[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111783295B - 城市社区特定人行为链动态识别与预测评估方法及系统 - Google Patents

城市社区特定人行为链动态识别与预测评估方法及系统 Download PDF

Info

Publication number
CN111783295B
CN111783295B CN202010599612.2A CN202010599612A CN111783295B CN 111783295 B CN111783295 B CN 111783295B CN 202010599612 A CN202010599612 A CN 202010599612A CN 111783295 B CN111783295 B CN 111783295B
Authority
CN
China
Prior art keywords
behavior
chain
specific
observed
community
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.)
Active
Application number
CN202010599612.2A
Other languages
English (en)
Other versions
CN111783295A (zh
Inventor
胡啸峰
吴建松
沈兵
原帅琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
China University of Mining and Technology Beijing CUMTB
Original Assignee
PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA, China University of Mining and Technology Beijing CUMTB filed Critical PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority to CN202010599612.2A priority Critical patent/CN111783295B/zh
Publication of CN111783295A publication Critical patent/CN111783295A/zh
Application granted granted Critical
Publication of CN111783295B publication Critical patent/CN111783295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市社区特定人行为链动态识别与预测评估方法及系统，属于应用信息技术领域。方法包括：步骤一、利用多智能体仿真技术对城市社区特定人的日常活动进行仿真；步骤二、基于步骤一的仿真结果，建立城市社区特定人在不同行为模式下的行为链库；步骤三、利用物联网传感设备获取特定人的轨迹数据，进行轨迹标定和序列化建模，建立行为链；步骤四、根据行为链间的时空相似性，在行为链库中搜索相似的完整行为链，并进行更新，优化搜索结果，以实现城市社区特定人行为链动态识别与预测评估。系统用于实现上述方法。本发明为社区治安管理部门的特定人管控工作提供技术支持。对特定人的行为链进行动态识别和预测评估。

