CN112288050A - 一种异常行为识别方法、识别装置、终端设备及存储介质 - Google Patents

一种异常行为识别方法、识别装置、终端设备及存储介质 Download PDF

Info

Publication number
CN112288050A
CN112288050A CN202011590026.8A CN202011590026A CN112288050A CN 112288050 A CN112288050 A CN 112288050A CN 202011590026 A CN202011590026 A CN 202011590026A CN 112288050 A CN112288050 A CN 112288050A
Authority
CN
China
Prior art keywords
preset
neural network
track data
identified
target
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
CN202011590026.8A
Other languages
English (en)
Other versions
CN112288050B (zh
Inventor
胡金晖
袁明冬
杨逢
吴光周
何耀彬
孟建
程静
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.)
Smart City Research Institute Of China Electronics Technology Group Corp
Original Assignee
Smart City Research Institute Of China Electronics Technology Group Corp
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 Smart City Research Institute Of China Electronics Technology Group Corp filed Critical Smart City Research Institute Of China Electronics Technology Group Corp
Priority to CN202011590026.8A priority Critical patent/CN112288050B/zh
Publication of CN112288050A publication Critical patent/CN112288050A/zh
Application granted granted Critical
Publication of CN112288050B publication Critical patent/CN112288050B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services; Handling legal documents

Abstract

本申请适用于社区矫正技术领域，提供了一种异常行为识别方法、识别装置、终端设备及存储介质，该方法包括：获取待识别轨迹数据；利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一空间加权向量；将所述第一时间加权向量以及所述第一空间加权向量进行特征融合，得到第一目标向量，并将所述第一目标向量输入至第一预设全连接网络中，得到目标概率值；将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。本申请可以一定程度上解决目前轨迹分析方法的速度慢，准确度不高的问题。

Description

一种异常行为识别方法、识别装置、终端设备及存储介质
技术领域
本申请属于社区矫正领域，尤其涉及一种异常行为识别方法、识别装置、终端设备及存储介质。
背景技术
社区矫正（Community correction）是指针对被判处管制、宣告缓刑、裁定假释、暂予监外执行的这四类犯罪行为较轻的人员所实施的非监禁性矫正刑罚或考验。
对于社区矫正人员的监控主要是通过社区矫正人员佩戴的电子设备（例如，电子手环或腕表）去判断社区矫正人员是否在法定的社区范围之内。然而，人的出行行为模式复杂多变。因此，仅通过判断社区矫正人员是否在法定的社区范围之内，并不能对社区矫正人员起到有效的监管作用。
近年来，由于基于出行轨迹的分析方法可以给更好地发现社区矫正人员的异常出行模式，因此，基于出行轨迹的分析方法被广泛地应用于对社区矫正人员的监控当中。
目前，基于出行轨迹的分析方法主要有两种，一种是基于“点”的方法。通过识别异常轨迹点从而去判断社区矫正人员的轨迹是否异常，该方法需要针对不同时刻的采样点进行判断，计算量大，速度慢。另一种方法是基于“线段”的方法。通过识别异常轨迹片段从而去判断社区矫正人员的轨迹是否异常，该方法需要人工计算并提取加速度、转向角等信息，比较复杂，速度慢。并且，上述两种出行轨迹的分析方法均只是根据轨迹点的空间信息进行计算，准确度不高。
因此，目前的轨迹分析方法存在速度慢，准确度不高的问题。
发明内容
本申请实施例提供了一种异常行为识别方法、识别装置、终端设备及存储介质，可以一定程度上解决目前轨迹分析方法的速度慢，准确度不高的问题。
第一方面，本申请实施例提供了一种异常行为识别方法，包括：
获取待识别轨迹数据；
利用预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一空间加权向量；
将上述第一时间加权向量以及上述第一空间加权向量进行特征融合，得到第一目标向量，并将上述第一目标向量输入至第一预设全连接网络中，得到目标概率值；
将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
在第一方面的一种可能的实现方式中，在上述利用预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一时间加权向量之前，还包括：
获取预设时间区间，并按照上述预设时间区间对上述待识别轨迹数据进行分组，得到各组待识别轨迹数据；
