CN112347151A - 嫌疑程度确定方法及数据分析设备 - Google Patents
嫌疑程度确定方法及数据分析设备 Download PDFInfo
- Publication number
- CN112347151A CN112347151A CN201910728136.7A CN201910728136A CN112347151A CN 112347151 A CN112347151 A CN 112347151A CN 201910728136 A CN201910728136 A CN 201910728136A CN 112347151 A CN112347151 A CN 112347151A
- Authority
- CN
- China
- Prior art keywords
- integral
- monitored target
- monitoring data
- target
- monitoring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007405 data analysis Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 176
- 238000012806 monitoring device Methods 0.000 claims description 42
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000001613 Gambling Diseases 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例提出一种嫌疑程度确定方法及数据分析设备,数据分析设备通过多个监控设备上报的监控数据的采集时间和采集地点确定被监控目标在嫌疑的地点的停留情况,根据该停留情况确定被监控目标的至少一个嫌疑积分项的积分,根据该至少一个嫌疑积分项的积分确定被监控目标的嫌疑程度,从而能够为嫌疑目标的锁定提供依据,提高抓捕到涉及违规行为的目标的几率。
Description
技术领域
本发明涉及监控技术领域,具体而言,涉及一种嫌疑程度确定方法及数据分析设备。
背景技术
根据相关报道,近年来,参与赌博等违规行为的人数呈上升趋势。这些违规行为危害巨大,但是目前还难以对其进行有效治理,难以对涉及违规行为的人员进行抓捕。
发明内容
有鉴于此,本发明的目的之一在于提供一种嫌疑程度确定方法及数据分析设备,能够确定被监控目标的嫌疑程度,从而为嫌疑目标的锁定提供依据,提高抓捕到涉及违规行为的目标的几率。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种嫌疑程度确定方法,应用于与多个监控设备通信连接的数据分析设备,所述方法包括:
接收每个监控设备上报的监控数据,所述监控数据包括被监控目标的身份标识信息及所述身份标识信息的采集时间及采集地点;
针对接收的每条监控数据,根据该监控数据中的身份标识信息确定对应的被监控目标,获取各监控设备在指定时间段内采集的所述被监控目标的多条监控数据;
根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分;
根据所述至少一个嫌疑积分项的积分确定所述被监控目标的嫌疑程度。
第二方面,本发明实施例提供的一种数据分析设备,包括处理器及机器可读存储介质,所述机器可读存储介质上存储有机器可执行指令,所述机器可执行指令被执行时促使所述数据分析设备实现本发明实施例第一方面提供的嫌疑程度确定方法。
本发明实施例提供的嫌疑程度确定方法及数据分析设备,通过多个监控设备采集的监控数据中的采集时间和采集地点确定被监控目标在预设的嫌疑地点的停留情况,根据停留情况确定被监控目标的至少一个嫌疑积分项的积分,根据该至少一个嫌疑积分项的积分确定被监控目标的嫌疑程度,从而能够将所确定的嫌疑程度作为锁定嫌疑目标的依据,提高抓捕到涉及违规行为的目标的几率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种监控系统的架构示意图;
图2示出了本发明实施例提供的一种嫌疑程度确定方法的流程示意图;
图3示出了图2所示步骤S203的一种子步骤示意图;
图4示出了图2所示步骤S203的另一种子步骤示意图;
图5示出了图2所示步骤S203的又一种子步骤示意图;
图6示出了本发明实施例提供的一种数据分析设备的方框示意图。
图标:100-数据分析设备;110-处理器;120-机器可读存储介质;201、202、203、204-监控设备。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括这种过程、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。