Description

城市社区特定人行为链动态识别与预测评估方法及系统
技术领域
本发明具体涉及一种城市社区特定人行为链动态识别与预测评估方法及系统，属于应用信息技术领域。
背景技术
当前关于特定人轨迹的研究，其前提是通过各种传感器对特定人行为轨迹数据进行采集，并对其行为轨迹进行异常性分析，但是存在两方面的问题：(1)行为链不连续：实际应用过程中，很难获得特定人的高密度、时空连续的轨迹数据，因此特定人的行为链是高度稀疏、不连续的；(2)行为链滞后：即使检测到特定人少数的轨迹点，但是经过身份识别、数据传输等过程后，警务部门的响应始终落后于特定人的时空轨迹。
发明内容
因此，本发明目的是提供一种城市社区特定人行为链动态识别与预测评估方法及系统，为社区治安管理部门的特定人管控工作提供技术支持。对特定人的行为链进行动态识别和预测评估。
具体的，本发明提供的城市社区特定人行为链动态识别与预测评估方法，步骤如下：
步骤一基于多智能体仿真技术对城市社区特定人的日常活动进行模拟，设置仿真场景，仿真主体，智能体的行为规则；
步骤二建立城市社区特定人行为链库，通过对特定人的日常活动进行仿真，得到的不同行为模式下的行为链集合；
步骤三城市社区特定人动态轨迹标定，包括动态轨迹标定与序列化建模，将实时、连续的定位信息反向地理编码，转换为地址或地名描述，并基于此建立动态行为链；
步骤四城市社区特定人行为链动态识别与预测评估；
根据行为链间的时空相似性，利用观测的局部行为链在行为链库中搜索匹配相似的完整行为链，并通过对观测到的局部行为链进行更新，优化在行为链库中的搜索匹配结果，以实现城市社区特定人行为链动态识别与预测评估；
具体地：
设行为模式库BPL＝(bp1,bp2,…,bpj,…,bpm)，行为链库BCL＝(bc1,bc2,…,bci,…,bcn)，每一个完整的bci对应于一个bpj，设观测到的局部行为链为observed_bc＝{person_name:[ob1,ob2,…,obl]},其长度为l，与观测的局部行为链进行对比的完整行为链为bci＝{person_name:[b1,b2,…,bk,]},其长度为k，则observed_bc与bci的空间相似性定义为：
Figure GDA0002626041630000021
其中LCS(observed_bc，bci)表示求observed_bc和bci的最长公共子序列，len(LCS(observed_bc，bcii))代表求最长公共子序列的长度。LCS是一种开源的动态规划算法，利用递归的方式进行求解，设X＝(x1,x2,…,xi)和Y＝(y1,y2,…,yj)分别为两个序列，其长度分别为i和j，则其最大公共子序列的长度C[I,j]计算如下：
Figure GDA0002626041630000022
时间相似性的定义式为如公式三所示：
TS＝w1*Holiday+w2*Day_of_week+w3*Hour_of_day 公式三
其中三种时间特征分别为“是否节假日”(Holiday)、“星期”(Day ofWeek)和“一天内的时段”(Hour ofDay)，当两条行为链在某一个特征一致时，则该特征的得分为1，否则为0，w1,w2和w3是特征变量的权重，代表三种时间特征的重要程度，w1,w2和w3的加和为1，以此保证时间相似性的值域为[0,1]；
定义了行为链间的时空加权相似性，定义式为：
STS＝w4*SS+w5*TS 公式四
其中w4,w5是空间相似性和时间相似性的权重，其加和为1；根据轨迹间的时空热点相似性，在行为链库中匹配出与观测的局部行为链observed_bc最相似的一个完整行为链bci，两者的时空相似性为STSi，则观测行为链observed_bc对应的行为模式为bpj，置信度为STSi。
另一方面，本发明还公开了实现上述方法的系统，所述系统包括包括基于多智能体仿真的城市社区特定人日常活动模拟模块、城市社区特定人行为链库、城市社区特定人动态轨迹标定模块、城市社区特定人行为链动态识别与预测评估模块。所述基于多智能体仿真的城市社区特定人日常活动模拟模块用于模拟特定人在城市社区中的日常活动轨迹；所述城市社区特定人行为链库用于构建城市社区特定人在不同行为模式下的行为链，行为链包括特定人的身份属性和若干子行为，每个子行为包括地点名称、地点类型、活动开始时间、结束时间、伴随的物品和同行的人员等属性；城市社区特定人动态轨迹标定模块用于获取城市社区特定人真实观测的轨迹数据，并建立观测的局部行为链；城市社区特定人行为链动态识别与预测评估模块用于行为链间的时空加权相似性，并在行为链库中匹配出与观测的局部行为链相似的完整行为链，以及对应的行为模式。
本发明的有益效果：
本发明提供一种城市社区特定人行为链动态识别与预测评估方法及系统，为社区治安管理部门的特定人管控工作提供技术支持，获得特定人的高密度、时空连续的轨迹数据，行为链连续，行为链提供及时，方便警务部门第一时间作出响应。
附图说明
图1为城市社区特定人行为链动态识别与预测评估系统工作流程示意图。
图2为城市社区特定人行为链库结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明：
