本發明涉及數據處理,具體涉及一種基于多維數據融合的偵查方法及系統。
背景技術:
1、隨著互聯網、物料網、傳感器技術的不斷發展,各種類型的數據不斷涌現,數據量呈現爆炸式增加,數據來源也越來越多樣化。偵查工作也逐漸向著信息化、智能化方向發展,但如何從海量的多元信息中提取到需要的數據,并將其進行整合以實現智能化是當前偵查領域中面臨的巨大挑戰。
2、在當前社會的偵查工作中,需要對目標團體的行蹤進行掌握時,若沒有對各項數據信息進行綜合考慮,可能會導致偵查人員追蹤錯誤的目標,浪費時間和相關資源;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重分析,可能會導致偵查結果不準確。目標團體中各個目標人物的行蹤數據包括人物所在經緯度、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據。現階段對于行蹤數據的處理主要包括統計分析、異常檢測以及機器學習三大類,其中基于統計分析的方法無法捕捉到行蹤數據的時空關系,導致一定的信息丟失;依賴于異常檢測算法的行蹤數據分析又缺乏準確的先驗參數經驗值;直接使用機器學習算法對目標團體所有目標人物的各項行蹤數據進行建模分析時,會耗費大量的時間資源,甚至由于數據的多維度性造成維度災難,難以提供短時高效的偵查數據。
技術實現思路
1、為了解決上述技術問題,本發明的目的在于提供一種基于多維數據融合的偵查方法及系統,所采用的技術方案具體如下:
2、第一方面,本發明實施例提供了一種基于多維數據融合的偵查方法,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據;
4、對目標人物各項行蹤數據進行突變點檢測,根據行蹤數據各突變點局部數據分布,結合各突變點之前所有突變點對應時刻的變化特征,獲取行蹤數據各突變點的行蹤關聯指數;根據行蹤數據各突變點與所有突變點局部數據分布的變化特征,獲取行蹤數據各突變點的行蹤平穩因子;根據各項行蹤數據所有突變點的行蹤關聯指數以及行蹤平穩因子,獲取各項行蹤數據的行蹤相關系數;
5、設置偵察周期,根據所有目標人物各項行蹤數據的行蹤相關系數在不同偵察周期之間的相關性,獲取各目標人物各項行蹤數據的行蹤信息貢獻因子;根據各項行蹤數據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、根據各目標人物的行蹤信息貢獻度利用循環神經網絡獲取目標人物的行蹤融合向量;根據行蹤融合向量采用深度神經網絡完成目標人物的行蹤預測。
7、優選的,所述獲取行蹤數據各突變點的行蹤關聯指數,具體為:
8、根據行蹤數據各突變點局部數據的分布,獲取行蹤數據各突變點的行蹤期望差異;
9、將行蹤數據各突變點所在時刻與之前的所有突變點的對應時刻作為行蹤數據各突變點的行蹤驟變時刻序列;將行蹤數據各突變點的行蹤期望差異與之前的所有突變點的對應行蹤期望差異作為行蹤數據各突變點的行蹤期望差異序列;
10、將目標人物第i項行蹤數據中第j個突變點的行蹤關聯指數記為,其公式形式為:;其中,為采集目標人物行蹤數據的種類個數;、分別為目標人物第i項行蹤數據、目標人物第p項行蹤數據中第j個突變點對應的驟變時刻序列;、分別為目標人物第i項行蹤數據、目標人物第p項行蹤數據中第j個突變點對應的行蹤期望差異序列;為杰卡德距離函數。
11、優選的,所述獲取行蹤數據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據均值作為各突變點的行蹤期望值;將各突變點的數據值與所述行蹤期望值的差值絕對值作為行蹤期望差異。
13、優選的,所述獲取行蹤數據各突變點的行蹤平穩因子,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、計算各突變點對應的行蹤期望差異序列的元素個數與數據采集起始時刻到各突變點對應時刻之間的數據總個數的比值;
16、計算行蹤數據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據各突變點的行蹤平穩因子。
17、優選的,所述各項行蹤數據的行蹤相關系數具體為數據采集起始時刻至當前時刻的各項行蹤數據中所有突變點的行蹤關聯指數與行蹤平穩因子比值的和值。
18、優選的,所述獲取各目標人物各項行蹤數據的行蹤信息貢獻因子,具體包括:
