本發(fā)明涉及數(shù)據(jù)處理，具體涉及一種基于多維數(shù)據(jù)融合的偵查方法及系統(tǒng)。

背景技術(shù)：

1、隨著互聯(lián)網(wǎng)、物料網(wǎng)、傳感器技術(shù)的不斷發(fā)展，各種類型的數(shù)據(jù)不斷涌現(xiàn)，數(shù)據(jù)量呈現(xiàn)爆炸式增加，數(shù)據(jù)來源也越來越多樣化。偵查工作也逐漸向著信息化、智能化方向發(fā)展，但如何從海量的多元信息中提取到需要的數(shù)據(jù)，并將其進行整合以實現(xiàn)智能化是當(dāng)前偵查領(lǐng)域中面臨的巨大挑戰(zhàn)。

2、在當(dāng)前社會的偵查工作中，需要對目標團體的行蹤進行掌握時，若沒有對各項數(shù)據(jù)信息進行綜合考慮，可能會導(dǎo)致偵查人員追蹤錯誤的目標，浪費時間和相關(guān)資源；同時，若缺乏目標人物行蹤信息對于目標團體的行蹤貢獻權(quán)重分析，可能會導(dǎo)致偵查結(jié)果不準確。目標團體中各個目標人物的行蹤數(shù)據(jù)包括人物所在經(jīng)緯度、人物活動距離、人物的運動速度、人物的海拔高度、人物周邊人流量等實時數(shù)據(jù)?，F(xiàn)階段對于行蹤數(shù)據(jù)的處理主要包括統(tǒng)計分析、異常檢測以及機器學(xué)習(xí)三大類，其中基于統(tǒng)計分析的方法無法捕捉到行蹤數(shù)據(jù)的時空關(guān)系，導(dǎo)致一定的信息丟失；依賴于異常檢測算法的行蹤數(shù)據(jù)分析又缺乏準確的先驗參數(shù)經(jīng)驗值；直接使用機器學(xué)習(xí)算法對目標團體所有目標人物的各項行蹤數(shù)據(jù)進行建模分析時，會耗費大量的時間資源，甚至由于數(shù)據(jù)的多維度性造成維度災(zāi)難，難以提供短時高效的偵查數(shù)據(jù)。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明的目的在于提供一種基于多維數(shù)據(jù)融合的偵查方法及系統(tǒng)，所采用的技術(shù)方案具體如下：

2、第一方面，本發(fā)明實施例提供了一種基于多維數(shù)據(jù)融合的偵查方法，該方法包括以下步驟：

3、獲取目標團體各目標人物所有行蹤數(shù)據(jù)；

4、對目標人物各項行蹤數(shù)據(jù)進行突變點檢測，根據(jù)行蹤數(shù)據(jù)各突變點局部數(shù)據(jù)分布，結(jié)合各突變點之前所有突變點對應(yīng)時刻的變化特征，獲取行蹤數(shù)據(jù)各突變點的行蹤關(guān)聯(lián)指數(shù)；根據(jù)行蹤數(shù)據(jù)各突變點與所有突變點局部數(shù)據(jù)分布的變化特征，獲取行蹤數(shù)據(jù)各突變點的行蹤平穩(wěn)因子；根據(jù)各項行蹤數(shù)據(jù)所有突變點的行蹤關(guān)聯(lián)指數(shù)以及行蹤平穩(wěn)因子，獲取各項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)；

5、設(shè)置偵察周期，根據(jù)所有目標人物各項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)在不同偵察周期之間的相關(guān)性，獲取各目標人物各項行蹤數(shù)據(jù)的行蹤信息貢獻因子；根據(jù)各項行蹤數(shù)據(jù)的行蹤信息貢獻因子，獲取各目標人物的行蹤信息貢獻度；

6、根據(jù)各目標人物的行蹤信息貢獻度利用循環(huán)神經(jīng)網(wǎng)絡(luò)獲取目標人物的行蹤融合向量；根據(jù)行蹤融合向量采用深度神經(jīng)網(wǎng)絡(luò)完成目標人物的行蹤預(yù)測。

7、優(yōu)選的，所述獲取行蹤數(shù)據(jù)各突變點的行蹤關(guān)聯(lián)指數(shù)，具體為：

8、根據(jù)行蹤數(shù)據(jù)各突變點局部數(shù)據(jù)的分布，獲取行蹤數(shù)據(jù)各突變點的行蹤期望差異；

9、將行蹤數(shù)據(jù)各突變點所在時刻與之前的所有突變點的對應(yīng)時刻作為行蹤數(shù)據(jù)各突變點的行蹤驟變時刻序列；將行蹤數(shù)據(jù)各突變點的行蹤期望差異與之前的所有突變點的對應(yīng)行蹤期望差異作為行蹤數(shù)據(jù)各突變點的行蹤期望差異序列；