将每组上述待识别轨迹数据依次输入上述预设的时序神经网络以及上述预设的空间神经网络中。
在第一方面的另一种可能的实现方式中，上述利用预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一时间加权向量，包括：
利用上述预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的时间特征以及上述时间特征对应的权重系数；
根据上述时间特征以及上述时间特征对应的权重系数计算得到上述第一时间加权向量。
在第一方面的另一种可能的实现方式中，上述利用预设的空间神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一空间加权向量，包括：
根据上述待识别轨迹数据确定目标位置关系图，并根据上述目标位置关系图构建目标矩阵；
将上述目标矩阵输入至上述预设的空间神经网络中进行特征提取，得到上述待识别轨迹数据的空间特征以及上述空间特征对应的权重系数；
根据上述空间特征以及上述空间特征对应的权重系数计算得到上述第一空间加权向量。
在第一方面的另一种可能的实现方式中，上述待识别轨迹数据还包括上述轨迹点的身份信息；
相应地，上述方法还包括：
利用上述预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到第一身份特征，以及利用上述预设的空间神经网络对上述待识别轨迹数据进行特征提取，得到第二身份特征；
对上述第一身份特征和上述第二身份特征进行特征融合，得到目标身份特征，并将上述目标身份特征输入至经过训练的第二预设全连接网络中，得到上述目标身份特征对应的身份标签。
在第一方面的另一种可能的实现方式中，上述第一时间加权向量以及上述第一空间加权向量均包含了身份特征；
相应地，上述将上述第一目标向量输入至第一预设全连接网络中，得到目标概率值，包括：
将上述第一目标向量同时分别输入至上述第一预设全连接网络以及第二预设全连接网络中，得到目标概率值以及上述待识别轨迹数据对应的身份标签。
在第一方面的另一种可能的实现方式中，上述预设的时序神经网络、上述预设的空间神经网络以及上述第一预设全连接网络的训练方法，包括：
将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量；
将上述第二时间加权向量以及上述第二空间加权向量进行特征融合，得到第二目标向量，并将上述第二目标向量输入至第一原始全连接网络中，得到第一损失值；
若上述第一损失值不满足预设终止条件，则根据上述第一损失值更新上述原始时序神经网络的网络参数、上述原始空间神经网络的网络参数以及上述第一原始全连接网络的网络参数，并返回执行将训练样本集输入至上述原始时序神经网络以及上述原始空间神经网络中；
若上述第一损失值满足预设终止条件，则停止训练，得到预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络。
第二方面，本申请实施例提供了一种异常行为识别装置，包括：
数据获取模块，用于获取待识别轨迹数据；
向量获取模块，用于利用预设的时序神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对上述待识别轨迹数据进行特征提取，得到上述待识别轨迹数据的第一空间加权向量；
融合模块，用于将上述第一时间加权向量以及上述第一空间加权向量进行特征融合，得到第一目标向量，并将上述第一目标向量输入至第一预设全连接网络中，得到目标概率值；
确定模块，用于将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的异常行为识别方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请提供一种异常行为识别方法，首先，获取待识别轨迹数据。然后利用预设的时序神经网络对该待识别轨迹数据进行特征提取，得到该待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对该待识别轨迹数据进行特征提取，得到该待识别轨迹数据的第一空间加权向量。接着将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量，并将该第一目标向量输入至第一预设全连接网络中，得到目标概率值。最后将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。即在本申请中，同时根据待识别轨迹数据的第一时间加权向量和第一空间加权向量对待识别轨迹数据进行分析。由于同时考虑到了社区矫正人员轨迹的时间和空间的关联性，因此，通过本申请的方法得到社区矫正人员的轨迹是否异常的结果更加准确。并且，本申请只需要根据第一时间加权向量和第一空间加权向量即可对轨迹数据进行识别，不需要大量的轨迹点，也不需要提取加速度等信息，降低了计算的复杂度，提高了识别速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请一实施例提供的异常行为识别方法的流程示意图；
图2是本申请一实施例提供的异常行为识别装置的结构示意图；
图3是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的异常行为识别方法可以应用于手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
实施例一
下面对本申请实施例一提供的一种异常行为识别方法进行描述，请参阅附图1，该方法包括：
步骤S101、获取待识别轨迹数据。
在步骤S101中，待识别轨迹数据为社区矫正人员的历史轨迹数据。终端设备可以在到达预设时间间隔时，自动获取待识别轨迹数据。或者，也可以是当用户需要对待识别轨迹数据进行分析时，将待识别轨迹数据输入至终端设备中，终端设备再获取到待识别轨迹数据。
步骤S102、利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一空间加权向量。
