CN105426553B - 一种基于智能设备的目标实时跟踪预警方法以及*** - Google Patents

一种基于智能设备的目标实时跟踪预警方法以及*** Download PDF

Info

Publication number
CN105426553B
CN105426553B CN201610028888.9A CN201610028888A CN105426553B CN 105426553 B CN105426553 B CN 105426553B CN 201610028888 A CN201610028888 A CN 201610028888A CN 105426553 B CN105426553 B CN 105426553B
Authority
CN
China
Prior art keywords
user
facility
probability
early warning
warning
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
CN201610028888.9A
Other languages
English (en)
Other versions
CN105426553A (zh
Inventor
樊哿
彭卫
刘峻呈
陈豪
孙山
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.)
HANGZHOU CCRFID MICROELECTRONICS Co.,Ltd.
Original Assignee
Sichuan Agricultural University
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 Sichuan Agricultural University filed Critical Sichuan Agricultural University
Priority to CN201610028888.9A priority Critical patent/CN105426553B/zh
Publication of CN105426553A publication Critical patent/CN105426553A/zh
Application granted granted Critical
Publication of CN105426553B publication Critical patent/CN105426553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于智能设备的目标实时跟踪预警方法以及***，是一种全新的目标行为判别技术,其原理是利用定位技术以及地理位置服务(LBS)确定目标所在地理位置周边信息,然后通过数据库资料计算目标行为概率,当目标某行为概率大于设定的阈值时,对目标或目标的接收端预警。本发明在分析了目标所有可能行为的基础上，利用三大模块分别解决了目标移动多样性问题（此问题在用户位置模块中得以解决）以及目标行为多样性问题（此问题在用户行为预测模块和预警判断模块得以解决）。

Description

一种基于智能设备的目标实时跟踪预警方法以及***
技术领域
本发明涉及一种基于智能设备的目标实时跟踪预警方法以及***，属于民用信息技术领域。
背景技术
近年来，伴随经济的不断发展，人口的日益增多，拐卖人口犯罪特别是拐卖儿童犯罪呈现出日益增多的趋势。一件件拐卖儿童事件一次又一次地触动着人们的神经，为社会和民众带来巨大的伤害。但是，拐卖儿童的现象屡禁不止，失踪儿童日益增多，使得被拐孩子的家庭因此而支离破碎，严重破坏了社会的安定与和谐，成为一个重大不安定因素。更让人无法容忍的是，某些犯罪分子甚至强迫被拐来的孩子去沿街乞讨、从事***、贩毒等违法活动,导致这些孩子身心受到严重摧残。
到目前为止，尚无有效方法可以防止拐卖儿童现象发生。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种基于智能设备的目标实时跟踪预警方法以及***，是一种全新的目标行为判别技术,其原理是利用定位技术以及地理位置服务(LBS)确定目标所在地理位置周边信息,然后通过数据库资料计算目标行为概率,当目标某行为概率大于设定的阈值时,对目标或目标的接收端预警。
本发明提供的基于智能设备的目标实时跟踪预警方法涉及到用户位置判断模块、用户行为预测模块和预警判断模块，包括以下步骤：
第一步，在用户位置判断模块中，获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块；
第二步，在用户行为预测模块中，从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素(比如，用户离具体设施目标的距离)的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块；
第三步，在预警判断模块中，将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
作为优选，第一步在用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在这段时间内所在位置区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
作为优选，第二步在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op。
作为优选，第二步在用户行为预测模块中，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
作为优选，第三步在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警。进行进一步优选，第三步在预警判断模块中，若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。
本发明提供的基于智能设备的目标实时跟踪预警***包括用户位置判断模块、用户行为预测模块和预警判断模块，每个模块的功能如下：
用户位置判断模块的功能：获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块。
作为优选，用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在这段时间内所在位置区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
用户行为预测模块的功能：从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块。
作为优选，在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
预警判断模块的功能：将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
作为优选，在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警；若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。
综上所述，本发明在分析了目标所有可能行为的基础上，利用三大模块分别解决了目标移动多样性问题(此问题在用户位置模块中得以解决)以及目标行为多样性问题(此问题在用户行为预测模块和预警判断模块得以解决)。本发明具有如下优点：
1、通过目标位置坐标，判断目标是路过该区域还是准备进入该区域的某个设置，可以有效减少***负载；
2、利用概率方法预测目标可能发生的行为，不会因用户数据的增多使得预测结果变差，反而使预测结果更精确。
3、***所需计算量不大，具有较强的工程可实现性。
4、***考虑距离等多重因素，利用权向量对原始概率加权从而加强了预测结果的准确性。
5、可以根据用户设置判断是否预警多种行为。
附图说明
图1是本发明***的结构模块图。
图2是本发明***的用户位置判断模块的判断流程图。
图3是本发明***的用户行为预测模块的预测流程图。
图4是本发明***的预警判断模块的预警判断流程图。
具体实施方式
下面结合附图，对本发明作详细的说明。
实施例1：
一种基于智能设备的目标实时跟踪预警方法，涉及到用户位置判断模块、用户行为预测模块和预警判断模块，其大体流程如图1所示。本方法包括以下步骤：
第一步如图2所示，在用户位置判断模块中，获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块。
第一步在用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在这段时间内所在位置区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
第二步如图3所示，在用户行为预测模块中，从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素(比如，用户离具体设施目标的距离)的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块。
第二步在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op。第二步在用户行为预测模块中，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
第三步如图4所示，在预警判断模块中，将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
第三步在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警。进行进一步优选，第三步在预警判断模块中，若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。
实施例2：
一种基于智能设备的目标实时跟踪预警***，包括用户位置判断模块、用户行为预测模块和预警判断模块，每个模块的功能如下：
用户位置判断模块的功能：获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块。
用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在这段时间内所在位置区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
用户行为预测模块的功能：从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块。
在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
预警判断模块的功能：将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警；若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。