实施例1
为了对特定人的行为链进行动态识别和预测评估，本发明制定了以下技术方案：
城市社区特定人行为链动态识别与预测评估系统包括四个模块：1.基于多智能体仿真的城市社区特定人日常活动模拟模块，2.城市社区特定人行为链库，3.城市社区特定人动态轨迹标定模块，4.城市社区特定人行为链动态识别与预测评估模块。本发明首先基于多智能体仿真技术对城市社区特定人的日常活动进行模拟，并记录其行为轨迹；然后建立了特定人在不同行为模式下的行为连库；接着基于真实观测数据对特定人的动态轨迹进行标定，观测得到特定人的局部行为链；最后利用局部行为链在行为链库中搜索相似的完整行为链，并通过对观测到的局部行为链进行更新，优化在行为链库中的搜索结果，以实现城市社区特定人行为链动态识别与预测评估。
1.基于多智能体仿真的城市社区特定人日常活动模拟模块
基于多智能体仿真技术对城市社区特定人的日常活动进行模拟，需设置仿真场景，仿真主体，智能体的行为规则。
(1)仿真场景：选取典型的城市社区为仿真场景。社区中包含交通路口、车站、居民小区、经营场所、娱乐场所、企事业单位、政府机关、学校、加油站、公园等类型的场所。
(2)仿真主体类型：设置特定人、保卫力量和犯罪目标三种类型的智能体。其中特定人的类型为城市社区中常见的特定人。保卫力量分为静态的监控摄像头和可移动的警务人员、保安。犯罪目标分为静态的场所和移动的行人。
(3)活动规则：智能体的活动规则分为：宏观的行为模式，微观的随机性行为以及对环境的应激反应行为。
具体地：宏观的行为模式包括“上班”，“下班”，“购物”等。
对环境的应激反应：例如城市社区特定人的行为模式为异常的模式，当其附近存在警察、保安、监控摄像头等保卫力量时，则特定人会进行躲避。
2.城市社区特定人行为链库
城市社区特定人行为链库是通过对特定人的日常活动进行仿真，得到的不同行为模式下的行为链集合。城市社区特定人行为链库的结构如附图2所示，行为模式库(behavior pattern library,BPL)中存在m种行为模式，行为链库(behavior chainslibrary,BCL)中存在n个完整的行为链，设行为模式库BPL＝(bp1,bp2,…,bpj,…,bpm)，设行为链库BCL＝(bc1,bc2,…,bci,…,bcn)，n>m。每一个完整的行为链bci对应于一种行为模式bpj。
每个完整行为链的由身份属性和若干子行为组成，行为链的表达式为：bci＝{person_name:[b1,b2,…,bk,]}，子行为的表达式为:bk＝[place_name,place_type,start_time,end_time,things,accompany]。由于行为链长度不统一，且属性维度高，故使用NoSQL的的数据库(例如MongoDB)，以Json格式建立行为链库。
3.城市社区特定人动态轨迹标定模块
动态轨迹标定与序列化建模模块的主要功能是，将实时、连续的定位信息反向地理编码，转换为地址或地名描述，并基于此建立动态行为链，具体地：
(1)动态轨迹标定，本发明提供两种轨迹标定方法，第一种是利用ST-DBSCAN算法对实时、连续的“北斗”定位信息或GPS定位信息进行聚类与降维，ST-DBSCAN算法同时考虑了轨迹点的时间和空间上的间隔，从而避免错误地将空间相邻而时间间隔很大的GPS轨迹点聚类为同一类，表1为ST-DBSCAN算法的计算过程。
表1 ST-DBSCAN算法计算过程
Figure GDA0002626041630000041
Figure GDA0002626041630000051
第二种是基于观测点对动态轨迹进行标定，其基本思路为：在重要的地点、路线、区域等，设置若干观测点，当特定人进入或离开观测点的观测区域时，便生成一条轨迹标定记录。每个观测点拥有“名称”、“经度”、“纬度”、“类型”、“覆盖范围半径。观测点分为：封闭式场所出入口、重要的路口、经营场所、娱乐场所、公园绿地、企事业单位、政府机关、学校、加油站九种类型。其中根据经纬度计算两点之间的距离方法如公式1所示：
d＝6.371*106*arcos[cosy1*cosy2*cos(x1-x2)+siny1*siny2] (1)
其中d为两点之间的距离，单位为米，(x1,y1)为GPS轨迹点的经纬度坐标，(x2,y2)为观测点的经纬度坐标。
(2)动态轨迹序列化建模，由于不同种类的轨迹数据的格式和所包含的信息存在差异，因此需要对多源异构的轨迹数据进行融合，并形成坐标系统一的、序列化的轨迹数据。根据动态轨迹标定结果将特定人一天的轨迹划分为若干个子行为，然后以特定人姓名为索引，将子行为按时间顺序排列，构建“动态行为链”，以便于基于“行为链”进行异常轨迹分析和识别。子行为的属性如附图图2所示，包括特定人名称，子行为的开始时间、结束时间、维持时间，访问的地点名称及类型，同行人员，伴随物品等属性。其中地点类型有交通路口、车站、居民小区、经营场所、娱乐场所、企事业单位、政府机关、学校、加油站、公园等属性；同行人员根据人数划分为四个等级，分别为单人、小规模同行(2-5人)、中规模聚集(6-20人)和大规模聚集(20人以上)。将每个子行为按照时间串联，形成观测到的局部行为链observed_bc如式2所示。