请参照图1,是本发明实施例提供的一种监控系统的架构示意图。所述监控系统包括与数据分析设备100通信的多个监控设备,例如图1所示的监控设备201、202、203和204。所述多个监控设备分别部署在不同的位置,用于采集被监控目标的身份标识信息。其中,所述身份标识信息是指可以用于识别被监控目标的身份的信息,例如可以是人脸数据、车牌数据、通讯终端的媒体访问控制地址(MediaAccessControlAddress,MAC地址)、非机动车的电子标签信息等。其中,所述通讯终端例如可以是手机。
本实施例中,依据人脸数据可以从第三方数据库获取对应人员的身份信息,依据车牌数据可以从第三方数据库获取车主的身份信息,依据通讯终端的MAC地址可以从第三方数据库中获取通讯终端的拥有者的身份信息,依据非机动车的电子标签信息可以从第三方数据库获取该非机动车的车主的身份信息。
本实施例中,每个监控设备实时地将采集的监控数据上报给数据分析设备100,每个监控设备采集的监控数据包括所述身份识别信息以及所述身份识别信息的采集时间和采集地点。其中,所述采集地点可以是监控设备自身的设置位置。
示例性地,监控设备201可以为部署有人脸识别功能的图像采集设备,用以从监控画面中实时识别出人脸。对应地,监控设备201采集的监控数据包括识别出的人脸数据、获得包含该人脸数据的监控画面的时间以及监控设备201的设置位置。
监控设备202可以为部署有车牌识别功能的图像采集设备,用以从监控画面中实时地识别出车牌信息。对应地,监控设备202采集的监控数据包括识别出的车牌信息、获得包含该车牌信息的监控画面的时间以及监控设备202的设置位置。
监控设备203可以为MAC地址采集设备,用以采集经过所述监控设备203的用户的通讯终端的MAC地址。对应地,监控设备203采集的监控数据包括通讯终端的MAC地址、采集到该MAC地址的时间以及监控设备203的设置位置。
监控设备203可以为射频识别(RadioFrequencyIdentification,RFID)设备,用以采集经过监控设备203的非机动车的电子标签的射频信号。对应地,监控设备204采集的监控数据包括采集的电子标签的射频信号、采集到该射频信号的时间以及监控设备204的设置位置。
值得说明的是,上述的监控设备仅为举例说明,本实施例的监控系统还可以包括其他种类的监控设备,每种监控设备可以部署有多个,本实施例对此没有限制。此外,在其他示例中,数据分析设备100也可以视作监控系统的一部分。
请参照图2,图2是本发明实施例提供的一种嫌疑程度确定方法的流程示意图,该方法可以应用于图1所示的数据分析设备100。下面对该方法包括的各个步骤进行详细描述。
步骤S201,接收每个监控设备上报的监控数据,所述监控数据包括被监控目标的身份标识信息及所述身份标识信息的采集时间和采集地点。
其中,所述被监控目标是指基于所述监控数据中的身份标识信息识别到的人员。如上描述的,基于人脸数据识别到的人员、基于车牌数据识别到的车主、基于通讯终端的MAC地址识别到的该通讯终端的拥有者以及基于电子标签的标识信息识别到的非机动车的车主等。
步骤S202,针对接收的每条监控数据,根据该监控数据中的身份标识信息确定对应的被监控目标,获取各监控设备在指定时间段内采集的所述被监控目标的多条监控数据。
其中,各监控设备在指定时间段内采集的所述被监控目标的多条监控数据是指,各监控设备采集的监控数据中身份标识信息指示所述被监控目标且采集时间位于所述指定时间段的监控数据。
步骤S203,根据获取的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分。
步骤S204,根据所述至少一个嫌疑积分项的积分之和确定所述被监控目标的嫌疑程度。
本实施例中,数据分析设备100每接收到一条监控数据,则基于该条监控数据启动积分流程。
在一个示例中,数据分析设备100接收到监控设备201上报的一条监控数据item1,其中包含人脸数据f1、采集时间t1以及采集地点addr1。数据分析设备100对监控数据item1的详细处理流程如下。
在步骤S202中,数据分析设备100从监控数据item1中获取人脸数据f1,从第三方数据库获取人脸数据f1对应的身份信息id1(例如,身份证号),身份信息id1指示人员A,则人员A为被监控目标。
依据获取的身份信息id1,从各个监控设备上报的监控数据中,确定采集时间属于指定时间段(如,最近一个周或一天等)、身份标识信息与身份信息id1对应的监控数据。其中,依据获取到的每条监控数据中的身份标识信息从第三方数据库获取的身份信息均为id1。为便于描述,将此处依据身份信息id1获取的在指定时间段内采集的监控数据描述为人员A的监控数据。
在步骤S203中,根据人员A的监控数据可以确定人员A在所述指定时间段内的行动轨迹,从而可以确定人员A在预设的嫌疑地点的停留情况。其中,所述停留情况可以包括人员A是否在预设的嫌疑地点停留、在预设的嫌疑地点的停留次数、停留时长等。