19、將偵察周期內各項行蹤數據的行蹤相關度的均值作為所有目標人物的行蹤相關矩陣的元素值;
20、將第x個目標人物第i項行蹤數據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項行蹤數據采集區間中與其余目標人物的行蹤相關系數序列之間的余弦相似度之和;y為目標人物行蹤數據采集區間內的偵查周期總個數;為第x個目標人物第i項行蹤數據第y個偵查周期的行蹤相關度;為第x個目標人物第i項行蹤數據所有偵查周期的行蹤相關度均值;e為自然常數。
21、優選的,所述各目標人物的行蹤信息貢獻度具體為所有行蹤數據的行蹤信息貢獻因子的均值。
22、優選的,所述根據各目標人物的行蹤信息貢獻度采用循環神經網絡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據作為循環神經網絡的輸入;將目標人物的行蹤融合向量作為循環神經網絡的輸出;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據的均值與對應行蹤數據的行蹤相關系數均值的乘積。
24、優選的,所述根據行蹤融合向量采用深度神經網絡完成目標人物的行蹤預測,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網絡的輸入,將目標人物下一時刻的行蹤信息作為深度神經網絡的輸出;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度、緯度以及海拔高度數據。
26、第二方面,本發明實施例還提供了一種基于多維數據融合的偵查系統,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,所述處理器執行所述計算機程序時實現上述任意一項所述方法的步驟。
27、本發明至少具有如下有益效果:
28、本發明首先根據目標團體中目標人物對于各項行蹤的相關程度進行分析,在獲得目標人物對各項行蹤數據的行蹤相關系數基礎上,根據目標團體內所有目標人物對于每一項行蹤數據的行蹤相關系數進一步分析獲得每個目標人物的行蹤信息貢獻權重,選擇目標團體內最具代表性的目標人物行蹤信息進行數據融合,最終對融合之后的目標人物行蹤數據進行預測。
29、同時,本發明對目標團體中所有目標人物的相關行蹤數據進行分析,在能夠保證綜合考慮目標人物各項行蹤數據的基礎上,盡可能減少對目標團體行蹤數據的維度,能夠較好的避免發生維度災難;而且,通過綜合考慮目標人物對各項行蹤數據之間的平穩性以及關聯性,后續根據循環神經網絡能夠獲得更精確的數據融合向量,進而獲得更精確的行蹤預測信息,實現一種基于多維數據融合的偵查方法及系統。
1.一種基于多維數據融合的偵查方法,其特征在于,該方法包括以下步驟:
2.如權利要求1所述的一種基于多維數據融合的偵查方法,其特征在于,所述獲取行蹤數據各突變點的行蹤關聯指數,具體為:
3.如權利要求2所述的一種基于多維數據融合的偵查方法,其特征在于,所述獲取行蹤數據各突變點的行蹤期望差異,包括:
4.如權利要求2所述的一種基于多維數據融合的偵查方法,其特征在于,所述獲取行蹤數據各突變點的行蹤平穩因子,包括:
5.如權利要求1所述的一種基于多維數據融合的偵查方法,其特征在于,所述各項行蹤數據的行蹤相關系數具體為數據采集起始時刻至當前時刻的各項行蹤數據中所有突變點的行蹤關聯指數與行蹤平穩因子比值的和值。
6.如權利要求1所述的一種基于多維數據融合的偵查方法,其特征在于,所述獲取各目標人物各項行蹤數據的行蹤信息貢獻因子,具體包括:
7.如權利要求1所述的一種基于多維數據融合的偵查方法,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據的行蹤信息貢獻因子的均值。
8.如權利要求1所述的一種基于多維數據融合的偵查方法,其特征在于,所述根據各目標人物的行蹤信息貢獻度采用循環神經網絡獲取目標人物的行蹤融合向量,具體為:
9.如權利要求1所述的一種基于多維數據融合的偵查方法,其特征在于,所述根據行蹤融合向量采用深度神經網絡完成目標人物的行蹤預測,具體步驟包括:
10.一種基于多維數據融合的偵查系統,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,所述處理器執行所述計算機程序時實現如權利要求1-9任意一項所述方法的步驟。