Observed_bc＝{person_name:[ob1,ob2,…,obl] (2)
其中person_name代表城市社区特定人的名称，obl表示特定人的观测的子行为。
4.城市社区特定人行为链动态识别与预测评估模块
根据行为链间的时空相似性，利用观测的局部行为链在行为链库中搜索匹配相似的完整行为链，并通过对观测到的局部行为链进行更新，优化在行为链库中的搜索匹配结果，以实现城市社区特定人行为链动态识别与预测评估。
观测到的局部行为链长度会随着观测轨迹点的增加而边长，为了动态地在行为连库中搜索相似的完整行为链，本发明提出一种行为链时空相似性动态度量算法，该算法综合考虑行为链间的空间相似性(Spatial Similarity,SS)和时间相似性(TemporalSimilarity,TS)。具体地：
设行为模式库BPL＝(bp1,bp2,…,bpj,…,bpm)，行为链库BCL＝(bc1,bc2,…,bci,…,bcn)，每一个完整的bci对应于一个bpj。设观测到的局部行为链为observed_bc＝{person_name:[ob1,ob2,…,obl]},其长度为l。与观测的局部行为链进行对比的完整行为链为bci＝{person_name:[b1,b2,…,bk,]},其长度为k。则observed_bc与bci的空间相似性(Spatial Similarity,SS)定义为：
Figure GDA0002626041630000061
其中LCS(observed_bc，bci)表示求observed_bc和bci的最长公共子序列，len(LCS(observed_bc，bci))代表求最长公共子序列的长度。LCS(最长公共子序列算法)是一种开源的动态规划算法，可以利用递归的方式进行求解，设X＝(x1,x2,…,xi)和Y＝(y1,y2,…,yj)分别为两个序列，其长度分别为i和j，则其最大公共子序列的长度C[I,j]计算如下：
Figure GDA0002626041630000062
如表2所示，observed_bc与bci的时间相似性(Temporal Similarity，TS)综合考虑“是否节假日”(Holiday)、“星期”(Day of Week)和“一天内的时段”(Hour of Day)三种时间特征。时间相似性的定义式为如式5所示：
TS＝w1*Holiday+w2*Day_of_week+w3*Hour_of_day (5)
当两条行为链在某一个特征一致时，则该特征的得分为1，否则为0。w1,w2和w3是特征变量的权重，代表三种时间特征的重要程度。w1,w2和w3的加和为1，以此保证时间相似性的值域为[0,1]。
为了衡量行为链间的时空相似性，定义了行为链间的时空加权相似性(Spatial-Temporal Similarity,STS)，其定义式为：
STS＝w4*SS+w5*TS (6)
其中w4,w5是空间相似性和时间相似性的权重，其加和为1。通过设置空间相似性和时间相似性的权重，可以着重分析时间相似或空间相似的轨迹，以满足不同场景下的分析任务。
根据轨迹间的时空热点相似性，在行为链库中匹配出与观测的局部行为链observed_bc最相似的一个完整行为链bci，两者的时空相似性为STSi，则观测行为链observed_bc对应的行为模式为bpj，置信度为STSi。表2为不同尺度下的时间相似度。
表2
Figure GDA0002626041630000071
实施例2
如附图1所示，本实施例为城市社区特定人行为链动态识别与预测评估方法的应用实例，方法包括如下步骤：
步骤一：
利用多智能体仿真技术对城市社区特定人的日常活动进行仿真。以典型的城市社区为仿真场景，设置不同身份类型的城市社区特定人，模拟特定人在正常的行为模式(如上班、下班、购物)或异常的行为模式下的行为，并记录其动态轨迹。
步骤二：
根据步骤一的仿真结果，建立城市社区特定人在不同行为模式下的行为链库(behavior chains library，BCL)，以及行为链对应的行为模式库(behavior patternlibrary，BPL)。本发明使用NoSQL型的数据库，建立行为链库(行为链库数据结构如附图2所示)。行为链库中某个特定人一天内的行为链如表3所示，并记为bci，该行为链对应的是该人员在工作日期间，从家出发至工作地点的行为模式。
表3
Figure GDA0002626041630000072
Figure GDA0002626041630000081
步骤三：
利用物联网传感设备获取特定人的轨迹数据，并对其进行轨迹标定和序列化建模，建立特定人的局部的行为链。例如观测到的局部行为链如表4所示，并记为observed_bc：
表4
Figure GDA0002626041630000082
步骤四：
根据行为链间的时空相似性，利用局部行为链在行为链库中搜索相似的完整行为链，并通过对观测到的局部行为链进行更新，优化在行为链库中的搜索结果，以实现城市社区特定人行为链动态识别与预测评估。具体地：