在步骤S102中，预设的时序神经网络可以为添加了注意力机制的双向长短时记忆网络Bi-LSTM。预设的空间神经网络可以为添加了注意力机制的图卷积网络（GraphConvolutional Network，GCN）。终端设备在获取到待识别轨迹数据之后，再利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一空间加权向量。
在一些可能实现的方式中，可以先利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的时间特征。然后再利用预设的时序神经网络的注意力层计算时间特征对应的权重系数。最后再利用预设的时序神经网络的注意力层将时间特征和时间特征对应的权重系数进行相乘，得到第一时间加权向量。应理解，当时间特征包括多个时，还需要将各个时间特征和其对应的权重系数相乘后的结果进行累加，才得到第一时间加权向量。
在另一些可能实现的方式中，将待识别轨迹数据作为空间的数据点，然后这些数据点组成目标位置关系图。然后再根据该目标位置关系图构建目标矩阵，该目标矩阵可以为邻接矩阵。得到目标矩阵之后，再将目标矩阵输入至预设的空间神经网络中。先利用预设的空间神经网络对该目标矩阵进行特征提取，得到空间特征。然后再利用预设的空间神经网络的注意力层计算该空间特征的权重系数。最后再利用预设的空间神经网络的注意力层将空间特征和空间特征对应的权重系数相乘，得到第一空间加权向量。应理解，当空间特征包括多个时，还需要将各个空间特征和其对应的权重系数相乘后的结果进行累加，才得到第一空间加权向量。
在一些实施例中，在利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一时间加权向量之前，还包括：获取预设时间区间，并按照预设时间区间对待识别轨迹数据进行分组，得到各组待识别轨迹数据；将每组待识别轨迹数据依次输入预设的时序神经网络以及预设的空间神经网络中。
在本实施例中，先根据预设时间区间对识别轨迹数据进行分组，得到各组待识别轨迹数据后，再将每组待识别轨迹数据依次输入预设的时序神经网络以及预设的空间神经网络，从而使得预设的时序神经网络以及预设的空间神经网络每次只对一组待识别轨迹数据进行特征提取，进而加快特征提取的速度，最终加快识别的速度。
对于预设时间区间，用户可以根据实际情况进行设置。比如，可以将天设置为预设时间区间。或者，也可以只将白天设置为预设时间区间。本申请在此不做具体限定。
步骤S103、将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量，并将第一目标向量输入至第一预设全连接网络中，得到目标概率值。
在步骤S103中，终端设备在得到第一时间加权向量以及第一空间加权向量之后，将第一时间加权向量以及第一空间加权向量进行特征融合，从而得到第一目标向量。然后再将第一目标向量输入至第一预设全连接网络中，得到目标概率值。
将第一时间加权向量以及第一空间加权向量进行特征融合的方法可以是拼接方法。比如，可以是直接拼接的方法（第一时间加权向量以及第一空间加权向量的首尾相连），也可以是加法拼接或乘法拼接的方法。特征融合的方法也可以是基于线性特征依赖模型的特征融合算法以及基于稀疏表示理论的特征融合算法等。对于第一时间加权向量以及第一空间加权向量的特征融合的方法用户可根据实际情况进行选择，本申请在此不做限定。
步骤S104、将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
在步骤S104中，在得到目标概率值之后，查找该目标该概率值对于的概率区间。如果该目标概率值对应的概率区间为异常概率区间，则将该目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
概率区间用户可以根据实际情况进行设置。比如，本申请中将概率区间设置为（0，0.5]、（0.5，0.6]以及（0.6，1]，并将概率区间（0.5，0.6]以及概率区间（0.6，1]设置为异常概率区间。
在识别到异常轨迹数据之后，终端设备可以输出告警信息，以便司法人员及时了解到社区矫正人员的越界行为，从而及时采取应对措施。需要说明的是，当异常概率区间包括多个时，可以设置不同的异常概率区间对应不同的告警信息。比如，概率区间（0.5，0.6]对应的告警信息为轻度异常轨迹，概率区间（0.6，1]对应的告警信息为重度异常轨迹。
在一些实施例中，待识别轨迹数据还包括轨迹点的身份信息；相应地，该方法还包括：利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到第一身份特征，以及利用预设的空间神经网络对待识别轨迹数据进行特征提取，得到第二身份特征；对第一身份特征和第二身份特征进行特征融合，得到目标身份特征，并将目标身份特征输入至第二预设全连接网络中，得到目标身份特征对应的身份标签。
目前的轨迹分析方法均是先确定社区矫正人员的身份后，再对该社区矫正人员的轨迹数据进行分析。分析之前需要先确定社区矫正人员的身份，比较麻烦。
因此，在本实施例中，还利用预设的时序神经网络、预设的空间神经网络以及第二预设全连接网络对社区矫正人员的身份进行识别。即在本实施例中，预设的时序神经网络可以同时提取待识别轨迹数据的第一身份特征和第一时间加权向量，然后再对第一身份特征和第一时间加权向量进行区分。预设的空间神经网络可以同时提取待识别轨迹数据的第二身份特征和第一空间加权向量，然后再对第二身份特征和第一空间加权向量进行区分。
在对第一身份特征和第一时间加权向量进行区分以及对第二身份特征和第一空间加权向量进行区分之后，将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量，并将第一目标向量输入至第一预设全连接网络中，得到目标概率值。
将第一身份特征和第二身份特征进行特征融合，得到目标身份特征。然后再将该目标身份特征输入至第二预设全连接网络中，得到该目标身份特征对应的身份标签。
因此，在本申请中，当将待识别轨迹数据输入至预设的时序神经网络以及预设的空间神经网络之后，第一预设全连接网络和第二预设全连接网络会分别输出目标概率值以及该待识别轨迹数据对应的社区矫正人员的身份标签。
在另一些实施例中，预设的时序神经网络只提取第一时间加权向量，预设的空间神经网络只提取第一空间加权向量。然后再利用第一预设身份神经网络提取第一身份特征，利用第二预设身份神经网络提取第二身份特征。接着将第一身份特征和第二身份特征进行特征融合，得到目标身份特征。最后再将目标身份特征输入至第二预设全连接网络中，得到目标身份特征对应的身份标签。