Claims (10)

1.一种基于智能设备的目标实时跟踪预警方法，涉及到用户位置判断模块、用户行为预测模块和预警判断模块，其特征在于包括以下步骤：
第一步，在用户位置判断模块中，获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块；
第二步，在用户行为预测模块中，从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块；
第三步，在预警判断模块中，将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
2.根据权利要求1所述的一种基于智能设备的目标实时跟踪预警方法，其特征在于：第一步在用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在该区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
3.根据权利要求1所述的一种基于智能设备的目标实时跟踪预警方法，其特征在于：第二步在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op。
4.根据权利要求3所述的一种基于智能设备的目标实时跟踪预警方法，其特征在于：第二步在用户行为预测模块中，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
5.根据权利要求1、3或4所述的一种基于智能设备的目标实时跟踪预警方法，其特征在于：第三步在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警。
6.根据权利要求5所述的一种基于智能设备的目标实时跟踪预警方法，其特征在于：第三步在预警判断模块中，若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。
7.一种基于智能设备的目标实时跟踪预警***，其特征在于包括用户位置判断模块、用户行为预测模块和预警判断模块，每个模块的功能如下：
用户位置判断模块的功能：获取使用具有定位功能的智能设备的用户在一段时间内的位置数据形成用户位置向量，计算该用户位置向量的用户速度矩阵并对其进行二值化处理；若处理后的用户速度矩阵值不为0，则判断用户只是路过，则不进行特别处理；若处理后的用户速度矩阵值为0，则判断用户在这段时间内所在位置区域停留并将用户最新位置输出到用户行为预测模块；
用户行为预测模块的功能：从数据库中获取用户周边区域内的设施信息，针对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行中，第一个元素为根据数据库中已有数据所计算得到的进入该具体设施目标的概率，后面其他元素为各影响因素的加权权重；计算各具体设施目标的加权概率并取其最大值作为该用户进入该类设施的预测概率；对每类设施的矩阵计算后，即可得到用户的行为预测概率向量并将其处理成输出向量，然后输出到预警判断模块；
预警判断模块的功能：将输出向量的每个元素与相应的阀值进行比较，判断是否预警，并将其行为记录到数据库中：若判别为应当预警，则进一步判断数据中是否已经设置了预警功能，若设置了预警功能，则发出预警，若没有设置预警功能，则不发出预警。
8.根据权利要求7所述的一种基于智能设备的目标实时跟踪预警***，其特征在于：在用户位置判断模块中，形成的用户位置向量为根据该向量计算出的用户速度矩阵为其中对每一组列向量的计算公式为n表示在一段时间内获取用户位置数据的数量，i表示在一段时间内第i次获取用户位置数据；利用预设阀值T对用户速度矩阵进行二值化处理的过程为：若x'i＜T，则令x'i＝0，若y'i＜T时,则令y'i＝0，处理之后的用户速度矩阵若满足A'≠0，则判断为用户只是路过此地,则不进行特别处理，若满足A'＝0,则判断为用户在该区域停留并将用户最新位置的列向量输出到用户行为预测模块,对用户行为进行预测。