数据分析设备100依据所确定的停留情况对人员A的至少一个嫌疑积分项进行积分,并依据所确定的各嫌疑积分项的积分来确定人员A的嫌疑程度。一种实施方式中,可以直接计算所确定的各嫌疑积分项的积分之和,该积分之和为表征人员A的嫌疑程度的积分值;另一种实施方式中,可以依据每个嫌疑积分项与被监控目标的嫌疑程度的关联程度,为该嫌疑积分项设置对应的权重,并对所确定的各嫌疑积分项的积分加权求和,求得的和即为表征人员A的嫌疑程度的积分值。
下面对被监控目标的嫌疑积分项的具体积分过程进行描述。
可选地,本实施例中,所述预设的嫌疑地点可以包括预设的落脚点,预设的落脚点是指容易发生违规行为的场所,例如以赌博违规行为为例,所述预设的落脚点可以是棋牌室、钟点房、酒店等地点。对应地,所述至少一个嫌疑积分项可以包括落脚点积分项。在此情况下,步骤S203可以包括如图3所示的子步骤。
步骤S301,按照采集时间对所述被监控目标的所述多条监控数据进行排序。
其中,排序后的所述多条监控数据中的采集地点反映了所述被监控目标在所述指定时间段内的行动轨迹。例如,假设指定时间段内采集到的人员A的监控数据经过排序后为:item2、item3、item4、item5、item1,则人员A在所述指定时间段依次经过item2中的采集地点、item3中的采集地点、item4中的采集地点、item5中的采集地点和item1中的采集地点。值得说明的是,上述item1至item5各自的采集地点可以各不相同,也可以至少部分相同,依据实际情况而定,本实施例没有限制。
步骤S302,计算每两条相邻的监控数据的采集时间之差,若所述采集时间之差达到第一预设时长,则判断该两条相邻的监控数据中采集时间在先的第一监控数据的采集地点是否是所述预设的落脚点。
步骤S303,若是所述预设的落脚点,则为所述被监控目标的落脚点积分项设置对应的积分。
其中,对于经过排序的被监控目标的监控数据,可以计算两两相邻的监控数据中的采集时间之差。例如上述的item2、item3、item4、item5、item1,可以计算item3和item2中的采集时间之差t32,item4和item3中的采集时间之差t43,item5和item4中的采集时间之差t54,item1和item5中的采集时间之差t15。
本实施例中,对于经过排序的监控数据中任意两个相邻的监控数据,将采集时间在先的监控数据描述为第一监控数据,将采集时间在后的监控数据描述为第二监控数据。
在一种实施方式中,对于计算出的每个采集时间之差,判断该采集时间之差是否达到第一预设时长,如果该采集时间之差达到第一预设时长,则进一步判断该采集时间之差对应的两个相邻的监控数据中,第一监控数据中的采集地点是否是预设的落脚点,如果是,则为被监控目标设置落脚点积分项对应的积分。例如,对于采集时间t32,可以判断监控数据item2中的采集地点是否为上述预设的棋牌室、钟点房、酒店等地,如果是,则为人员A的落脚点积分项设置积分x1。其中,所述第一预设时长依据实际需求或经验进行设定,例如可以为30-60分钟之间的任意值,如40分钟。
进一步地,如果针对n个采集时间之差的判断结果均为需要设置落脚点积分项的积分x1,则人员A的落脚点积分项的积分值为x1*n。例如,当采集时间t32、t43、t54、t15均大于第一预设时长,并且item2、item3、item4、item5各自的采集地点均为预设的落脚点时,人员A的落脚点积分项的积分值为x1*4。
在另一种实施方式中,可以判断每个采集时间之差是否达到所述第一预设时长,当达到所述第一预设时长时判断该采集时间之差对应的两个相邻的监控数据中,第一监控数据中的采集地点是否为预设的落脚点;如果是预设的落脚点,则可以将该第一监控数据确定为嫌疑监控数据,如果某一监控目标的多条监控数据中存在的嫌疑监控数据的数量达到特定值,则为该被监控目标的落脚点积分项设置对应的积分,如,x2。本实施例中,x1和x2的具体大小可以根据实际情况进行灵活设定,本实施例没有限制。例如,x1可以小于x2。
可选地,本实施例中,所述至少一个嫌疑积分项还可以包括同行目标积分项。在此情况下,步骤S203还可以包括如图4所示的子步骤。
步骤S401,获取各监控设备在所述指定时间段内采集的每条监控数据,根据获取的监控数据中的采集时间和采集地点确定行动轨迹与所述被监控目标的行动轨迹相似的同行监控目标。
其中,同行监控目标是指与被监控目标同行的目标。以人员A为例,如果检测到其他目标在指定时间段内的监控数据与人员A在指定时间段内的监控数据中,采集时间和采集地点均相同的监控数据的数量达到预设数量,例如达到两条,则可以确定所述其他目标的行动轨迹与人员A的行动轨迹相似,即,将所述其他目标确定为人员A的同行监控目标。
步骤S402,若所述同行监控目标具有前科信息,则为所述被监控目标的同行目标积分项设置第一积分。