在另一些实施例中，第一时间加权向量以及第一空间加权向量中均包含了身份特征。则在将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量之后，将第一目标向量同时分别输入至第一预设全连接网络以及第二预设全连接网络中，第一预设全连接网络以及第二预设全连接网络再分别输出目标概率值和待识别轨迹数据对应的社区矫正人员的身份标签。
在本实施例中，身份特征被包含在第一时间加权向量以及第一空间加权向量中，不能与第一时间加权向量以及第一空间加权向量区分开。因此，在将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量之后，将第一目标向量同时分别输入至第一预设全连接网络以及第二预设全连接网络中，从而得到目标概率值以及待识别轨迹数据对应的身份标签。
因此，在本申请中，可以同时得到社区矫正人员的身份标签和异常行为信息。从而使得不需要事先确定社区矫正人员的身份，进一步方便用户的操作。
在另一些实施例中，预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络的训练方法，包括：
将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量；将第二时间加权向量以及第二空间加权向量进行特征融合，得到第二目标向量，并将第二目标向量输入至第一原始全连接网络中，得到第一损失值；若第一损失值不满足预设终止条件，则根据第一损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数以及第一原始全连接网络的网络参数，并返回执行将训练样本集输入至原始时序神经网络以及原始空间神经网络中；若第一损失值满足预设终止条件，则停止训练，得到预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络。
在本实施例中，将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量后，将第二时间加权向量以及第二空间加权向量进行特征融合，得到第二目标向量，并将第二目标向量输入至第一原始全连接网络中，得到第一损失值。若第一损失值不满足预设终止条件，则根据第一损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数以及第一原始全连接网络的网络参数，并返回执行将训练样本集输入至原始时序神经网络以及原始空间神经网络中。若第一损失值满足预设终止条件，则停止训练，得到预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络。
训练样本集中，包括社区矫正人员的正样本和负样本，即包括社区矫正人员的正常轨迹数据和异常轨迹数据。并且，训练的样本集中可以包括多个社区矫正人员的轨迹数据。预设终止条件用户可根据实际情况进行设置，本申请在此不做具体限定。
训练样本集的构建过程包括：从社区矫正人员的出行轨迹数据库中提取每个社区矫正人员的轨迹数据，并根据这些轨迹数据构建固定长度的训练样本。然后对这些训练样本进行归一化处理以及标记。训练样本可以包括轨迹点的空间信息、采样时间信息以及星期日期、天气状况等字段之间的组合。需要说明的是，为了方便处理，加快处理速度，可以将这些字段采用组合的数字表示，并采用独热编码的方法对组合的数字进行编码。
出行轨迹数据库中的字段名称以及标识（标识可以为字母）可以包括：社区矫正人员编号社区矫正人员编号（SQJZRYBH）、定位地点位置名称（DWDDWZMC）、纬度（JD）、经度（WD）、时间戳（SJC）、星期日期（XQRQ）以及天气状况等。需要说明的是，纬度（JD）以及经度（WD）等字段的精度可以取到小数点后6位，以便保证得到的定位信息更加精确。对于时间戳等字段的精度可以取到分钟。
在另一些实施例中，当预设的时序神经网络可以同时提取待识别轨迹数据的第一身份特征和第一时间加权向量，以及预设的空间神经网络可以同时提取待识别轨迹数据的第二身份特征和第一空间加权向量时，训练方法还包括：
对训练样本集提取第三身份特征和第四身份特征，并将第三身份特征和第四身份特征进行特征融合，得到原始身份特征。然后再将该原始身份特征输入至第二原始全连接网络中。此时，将第二目标向量输入至第一原始全连接网络中和将原始身份特征输入至第二原始全连接网络后，会得到一个综合损失值。然后再判断该综合损失值是否符合预设的终止条件，若不满足，则根据综合损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数、第一原始全连接网络的网络参数以及第二原始全连接网络的网络参数。若满足，则停止训练，得到预设的时序神经网络、预设的空间神经网络、第一预设全连接网络以及第二预设全连接网络。
在另一些实施例中，当利用第一预设身份神经网络提取第一身份特征，利用第二身份神经网络提取第二身份特征时，该训练方法还包括：
在将训练样本集输入至原始时序神经网络、原始空间神经网络、第一原始身份神经网络以及第二原始身份神经网络中，分别得到第二时间加权向量、第二空间加权向量、第三身份特征以及第四身份特征后，将第二时间加权向量以及第二空间加权向量进行特征融合，得到第二目标向量，并将第二目标向量输入至第一原始全连接网络中，将第三身份特征和第四身份特征进行特征融合，得到原始身份特征，并将该原始身份特征输入至第二原始全连接网络中。
在第二目标向量分别输入至第一原始全连接网络之后，得到第一损失值。判断该第一损失值是否符合预设的终止条件，若不满足，则根据第一损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数、第一原始全连接网络的网络参数。若满足，则停止训练，得到预设的时序神经网络、预设的空间神经网络、第一预设全连接网络。
在将原始身份特征输入至第二原始全连接网络中之后，得到第二损失值。然后再判断该第二损失值是否符合预设的终止条件，若不满足，则根据第二损失值更新第一原始身份神经网络的网络参数、第二原始身份神经网络的网络参数以及第二原始全连接网络的网络参数。若满足，则停止训练，得到第一预设身份神经网络、第二预设身份神经网络以及第二预设全连接网络。