10、將目標人物第i項行蹤數(shù)據(jù)中第j個突變點的行蹤關(guān)聯(lián)指數(shù)記為，其公式形式為：；其中，為采集目標人物行蹤數(shù)據(jù)的種類個數(shù)；、分別為目標人物第i項行蹤數(shù)據(jù)、目標人物第p項行蹤數(shù)據(jù)中第j個突變點對應(yīng)的驟變時刻序列；、分別為目標人物第i項行蹤數(shù)據(jù)、目標人物第p項行蹤數(shù)據(jù)中第j個突變點對應(yīng)的行蹤期望差異序列；為杰卡德距離函數(shù)。

11、優(yōu)選的，所述獲取行蹤數(shù)據(jù)各突變點的行蹤期望差異，包括：

12、將各突變點前一時刻與后一時刻的行蹤數(shù)據(jù)均值作為各突變點的行蹤期望值；將各突變點的數(shù)據(jù)值與所述行蹤期望值的差值絕對值作為行蹤期望差異。

13、優(yōu)選的，所述獲取行蹤數(shù)據(jù)各突變點的行蹤平穩(wěn)因子，包括：

14、將各突變點的行蹤期望差異與行蹤期望差異序列元素均值的差值絕對值作為平均期望差異；

15、計算各突變點對應(yīng)的行蹤期望差異序列的元素個數(shù)與數(shù)據(jù)采集起始時刻到各突變點對應(yīng)時刻之間的數(shù)據(jù)總個數(shù)的比值；

16、計算行蹤數(shù)據(jù)所有突變點的行蹤期望差異與所述平均期望差異的差值絕對值的和值；將所述比值與所述和值的乘積作為行蹤數(shù)據(jù)各突變點的行蹤平穩(wěn)因子。

17、優(yōu)選的，所述各項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)具體為數(shù)據(jù)采集起始時刻至當(dāng)前時刻的各項行蹤數(shù)據(jù)中所有突變點的行蹤關(guān)聯(lián)指數(shù)與行蹤平穩(wěn)因子比值的和值。

18、優(yōu)選的，所述獲取各目標人物各項行蹤數(shù)據(jù)的行蹤信息貢獻因子，具體包括：

19、將偵察周期內(nèi)各項行蹤數(shù)據(jù)的行蹤相關(guān)度的均值作為所有目標人物的行蹤相關(guān)矩陣的元素值；

20、將第x個目標人物第i項行蹤數(shù)據(jù)的行蹤信息貢獻因子記為，其公式形式為：；其中，為第x個目標人物第i項行蹤數(shù)據(jù)采集區(qū)間中與其余目標人物的行蹤相關(guān)系數(shù)序列之間的余弦相似度之和；y為目標人物行蹤數(shù)據(jù)采集區(qū)間內(nèi)的偵查周期總個數(shù)；為第x個目標人物第i項行蹤數(shù)據(jù)第y個偵查周期的行蹤相關(guān)度；為第x個目標人物第i項行蹤數(shù)據(jù)所有偵查周期的行蹤相關(guān)度均值；e為自然常數(shù)。

21、優(yōu)選的，所述各目標人物的行蹤信息貢獻度具體為所有行蹤數(shù)據(jù)的行蹤信息貢獻因子的均值。

22、優(yōu)選的，所述根據(jù)各目標人物的行蹤信息貢獻度采用循環(huán)神經(jīng)網(wǎng)絡(luò)獲取目標人物的行蹤融合向量，具體為：

23、將行蹤信息貢獻度最大的目標人物的各項行蹤數(shù)據(jù)作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入；將目標人物的行蹤融合向量作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出；其中，所述行蹤融合向量的各元素具體為偵察周期中各項行蹤數(shù)據(jù)的均值與對應(yīng)行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)均值的乘積。

24、優(yōu)選的，所述根據(jù)行蹤融合向量采用深度神經(jīng)網(wǎng)絡(luò)完成目標人物的行蹤預(yù)測，具體步驟包括：

25、將目標人物的行蹤融合向量作為深度神經(jīng)網(wǎng)絡(luò)的輸入，將目標人物下一時刻的行蹤信息作為深度神經(jīng)網(wǎng)絡(luò)的輸出；其中，所述目標人物下一時刻的行蹤信息包括目標人物的經(jīng)度、緯度以及海拔高度數(shù)據(jù)。