在确定被监控目标的同行监控目标之后,可以依据同行监控目标的监控数据中的身份标识信息确定该同行监控目标的身份信息,并依据确定的身份信息从第三方的违规行为数据库查找是否存在对应的前科信息。其中,所述前科信息是指违规行为数据库中的违规数据记录。如果查找到对应的前科信息,则可以确定同行监控目标具有违规记录,则所述被监控目标的嫌疑程度增加,为所述被监控目标的同行目标积分项设置对应的第一积分y1。其中,第一积分y1的具体大小可以根据实际需求或测试数据进行设置,本实施例对此没有限制。
步骤S403,针对所述同行监控目标的每条监控数据,判断该监控数据的采集地点是否为所述预设的落脚点,若是,则为所述同行监控目标的同行目标积分项设置第二积分。
本实施例对步骤S402和步骤S403的执行顺序没有限制,两者可以按照一定顺序先后执行,也可以并行执行。
对于被监控目标的同行监控目标,如果其采集地点是预设的落脚点,则其同行监控目标进行违规行为的嫌疑程度增加,相应地,所述被监控目标进行违规行为的嫌疑程度也增加,可以为所述被监控目标的同行目标积分项设置第二积分y2。
进一步地,如果同行监控目标的多条监控数据的采集地点均为所述预设的落脚点,可以为同行目标积分项设置多个第二积分。
值得说明的是,依据实际情况,被监控目标的同行目标积分项可能只设置有第一积分,此时,该同行积分项的积分值为第一积分y1;被监控目标的同行目标积分项可能只设置有第二积分y2,其中,第二积分y2的数量为至少一个,则该同行目标积分项的积分值为至少一个第二积分y2之和;被监控目标的同行目标积分项可能同时设置有第一积分y1和至少一个第二积分y2,则,被监控目标的同行目标积分项的积分值可以是第一积分y1与至少一个第二积分y2之和。
可选地,本实施例中,所述至少一个嫌疑积分项还可以包括出行点积分项。对应地,步骤S203还可以包括如图5所示的子步骤。
步骤S501,按照采集时间对所述同行监控目标的监控数据进行排序。
步骤S502,针对所述被监控目标在所述指定时间段内的每两条相邻的监控数据,若采集时间在先的第一监控数据的采集地点是所述预设的落脚点,则将采集时间在后的第二监控数据的采集地点确定为所述被监控目标的出行点。
步骤S503,针对所述同行监控目标在所述指定时间段内的每两条相邻的监控数据,若第一监控数据中的采集地点是所述预设的落脚点,则将第二监控数据中的采集地点确定为所述同行监控目标的出行点。
步骤S504,若所述同行监控目标的出行点和所述被监控目标的出行点的距离处于预设范围内,且所述同行监控目标的出行点和所述被监控目标的出行点各自对应的两条第二监控数据的采集时间之差小于第二预设时长,则为所述被监控目标的出行点积分项设置对应的积分。
其中,本实施例对步骤S502和步骤S503没有执行顺序的限制。
下面以上述人员A是被监控目标为例,对图5所示流程进行详细阐述:
对于人员A,判断其在指定时间段内的每两条相邻的监控数据中,第一监控数据中的采集地点是否为预设的落脚点,如果是,则将第二监控数据中的采集地点确定为人员A的一个出行点。
对于识别出的人员A的同行监控目标,例如人员B,判断人员B在所述指定时间段内的每两条相邻的监控数据中,第一监控数据中的采集地点是否为所述预设的落脚点,如果是,则将第二监控数据中的采集地点确定为人员B的一个出行点。
对于所确定的人员A的出行点Ai和人员B的出行点Bj,如果Ai和Bj的距离处于所述预设范围内,并且人员A的采集地点为Ai的第二监控数据与人员B的采集地点为Bj的第二监控数据,其采集时间之差小于第二预设时长,则表示人员A及其同行的人员的出行点是在容易出现违规行为的落脚点附近,且人员A及其同行人员不久前在容易出现违规行为的落脚点出现过,则作为被监控目标的人员A的嫌疑程度增加,为人员A的出行点积分项设置对应的积分z。其中,第二预设时长可以为25-35分钟,例如30分钟,预设范围例如可以为方圆500米至方圆1千米。
其中,每检测到被监控目标和同行监控目标的一组符合上述条件的出行点,则可以为被监控目标的出行点积分项设置一个积分z。
可选地,本实施例中,可以对被监控目标和其同行监控目标在第一时间段内的监控数据进行分析,以检查被监控目标和其同行监控目标在所述第一时间段内是否存在相同出行点。如果存在相同出行点,可以进一步判断预设的落脚点是否包含该相同出行点,如果不包含,可以将该相同出行点添加到预设的落脚点中,以实现对预设的落脚点的更新。如此,可以获取到更多用于确定被监控目标的嫌疑程度的有效监控数据,提高所确定的嫌疑程度的准确度。
可选地,在本实施例中,所述至少一个嫌疑积分项还可以包括频率积分项。对应地,步骤S203可以包括如下流程:
第一,从所述被监控目标的所述多条监控数据中确定采集地点为所述预设的落脚点的监控数据的数量。
第二,根据确定的数量设置所述被监控目标的频率积分项对应的积分。
其中,步骤一种确定的数量表征被监控目标在预设的落脚点出现的频率,由于预设的落脚点为容易发生违规行为的地点,当被监控目标频繁在这些地点出现时,其嫌疑程度增加,为被监控目标的频率积分项设置对应的积分m。
进一步地,以赌博违规行为为例,鉴于其更容易发生在晚间,可以仅对所述被监控目标的所述多条监控数据中,采集时间处于特定时间区间(如,20:00-8:00)的监控数据执行以上两个步骤,以提高所确定的嫌疑程度的准确度。