首先初始化参数，[w1,w2,w3,w4,w5]＝[0.2,0.2,0.6,0.5,0.5]，即三种时间特征的权重比值为“是否节假日”：“星期”：“一天内的时段”＝1：1：3，时间相似性和空间相似性的权重比值为1：1。
然后以步骤二和步骤三的行为链为例，计算观测的局部行为链observed_bc与完整的行为链bci的空间相似性：SS＝3*2/9＝0.67,两条行为链的最大公共子序列为[“六道口”，“清华东路西口”，“五道口”]。
接着计算时间相似性，根据比较完整行为链bci与观测的局部行为链observed_bc时间特征，可知二者都是非节假日，且都处于6-12时这一时段；bci处于周一，而observed_bc属于周日，因此其时间相似性TS＝0.2*1+0.2*0+0.6*1＝0.8。
最后计算加权时空相似性：STS＝0.5*0.428+0.5*0.8＝0.733。因此两条行为链bci与observed_bc之间的时空相似性得分为0.733(最高分为1，最低分为0)，说明此时该特定人是上班行为模式的置信度为0.733。
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法包括：
步骤一 基于多智能体仿真技术对城市社区特定人的日常活动进行模拟，设置仿真场景，仿真主体，智能体的行为规则；
步骤二 建立城市社区特定人行为链库，通过对特定人的日常活动进行仿真，得到的不同行为模式下的行为链集合；
步骤三 城市社区特定人动态轨迹标定，包括动态轨迹标定与序列化建模，将实时、连续的定位信息反向地理编码，转换为地址或地名描述，并基于此建立动态行为链；
步骤四 城市社区特定人行为链动态识别与预测评估；
根据行为链间的时空相似性，利用观测的局部行为链在行为链库中搜索匹配相似的完整行为链，并通过对观测到的局部行为链进行更新，优化在行为链库中的搜索匹配结果，以实现城市社区特定人行为链动态识别与预测评估；
具体地：
设行为模式库BPL＝(bp1,bp2,…,bpj,…,bpm)，行为链库BCL＝(bc1,bc2,…,bci,…,bcn)，每一个完整的bci对应于一个bpj，设观测到的局部行为链为observed_bc＝{person_name:[ob1,ob2,…,obl]},其长度为l，与观测的局部行为链进行对比的完整行为链为bci＝{person_name:[b1,b2,…,bk,]},其长度为k，则observed_bc与bci的空间相似性定义为：
Figure FDA0002780705070000011
其中，bpj表示一种行为模式，bci表示一个完整的行为链，person_name代表城市社区特定人的名称，obl表示特定人的观测的子行为，bk表示子行为的表达式，bpm表示行为模式库中存在m种行为模式，bcn表示行为链库中存在n个完整的行为链，LCS(observed_bc，bci)表示求observed_bc和bci的最长公共子序列，len(LCS(observed_bc，bci))代表求最长公共子序列的长度，LCS是一种开源的动态规划算法，利用递归的方式进行求解，设X＝(x1,x2,…,xi)和Y＝(y1,y2,…,yj)分别为两个序列，其长度分别为i和j，则其最大公共子序列的长度C[I,j]计算如下：
Figure FDA0002780705070000021
时间相似性的定义式为如公式三所示：
TS＝w1*Holiday+w2*Day_of_week+w3*Hour_of_day 公式三
其中，Holiday表示是否节假日，Day of Week表示星期，Hour of Day表示一天内的时段，w1,w2和w3是特征变量的权重，代表三种时间特征的重要程度，w1,w2和w3的加和为1，以此保证时间相似性的值域为[0,1]；
定义了行为链间的时空加权相似性，定义式为：
STS＝w4*SS+w5*TS 公式四
其中w4,w5是空间相似性和时间相似性的权重，其加和为1；根据轨迹间的时空热点相似性，在行为链库中匹配出与观测的局部行为链observed_bc最相似的一个完整行为链bci，两者的时空相似性为STSi，则观测行为链observed_bc对应的行为模式为bpj，置信度为STSi。
2.如权利要求1所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤一中仿真场景选取典型的城市社区为仿真场景，社区中包含交通路口、车站、居民小区、经营场所、娱乐场所、企事业单位、政府机关、学校类型的场所；仿真主体类型为设置特定人、保卫力量和犯罪目标三种类型的智能体，其中特定人的类型为城市社区中常见的特定人，保卫力量分为静态的监控摄像头和可移动的警务人员、保安，犯罪目标分为静态的场所和移动的行人。
3.如权利要求2所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤一中活动规则具体包括：宏观的行为模式，微观的随机性行为以及对环境的应激反应行为。