在另一些实施例中，当第一时间加权向量以及第一空间加权向量中均包含身份特征时，该训练方法还包括：
将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量后，将第二时间加权向量以及第二空间加权向量进行特征融合，得到第二目标向量，并将第二目标向量分别输入至第一原始全连接网络以及第二原始全连接网络中。在第二目标向量分别输入至第一原始全连接网络以及第二原始全连接网络中之后，得到一个综合损失值。然后再判断该综合损失值是否符合预设的终止条件，若不满足，则根据综合损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数、第一原始全连接网络的网络参数以及第二原始全连接网络的网络参数。若满足，则停止训练，得到预设的时序神经网络、预设的空间神经网络、第一预设全连接网络以及第二预设全连接网络。
在另一些实施例中，在将训练样本集输入至原始时序神经网络以及原始空间神经网络中之前，包括：获取原始训练集，原始训练集包括正样本和负样本；若原始训练集中的正样本以及负样本的比例不符合预设比例，则采用预设算法对原始训练集中的负样本进行扩容处理，使得正样本与负样本的比例符合预设比例，得到训练样本集。
由于一些训练样本集中的正样本以及负样本的比例不一定符合预设比例。而如果正样本以及负样本的比例不符合预设比例，两者的数量相差太大，训练的效果比较差。因此，当原始训练集中的正样本以及负样本的比例不符合预设比例时，终端设备可以采用预设算法对原始训练集中的负样本进行扩容处理，从而使得正样本与负样本的比例符合预设比例，进而提升训练的效果。
并且，原始训练集中也存在一些社区矫正人员的轨迹数据较多，一些社区矫正人员的轨迹数据较少的情况。此时，也可采用预设算法对原始训练集中轨迹数据较少的社区矫正人员的轨迹数据进行扩容处理，使得该社区矫正人员的轨迹数据的数量与其他社区矫正人员的轨迹数据的数量一致。
预设算法可以采用过采样方法或欠采样方法。用户可根据实际情况选择预设算法，本申请在此不做具体限定。
在另一些实施例中，该异常行为识别方法还包括：获取实时轨迹数据，实时轨迹点数据包括轨迹点的空间信息和采样时间信息；
将所述实时轨迹点数据与采样时间信息对应的申请信息进行匹配，若存在匹配的采样时间信息对应的申请信息，则判断空间信息是否位于预设电子围栏中，若空间信息位于预设电子围栏中，则将实时轨迹点数据确定为异常轨迹点数据。
在本实施例中，还可以对实时轨迹点数据进行识别，从而判断社区矫正人员当前的行为是否异常。先获取实时轨迹点数据，实时轨迹点数据包括轨迹点的空间信息和采样时间信息。然后将实时轨迹点数据与采样时间信息对应的申请信息进行匹配。若不存在匹配的采样时间信息对应的申请信息，则执行告警提示操作。若存在匹配的采样时间信息对应的申请信息，则判断空间信息是否位于预设电子围栏中，若空间信息位于预设电子围栏中，则将实时轨迹点数据确定为异常轨迹点数据，并可以同时执行告警提示操作。若空间信息不位于预设电子围栏中，则说明该实时轨迹点数据为正常轨迹点数据。
预设电子围栏用户根据实际情况进行设置。预设电子围栏中的字段名称以及标识可以包括：社区矫正人员编号（SQJZRYBH）、电子围栏边界点经度（JD）以及纬度（WD）等。
申请信息从申请信息数据库中获取，该申请信息数据库用于记录社区矫正人员的外出申请信息。申请信息数据库中的字段名称以及标识可以包括：社区矫正人员编号（SQJZRYBH）、出发地（CFD）、外出目的地所在省（区、市）（WCMDDSZS）、外出目的地所在地（市、州）（WCMDDSZD）、外出目的地所在县（市、区）（WCMDDSZX）、外出目的地（乡镇、街道）（WCMDDXZ）、外出目的地明细（WCMDDMX）、外出开始时间（KSQR）、外出结束时间（JSQR）、外出天数（WCTS）、出行去往交通方式（CXQWJTFS）和出行返程交通方式（CXFCJTFS）等。
综上所述，本申请提供一种异常行为识别方法，首先，获取待识别轨迹数据。然后利用预设的时序神经网络对该待识别轨迹数据进行特征提取，得到该待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对该待识别轨迹数据进行特征提取，得到该待识别轨迹数据的第一空间加权向量。接着将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量，并将该第一目标向量输入至第一预设全连接网络中，得到目标概率值。最后将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。即在本申请中，同时根据待识别轨迹数据的第一时间加权向量和第一空间加权向量对待识别轨迹数据进行分析。由于同时考虑到了社区矫正人员轨迹的时间和空间的关联性，因此，通过本申请的方法得到社区矫正人员的轨迹是否异常的结果更加准确。并且，本申请只需要根据第一时间加权向量和第一空间加权向量即可对轨迹数据进行识别，不需要大量的轨迹点，也不需要提取加速度等信息，降低了计算的复杂度，提高了识别速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例二
图2示出了一种异常行为识别装置的示例，为了便于说明，仅示出了与本申请实施例相关的部分。该装置200包括：
数据获取模块201，用于获取待识别轨迹数据。
向量获取模块202，用于利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的第一空间加权向量。
融合模块203，用于将第一时间加权向量以及第一空间加权向量进行特征融合，得到第一目标向量，并将第一目标向量输入至第一预设全连接网络中，得到目标概率值。
确定模块204，用于将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
可选地，该装置200还包括：
分组模块，用于获取预设时间区间，并按照预设时间区间对待识别轨迹数据进行分组，得到各组待识别轨迹数据。
输入模块，用于将每组待识别轨迹数据依次输入预设的时序神经网络以及预设的空间神经网络中。
可选地，向量获取模块202用于执行：