可选地,本实施例中,所述预设的嫌疑地点还可以包括预设的消费地点。依据实际情况,所述预设的消费地点通常为高档消费地点,如奢侈品店等高档消费场所。在此情况下,本实施例提供的嫌疑程度确定方法还可以包括以下两个步骤中的至少一个:
第一,针对每个被监控目标,获取各监控设备在第二时间段内采集的该被监控目标的监控数据,根据获取的监控数据确定该被监控目标在所述预设的消费地点的停留情况,根据该被监控目标在所述预设的消费地点的停留情况更新该被监控目标的第一异常行为积分项的积分。
其中,第一时间段可以根据需求灵活设定,例如可以为15天-30天。本实施例中,所述根据获取的监控数据确定该被监控目标在所述预设的消费地点的停留情况的步骤的详细实现过程可以如下:
将第二时间段划分为两个时间区间,分别为在先的第一时间区间和在后的第二时间区间。数据分析设备100分别计算被监控目标的监控数据中,采集地点为预设的消费地点、采集时间属于第一时间区间的监控数据的第一数量,以及采集地点为预设的消费地点、采集时间属于第二时间区间的监控数据的第二数量,并计算第一数量和第二数量的比值,如果该比值小于设定比例,则可以为被监控目标的第一异常行为积分项设置对应的积分。其中,所述设定比例用于表征第一数量成倍地少于第二数量,即,被监控目标在第一时间区间出现在预设的消费地点的频率成倍地小于其在第二时间区间出现在预设的消费地点的频率,示例性地,所述设定比例可以是1/6-1/2。
第二,针对每个被监控目标,获取该被监控目标在第三时间段内的贷款信息记录,根据获取的贷款信息记录更新该被监控目标的第二异常行为积分项的积分。
本实施例中,数据分析设备100可以根据被监控目标的身份标识信息获得对应的身份信息,再依据身份信息从第三方的系统(如,银行系统、信贷系统等)获得与该身份信息对应、且属于第三时间段内的贷款信息记录。其中,所述第三时间段例如可以是半个月-两个月,如,一个月。
在获得被监控目标在第三时间段内的贷款信息记录时,为被监控目标的第二异常行为积分项设置积分。
在本实施例中,数据分析设备100可以按照一定的时间间隔反复执行上述的两个步骤,以为各个被监控目标设置第一异常行为积分项和第二异常行为积分项的积分。
在实施过程中,当数据分析设备100针对接收的某一条监控数据确定对应的被监控目标,如人员A,并对人员A启动积分流程后,可以查找人员A的第一异常行为积分项的积分和第二异常行为积分项的积分。
如果仅查找到第一异常行为积分项的积分,则在执行步骤S204时,依据所述至少一个嫌疑积分项的积分以及查找到的第一异常行为积分项的积分共同确定所述被监控目标的嫌疑程度。
如果仅查找到第二异常行为积分项的积分,则在执行步骤S204时,依据所述至少一个嫌疑积分项的积分以及查找到的第二异常行为积分项的积分共同确定所述被监控目标的嫌疑程度。
如果查找到第一异常行为积分项的积分和第二异常行为积分项的积分,则在执行步骤S204时,依据所述至少一个嫌疑积分项的积分、所述第一异常行为积分项的积分和所述第二异常行为积分项的积分共同确定所述被监控目标的嫌疑程度。
可选地,本实施例中,还可以根据被监控目标的前科信息来设置对应的积分,对应地,每个监控目标可以具有前科积分项,所述嫌疑程度确定方法还可以包括以下步骤:
根据所述被监控目标的前科信息确定所述被监控目标的前科积分项的积分。
在此情况下,数据分析设备100执行步骤S204时,依据所述前科积分项的积分以及所述至少一个嫌疑积分项的积分共同确定所述被监控目标的嫌疑程度。
在其他情况下,数据分析设备100在执行步骤S204时,还可以依据所述第一异常行为积分项、所述第二异常行为积分项、所述前科积分项以及所述至少一个嫌疑积分项各自的积分共同确定所述被监控目标的嫌疑程度。
在一种实施方式中,可以对被监控目标的各个积分项的积分求和,求得的和为用于表征被监控目标的嫌疑程度的积分值。在另一种实施方式中,可以根据被监控目标的各个积分项与嫌疑程度的关联性大小,分别设置不同的权重,再按照设置的权重对被监控目标的各个积分项的积分加权求和,求得的和为用于表征被监控目标的嫌疑程度的积分值。
在实际应用中,可以在被监控目标的嫌疑程度达到预设水平时,进行预警,以为抓捕行动提供依据。例如,数据分析设备100可以在表征所述被监控目标的嫌疑程度的积分值达到预设阈值时,输出预警信息。具体地,可以输出到特定抓捕人员的通讯终端,或特定监控系统的显示终端。其中,所述预警信息可以包括所述被监控目标的最新监控数据的采集地点。如此,可以使得抓捕人员及时地到该采集地点进行查看,从而及时地抓捕实施违规行为的目标。
请参照图6,图6是本发明实施例提供的一种数据分析设备100的方框示意图。所述数据分析设备100包括处理器110及机器可读存储介质120,处理器110和机器可读存储介质120经由系统总线通信连接,以实现数据通讯。机器可读存储介质120存储有机器可执行指令,所述机器可执行指令被执行时促使处理器110实现本发明实施例提供的嫌疑程度确定方法。