4.如权利要求1所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤二中行为模式库中存在m种行为模式，行为链库中存在n个完整的行为链，设行为模式库BPL＝(bp1,bp2,…,bpj,…,bpm)，设行为链库BCL＝(bc1,bc2,…,bci,…,bcn)，n>m，每一个完整的行为链bci对应于一种行为模式bpj；
每个完整行为链的由身份属性和若干子行为组成，行为链的表达式为：bci＝{person_name:[b1,b2,…,bk,]}，子行为的表达式为:bk＝[place_name,place_type,start_time,end_time,things,accompany]，其中，place_name表示地点名称，place_type表示地点类型，start_time表示开始时间，end_time表示结束时间，things表示伴随物品，accompany表示同行人员。
5.如权利要求4所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤二中使用NoSQL的数据库，以Json格式建立行为链库。
6.如权利要求1所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤三中动态轨迹标定是利用ST-DBSCAN算法对实时、连续的“北斗”定位信息或GPS定位信息进行聚类与降维，ST-DBSCAN算法具体包括：
步骤a 随机选取一个未被访问的点，作为分析原点，统计所有在半径为S-ESP的空间邻域范围内和时间窗口为T-EPS的时间邻域范围内的数据对象的个数，并记为N；
步骤b 若N≥MinPts,则当前的聚类中心与空间邻域和时间邻域内的数据对象形成一个簇，并将分析原点标记为已访问；
步骤c 重复步骤a、b，对所有未访问的数据对象进行分析，并对簇进行扩充；
步骤d 如果某一分析原点空间邻域范围和时间邻域内的数量小于最小包含点个数，即N＜MinPts,则该分析原点暂时被标记为噪声点。
7.如权利要求1所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤三中动态轨迹标定是基于观测点对动态轨迹进行标定，具体为：在重要的地点、路线、区域，设置观测点，当特定人进入或离开观测点的观测区域时，生成一条轨迹标定记录；根据经纬度计算两点之间的距离方法如公式五所示：
d＝6.371*106*arcos[cosy1*cosy2*cos(x1-x2)+siny1*siny2] 公式五
其中d为两点之间的距离，单位为米，(x1,y1)为GPS轨迹点的经纬度坐标，(x2,y2)为观测点的经纬度坐标。
8.如权利要求6或7所述的城市社区特定人行为链动态识别与预测评估方法，其特征在于，所述方法步骤三中动态轨迹序列化建模具体为根据动态轨迹标定结果将特定人一天的轨迹划分为若干个子行为，然后以特定人姓名为索引，将子行为按时间顺序排列，构建动态行为链，每个子行为按照时间串联，形成观测到的局部行为链observed_bc如公式六所示：
Observed_bc＝{person_name:[ob1,ob2,…,obl] 公式六
其中person_name代表城市社区特定人的名称，obl表示特定人的观测的子行为。
9.一种用于实现权利要求1至8任一项城市社区特定人行为链动态识别与预测评估方法的城市社区特定人行为链动态识别与预测评估系统，其特征在于，所述系统包括基于多智能体仿真的城市社区特定人日常活动模拟模块、城市社区特定人行为链库、城市社区特定人动态轨迹标定模块、城市社区特定人行为链动态识别与预测评估模块；所述基于多智能体仿真的城市社区特定人日常活动模拟模块用于模拟特定人在城市社区中的日常活动轨迹；所述城市社区特定人行为链库用于构建城市社区特定人在不同行为模式下的行为链，行为链包括特定人的身份属性和若干子行为，每个子行为包括地点名称、地点类型、活动开始时间、结束时间、伴随的物品和同行的人员属性；城市社区特定人动态轨迹标定模块用于获取城市社区特定人真实观测的轨迹数据，并建立观测的局部行为链；城市社区特定人行为链动态识别与预测评估模块用于行为链间的时空加权相似性，并在行为链库中匹配出与观测的局部行为链相似的完整行为链，以及对应的行为模式。
CN202010599612.2A 2020-06-28 2020-06-28 城市社区特定人行为链动态识别与预测评估方法及系统 Active CN111783295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010599612.2A CN111783295B (zh) 2020-06-28 2020-06-28 城市社区特定人行为链动态识别与预测评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010599612.2A CN111783295B (zh) 2020-06-28 2020-06-28 城市社区特定人行为链动态识别与预测评估方法及系统

Publications (2)

Publication Number Publication Date
CN111783295A CN111783295A (zh) 2020-10-16
CN111783295B true CN111783295B (zh) 2020-12-22

Family

ID=72760769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010599612.2A Active CN111783295B (zh) 2020-06-28 2020-06-28 城市社区特定人行为链动态识别与预测评估方法及系统

Country Status (1)

Country Link
CN (1) CN111783295B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032949B (zh) * 2020-11-11 2022-02-18 上海市软件评测中心有限公司 一种基于大数据的测试方法
CN115330360B (zh) * 2022-10-13 2022-12-27 广东泳华科技有限公司 一种基于多智能体仿真技术的行人轨迹推算方法
CN115587503B (zh) * 2022-11-23 2023-04-07 深圳市城市交通规划设计研究中心股份有限公司 基于多模式仿真的个体出行链还原方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108924507A (zh) * 2018-08-02 2018-11-30 高新兴科技集团股份有限公司 一种基于多摄像头场景的人员轨迹生成系统及方法
CN109241223A (zh) * 2018-08-23 2019-01-18 中国电子科技集团公司电子科学研究院 行为行踪识别方法及平台
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN109558887A (zh) * 2017-09-27 2019-04-02 北京京东尚科信息技术有限公司 一种预测行为的方法和装置
CN109800569A (zh) * 2018-12-29 2019-05-24 360企业安全技术(珠海)有限公司 程序鉴别方法及装置
CN110222715A (zh) * 2019-05-07 2019-09-10 国家计算机网络与信息安全管理中心 一种基于动态行为链和动态特征的样本同源分析方法
CN110457443A (zh) * 2019-08-12 2019-11-15 贵州大学 一种基于刑事案件的犯罪行为链构建方法
CN110826698A (zh) * 2019-11-04 2020-02-21 电子科技大学 一种通过上下文相关的图嵌入表示人群移动模式的方法
CN110889133A (zh) * 2019-11-07 2020-03-17 中国科学院信息工程研究所 一种基于身份行为混淆的抗网络追踪隐私保护方法及系统
CN111191201A (zh) * 2019-12-25 2020-05-22 中国平安财产保险股份有限公司 基于数据埋点的用户识别方法、装置、设备及存储介质
CN111259098A (zh) * 2020-01-10 2020-06-09 桂林电子科技大学 一种基于稀疏表示和Fréchet距离融合的轨迹相似度计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060184488A1 (en) * 2002-07-12 2006-08-17 Chroma Energy, Inc. Method and system for trace aligned and trace non-aligned pattern statistical calculation in seismic analysis