利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到待识别轨迹数据的时间特征以及时间特征对应的权重系数；
根据时间特征以及时间特征对应的权重系数计算得到第一时间加权向量。
可选地，向量获取模块202用于执行：
根据待识别轨迹数据确定目标位置关系图，并根据目标位置关系图构建目标矩阵；
将目标矩阵输入至预设的空间神经网络中进行特征提取，得到待识别轨迹数据的空间特征以及空间特征对应的权重系数；
根据空间特征以及空间特征对应的权重系数计算得到第一空间加权向量。
可选地，待识别轨迹数据还包括轨迹点的身份信息；
相应地，该装置200还包括：
身份特征提取模块，用于利用预设的时序神经网络对待识别轨迹数据进行特征提取，得到第一身份特征，以及利用预设的空间神经网络对待识别轨迹数据进行特征提取，得到第二身份特征；
相应地，融合模块203还用于：
对第一身份特征和所述第二身份特征进行特征融合，得到目标身份特征，并将目标身份特征输入至第二预设全连接网络中，得到目标身份特征对应的身份标签。
可选地，第一时间加权向量以及第一空间加权向量均包含了身份特征；
相应地，融合模块203还用于执行：
将第一目标向量同时分别输入至第一预设全连接网络以及第二预设全连接网络中，得到目标概率值以及待识别轨迹数据对应的身份标签。
可选地，该装置200还包括：
训练模块，用于将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量；
将第二时间加权向量以及第二空间加权向量进行特征融合，得到第二目标向量，并将第二目标向量输入至第一原始全连接网络中，得到第一损失值；
若第一损失值不满足预设终止条件，则根据第一损失值更新原始时序神经网络的网络参数、原始空间神经网络的网络参数以及第一原始全连接网络的网络参数，并返回执行将训练样本集输入至原始时序神经网络以及原始空间神经网络中；
若所述第一损失值满足预设终止条件，则停止训练，得到预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例一基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例一部分，此处不再赘述。
实施例三
图3是本申请实施例三提供的终端设备的示意图。如图3所示，该实施例的终端设备300包括：处理器301、存储器302以及存储在上述存储器302中并可在上述处理器301上运行的计算机程序303。上述处理器301执行上述计算机程序303时实现上述各个方法实施例中的步骤。或者，上述处理器301执行上述计算机程序303时实现上述各装置实施例中各模块/单元的功能。
示例性的，上述计算机程序303可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器302中，并由上述处理器301执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述上述计算机程序303在上述终端设备300中的执行过程。例如，上述计算机程序303可以被分割成数据获取模块、向量获取模块、融合模块以及确定模块，各模块具体功能如下：
获取待识别轨迹数据；
利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一空间加权向量；
将所述第一时间加权向量以及所述第一空间加权向量进行特征融合，得到第一目标向量，并将所述第一目标向量输入至第一预设全连接网络中，得到目标概率值；
将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
上述终端设备可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如上述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器 (Digital Signal Processor，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) 或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件插件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器302可以是上述终端设备300的内部存储单元，例如终端设备300的硬盘或内存。上述存储器302也可以是上述终端设备300的外部存储设备，例如上述终端设备300上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，上述存储器302还可以既包括上述终端设备300的内部存储单元也包括外部存储设备。上述存储器302用于存储上述计算机程序以及上述终端设备所需的其它程序和数据。上述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或插件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述各个方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种异常行为识别方法，其特征在于，包括：
获取待识别轨迹数据；
利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一空间加权向量；
将所述第一时间加权向量以及所述第一空间加权向量进行特征融合，得到第一目标向量，并将所述第一目标向量输入至第一预设全连接网络中，得到目标概率值；
将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
2.如权利要求1所述的异常行为识别方法，其特征在于，在所述利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量之前，还包括：
获取预设时间区间，并按照所述预设时间区间对所述待识别轨迹数据进行分组，得到各组待识别轨迹数据；
将每组所述待识别轨迹数据依次输入所述预设的时序神经网络以及所述预设的空间神经网络中。
3.如权利要求1所述的异常行为识别方法，其特征在于，所述利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量，包括：