应当理解的是,图6所示的结构仅为数据分析设备100的结构示意图,所述数据分析设备100还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置,例如还可以包括通信单元,通信单元用于与图1所示的监控系统中的监控设备建立通信连接。图6中所示的各组件可以采用硬件、软件或其组合实现。
综上所述,本发明实施例提供的嫌疑程度确定方法及数据分析设备,通过多个监控设备采集的监控数据中的采集时间和采集地点确定被监控目标在预设的嫌疑地点的停留情况,根据停留情况确定被监控目标的至少一个嫌疑积分项的积分,根据该至少一个嫌疑积分项的积分确定被监控目标的嫌疑程度,从而能够将所确定的嫌疑程度作为锁定嫌疑目标的依据,提高抓捕到涉及违规行为的目标的几率。
在本发明所提供的实施例中,应该理解到,所揭露的设备和方法,也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种嫌疑程度确定方法,其特征在于,应用于与多个监控设备通信连接的数据分析设备,所述方法包括:
接收每个监控设备上报的监控数据,所述监控数据包括被监控目标的身份标识信息及所述身份标识信息的采集时间和采集地点;
针对接收的每条监控数据,根据该监控数据中的身份标识信息确定对应的被监控目标,获取各监控设备在指定时间段内采集的所述被监控目标的多条监控数据;
根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分;
根据所述至少一个嫌疑积分项的积分确定所述被监控目标的嫌疑程度。
2.根据权利要求1所述的方法,其特征在于,所述预设的嫌疑地点包括预设的落脚点,所述至少一个嫌疑积分项包括落脚点积分项;
所述根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分的步骤,包括:
按照采集时间对所述被监控目标的所述多条监控数据进行排序;
计算每两条相邻的监控数据的采集时间之差,若所述采集时间之差达到第一预设时长,则判断该两条相邻的监控数据中采集时间在先的第一监控数据的采集地点是否是所述预设的落脚点;
若是所述预设的落脚点,则为所述被监控目标的落脚点积分项设置对应的积分。
3.根据权利要求2所述的方法,其特征在于,所述至少一个嫌疑积分项包括同行目标积分项;
所述根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分的步骤,还包括:
获取各监控设备在所述指定时间段内采集的每条监控数据,根据获取的监控数据中的采集时间和采集地点确定行动轨迹与所述被监控目标的行动轨迹相似的同行监控目标;
若所述同行监控目标具有前科信息,则为所述被监控目标的同行目标积分项设置第一积分;
针对所述同行监控目标的每条监控数据,判断该监控数据的采集地点是否为所述预设的落脚点,若是,则为所述同行监控目标的同行目标积分项设置第二积分;
其中,所述同行目标积分项的积分值是所述第一积分、所述第二积分以及所述第一积分与所述第二积分之和的其中一个。
4.根据权利要求3所述的方法,其特征在于,所述至少一个嫌疑积分项还包括出行点积分项;
所述根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分的步骤,还包括:
按照采集时间对所述同行监控目标的监控数据进行排序;
针对所述被监控目标在所述指定时间段内的每两条相邻的监控数据,若采集时间在先的第一监控数据中的采集地点是所述预设的落脚点,则将采集时间在后的第二监控数据中的采集地点确定为所述被监控目标的出行点;
针对所述同行监控目标在所述指定时间段内的每两条相邻的监控数据,若第一监控数据中的采集地点是所述预设的落脚点,则将第二监控数据中的采集地点确定为所述同行监控目标的出行点;
若所述同行监控目标的出行点和所述被监控目标的出行点的距离处于预设范围内,且所述同行监控目标的出行点和所述被监控目标的出行点各自对应的两条第二监控数据的采集时间之差小于第二预设时长,则为所述被监控目标的出行点积分项设置对应的积分。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述被监控目标和所述同行监控目标在第一时间段内的监控数据确定所述被监控目标和所述同行监控目标在所述第一时间段内的相同出行点;
根据确定的相同出行点更新所述预设的落脚点。
6.根据权利要求2-5中任意一项所述的方法,其特征在于,所述至少一个嫌疑积分项包括频率积分项;
所述根据所述被监控目标的所述多条监控数据中的采集时间和采集地点确定所述被监控目标在预设的嫌疑地点的停留情况,根据所述停留情况确定所述被监控目标的至少一个嫌疑积分项的积分的步骤,还包括:
从所述被监控目标的所述多条监控数据中确定采集地点为所述预设的落脚点的监控数据的数量;
根据确定的数量设置所述被监控目标的频率积分项对应的积分。
