分析的推荐方法
Yang et al. Unsupervised learning of parsimonious general-purpose embeddings for user and location modeling
CN109190588A (zh) 一种人口分类的方法及装置
CN111666823B (zh) 基于个体步行运动时空规律协同辨识的行人重识别方法
CN109492604A (zh) 人脸模型特征统计分析系统
CN112053222A (zh) 一种基于知识图谱的互联网金融团伙欺诈行为检测方法
Baculo et al. Geospatial-temporal analysis and classification of criminal data in manila
CN112766119A (zh) 一种基于多维度人脸分析精准识别陌生人构建社区安防的方法
CN110503032B (zh) 基于监控摄像头轨迹数据的个体重要场所探测方法
Hajela et al. A multi‐dimensional crime spatial pattern analysis and prediction model based on classification
Zhao et al. Detecting pickpocketing gangs on buses with smart card data
CN112925899B (zh) 排序模型建立方法、案件线索推荐方法、装置及介质
Manoj et al. A Strategy for Identification and Prevention of Crime using various Classifiers
CN112597309A (zh) 实时识别突发事件微博数据流的检测系统
CN116805039A (zh) 特征筛选方法、装置、计算机设备和数据扰动方法
Liu et al. LEDS: local event discovery and summarization from tweets
CN110738167B (zh) 一种基于多域空间属性关联分析的行人辨识方法
CN110705393B (zh) 一种提升社区人口人脸识别性能的方法

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