利用所述预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的时间特征以及所述时间特征对应的权重系数；
根据所述时间特征以及所述时间特征对应的权重系数计算得到所述第一时间加权向量。
4.如权利要求1所述的异常行为识别方法，其特征在于，所述利用预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一空间加权向量，包括：
根据所述待识别轨迹数据确定目标位置关系图，并根据所述目标位置关系图构建目标矩阵；
将所述目标矩阵输入至所述预设的空间神经网络中进行特征提取，得到所述待识别轨迹数据的空间特征以及所述空间特征对应的权重系数；
根据所述空间特征以及所述空间特征对应的权重系数计算得到所述第一空间加权向量。
5.如权利要求1所述的异常行为识别方法，其特征在于，所述待识别轨迹数据还包括轨迹点的身份信息；
相应地，所述方法还包括：
利用所述预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到第一身份特征，以及利用所述预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到第二身份特征；
对所述第一身份特征和所述第二身份特征进行特征融合，得到目标身份特征，并将所述目标身份特征输入至第二预设全连接网络中，得到所述目标身份特征对应的身份标签。
6.如权利要求1所述的异常行为识别方法，其特征在于，所述第一时间加权向量以及所述第一空间加权向量均包含了身份特征；
相应地，所述将所述第一目标向量输入至第一预设全连接网络中，得到目标概率值，包括：
将所述第一目标向量同时分别输入至所述第一预设全连接网络以及第二预设全连接网络中，得到目标概率值以及所述待识别轨迹数据对应的身份标签。
7.如权利要求1所述的异常行为识别方法，其特征在于，所述预设的时序神经网络、所述预设的空间神经网络以及所述第一预设全连接网络的训练方法，包括：
将训练样本集输入至原始时序神经网络以及原始空间神经网络中，分别得到第二时间加权向量以及第二空间加权向量；
将所述第二时间加权向量以及所述第二空间加权向量进行特征融合，得到第二目标向量，并将所述第二目标向量输入至第一原始全连接网络中，得到第一损失值；
若所述第一损失值不满足预设终止条件，则根据所述第一损失值更新所述原始时序神经网络的网络参数、所述原始空间神经网络的网络参数以及所述第一原始全连接网络的网络参数，并返回执行将训练样本集输入至所述原始时序神经网络以及所述原始空间神经网络中；
若所述第一损失值满足预设终止条件，则停止训练，得到预设的时序神经网络、预设的空间神经网络以及第一预设全连接网络。
8.一种异常行为识别装置，其特征在于，包括：
数据获取模块，用于获取待识别轨迹数据；
向量获取模块，用于利用预设的时序神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一时间加权向量，以及利用预设的空间神经网络对所述待识别轨迹数据进行特征提取，得到所述待识别轨迹数据的第一空间加权向量；
融合模块，用于将所述第一时间加权向量以及所述第一空间加权向量进行特征融合，得到第一目标向量，并将所述第一目标向量输入至第一预设全连接网络中，得到目标概率值；
确定模块，用于将属于异常概率区间的目标概率值对应的待识别轨迹数据确定为异常轨迹数据。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202011590026.8A 2020-12-29 2020-12-29 一种异常行为识别方法、识别装置、终端设备及存储介质 Active CN112288050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011590026.8A CN112288050B (zh) 2020-12-29 2020-12-29 一种异常行为识别方法、识别装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011590026.8A CN112288050B (zh) 2020-12-29 2020-12-29 一种异常行为识别方法、识别装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN112288050A true CN112288050A (zh) 2021-01-29
CN112288050B CN112288050B (zh) 2021-05-11

Family

ID=74426681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011590026.8A Active CN112288050B (zh) 2020-12-29 2020-12-29 一种异常行为识别方法、识别装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN112288050B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN108304757A (zh) * 2017-06-16 2018-07-20 腾讯科技（深圳）有限公司 身份识别方法及装置
CN110032926A (zh) * 2019-02-22 2019-07-19 哈尔滨工业大学（深圳） 一种基于深度学习的视频分类方法以及设备
CN110135369A (zh) * 2019-05-20 2019-08-16 威创集团股份有限公司 一种行为识别方法、系统、设备及计算机可读存储介质
CN110163611A (zh) * 2019-03-18 2019-08-23 腾讯科技（深圳）有限公司 一种身份识别方法、装置以及相关设备
CN110175580A (zh) * 2019-05-29 2019-08-27 复旦大学 一种基于时序因果卷积网络的视频行为识别方法
CN111242521A (zh) * 2020-04-24 2020-06-05 中国人民解放军国防科技大学 轨迹异常检测方法和系统
