CN112364176A - 一种人员行动轨迹的构建方法、设备及系统 - Google Patents
一种人员行动轨迹的构建方法、设备及系统 Download PDFInfo
- Publication number
- CN112364176A CN112364176A CN202011156211.6A CN202011156211A CN112364176A CN 112364176 A CN112364176 A CN 112364176A CN 202011156211 A CN202011156211 A CN 202011156211A CN 112364176 A CN112364176 A CN 112364176A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- face
- mobile phone
- relationship
- 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.)
- Pending
Links
- 230000009471 action Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 39
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 29
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 102100036378 T-cell immunomodulatory protein Human genes 0.000 description 1
- 101710194900 T-cell immunomodulatory protein Proteins 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009469 supplementation Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Abstract
本申请提供一种人员行动轨迹的构建方法、设备及系统，涉及大数据、分布式计算技术领域。其中，人员行动轨迹的构建方法，能够通过获取多维数据；根据多维数据确定人车手机的多维关系，并根据多维关系确定人车手机隐性关系；根据人车手机显性关系和人车手机隐性关系，生成知识图谱；根据知识图谱和目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；根据目标人员全息关系数据，构建目标人员的行动轨迹。该人员行动轨迹的构建方法通过对多维数据进行人车手机关联度分析，确定人车手机隐性关系，生成知识图谱和目标人员全息关系数据，实现简洁高效地构建人员的行动轨迹。
Description
技术领域
本申请涉及大数据处理技术领域，特别是涉及一种人员行动轨迹的构建方法、设备及系统。
背景技术
由于社会环境动态程度日趋加剧，动态重点人员数量大量增加，而且活动的场所和区域越来越大，经常涉足于旅馆、饭店、舞厅、集市等，出现见面难、了解情况难、有效管控更难的情况。
由于无法得到重点人员的行动轨迹，因此，社会治安管理人员对治安重点人员管控手段缺乏、管控措施缺失，无法落实有效的管控，失控现象比较严重。
如何提供一种构建人员行动轨迹的方法，是一个迫切需要解决的问题。
发明内容
本申请实施例提供了一种人员行动轨迹的构建方法、设备及系统，可以通过对多维数据进行人车手机关联度分析，确定人车手机隐性关系，生成知识图谱和目标人员全息关系数据，实现准确高效地构建人员的行动轨迹。
第一方面，本申请实施例提供一种人员行动轨迹的构建方法，包括：
获取多维数据；所述多维数据包括人车手机显性关系、设定的目标人员的信息；
根据所述多维数据确定人车手机的多维关系，并根据所述多维关系确定人车手机隐性关系；
根据所述人车手机显性关系和所述人车手机隐性关系，生成知识图谱；
根据所述知识图谱和所述目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；
根据所述目标人员全息关系数据，构建目标人员的行动轨迹。
本申请实施例提供的人员行动轨迹的构建方法，能够通过获取多维数据；根据多维数据确定人车手机的多维关系，并根据多维关系确定人车手机隐性关系；根据人车手机显性关系和人车手机隐性关系，生成知识图谱；根据知识图谱和目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；根据目标人员全息关系数据，构建目标人员的行动轨迹。该人员行动轨迹的构建方法通过对多维数据进行人车手机关联度分析，确定人车手机隐性关系，生成知识图谱和目标人员全息关系数据，实现准确高效地构建人员的行动轨迹。
在一种可能的实现方式中，所述多维数据还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据；所述人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系；所述根据所述多维数据确定人车手机的多维关系，包括：
根据所述车辆驾管库数据确定人车拥有关系；
根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系；所述车内人脸数据是对所述车辆采集数据进行车内人脸识别确定的；
根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系；
根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系；
根据所述车辆采集数据、所述人脸抓拍数据及所述人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
上述方法，根据车辆驾管库数据确定人车拥有关系；根据车内人脸数据与人脸聚类数据确定人车驾乘关系；根据车辆采集数据和手机采集数据确定车与手机伴随关系；根据手机采集数据、人脸抓拍数据及人脸聚类数据确定人脸与手机伴随关系；根据车辆采集数据、人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。该方法基于多维数据确定人车手机的多维关系，可以从多维数据获取人车手机隐性关系，从而有效进行数据融合分析。
在一种可能的实现方式中，根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系，包括：
通过对所述车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系；
通过将所述车内人脸数据与所述人脸聚类数据关联，确定所述车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系；
根据所述车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。
上述方法，通过对车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系，通过将车内人脸数据与人脸聚类数据关联，确定车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系，再根据车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。该方法根据车辆采集数据通过车内人脸识别，结合人脸聚类数据，确定人车驾乘关系，可以实现根据实时数据快速高效获取人员轨迹数据，增强人员行动轨迹查询的时效性。
在一种可能的实现方式中，根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系，包括：
根据所述车辆采集数据、所述手机采集数据确定车与手机伴随关系数据；
若所述车辆采集数据、所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述车与手机伴随关系数据作为车与手机伴随关系；
根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系，包括：
根据所述人脸抓拍数据及所述人脸聚类数据确定所述人脸抓拍数据关联的人脸虚拟身份；
根据所述人脸虚拟身份和所述手机采集数据确定人脸与手机伴随关系数据；
若所述人脸虚拟身份和所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述人脸与手机伴随关系数据作为人脸与手机伴随关系。
上述方法，根据车辆采集数据和手机采集数据确定车与手机伴随关系数据，若车辆采集数据、手机采集数据在分析时段内满足预设的伴随次数阈值，将车与手机伴随关系数据作为车与手机伴随关系；根据人脸抓拍数据及人脸聚类数据确定人脸抓拍数据关联的人脸虚拟身份，根据人脸抓拍数据和手机采集数据确定人脸与手机伴随关系数据，若人脸虚拟身份和手机采集数据在分析时段内满足预设的伴随次数阈值，将人脸与手机伴随关系数据作为人脸与手机伴随关系。该方法通过车辆采集数据、手机采集数据、人脸抓拍数据，分别输出车与手机伴随关系、人脸与手机伴随关系。该方法通过人车频繁同行的大数据分析，可以实现获取人车频繁在一定范围内出现在同一地点的伴随数据，降低了计算的复杂度，提高了人员行动轨迹识别的时效性。
在一种可能的实现方式中，根据所述车辆采集数据、所述人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系，包括：
根据所述车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录；
根据所述人脸抓拍数据及人脸聚类数据，确定所述人脸抓拍数据关联的人脸虚拟身份；
对所述人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定所述人脸抓拍数据关联的人脸虚拟身份对应的人落脚点结果记录；
若所述车辆落脚点结果记录和所述人落脚点结果记录在查询时间段内，根据所述车辆落脚点结果记录和所述人落脚点结果记录得出人车共同落脚关系。
上述方法，根据车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录，根据人脸抓拍数据及人脸聚类数据，确定人脸抓拍数据关联的人脸虚拟身份，对人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定人脸虚拟身份对应的人落脚点结果记录，若车辆落脚点结果记录和人落脚点结果记录在查询时间段内，根据车辆落脚点结果记录和人落脚点结果记录得出人车共同落脚关系。该方法通过车辆采集数据和车辆采集数据的挖掘分析，提供了人车频繁共同落脚数据的获取方法，能够有效获取人车共同落脚关系，提高了人员行动轨迹识别的效率。
在一种可能的实现方式中，根据所述多维关系确定人车手机隐性关系，包括：
根据所述车与手机伴随关系、所述人脸与手机伴随关系，确定人车手机的同行次数、同行天数；
根据所述人车共同落脚关系，确定人车的落脚次数；
根据所述人车驾乘关系，确定车内人脸次数；
根据所述同行次数、所述同行天数、所述落脚次数、所述车内人脸次数确定所述人车手机关联度积分参数；
若所述人车手机关联度积分参数满足预设的关联阈值，将根据所述多维关系建立的人车手机关联关系作为人车手机隐性关系。
上述方法，根据车与手机伴随关系、人脸与手机伴随关系，确定人车手机的同行次数、同行天数；根据人车共同落脚关系，确定人车的落脚次数；根据人车驾乘关系，确定车内人脸次数；根据同行次数、同行天数、落脚次数、车内人脸次数确定所述人车手机关联度积分参数；若人车手机关联度积分参数满足预设的关联阈值，将根据多维关系建立的人车手机关联关系作为人车手机隐性关系。该方法通过多维数据的人车手机关联度积分分析，提供了人车手机不同纬度下的隐性关系的分析获取方法，能够有效地进行数据融合分析，提高了人员行动轨迹识别的效率。
第二方面，本申请实施例提供一种人员行动轨迹的构建设备，包括处理器和存储器：
所述存储器，用于存储人员行动轨迹的构建使用的数据；
所述处理器，用于获取多维数据；所述多维数据包括人车手机显性关系、设定的目标人员的信息；根据所述多维数据确定人车手机的多维关系，并根据所述多维关系确定人车手机隐性关系；根据所述人车手机显性关系和所述人车手机隐性关系，生成知识图谱；根据所述知识图谱和所述目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；根据所述目标人员全息关系数据，构建目标人员的行动轨迹。
在一种可能的实现方式中，所述多维数据还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据；所述人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系；所述处理器具体用于：
根据所述车辆驾管库数据确定人车拥有关系；根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系；所述车内人脸数据是对所述车辆采集数据进行车内人脸识别确定的；根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系；根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系；根据所述车辆采集数据、所述人脸抓拍数据及所述人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
在一种可能的实现方式中，所述处理器具体用于：
根据所述车辆采集数据、所述手机采集数据确定车与手机伴随关系数据；若所述车辆采集数据、所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述车与手机伴随关系数据作为车与手机伴随关系；根据所述人脸抓拍数据及所述人脸聚类数据确定所述人脸抓拍数据关联的人脸虚拟身份；根据所述人脸虚拟身份和所述手机采集数据确定人脸与手机伴随关系数据；若所述人脸虚拟身份和所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述人脸与手机伴随关系数据作为人脸与手机伴随关系。
在一种可能的实现方式中，所述处理器具体用于：
根据所述车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录；根据所述人脸抓拍数据及人脸聚类数据，确定所述人脸抓拍数据关联的人脸虚拟身份；对所述人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定所述人脸虚拟身份对应的人落脚点结果记录；若所述车辆落脚点结果记录和所述人落脚点结果记录在查询时间段内，根据所述车辆落脚点结果记录和所述人落脚点结果记录得出人车共同落脚关系。
在一种可能的实现方式中，所述处理器具体用于：
通过对所述车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系；
通过将所述车内人脸数据与所述人脸聚类数据关联，确定所述车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系；
根据所述车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。
在一种可能的实现方式中，所述处理器具体用于：
根据所述车与手机伴随关系、所述人脸与手机伴随关系，确定人车手机的同行次数、同行天数；
根据所述人车共同落脚关系，确定人车的落脚次数；
根据所述人车驾乘关系，确定车内人脸次数；
根据所述同行次数、所述同行天数、所述落脚次数、所述车内人脸次数确定所述人车手机关联度积分参数；
若所述人车手机关联度积分参数满足预设的关联阈值，将根据所述多维关系建立的人车手机关联关系作为人车手机隐性关系。
第三方面，本申请实施例提供了一种人员行动轨迹的构建系统，包括权利要求第二方面任一项所述的人员行动轨迹的构建设备以及与所述人员行动轨迹的构建设备连接的数据源服务器；所述人员行动轨迹的构建设备从所述数据源服务器获取多维数据。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述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，实现上述第一方面中任意一种方法的步骤。
第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面的实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种人员行动轨迹构建控制系统的结构示意框图；
图2为本申请实施例提供的一种人员行动轨迹的构建方法的流程示意图；
图3为本申请实施例提供的目标人员全息关系数据的来源示意图；
图4为本申请实施例提供的一种人车手机的多维关系确定方法的流程示意图；
图5为本申请实施例提供的一种确定人车手机隐性关系的流程示意图；
图6为本申请实施例提供的一种人员行动轨迹的构建设备的硬件配置框图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
以下对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
(1)终端设备：本申请实施例中术语“终端设备”指可以安装各类应用程序，包括终端设备自带的应用和第三方应用，并且能够将已安装的应用程序中提供的对象进行显示的设备，该终端设备可以是移动的，也可以是固定的。例如，手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)或其它能够实现上述功能的终端设备等。
(2)分布式消息中间件：负责接收，保存和分发消息，在分布式场景下可扩展进程之间的通信，同时降低多个系统之间的耦合程度。本申请的一些实施例中，分布式消息中间件在实现上可以选用作为Linkin开源的高吞吐分布式消息系统的Kafka，它具备高稳定、高吞吐、低延迟、分布式等方面的特征，同时能够支持消息消费者的自动水平扩展，有效解决消息堆积问题；在本申请的另外一些实施例中，分布式消息中间件在实现上还可以选用Kafka之外的其它消息中间件，例如Rocketmq等，本申请分布式消息中间件的具体形式不作具体限定。
(3)电子围栏：又称移动终端信息采集分析系统，主要用于特定部门和机构对移动终端用户的信息进行采集、分析。主要采集的数据包括2G、3G、4G手机的IMSI、IMEI/ESN和MAC信息(手机、笔记本电脑等)。获取的数据推送到后台服务器，进行数据汇总分析，帮助管理者找出有价值的线索和信息数据。
下面结合附图及具体实施例对本申请作进一步详细的说明。
图1为本申请实施例提供的人员行动轨迹构建控制系统的结构示意框图。在图1所示的结构中，该人员行动轨迹构建控制系统包括轨迹构建设备100、至少一个终端200、至少一个数据源服务器300。轨迹构建设备100、终端200和数据源服务器300分别与网络400连接。其中，终端200可以是手机、掌上电脑、PC机、一体机等具有通讯功能的终端设备，当终端设备有多个时，各个终端设备之间组成分布式结构。数据源服务器300接收并保存前端采集设备发送的多维数据，数据源服务器300将多维数据发送至轨迹构建设备100，以使轨迹构建设备100基于该多维数据构建人员行动轨迹。终端200可以针对构建的人员行动轨迹进行数据查询。
上述图1的结构只是实现本申请实施例的人员行动轨迹构建控制系统的结构的一个示例，本申请实施例并不限于上述图1所述的结构。例如，在一些实施例中，人员行动轨迹构建控制系统的结构中还包括数据库，该数据库可以是一通过网络400与数据源服务器300相连接的数据库服务器，也可以是集成在数据源服务器300中的数据库。
图2示出了本申请实施例提供的一种人员行动轨迹的构建方法的流程示意图。请参见图2，所述方法包括：
步骤S201，获取多维数据。
其中，该多维数据包括人车手机显性关系、设定的目标人员的信息。多维数据用于表征人车手机的关联关系。
具体地，设定的目标人员的信息可以是重点人员数据。轨迹构建设备100获取数据源服务器300汇总的前端采集设备采集并上传的多维数据。前端采集设备包括但不限于：摄像机、人脸卡口、车辆卡口、电子围栏。前端采集设备采集的多维数据包括但不限于人脸信息、车辆信息、手机信息。前端采集设备采集的多维数据均包含前端采集设备采集信息时的采集点位信息和采集时间信息。数据源服务器300还接入情报数据系统，情报信息系统包括但不限于人车关系数据、重点人员数据、乘车住宿数据、驾管库数据。
步骤S202，根据多维数据确定人车手机的多维关系。
具体地，轨迹构建设备100根据获取的多维数据，可以获得多个维度的人车手机关联关系。示例性地，通过情报数据比对确定人车拥有关系；通过对车辆采集数据进行车内人脸识别，然后再通过车内人脸和人脸聚类数据的关联，从而确定人车驾乘关系；根据车辆采集数据和手机采集数据确定车与手机伴随关系；根据手机采集数据、人脸抓拍数据及人脸聚类数据确定人脸与手机伴随关系；通过车辆采集数据、人脸抓拍数据及人脸聚类数据，得到人落脚点结果和车落脚点结果，通过共同落脚分析确定人车共同落脚关系。
步骤S203，根据多维关系确定人车手机隐性关系。
人车手机隐性关系是隐含在不同维度的多维数据中的人，车，手机之间的关联关系，需要通过多目标关联分析加以确定的可能存在的关系。本申请实施例中，人车手机隐性关系为通过人脸抓拍图像和一些相关的计算方法分析出来的，人车手机可能存在的一个关联关系。这个关系可能是正确的，也可能是错误的。与人车手机隐性关系相对地，人车手机显性关系是对人脸抓拍图像进行实名化后，根据实名化得到的身份证号去查询登记在数据库中的保有车辆、手机号等信息。具体地，轨迹构建设备100通过人车手机的多维关系，确定人车手机关联度积分参数，确定人车手机隐性关系。情报数据的档案库中包含有人员身份证号与人脸虚拟身份的关联关系。在一些实施例中，轨迹构建设备100可以根据人员身份证号与人脸虚拟身份的关联关系，确定出属于同一组特定的人、车、手机之间的多维关系，若确定该多维关系的人车手机关联度积分f满足预先设定的关联阈值，认定存在该人车手机的多维关系所确定的人车手机隐性关系。
步骤S204，根据人车手机显性关系和人车手机隐性关系，生成知识图谱。
具体地，轨迹构建设备100通过分布式消息中间件，从多维数据中的情报数据获取人车手机显性关系，结合人车手机隐性关系，生成知识图谱。对于人车手机隐性关系所涉及的人脸虚拟身份有实名和非实名两种情况。因为非实名情况中的人脸虚拟身份存在合并、删除、解绑等不可控操作，因此，本申请的实施例中，根据人车手机隐性关系生成知识图谱时，先确定该人车手机隐性关系所涉及的人脸虚拟身份是能够进行实名化的。在一些实施例中，轨迹构建设备100将非实名的人脸虚拟身份所涉及的人车手机隐性关系集中存储到关系输出到结果数据库中。
本申请的实施例中，知识图谱用于接入人车关系数据、重点人员数据、乘车住宿数据和驾管库数据，将实体间的关联关系更加直观的展示，以此形成一张庞大的知识图谱网络。用户能够通过图谱快速查询实体的所有关联信息，快速构建形成目标人员全息关系数据。
在一些实施例中，在根据多维数据的情报数据生成知识图谱时，多维数据中的情报数据以json字符串的格式推送到轨迹构建设备100的分布式消息中间件中，轨迹构建设备100的流式处理引擎定时不间断的从消息中间件中消费数据，轨迹构建设备100建立与知识图谱的连接后，判断json串的数据类型，并对不同的数据类型进行不同的处理；通过json串字段信息获取相应的实体点，例如车牌号码、人员身份证号等，并判断知识图谱中是否存在该点，若存在，更新点属性，若不存在，新建点，并添加属性；获取实体点之间的关系，判断知识图谱中是否已经存在该边关系，若存在，更新边关系，若不存在，新建边关系；情报数据处理完毕时关闭连接。
步骤S205，根据知识图谱和目标人员的信息每隔预定时间间隔生成目标人员全息关系数据。
在一些实施例中，知识图谱中包含有重点人员数据，根据知识图谱可以生成目标人员全息关系数据；在另外一些实施例中，知识图谱中不包含重点人员数据，轨迹构建设备100根据知识图谱生成目标人员全息关系数据时需结合情报数中的重点人员数据。目标人员可以是重点人员中选定的一部分人员，也可以是重点人员的全部。在本申请的实施例中，均以目标人员是重点人员的全部为例进行说明。示例性地，轨迹构建设备100根据知识图谱和目标人员的信息每隔预定时间间隔生成目标人员全息关系数据，从而建立目标人员全息关系库，用于在多维数据实时接入过程中，快速匹配重点人员关系数据，筛选设定的目标人员的实时轨迹数据。对于设定的目标人员，定时计算输出身份证号与人脸虚拟身份证号facevid，手机mac地址，手机imsi号，车牌号的关联关系，采用内存数据库存储，读写速度快。图3示出了本申请实施例提供的目标人员全息关系数据的来源示意图。如图3所示，目标人员全息关系数据的关联关系来源包括三部分，一是知识图谱中原有的目标人员全息关系数据，包括重点人员的车牌号，mac，imsi，手机号的关联关系，二是情报数据中包含的人员身份证号与人脸虚拟身份的关联关系，三是轨迹构建设备100处理多维数据时人脸聚类碰撞实时产生的人员身份证号与人脸虚拟身份的关联关系。
步骤S206，根据目标人员全息关系数据，构建人员的行动轨迹。
具体地，轨迹构建设备100通过实时地在多维数据中比对目标人员全息关系数据，按时序构建目标人员的行动轨迹。
示例性地，轨迹构建设备100根据实时采集手机采集数据，比对目标人员全息关系库，得到重点人员MAC、IMSI实时轨迹；根据实时采集车辆采集数据，比对目标人员全息关系库，得到重点人员车辆实时轨迹；实时抽取处理多维数据时的人脸聚类碰撞产生的人员身份证号与人脸虚拟身份的关联关系，比对目标人员全息关系库，并查询人脸抓拍详情，得到重点人员人脸实时轨迹；定时采集情报数据接入知识图谱，获取重点人员情报数据轨迹；轨迹构建设备100将各类轨迹数据统一格式，存储至重点人员全息轨迹库，用于后续的查询分析。
图4示出了本申请实施例提供的一种人车手机的多维关系确定方法的流程示意图。请参见图4，在本申请的一种实施例中，根据多维数据确定人车手机的多维关系，包括以下步骤：
步骤S401，根据车辆驾管库数据确定人车拥有关系。
多维数据除了包括人车手机显性关系、设定的目标人员的信息之外，还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据。人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系。
具体地，车辆驾管库数据中存在的数据是显性的人-车拥有关系，轨迹构建设备100通过车辆驾管库数据准确地确定人车拥有关系。
步骤S402，根据车内人脸数据与人脸聚类数据确定人车驾乘关系。
其中，车内人脸数据是对车辆采集数据进行车内人脸识别确定的。
车辆采集数据为车辆抓拍图片以及对应的时间信息和经纬度信息。通过车辆抓拍图片可以识别车辆特征信息，车辆特征信息包括但不限于车辆号牌、车身颜色、车辆类型信息。车辆特征信息可以确定车辆身份。
在一些实施例中，通过对车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系；通过将车内人脸数据与人脸聚类数据关联，确定车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系；根据车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。
示例性地，轨迹构建设备100通过对车辆采集数据中的车辆抓拍图片进行车内人脸识别确定车内人脸数据A，通过车辆识别特征提取可以得到车辆身份B，从而确定车辆-车内人脸关联关系A-B；通过将车内人脸数据A与人脸聚类数据关联，确定车内人脸数据A和人脸虚拟身份a之间的车内人脸-虚拟身份关联关系A-a；根据车辆-车内人脸关联关系A-B和车内人脸-虚拟身份关联关系A-a，确定人车驾乘关系a-B。在一些实施例中，轨迹构建设备100在车辆-车内人脸关联关系A-B和车内人脸-虚拟身份关联关系A-a的基础上，关联情报数据的档案库中包含的人员身份证号与人脸虚拟身份的关联关系，通过确定与人脸虚拟身份a所对应的人员身份证号将人脸虚拟身份a实名化。
步骤S403，根据车辆采集数据和手机采集数据确定车与手机伴随关系。
手机采集数据包括手机mac地址信息、手机imsi号信息，以及对应的时间信息和经纬度信息。
一次伴随是指车、人脸、手机数据在临近时间和临近点位共同出现。车辆与手机采集数据，人脸与手机数据如果多次、多天在一定范围内出现在同一地点，可以认为车辆-手机、人脸-手机可能存在关系。
在一些实施例中，根据车辆采集数据和手机采集数据确定车与手机伴随关系，包括：根据车辆采集数据、手机采集数据确定车与手机伴随关系数据；若车辆采集数据、手机采集数据在分析时段内满足预设的伴随次数阈值，将车与手机伴随关系数据作为车与手机伴随关系。
示例性地，轨迹构建设备100通过对车辆采集数据中的车辆抓拍图片进行车辆识别特征提取可以确定车辆身份B、该车辆抓拍图片对应的时间信息T1和经纬度信息L1；通过对手机采集数据进行识别，确定手机身份C,该手机采集数据对应的时间信息T2和经纬度信息L2。通过T1、L1、T2、L2按照预先设定的标准可以判断车B与手机C是否发生了在临近采集时刻处于相邻的采集位置的伴随。若车辆采集数据、手机采集数据在分析时段内满足预设的伴随次数阈值，例如，满足分析时间段内同行5次，将车B与手机C伴随关系数据作为车与手机伴随关系。
步骤S404，根据手机采集数据、人脸抓拍数据及人脸聚类数据确定人脸与手机伴随关系。
人脸抓拍数据为人脸抓拍图片以及对应的时间信息和经纬度信息。
在一些实施例中，根据手机采集数据、人脸抓拍数据及人脸聚类数据确定人脸与手机伴随关系，可以通过根据人脸抓拍数据及人脸聚类数据确定人脸抓拍数据关联的人脸虚拟身份；根据人脸抓拍数据和手机采集数据确定人脸与手机伴随关系数据；若人脸虚拟身份和手机采集数据在分析时段内满足预设的伴随次数阈值，将人脸与手机伴随关系数据作为人脸与手机伴随关系。
示例性地，轨迹构建设备100通过将人脸抓拍数据D与人脸聚类数据碰撞，确定人脸抓拍数据D关联的人脸虚拟身份d。通过对手机采集数据进行识别，确定手机身份C,该手机采集数据对应的时间信息T3和经纬度信息L3；通过人脸抓拍数据D进行识别，确定该人脸抓拍数据对应的时间信息T4和经纬度信息L4。通过T3、L3与T4和L4按照预先设定的标准可以判断人脸虚拟身份d与手机C是否发生了在临近采集时刻处于相邻的采集位置的伴随。若人脸虚拟身份和手机采集数据在分析时段内满足预设的伴随次数阈值，例如，满足分析时间段内同行5次，将人脸d与手机C伴随关系数据作为人脸与手机伴随关系。
步骤S405，根据车辆采集数据、人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
在一些实施例中，落脚点位可以采用某一天或某一时段中，对应车辆特征信息的最后采集时间对应的采集地点。落脚分析是通过对应车辆特征信息或人脸虚拟身份的相连续两个采集时间的时间差判断，如果该时间差大于预设的落脚时间阈值，则判断该车辆或人在这两个采集时间中靠后的一个采集时间所对应的采集地点存在落脚。共同落脚分析是在同一个查询时间段内，对于一个车辆和一个人发生共同落脚的落脚点，对与每一个共同落脚的落脚点对应的共同落脚的落脚次数进行求和，判断该落脚次数之和是否超过预先设定的频繁共同落脚次数阈值，若是，则判断该车辆与该人在该查询时间段内构成频繁共同落脚，其中，落脚点对应的共同落脚的落脚次数是指人和车分别在该落脚点处的落脚次数中的较小值。
在一些实施例中，根据车辆采集数据、人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系，可以采取以下步骤：根据车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录；根据人脸抓拍数据及人脸聚类数据，确定人脸抓拍数据关联的人脸虚拟身份；对人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定人脸抓拍数据关联的人脸虚拟身份对应的人落脚点结果记录；若车辆落脚点结果记录和所述人落脚点结果记录在查询时间段内，根据车辆落脚点结果记录和人落脚点结果记录得出人车共同落脚关系。
示例性地，落脚时间阈值可以是3小时。轨迹构建设备100根据车辆采集数据，通过落脚点判断逻辑进行分析，例如，某一天Day1某车辆B的前后相连续两个采集时间为T5和T6，所对应的前后相连续的两个采集地点为L5和L6，若T5和T6的时间差超过3小时，判断车辆B在采集地点T6存在落脚，从而确定车辆B在采集时间T6的车辆落脚点结果记录。轨迹构建设备100通过将人脸抓拍数据E与人脸聚类数据碰撞，确定人脸抓拍数据E关联的人脸虚拟身份e。在一些实施例中，轨迹构建设备100可以通过人脸虚拟身份判断人脸抓拍数据E和人脸抓拍数据D是否属于同一个人，人脸抓拍数据D对应人脸虚拟身份d，若人脸虚拟身份d与人脸虚拟身份e相同，则判断人脸抓拍数据E和人脸抓拍数据D是属于同一个人；否则，判断人脸抓拍数据E和人脸抓拍数据D不属于同一个人。轨迹构建设备100对人脸虚拟身份e通过落脚点判断逻辑进行分析，例如，某一天Day1，人脸虚拟身份e对应的人脸抓拍数据在前后相连续两个采集时间为T7和T8，对应的前后相连续的两个采集地点为L7和L8，若T7和T8的时间差超过3小时，则判断人脸虚拟身份e对应的人在采集时间T8对应的采集地点L8存在落脚，从而得到人脸抓拍数据E关联的人脸虚拟身份e对应的人落脚点结果记录。若车辆B的车辆落脚点结果记录和人脸虚拟身份e的人落脚点结果记录在同一个查询时间段内，例如在Day1-Day7的查询时间段内，轨迹构建设备100将人落脚点结果记录和车辆落脚点结果记录进行关联，根据车辆落脚点结果记录和人落脚点结果记录得出人车共同落脚关系，示例性地，可以车辆落脚点结果记录和人落脚点结果记录关联后分别计算出人脸聚类和车辆在同一地点频繁落脚的次数，对于频繁落脚在同一地点的人脸聚类和车辆，认为可能存在关联的隐性关系。例如，若在查询时间段内，车辆B在采集地点L8落脚了7次,人脸虚拟身份e在采集地点L8落脚了5次，假设车辆B和人脸虚拟身份e在采集地点L8之外没有其它的共同落脚点，判断车辆B与人脸虚拟身份e在采集地点L8共同落脚5次，假定频繁共同落脚次数阈值是3次，5次大于3次，认定车辆B与人脸虚拟身份e在采集地点L8频繁共同落脚，得出车辆B的车辆落脚点结果记录和人脸虚拟身份e之间的人车共同落脚关系，例如可以根据人脸虚拟身份e在采集地点L8落脚的5次数据生成人车共同落脚关系。在一些实施例中，人车共同落脚关系包含车辆身份、人脸虚拟身份和共同落脚次数。在另一些实施例中，人车共同落脚关系包含车辆身份、人脸虚拟身份以及根据车与人脸虚拟身份中落脚次数较少的一方在落脚处的多维数据的采集时间和采集地点。
图5示出了本申请实施例提供的一种确定人车手机隐性关系的流程示意图。请参见图5，在本申请的一种实施例中，根据多维关系确定人车手机隐性关系，可以通过以下步骤实现：
步骤S501，根据车与手机伴随关系、人脸与手机伴随关系，确定人车手机的同行次数、同行天数。
具体地，对于人脸虚拟身份d、车辆B、手机C，轨迹构建设备100根据车与手机伴随关系、人脸与手机伴随关系，确定人车手机的同行次数cnt_peer、同行天数day_peer。
步骤S502，根据人车共同落脚关系，确定人车的落脚次数。
具体地，对于人脸虚拟身份d、车辆B、手机C，轨迹构建设备100根据人车共同落脚关系，确定人车的落脚次数cnt_foot。
步骤S503，根据人车驾乘关系，确定车内人脸次数。
具体地，对于人脸虚拟身份d、车辆B、手机C，轨迹构建设备100根据人车驾乘关系，确定车内人脸次数cnt_inner。
步骤S504，根据同行次数、同行天数、落脚次数、车内人脸次数确定人车手机关联度积分参数。
具体地，对于人脸虚拟身份d、车辆B、手机C，轨迹构建设备100根据同行次数cnt_peer、同行天数day_peer、落脚次数cnt_foot、车内人脸次数cnt_inner确定人脸虚拟身份d、车辆B、手机C的人车手机关联度积分参数f，计算公式如下：
其中，cnt_peer是同行次数，
day_peer是同行天数，
cnt_foot是落脚次数，
cnt_inner是车内人脸次数，
人车手机关联度积分参数f的取值区间是(0-1)，可以看做是概率曲线。在一些实施例中，人车手机关联度积分参数的计算还以构建积分计算模型的方式，通过实验数据优化
β、ω、δ四个参数，使得出的积分参数f符合设想预期。
步骤S505，若人车手机关联度积分参数满足预设的关联阈值，将根据多维关系建立的人车手机关联关系作为人车手机隐性关系。
具体地，人车手机关联度积分参数f满足预设的关联阈值，将根据多维关系建立的人车手机关联关系作为人车手机隐性关系。在一些实施例中，人车手机关联度积分参数f满足预设的关联阈值时，轨迹构建设备100将根据多维关系建立的人车手机关联关系统一格式进行输出。在另外一些实施例中，人车手机关联度积分参数f满足预设的关联阈值时，轨迹构建设备100先结合情报数据对根据多维关系建立的人车手机关联关系进行信息补充，然后再输出数据。
基于同一发明构思，本申请实施例中还提供了一种人员行动轨迹的构建设备。该设备可以是图1中的轨迹构建设备100。
图6中示例性示出了本申请实施例提供的一种人员行动轨迹的构建设备的硬件配置框图。如图6所示，轨迹构建设备100以通用计算设备的形式表现。轨迹构建设备100的组件可以包括但不限于：至少一个处理器601、至少一个存储器602、连接不同系统组件(包括存储器602和处理器601)的总线603、通讯组件606。
总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器602，用于存储轨迹构建设备运行时所使用的数据或程序代码，可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)6021和/或高速缓存存储器6022，还可以进一步包括只读存储器(ROM)6023。
存储器602还可以包括具有一组(至少一个)程序模块6024的程序/实用工具6025，这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
轨迹构建设备100也可以与一个或多个外部设备604(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与轨迹构建设备100交互的设备通信，和/或与使得该轨迹构建设备100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，轨迹构建设备100还可以通过通讯组件606与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，通讯组件606通过总线603与用于轨迹构建设备100的其它模块通信。应当理解，尽管图中未示出，可以结合轨迹构建设备100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器601，用于：获取多维数据；多维数据包括人车手机显性关系、设定的目标人员的信息；根据多维数据确定人车手机的多维关系，并根据多维关系确定人车手机隐性关系；根据人车手机显性关系和人车手机隐性关系，生成知识图谱；根据知识图谱和目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；根据目标人员全息关系数据，构建目标人员的行动轨迹。
在一种可能的实现方式中，多维数据还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据；人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系；处理器601具体用于：
根据车辆驾管库数据确定人车拥有关系；根据车内人脸数据与人脸聚类数据确定人车驾乘关系；车内人脸数据是对车辆采集数据进行车内人脸识别确定的；根据车辆采集数据和手机采集数据确定车与手机伴随关系；根据手机采集数据、人脸抓拍数据及人脸聚类数据确定人脸与手机伴随关系；根据车辆采集数据、人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
在一种可能的实现方式中，处理器601具体用于：
根据车辆采集数据、手机采集数据确定车与手机伴随关系数据；若车辆采集数据、手机采集数据在分析时段内满足预设的伴随次数阈值，将车与手机伴随关系数据作为车与手机伴随关系；根据人脸抓拍数据及人脸聚类数据确定人脸抓拍数据关联的人脸虚拟身份；根据人脸虚拟身份和手机采集数据确定人脸与手机伴随关系数据；若人脸虚拟身份和手机采集数据在分析时段内满足预设的伴随次数阈值，将人脸与手机伴随关系数据作为人脸与手机伴随关系。
在一种可能的实现方式中，处理器601具体用于：
根据车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录；根据人脸抓拍数据及人脸聚类数据，确定人脸抓拍数据关联的人脸虚拟身份；对人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定人脸虚拟身份对应的人落脚点结果记录；若车辆落脚点结果记录和人落脚点结果记录在查询时间段内，根据车辆落脚点结果记录和人落脚点结果记录得出人车共同落脚关系。
在一种可能的实现方式中，处理器601具体用于：
通过对车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系；
通过将车内人脸数据与人脸聚类数据关联，确定车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系；
根据车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。
在一种可能的实现方式中，处理器601具体用于：
根据车与手机伴随关系、人脸与手机伴随关系，确定人车手机的同行次数、同行天数；
根据人车共同落脚关系，确定人车的落脚次数；
根据人车驾乘关系，确定车内人脸次数；
根据同行次数、同行天数、落脚次数、车内人脸次数确定人车手机关联度积分参数；
若人车手机关联度积分参数满足预设的关联阈值，将根据多维关系建立的人车手机关联关系作为人车手机隐性关系。
本申请实施例还提供一种计算机可读存储介质，所述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，实现上述任意一种人员行动轨迹的构建方法的步骤。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种人员行动轨迹的构建方法，其特征在于，包括：
获取多维数据；所述多维数据包括人车手机显性关系、设定的目标人员的信息；
根据所述多维数据确定人车手机的多维关系，并根据所述多维关系确定人车手机隐性关系；
根据所述人车手机显性关系和所述人车手机隐性关系，生成知识图谱；
根据所述知识图谱和所述目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；
根据所述目标人员全息关系数据，构建目标人员的行动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述多维数据还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据；所述人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系；所述根据所述多维数据确定人车手机的多维关系，包括：
根据所述车辆驾管库数据确定人车拥有关系；
根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系；所述车内人脸数据是对所述车辆采集数据进行车内人脸识别确定的；
根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系；
根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系；
根据所述车辆采集数据、所述人脸抓拍数据及所述人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
3.根据权利要求2所述的方法，其特征在于，根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系，包括：
通过对所述车辆采集数据进行车内人脸识别确定车辆-车内人脸关联关系；
通过将所述车内人脸数据与所述人脸聚类数据关联，确定所述车内人脸数据和人脸虚拟身份之间的车内人脸-虚拟身份关联关系；
根据所述车辆-车内人脸关联关系和车内人脸-虚拟身份关联关系，确定人车驾乘关系。
4.根据权利要求2所述的方法，其特征在于，根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系，包括：
根据所述车辆采集数据、所述手机采集数据确定车与手机伴随关系数据；
若所述车辆采集数据、所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述车与手机伴随关系数据作为车与手机伴随关系；
根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系，包括：
根据所述人脸抓拍数据及所述人脸聚类数据确定所述人脸抓拍数据关联的人脸虚拟身份；
根据所述人脸虚拟身份和所述手机采集数据确定人脸与手机伴随关系数据；
若所述人脸虚拟身份和所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述人脸与手机伴随关系数据作为人脸与手机伴随关系。
5.根据权利要求2所述的方法，其特征在于，根据所述车辆采集数据、所述人脸抓拍数据及人脸聚类数据，通过共同落脚分析确定人车共同落脚关系，包括：
根据所述车辆采集数据，通过落脚点判断逻辑进行分析，确定车辆落脚点结果记录；
根据所述人脸抓拍数据及人脸聚类数据，确定所述人脸抓拍数据关联的人脸虚拟身份；
对所述人脸抓拍数据关联的人脸虚拟身份通过落脚点判断逻辑进行分析，确定所述人脸抓拍数据关联的人脸虚拟身份对应的人落脚点结果记录；
若所述车辆落脚点结果记录和所述人落脚点结果记录在查询时间段内，根据所述车辆落脚点结果记录和所述人落脚点结果记录得出人车共同落脚关系。
6.根据权利要求2所述的方法，其特征在于，根据所述多维关系确定人车手机隐性关系，包括：
根据所述车与手机伴随关系、所述人脸与手机伴随关系，确定人车手机的同行次数、同行天数；
根据所述人车共同落脚关系，确定人车的落脚次数；
根据所述人车驾乘关系，确定车内人脸次数；
根据所述同行次数、所述同行天数、所述落脚次数、所述车内人脸次数确定所述人车手机关联度积分参数；
若所述人车手机关联度积分参数满足预设的关联阈值，将根据所述多维关系建立的人车手机关联关系作为人车手机隐性关系。
7.一种人员行动轨迹的构建设备，其特征在于，包括处理器和存储器：
所述存储器，用于存储人员行动轨迹的构建使用的数据；
所述处理器，用于获取多维数据；所述多维数据包括人车手机显性关系、设定的目标人员的信息；根据所述多维数据确定人车手机的多维关系，并根据所述多维关系确定人车手机隐性关系；根据所述人车手机显性关系和所述人车手机隐性关系，生成知识图谱；根据所述知识图谱和所述目标人员的信息，每隔预定时间间隔生成目标人员全息关系数据；根据所述目标人员全息关系数据，构建目标人员的行动轨迹。
8.根据权利要求7所述的设备，其特征在于，所述多维数据还包括人脸聚类数据、车辆驾管库数据、车辆采集数据、手机采集数据、人脸抓拍数据；所述人车手机的多维关系包括人车拥有关系、人车驾乘关系、车与手机伴随关系、人脸与手机伴随关系、人车共同落脚关系；所述处理器，具体用于：根据所述车辆驾管库数据确定人车拥有关系；根据车内人脸数据与所述人脸聚类数据确定人车驾乘关系；所述车内人脸数据是对所述车辆采集数据进行车内人脸识别确定的；根据所述车辆采集数据和所述手机采集数据确定车与手机伴随关系；根据所述手机采集数据、所述人脸抓拍数据及所述人脸聚类数据确定人脸与手机伴随关系；根据所述车辆采集数据、所述人脸抓拍数据及所述人脸聚类数据，通过共同落脚分析确定人车共同落脚关系。
9.根据权利要求8所述的设备，其特征在于，所述处理器，具体用于：根据所述车辆采集数据、所述手机采集数据确定车与手机伴随关系数据；若所述车辆采集数据、所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述车与手机伴随关系数据作为车与手机伴随关系；根据所述人脸抓拍数据及所述人脸聚类数据确定所述人脸抓拍数据关联的人脸虚拟身份；根据所述人脸虚拟身份和所述手机采集数据确定人脸与手机伴随关系数据；若所述人脸虚拟身份和所述手机采集数据在分析时段内满足预设的伴随次数阈值，将所述人脸与手机伴随关系数据作为人脸与手机伴随关系。
10.一种人员行动轨迹的构建系统，其特征在于，包括权利要求7～9中任一项所述的人员行动轨迹的构建设备以及与所述人员行动轨迹的构建设备连接的数据源服务器；所述人员行动轨迹的构建设备从所述数据源服务器获取多维数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011156211.6A CN112364176A (zh) | 2020-10-26 | 2020-10-26 | 一种人员行动轨迹的构建方法、设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011156211.6A CN112364176A (zh) | 2020-10-26 | 2020-10-26 | 一种人员行动轨迹的构建方法、设备及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112364176A true CN112364176A (zh) | 2021-02-12 |
Family
ID=74512144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011156211.6A Pending CN112364176A (zh) | 2020-10-26 | 2020-10-26 | 一种人员行动轨迹的构建方法、设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364176A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158927A (zh) * | 2021-04-27 | 2021-07-23 | 深圳前海中电慧安科技有限公司 | 车辆行驶场景下的人车信息关联方法、系统、设备及介质 |
| CN114359611A (zh) * | 2022-03-18 | 2022-04-15 | 浙江大华技术股份有限公司 | 目标聚档方法、计算机设备及存储装置 |
| CN114491078A (zh) * | 2022-02-16 | 2022-05-13 | 松立控股集团股份有限公司 | 基于知识图谱的社区项目人员落脚点和同行人员分析方法 |
| CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376639A (zh) * | 2018-10-16 | 2019-02-22 | 上海弘目智能科技有限公司 | 基于人像识别的伴随人员预警系统及方法 |
| CN109615572A (zh) * | 2018-11-30 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的人员亲密度分析的方法及系统 |
| CN110414459A (zh) * | 2019-08-02 | 2019-11-05 | 中星智能系统技术有限公司 | 建立人车关联的方法及装置 |
| CN110557466A (zh) * | 2019-09-11 | 2019-12-10 | 北京明略软件系统有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN110895535A (zh) * | 2018-09-12 | 2020-03-20 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
| CN110909263A (zh) * | 2019-11-29 | 2020-03-24 | 北京明略软件系统有限公司 | 一种身份特征的伴随关系确定方法及装置 |
| CN111427968A (zh) * | 2019-10-28 | 2020-07-17 | 青岛海信网络科技股份有限公司 | 一种基于知识图谱的重点人员全息档案构建方法及装置 |
-
2020
- 2020-10-26 CN CN202011156211.6A patent/CN112364176A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895535A (zh) * | 2018-09-12 | 2020-03-20 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
| CN109376639A (zh) * | 2018-10-16 | 2019-02-22 | 上海弘目智能科技有限公司 | 基于人像识别的伴随人员预警系统及方法 |
| CN109615572A (zh) * | 2018-11-30 | 2019-04-12 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的人员亲密度分析的方法及系统 |
| CN110414459A (zh) * | 2019-08-02 | 2019-11-05 | 中星智能系统技术有限公司 | 建立人车关联的方法及装置 |
| CN110557466A (zh) * | 2019-09-11 | 2019-12-10 | 北京明略软件系统有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN111427968A (zh) * | 2019-10-28 | 2020-07-17 | 青岛海信网络科技股份有限公司 | 一种基于知识图谱的重点人员全息档案构建方法及装置 |
| CN110909263A (zh) * | 2019-11-29 | 2020-03-24 | 北京明略软件系统有限公司 | 一种身份特征的伴随关系确定方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158927A (zh) * | 2021-04-27 | 2021-07-23 | 深圳前海中电慧安科技有限公司 | 车辆行驶场景下的人车信息关联方法、系统、设备及介质 |
| CN114491078A (zh) * | 2022-02-16 | 2022-05-13 | 松立控股集团股份有限公司 | 基于知识图谱的社区项目人员落脚点和同行人员分析方法 |
| CN114491078B (zh) * | 2022-02-16 | 2022-08-02 | 松立控股集团股份有限公司 | 基于知识图谱的社区项目人员落脚点和同行人员分析方法 |
| CN114359611A (zh) * | 2022-03-18 | 2022-04-15 | 浙江大华技术股份有限公司 | 目标聚档方法、计算机设备及存储装置 |
| CN116092169A (zh) * | 2023-04-04 | 2023-05-09 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
| CN116092169B (zh) * | 2023-04-04 | 2023-06-20 | 南京小唐安朴科技有限公司 | 一种以采集频率与范围为权重的数据关联度计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364176A (zh) | 一种人员行动轨迹的构建方法、设备及系统 | |
| Fan et al. | Citymomentum: an online approach for crowd behavior prediction at a citywide level | |
| CN106600052B (zh) | 一种基于时空轨迹的用户属性与社会网络检测系统 | |
| CN108564788B (zh) | 一种基于流式大数据的同行车辆发现方法 | |
| WO2021004344A1 (zh) | 基于数据分析的风险识别方法及相关设备 | |
| Zou et al. | Application of finite mixture models for analysing freeway incident clearance time | |
| CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
| CN104254865A (zh) | 凭经验的专家确定和问题路由系统和方法 | |
| US20200042657A1 (en) | Multi-dimensional event model generation | |
| CN112365171A (zh) | 基于知识图谱的风险预测方法、装置、设备及存储介质 | |
| US7929022B2 (en) | Method of producing a transit graph | |
| CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
| CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
| CN111383005B (zh) | 数字货币流向追踪方法及装置 | |
| US20230394408A1 (en) | Road network operation management method and device, storage medium, and terminal | |
| CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
| CN105760548A (zh) | 一种基于大数据跨域比对的车辆首次出现分析方法及系统 | |
| CN110727805A (zh) | 社区知识图谱构建方法及系统 | |
| Jung et al. | Real-time car tracking system based on surveillance videos | |
| CN113239792A (zh) | 一种大数据分析处理系统和方法 | |
| CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
| Kwee et al. | Traffic-cascade: Mining and visualizing lifecycles of traffic congestion events using public bus trajectories | |
| WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
| CN110990455A (zh) | 大数据识别房屋性质的方法与系统 | |
| US20060062548A1 (en) | Method of refining a plurality of tracks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |
|
| RJ01 | Rejection of invention patent application after publication |