26、第二方面，本發(fā)明實施例還提供了一種基于多維數(shù)據(jù)融合的偵查系統(tǒng)，包括存儲器、處理器以及存儲在所述存儲器中并在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述任意一項所述方法的步驟。

27、本發(fā)明至少具有如下有益效果：

28、本發(fā)明首先根據(jù)目標團體中目標人物對于各項行蹤的相關(guān)程度進行分析，在獲得目標人物對各項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)基礎(chǔ)上，根據(jù)目標團體內(nèi)所有目標人物對于每一項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)進一步分析獲得每個目標人物的行蹤信息貢獻權(quán)重，選擇目標團體內(nèi)最具代表性的目標人物行蹤信息進行數(shù)據(jù)融合，最終對融合之后的目標人物行蹤數(shù)據(jù)進行預(yù)測。

29、同時，本發(fā)明對目標團體中所有目標人物的相關(guān)行蹤數(shù)據(jù)進行分析，在能夠保證綜合考慮目標人物各項行蹤數(shù)據(jù)的基礎(chǔ)上，盡可能減少對目標團體行蹤數(shù)據(jù)的維度，能夠較好的避免發(fā)生維度災(zāi)難；而且，通過綜合考慮目標人物對各項行蹤數(shù)據(jù)之間的平穩(wěn)性以及關(guān)聯(lián)性，后續(xù)根據(jù)循環(huán)神經(jīng)網(wǎng)絡(luò)能夠獲得更精確的數(shù)據(jù)融合向量，進而獲得更精確的行蹤預(yù)測信息，實現(xiàn)一種基于多維數(shù)據(jù)融合的偵查方法及系統(tǒng)。

技術(shù)特征：

1.一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，該方法包括以下步驟：

2.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述獲取行蹤數(shù)據(jù)各突變點的行蹤關(guān)聯(lián)指數(shù)，具體為：

3.如權(quán)利要求2所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述獲取行蹤數(shù)據(jù)各突變點的行蹤期望差異，包括：

4.如權(quán)利要求2所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述獲取行蹤數(shù)據(jù)各突變點的行蹤平穩(wěn)因子，包括：

5.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述各項行蹤數(shù)據(jù)的行蹤相關(guān)系數(shù)具體為數(shù)據(jù)采集起始時刻至當(dāng)前時刻的各項行蹤數(shù)據(jù)中所有突變點的行蹤關(guān)聯(lián)指數(shù)與行蹤平穩(wěn)因子比值的和值。

6.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述獲取各目標人物各項行蹤數(shù)據(jù)的行蹤信息貢獻因子，具體包括：

7.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述各目標人物的行蹤信息貢獻度具體為所有行蹤數(shù)據(jù)的行蹤信息貢獻因子的均值。

8.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述根據(jù)各目標人物的行蹤信息貢獻度采用循環(huán)神經(jīng)網(wǎng)絡(luò)獲取目標人物的行蹤融合向量，具體為：

9.如權(quán)利要求1所述的一種基于多維數(shù)據(jù)融合的偵查方法，其特征在于，所述根據(jù)行蹤融合向量采用深度神經(jīng)網(wǎng)絡(luò)完成目標人物的行蹤預(yù)測，具體步驟包括：

10.一種基于多維數(shù)據(jù)融合的偵查系統(tǒng)，包括存儲器、處理器以及存儲在所述存儲器中并在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1-9任意一項所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及一種基于多維數(shù)據(jù)融合的偵查方法及系統(tǒng)，該方法獲取目標團體各目標人物所有行蹤數(shù)據(jù)；獲取各項行蹤數(shù)據(jù)的突變點；基于突變點對各項行蹤數(shù)據(jù)的平穩(wěn)性、相關(guān)性進行分析，構(gòu)建行蹤相關(guān)系數(shù)；設(shè)置偵察周期，構(gòu)建行蹤相關(guān)矩陣；根據(jù)行蹤相關(guān)矩陣的不同行之間的相關(guān)性獲取行蹤信息貢獻因子；構(gòu)建目標人物的行蹤信息貢獻度；選擇目標團體中最具代表性的目標人物的行蹤數(shù)據(jù)進行數(shù)據(jù)融合獲取目標人物的行蹤融合向量；根據(jù)行蹤融合向量完成目標人物的行蹤預(yù)測，提高融合數(shù)據(jù)的代表性以及預(yù)測行程信息的精準度。

技術(shù)研發(fā)人員：潘慶娜
受保護的技術(shù)使用者：湖南警察學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21