7.根据权利要求1-5中任意一项所述的方法,其特征在于,所述预设的嫌疑地点包括预设的消费地点,所述方法还包括:
针对每个被监控目标,获取各监控设备在第二时间段内采集的该被监控目标的监控数据,根据获取的监控数据确定该被监控目标在所述预设的消费地点的停留情况,根据该被监控目标在所述预设的消费地点的停留情况更新该被监控目标的第一异常行为积分项的积分;和/或,
针对每个被监控目标,获取该被监控目标在第三时间段内的贷款信息记录,根据获取的贷款信息记录更新该被监控目标的第二异常行为积分项的积分;
其中,所述被监控目标的嫌疑程度是基于所述至少一个嫌疑积分项的积分以及所述第一异常行为积分项和所述第二异常行为积分项中的至少一个的积分共同确定的。
8.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法还包括:
根据所述被监控目标的前科信息确定所述被监控目标的前科积分项的积分;
其中,所述被监控目标的嫌疑程度是基于所述被监控目标的所述至少一个嫌疑积分项的积分以及所述前科积分项的积分共同确定的。
9.根据权利要求1-5中任意一项所述的方法,其特征在于,所述被监控目标的嫌疑程度由基于所述被监控目标的各个积分项的积分计算得到的积分值表征,所述方法还包括:
当表征所述被监控目标的嫌疑程度的积分值达到预设阈值时,输出预警信息,所述预警信息包括所述被监控目标的最新监控数据的采集地点。
10.一种数据分析设备,其特征在于,包括处理器及机器可读存储介质,所述机器可读存储介质上存储有机器可执行指令,所述机器可执行指令被执行时促使所述处理器实现权利要求1-9中任意一项所述的嫌疑程度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728136.7A CN112347151B (zh) | 2019-08-08 | 2019-08-08 | 嫌疑程度确定方法及数据分析设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728136.7A CN112347151B (zh) | 2019-08-08 | 2019-08-08 | 嫌疑程度确定方法及数据分析设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347151A true CN112347151A (zh) | 2021-02-09 |
CN112347151B CN112347151B (zh) | 2023-03-14 |
Family
ID=74367327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910728136.7A Active CN112347151B (zh) | 2019-08-08 | 2019-08-08 | 嫌疑程度确定方法及数据分析设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347151B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030197612A1 (en) * | 2002-03-26 | 2003-10-23 | Kabushiki Kaisha Toshiba | Method of and computer program product for monitoring person's movements |
US20060017000A1 (en) * | 2004-07-26 | 2006-01-26 | Martoff Charles J | Neutron source detection camera |
CN102034328A (zh) * | 2010-12-10 | 2011-04-27 | 山东申普交通科技有限公司 | 智能监控系统及监控方法 |
CN106033530A (zh) * | 2015-03-11 | 2016-10-19 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
US20180211507A1 (en) * | 2015-08-11 | 2018-07-26 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN108540752A (zh) * | 2017-03-01 | 2018-09-14 | 中国电信股份有限公司 | 对视频监控中目标对象进行识别的方法、装置和系统 |
CN109886016A (zh) * | 2018-12-27 | 2019-06-14 | 慧安金科(北京)科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
-
2019