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558887A (zh) * 2017-09-27 2019-04-02 北京京东尚科信息技术有限公司 一种预测行为的方法和装置
CN108924507A (zh) * 2018-08-02 2018-11-30 高新兴科技集团股份有限公司 一种基于多摄像头场景的人员轨迹生成系统及方法
CN109241223A (zh) * 2018-08-23 2019-01-18 中国电子科技集团公司电子科学研究院 行为行踪识别方法及平台
CN109522793A (zh) * 2018-10-10 2019-03-26 华南理工大学 基于机器视觉的多人异常行为检测与识别方法
CN109800569A (zh) * 2018-12-29 2019-05-24 360企业安全技术(珠海)有限公司 程序鉴别方法及装置
CN110222715A (zh) * 2019-05-07 2019-09-10 国家计算机网络与信息安全管理中心 一种基于动态行为链和动态特征的样本同源分析方法
CN110457443A (zh) * 2019-08-12 2019-11-15 贵州大学 一种基于刑事案件的犯罪行为链构建方法
CN110826698A (zh) * 2019-11-04 2020-02-21 电子科技大学 一种通过上下文相关的图嵌入表示人群移动模式的方法
CN110889133A (zh) * 2019-11-07 2020-03-17 中国科学院信息工程研究所 一种基于身份行为混淆的抗网络追踪隐私保护方法及系统
CN111191201A (zh) * 2019-12-25 2020-05-22 中国平安财产保险股份有限公司 基于数据埋点的用户识别方法、装置、设备及存储介质
CN111259098A (zh) * 2020-01-10 2020-06-09 桂林电子科技大学 一种基于稀疏表示和Fréchet距离融合的轨迹相似度计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于统计回归的犯罪活动时序影响因素实证分析;陈鹏 等;《中国人民公安大学学报(社会科学版)》;20161215(第2016年第6期);16-23 *

Also Published As

Publication number Publication date
CN111783295A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
Ma et al. Analyzing driving factors of land values in urban scale based on big data and non-linear machine learning techniques
Zhong et al. Inferring building functions from a probabilistic model using public transportation data
Barredo et al. Modelling dynamic spatial processes: simulation of urban future scenarios through cellular automata
US7801842B2 (en) Method and system for spatial behavior modification based on geospatial modeling
US7571146B2 (en) Event, threat and result change detection system and method
CN114897444B (zh) 一种城市分区域内服务设施需求识别方法及系统
CN111783295B (zh) 城市社区特定人行为链动态识别与预测评估方法及系统
US7917458B2 (en) Temporal-influenced geospatial modeling system and method
Malleson et al. Analysis of crime patterns through the integration of an agent-based model and a population microsimulation
CN103955804B (zh) 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
Chang et al. Understanding user’s travel behavior and city region functions from station-free shared bike usage data
CN105493109A (zh) 使用多个数据源的空气质量推断
Zhang et al. How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities
CN114444794A (zh) 基于双注意力图嵌入网络的出行意图预测方法
Groff Measuring a place’s exposure to facilities using geoprocessing models: An illustration using drinking places and crime
Vinayakumar et al. A Comparison of KNN Algorithm and MNL Model for Mode Choice Modelling
Ren et al. A systematic review of occupancy pattern in urban building energy modeling: From urban to building-scale
CN113032949B (zh) 一种基于大数据的测试方法
CN109859087A (zh) 一种应用城市超脑的智能社区软环境配置系统和方法
Masrom et al. Green building factor in machine learning based condominium price prediction
CN112749209B (zh) 面向时空数据的移动行为图谱构建方法
Berres et al. Generating traffic-based building occupancy schedules in Chattanooga, Tennessee from a grid of traffic sensors
Ye et al. Hybrid calibration of agent-based travel model using traffic counts and AVI data
CN114781164B (zh) 一种利用多代理人仿真进行视觉感知模拟的方法
CN114925994A (zh) 一种基于深度学习的城中村风险评估和风险因素定位方法

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