WO2020136704A1 (en) * 2018-12-25 2020-07-02 Nec Corporation Information processing apparatus, method, and program
CN111462183A (zh) * 2020-03-31 2020-07-28 山东大学 一种基于注意力机制双流网络的行为识别方法及系统
WO2020171388A2 (ko) * 2019-02-18 2020-08-27 이노뎁 주식회사 모션벡터의 궤적 및 패턴을 이용한 압축영상의 이상모션 객체 식별 방법

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881637A (zh) * 2015-05-09 2015-09-02 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于传感信息及目标追踪的多模信息系统及其融合方法
CN108304757A (zh) * 2017-06-16 2018-07-20 腾讯科技（深圳）有限公司 身份识别方法及装置
WO2020136704A1 (en) * 2018-12-25 2020-07-02 Nec Corporation Information processing apparatus, method, and program
WO2020171388A2 (ko) * 2019-02-18 2020-08-27 이노뎁 주식회사 모션벡터의 궤적 및 패턴을 이용한 압축영상의 이상모션 객체 식별 방법
CN110032926A (zh) * 2019-02-22 2019-07-19 哈尔滨工业大学（深圳） 一种基于深度学习的视频分类方法以及设备
CN110163611A (zh) * 2019-03-18 2019-08-23 腾讯科技（深圳）有限公司 一种身份识别方法、装置以及相关设备
CN110135369A (zh) * 2019-05-20 2019-08-16 威创集团股份有限公司 一种行为识别方法、系统、设备及计算机可读存储介质
CN110175580A (zh) * 2019-05-29 2019-08-27 复旦大学 一种基于时序因果卷积网络的视频行为识别方法
CN111462183A (zh) * 2020-03-31 2020-07-28 山东大学 一种基于注意力机制双流网络的行为识别方法及系统
CN111242521A (zh) * 2020-04-24 2020-06-05 中国人民解放军国防科技大学 轨迹异常检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN HOU ETAL.: "Abnormal Behavior Recognition Based on Trajectory Feature and Regional Optical Flow", 《2013 SEVENTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICSDATE OF CONFERENCE》 *
王晟: "社区矫正人员行为分析技术研究与实现", 《社会科学Ⅰ辑》 *
袁明冬: "基于图的特征提取和特征选择及其应用研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112288050B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109634946B (zh) 一种基于大数据挖掘的轨迹智能匹配关联分析方法
CN114422267B (zh) 流量检测方法、装置、设备及介质
CN113641994B (zh) 基于图数据的数据处理方法及系统
CN112770265B (zh) 一种行人身份信息获取方法、系统、服务器和存储介质
CN112463859B (zh) 基于大数据和业务分析的用户数据处理方法及服务器
CN111405475B (zh) 一种多维感知数据碰撞融合分析方法和装置
CN111737377B (zh) 一种漂移轨迹的识别方法、装置及计算设备、存储介质
CN113704373B (zh) 基于移动轨迹数据的用户识别方法、装置及存储介质
CN116612417A (zh) 利用视频时序信息的特殊场景车道线检测方法及装置
CN112949784B (zh) 一种居民出行链模型构建方法及居民出行链获取方法
CN112712005B (zh) 识别模型的训练方法、目标识别方法及终端设备
CN112288050B (zh) 一种异常行为识别方法、识别装置、终端设备及存储介质
CN112651550A (zh) 一种路况预测方法、装置及可读存储介质
CN112163019A (zh) 基于区块链的可信电子批记录处理方法及区块链服务平台
CN115203354B (zh) 一种车码轨迹预关联方法、装置、计算机设备及存储介质
CN111582589A (zh) 一种租车出险预测方法、装置、设备及存储介质
CN114220191B (zh) 行车状态识别方法、装置、计算机设备及可读存储介质
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
CN110487787B (zh) 一种元器件损耗检测方法、装置、存储介质及终端设备
CN113779100A (zh) 一种阿蒙森低压识别方法和系统
CN113592557A (zh) 广告投放结果的归因方法、装置、存储介质及电子设备
CN111009126A (zh) 基于卡口抓拍数据的车辆行驶轨迹预测方法、系统及设备
Gaikwad et al. Performance analysis of bus arrival time prediction using machine learning based ensemble technique
CN110688469A (zh) 一种自动分析相似行为特征的方法和装置
CN115170895B (zh) 一种基于图像处理的海洋区域分类方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant