CN114282607A - 一种基于双筛模型的弥散轨迹分析方法及系统 - Google Patents
一种基于双筛模型的弥散轨迹分析方法及系统 Download PDFInfo
- Publication number
- CN114282607A CN114282607A CN202111579125.0A CN202111579125A CN114282607A CN 114282607 A CN114282607 A CN 114282607A CN 202111579125 A CN202111579125 A CN 202111579125A CN 114282607 A CN114282607 A CN 114282607A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- result
- information
- user terminal
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于双筛模型的弥散轨迹分析方法及系统。其中,该方法包括:获取用户终端信息;根据所述用户终端信息和热点区域信息,生成定位数据;根据所述定位数据,通过大数据平台获取多元数据;根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。本发明解决了现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果的技术问题。
Description
技术领域
本发明涉及轨迹识别领域,具体而言,涉及一种基于双筛模型的弥散轨迹分析方法及系统。
背景技术
随着人工智能的不断发展,人防安防领域也应用了很多人工智能的相关技术,以辅助筛查可疑人员或潜在危险人员,通过对热门区域内的人员轨迹进行预测和判断,从而筛查出具有弥散不规则性运动的闲散人员,这些人员的存在是安防工作的重点关注对象。那么在进行行为轨迹预测和分析的时候,通常使用行为轨迹固定的规则对现有的轨迹参数信息进行分析和计算,并将计算后的结果进行加工,得到最终的行为轨迹图。
但是现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于双筛模型的弥散轨迹分析方法及系统,以至少解决现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果的技术问题。
根据本发明实施例的一个方面,提供了一种基于双筛模型的弥散轨迹分析方法,包括:获取用户终端信息;根据所述用户终端信息和热点区域信息,生成定位数据;根据所述定位数据,通过大数据平台获取多元数据;根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
可选的,在所述获取用户终端信息之后,所述方法还包括:根据所述用户终端信息,确定热点区域信息和人员信息。
可选的,所述根据所述定位数据,通过大数据平台获取多元数据包括:将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
可选的,所述根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果包括:获取所述第一目标人群的行动轨迹结果;将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
根据本发明实施例的另一方面,还提供了一种基于双筛模型的弥散轨迹分析系统,包括:获取模块,用于获取用户终端信息;生成模块,用于根据所述用户终端信息和热点区域信息,生成定位数据;大数据模块,用于根据所述定位数据,通过大数据平台获取多元数据;轨迹模块,用于根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
可选的,所述系统还包括:确定模块,用于根据所述用户终端信息,确定热点区域信息和人员信息。
可选的,所述大数据模块包括:汇总单元,用于将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
可选的,所述轨迹模块包括:获取单元,用于获取所述第一目标人群的行动轨迹结果;弥散单元,用于将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于双筛模型的弥散轨迹分析方法。
根据本发明实施例的另一方面,还提供了一种电子系统,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于双筛模型的弥散轨迹分析方法。
与现有技术相比,本发明的有益效果是:在本发明实施例中,采用获取用户终端信息;根据所述用户终端信息和热点区域信息,生成定位数据;根据所述定位数据,通过大数据平台获取多元数据;根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果的方式,解决了现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于双筛模型的弥散轨迹分析方法的流程图;
图2是根据本发明实施例的一种基于双筛模型的弥散轨迹分析系统的结构框图;
图3是根据本发明实施例的现有技术中的轨迹预测方法。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种基于双筛模型的弥散轨迹分析方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图1是根据本发明实施例的一种基于双筛模型的弥散轨迹分析方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取用户终端信息。
步骤S104,根据所述用户终端信息和热点区域信息,生成定位数据。
步骤S106,根据所述定位数据,通过大数据平台获取多元数据。
步骤S108,根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
可选的,在所述获取用户终端信息之后,所述方法还包括:根据所述用户终端信息,确定热点区域信息和人员信息。
可选的,所述根据所述定位数据,通过大数据平台获取多元数据包括:将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
可选的,所述根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果包括:获取所述第一目标人群的行动轨迹结果;将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
具体的,如图3所示,由于现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出行为轨迹结果。本发明通过大数据多元化数据的采集和处理,增加行为轨迹的生成过程中的多样性,使行为轨迹的分析结果更加精准可靠。进一步的,通过大数据平台不仅获取实时的行为参数,还可以通过历史数据分析行为轨迹客体即将发生的行为轨迹路线,并将该路线作为预测行为轨迹的依据,通过对用户终端信息的利用,还可以通过获取用户终端中的导航地图APP的历史导航轨迹以及历史行走数据,同时也可以获取用户终端中的运动数据,通过运动数据和历史导航数据可以得到用户在经过本区域时可能会进行什么样的行走轨迹,例如去理发店、去图书馆、去写字楼等。在通过了第一筛查模型对行为轨迹的筛查之后,还可以将弥散轨迹人员的筛查模型用于对其余人员的弥散筛查,从而得到用于安防的可疑人群。
针对本发明实施例,在具体实施当中,本发明实施例首先要获取用户终端信息;具体的,为了检测和分析使用者的行动轨迹,需要获取用户终端的信息,用户终端信息包括了用户终端的硬件地址编码、联网信息、总用户终端数量等,用于确定在固定区域之内的用户终端的运行情况,以便根据用户终端的信息来进行用户行动轨迹分析操作。
根据所述用户终端信息,确定热点区域信息;具体的,根据用户终端信息和行动轨迹的需求信息,来确定热点区域信息,其中,上述热点区域信息是用于划定在哪些范围之内进行用户终端行动轨迹分析,避免区域不清晰,行动轨迹分析不准确的技术问题。
根据所述用户终端信息和所述热点区域信息,生成定位数据;具体的,为了通过定位服务来对用户终端进行轨迹实时确定,需要将用户终端信息中的联网信息与热点区域信息相结合,通过A=αF(b)的计算方式计算所有用户终端的轨迹移动路线,并将轨迹移动路线作为最终轨迹分析结果的前决条件。
另外,对于上述用户终端信息的利用,还可以通过获取用户终端中的导航地图APP的历史导航轨迹以及历史行走数据,同时也可以获取用户终端中的运动数据,通过运动数据和历史导航数据可以得到用户在经过本区域时可能会进行什么样的行走轨迹,例如去理发店、去图书馆、去写字楼等,通过上述用户终端中用户日常数据的分析,可以进一步计算所有用户终端的轨迹移动路线,并汇总作为定位数据用于后续结合大数据内容对用户的最终行为轨迹进行预测。
根据所述定位数据,通过大数据平台获取多元数据,其中,所述多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等;将所述定位数据和所述多元数据进行汇总处理,得到汇总结果,并将所述汇总结果进行数据优化,筛除错误数据;具体的,根据所述定位数据,通过大数据平台获取多元数据,其中,所述多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等;具体的,为了通过定位服务数据结合大数据信息来对行动轨迹进行预测和分析,需要根据大数据平台中热点区域所涉及到的用户终端相关信息进行获取和采集,该多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等,又例如热点区域中用户终端的订餐服务信息,可以带包用户终端即将移动到哪里进行取餐动作,并将取到的餐食带回到用户终端的出发点,那么由此过程可以确定发出了订餐信息的用户终端的时间a至时间b内的移动轨迹,时间a至时间b为估算的用户终端等餐以及取餐、回程的时间。
根据优化后的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果;将所述定位数据和所述多元数据进行汇总处理,得到汇总结果,并将所述汇总结果进行数据优化,筛除错误数据。具体的,将用户终端的定位数据和大数据平台获取的多源数据进行汇总,得到用户终端的移动参数,其中,上述移动参数中包括了用户的实时移动位置,以及用户的可能移动位置点,即通过大数据进行了准确的预测,提高了行动轨迹分析的效率和准确度。另外,为了进一步优化汇总后的数据,减少数据错误混杂的情况,还需要根据优化规则剔除缺损数据,删除错误数据。其中,第一筛选模型可以是通过DNN深度神经网络模型训练得到的数学模型,该模型可以将上述优化后的汇总结果作为特征向量进行输入,并根据来此历史数据训练结果的算法,得到最终的行动轨迹数据,并反馈至服务器端。
将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
上述DNN深度学习模型了算法逻辑可以采用Nv计算芯片中的DLSS计算功能,对于第一筛选模型中的人员各种行为轨迹进行特征向量的规划输入和规划输入,并得到基于所述人员信息的已知轨迹数据,那么在第二筛选模型中,利用了上述筛选算法可以将其中的筛选算子加以排除乘积模块,那么在通过了行为轨迹结果和人员信息的特征向量输入之后,便可以得到最终的剩余弥散人群的取值结果,对于弥散人员,可以做作为安防系统的可疑人群范围,并根据人工筛选规则进行进一步的筛选工作。
通过上述实施例,解决了现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果的技术问题。
实施例二
图2是根据本发明实施例的一种基于双筛模型的弥散轨迹分析系统的结构框图,如图2所示,该系统包括:
获取模块20,用于获取用户终端信息。
生成模块22,用于根据所述用户终端信息和热点区域信息,生成定位数据。
大数据模块24,用于根据所述定位数据,通过大数据平台获取多元数据。
轨迹模块26,用于根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
可选的,所述系统还包括:确定模块,用于根据所述用户终端信息,确定热点区域信息和人员信息。
可选的,所述大数据模块包括:汇总单元,用于将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
可选的,所述轨迹模块包括:获取单元,用于获取所述第一目标人群的行动轨迹结果;弥散单元,用于将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
具体的,如图3所示,由于现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出行为轨迹结果。本发明通过大数据多元化数据的采集和处理,增加行为轨迹的生成过程中的多样性,使行为轨迹的分析结果更加精准可靠。进一步的,通过大数据平台不仅获取实时的行为参数,还可以通过历史数据分析行为轨迹客体即将发生的行为轨迹路线,并将该路线作为预测行为轨迹的依据,通过对用户终端信息的利用,还可以通过获取用户终端中的导航地图APP的历史导航轨迹以及历史行走数据,同时也可以获取用户终端中的运动数据,通过运动数据和历史导航数据可以得到用户在经过本区域时可能会进行什么样的行走轨迹,例如去理发店、去图书馆、去写字楼等。在通过了第一筛查模型对行为轨迹的筛查之后,还可以将弥散轨迹人员的筛查模型用于对其余人员的弥散筛查,从而得到用于安防的可疑人群。
针对本发明实施例,在具体实施当中,本发明实施例首先要获取用户终端信息;具体的,为了检测和分析使用者的行动轨迹,需要获取用户终端的信息,用户终端信息包括了用户终端的硬件地址编码、联网信息、总用户终端数量等,用于确定在固定区域之内的用户终端的运行情况,以便根据用户终端的信息来进行用户行动轨迹分析操作。
根据所述用户终端信息,确定热点区域信息;具体的,根据用户终端信息和行动轨迹的需求信息,来确定热点区域信息,其中,上述热点区域信息是用于划定在哪些范围之内进行用户终端行动轨迹分析,避免区域不清晰,行动轨迹分析不准确的技术问题。
根据所述用户终端信息和所述热点区域信息,生成定位数据;具体的,为了通过定位服务来对用户终端进行轨迹实时确定,需要将用户终端信息中的联网信息与热点区域信息相结合,通过A=αF(b)的计算方式计算所有用户终端的轨迹移动路线,并将轨迹移动路线作为最终轨迹分析结果的前决条件。
另外,对于上述用户终端信息的利用,还可以通过获取用户终端中的导航地图APP的历史导航轨迹以及历史行走数据,同时也可以获取用户终端中的运动数据,通过运动数据和历史导航数据可以得到用户在经过本区域时可能会进行什么样的行走轨迹,例如去理发店、去图书馆、去写字楼等,通过上述用户终端中用户日常数据的分析,可以进一步计算所有用户终端的轨迹移动路线,并汇总作为定位数据用于后续结合大数据内容对用户的最终行为轨迹进行预测。
根据所述定位数据,通过大数据平台获取多元数据,其中,所述多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等;将所述定位数据和所述多元数据进行汇总处理,得到汇总结果,并将所述汇总结果进行数据优化,筛除错误数据;具体的,根据所述定位数据,通过大数据平台获取多元数据,其中,所述多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等;具体的,为了通过定位服务数据结合大数据信息来对行动轨迹进行预测和分析,需要根据大数据平台中热点区域所涉及到的用户终端相关信息进行获取和采集,该多元数据包括目标数据、行动数据、其他数据等,例如用户的订餐、打车、历史位置移动信息等,又例如热点区域中用户终端的订餐服务信息,可以带包用户终端即将移动到哪里进行取餐动作,并将取到的餐食带回到用户终端的出发点,那么由此过程可以确定发出了订餐信息的用户终端的时间a至时间b内的移动轨迹,时间a至时间b为估算的用户终端等餐以及取餐、回程的时间。
根据优化后的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果;将所述定位数据和所述多元数据进行汇总处理,得到汇总结果,并将所述汇总结果进行数据优化,筛除错误数据。具体的,将用户终端的定位数据和大数据平台获取的多源数据进行汇总,得到用户终端的移动参数,其中,上述移动参数中包括了用户的实时移动位置,以及用户的可能移动位置点,即通过大数据进行了准确的预测,提高了行动轨迹分析的效率和准确度。另外,为了进一步优化汇总后的数据,减少数据错误混杂的情况,还需要根据优化规则剔除缺损数据,删除错误数据。其中,第一筛选模型可以是通过DNN深度神经网络模型训练得到的数学模型,该模型可以将上述优化后的汇总结果作为特征向量进行输入,并根据来此历史数据训练结果的算法,得到最终的行动轨迹数据,并反馈至服务器端。
将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
上述DNN深度学习模型了算法逻辑可以采用Nv计算芯片中的DLSS计算功能,对于第一筛选模型中的人员各种行为轨迹进行特征向量的规划输入和规划输入,并得到基于所述人员信息的已知轨迹数据,那么在第二筛选模型中,利用了上述筛选算法可以将其中的筛选算子加以排除乘积模块,那么在通过了行为轨迹结果和人员信息的特征向量输入之后,便可以得到最终的剩余弥散人群的取值结果,对于弥散人员,可以做作为安防系统的可疑人群范围,并根据人工筛选规则进行进一步的筛选工作。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于双筛模型的弥散轨迹分析方法。
具体的,上述一种基于双筛模型的弥散轨迹分析方法包括:获取用户终端信息;根据所述用户终端信息和热点区域信息,生成定位数据;根据所述定位数据,通过大数据平台获取多元数据;根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。可选的,在所述获取用户终端信息之后,所述方法还包括:根据所述用户终端信息,确定热点区域信息和人员信息。可选的,所述根据所述定位数据,通过大数据平台获取多元数据包括:将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。可选的,所述根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果包括:获取所述第一目标人群的行动轨迹结果;将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
根据本发明实施例的另一方面,还提供了一种电子系统,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于双筛模型的弥散轨迹分析方法。
具体的,上述一种基于双筛模型的弥散轨迹分析方法包括:获取用户终端信息;根据所述用户终端信息和热点区域信息,生成定位数据;根据所述定位数据,通过大数据平台获取多元数据;根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。可选的,在所述获取用户终端信息之后,所述方法还包括:根据所述用户终端信息,确定热点区域信息和人员信息。可选的,所述根据所述定位数据,通过大数据平台获取多元数据包括:将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。可选的,所述根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果包括:获取所述第一目标人群的行动轨迹结果;将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
通过上述实施例,解决了现有技术中的行为轨迹计算过程仅仅利用了实时获取或者通过传感器采集到的信息和数据来进行分析,并通过一定的分析规则来计算生成行为轨迹数学结果,而无法汇总更多的数据因素来进行行为轨迹的判定,也无法利用神经网络模型来直接将传感器采集的信息或者数据平台收集的信息作为特征向量进行输入,并输出更精准的行为轨迹结果,同时对于弥散轨迹的人来说无法实现排除性筛查,因此无法增加安防技术的安防效果的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所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,在本发明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。
所述集成的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全部或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(可为个人计算机、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、只读存储器(ROM,Read-On ly Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于双筛模型的弥散轨迹分析方法,其特征在于,包括:
获取用户终端信息;
根据所述用户终端信息和热点区域信息,生成定位数据;
根据所述定位数据,通过大数据平台获取多元数据;
根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
2.根据权利要求1所述的方法,其特征在于,在所述获取用户终端信息之后,所述方法还包括:
根据所述用户终端信息,确定热点区域信息和人员信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述定位数据,通过大数据平台获取多元数据包括:
将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果包括:
获取所述第一目标人群的行动轨迹结果;
将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
5.一种基于双筛模型的弥散轨迹分析系统,其特征在于,包括:
获取模块,用于获取用户终端信息;
生成模块,用于根据所述用户终端信息和热点区域信息,生成定位数据;
大数据模块,用于根据所述定位数据,通过大数据平台获取多元数据;
轨迹模块,用于根据所述多元数据的汇总结果以及第一筛选模型进行数据筛选和生成,得到第一目标人群的行动轨迹结果和弥散轨迹人员结果。
6.根据权利要求5所述的系统,其特征在于,所述系统还包括:
确定模块,用于根据所述用户终端信息,确定热点区域信息和人员信息。
7.根据权利要求5所述的系统,其特征在于,所述大数据模块包括:
汇总单元,用于将所述定位数据和所述多元数据进行汇总处理,得到所述汇总结果。
8.根据权利要求5所述的系统,其特征在于,所述轨迹模块包括:
获取单元,用于获取所述第一目标人群的行动轨迹结果;
弥散单元,用于将所述第一目标人群的行动轨迹结果输入至轨迹汇总矩阵模块,并将所述人员信息和所述轨迹汇总矩阵模块作为第二筛选模型的输入特征向量值进行输入,得到筛选后的弥散轨迹人员结果。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至4中任意一项所述的方法。
10.一种电子系统,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579125.0A CN114282607A (zh) | 2021-12-22 | 2021-12-22 | 一种基于双筛模型的弥散轨迹分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579125.0A CN114282607A (zh) | 2021-12-22 | 2021-12-22 | 一种基于双筛模型的弥散轨迹分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282607A true CN114282607A (zh) | 2022-04-05 |
Family
ID=80874290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111579125.0A Pending CN114282607A (zh) | 2021-12-22 | 2021-12-22 | 一种基于双筛模型的弥散轨迹分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115562038A (zh) * | 2022-11-01 | 2023-01-03 | 南栖仙策(南京)科技有限公司 | 一种反馈控制系统变化的预警方法、装置、设备及介质 |
CN115616900A (zh) * | 2022-11-01 | 2023-01-17 | 南栖仙策(南京)科技有限公司 | 反馈控制系统识别器的训练方法、装置、设备及介质 |
-
2021
- 2021-12-22 CN CN202111579125.0A patent/CN114282607A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115562038A (zh) * | 2022-11-01 | 2023-01-03 | 南栖仙策(南京)科技有限公司 | 一种反馈控制系统变化的预警方法、装置、设备及介质 |
CN115616900A (zh) * | 2022-11-01 | 2023-01-17 | 南栖仙策(南京)科技有限公司 | 反馈控制系统识别器的训练方法、装置、设备及介质 |
CN115562038B (zh) * | 2022-11-01 | 2023-08-29 | 南栖仙策(南京)高新技术有限公司 | 一种反馈控制系统变化的预警方法、装置、设备及介质 |
CN115616900B (zh) * | 2022-11-01 | 2023-12-26 | 南栖仙策(南京)高新技术有限公司 | 反馈控制系统识别器的训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114282607A (zh) | 一种基于双筛模型的弥散轨迹分析方法及系统 | |
CN109325429B (zh) | 一种关联特征数据的方法、装置、存储介质及终端 | |
CN109241711A (zh) | 基于预测模型的用户行为识别方法及装置 | |
CN109886951A (zh) | 视频处理方法、装置及电子设备 | |
JP5480755B2 (ja) | 需要予測システム及び需要予測方法 | |
CN109118119A (zh) | 风控模型生成方法及装置 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN112580536A (zh) | 一种高位视频车辆及车牌的检测方法及装置 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
Wang et al. | Deepsolar++: understanding residential solar adoption trajectories with computer vision and technology diffusion models | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN112906586A (zh) | 时序动作提名生成方法和相关产品 | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
CN112580616A (zh) | 人群数量确定方法、装置、设备及存储介质 | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
Elwakil et al. | Construction knowledge discovery system using fuzzy approach | |
Al-Zuheri et al. | The role of randomness of a manual assembly line with walking workers on model validation | |
CN113610402B (zh) | 基于影像分析的土地生态承载力评估方法及相关设备 | |
CN109830300A (zh) | 甲状腺结节分析方法、装置、计算机设备及可读存储介质 | |
US20070223818A1 (en) | Method and apparatus for predicting the accuracy of virtual Scene based on incomplete information in video | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN115130887A (zh) | 水库大坝环境影响评价方法和装置、电子设备和存储介质 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
KR20120070771A (ko) | 정량적 보안 정책 평가 장치 및 방법 |
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 |