- 2019-08-08 CN CN201910728136.7A patent/CN112347151B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030197612A1 (en) * | 2002-03-26 | 2003-10-23 | Kabushiki Kaisha Toshiba | Method of and computer program product for monitoring person's movements |
US20060017000A1 (en) * | 2004-07-26 | 2006-01-26 | Martoff Charles J | Neutron source detection camera |
CN102034328A (zh) * | 2010-12-10 | 2011-04-27 | 山东申普交通科技有限公司 | 智能监控系统及监控方法 |
CN106033530A (zh) * | 2015-03-11 | 2016-10-19 | 中兴通讯股份有限公司 | 一种可疑人员识别方法及装置 |
US20180211507A1 (en) * | 2015-08-11 | 2018-07-26 | Sony Corporation | Information processing apparatus, information processing method, and program |
CN108540752A (zh) * | 2017-03-01 | 2018-09-14 | 中国电信股份有限公司 | 对视频监控中目标对象进行识别的方法、装置和系统 |
CN109886016A (zh) * | 2018-12-27 | 2019-06-14 | 慧安金科(北京)科技有限公司 | 用于检测异常数据的方法、设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112347151B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108965826B (zh) | 监控方法、装置、处理设备及存储介质 | |
CN107358158B (zh) | 一种团伙作案预警方法及装置 | |
CN109033973B (zh) | 监控预警方法、装置及电子设备 | |
CN109873832B (zh) | 流量识别方法、装置、电子设备和存储介质 | |
CN105868845A (zh) | 风险预警方法和装置 | |
CN113591824B (zh) | 交通违法数据录入异常检测方法和装置 | |
CN108629254B (zh) | 一种运动目标的检测方法及装置 | |
CN111221991A (zh) | 人员身份属性的确定方法、装置和电子设备 | |
CN111815177A (zh) | 消防安全评估方法、服务器、系统及存储介质 | |
CN108574839A (zh) | 一种卡口设备异常检测方法及装置 | |
CN111985452A (zh) | 一种人员活动轨迹及落脚点的自动生成方法及系统 | |
CN111367906A (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
CN112257546B (zh) | 一种事件预警方法、装置、电子设备及存储介质 | |
CN113822487A (zh) | 运营车辆的风险预警方法、装置、存储介质及计算机设备 | |
CN112347151B (zh) | 嫌疑程度确定方法及数据分析设备 | |
CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 | |
CN116976664A (zh) | 一种风险商户预测方法、系统、计算机和可读存储介质 | |
CN112949442B (zh) | 一种异常事件预识别方法、装置、电子设备及监控系统 | |
CN114299231A (zh) | 一种河道水污染3d模型的构建方法 | |
CN111767571B (zh) | 一种医疗数据泄露的检测方法 | |
CN113643127A (zh) | 风险担保圈的确定方法、装置、电子设备及可读存储介质 | |
CN113450236B (zh) | 基于时空数据的可疑人员识别方法、装置、系统和介质 | |
CN110942219A (zh) | 一种社区安全评估方法及装置和电子设备 | |
CN110852517A (zh) | 非正常行为预警方法、装置、数据处理设备及存储介质 | |
Toure et al. | Analyzing real time terrorism data |
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 |