9.根据权利要求7所述的一种基于智能设备的目标实时跟踪预警***，其特征在于：在用户行为预测模块中，根据用户的最新位置从数据库中获取其周边半径为R的圆形区域内的设施信息，统计周边设施的种类数m以及每种设施的个数k,其中第m种的个数记作km；对每类设施建立矩阵，该矩阵中，每行表示一个具体设施目标的信息，每行第一个元素为用户进入该具体设施目标的概率，通过公式确定，每行后面其他元素为各影响因素的加权权重，若为正相关元素，则其计算公式为:若为负相关元素，则其计算公式为:其中，hki表示第i个影响因素的加权权重，Ik表示数据库记录的第k个目标被进入的总次数,Nk表示数据库中第k个目标没有被进入的总次数，Di表示预设的权重数据；然后通过公式计算每类设施中各具体设施目标的加权概率，wpi表示每类设施中第i个具体设施目标的加权概率；并取其最大的加权概率wpj，并记录j的位置，并令向量opi＝wpj，其中，opi表示在全局环境下用户进入第i类设施发生的概率；对各类设施的矩阵计算后，即可得到该用户的行为预测概率向量op，用户的行为预测概率向量op通过公式pi＝(1-op1)(1-op2)...(1-opi-1)opi(1-opi+1)(1-opm)进行处理，得到输出向量P，然后输出到预警判断模块之前。
10.根据权利要求7所述的一种基于智能设备的目标实时跟踪预警***，其特征在于：在预警判断模块中，在判别之前，读取预设定的信息向量S，Pi表示第i类设施的输出向量，Ti表示第i类设施的相应阀值，若si＝0，说明第i类设施没有设定预警功能，若si＝1，说明第i类设施设定了预警功能；若si＝0且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝0且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，应发出预警但不发出预警；若si＝1且Pi＜Ti，说明目标进入第i类设施的概率较小，则将用户行为记录到数据库中，不应发出预警；若si＝1且Pi≥Ti，说明目标进入第i类设施的概率较大，则将用户行为记录到数据库中，发出预警；若判别结果为不应发出预警，则在数据库中将第i类设施的所有设施总未进入次数增加1次；若判别结果为应发出预警，则在数据库中将第i类设施下加权概率最大的设施的总进入次数增加1次，对区域内其余所有设施的总未进入次数增加1次。
CN201610028888.9A 2016-01-15 2016-01-15 一种基于智能设备的目标实时跟踪预警方法以及*** Active CN105426553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610028888.9A CN105426553B (zh) 2016-01-15 2016-01-15 一种基于智能设备的目标实时跟踪预警方法以及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610028888.9A CN105426553B (zh) 2016-01-15 2016-01-15 一种基于智能设备的目标实时跟踪预警方法以及***

Publications (2)

Publication Number Publication Date
CN105426553A CN105426553A (zh) 2016-03-23
CN105426553B true CN105426553B (zh) 2018-09-11

Family

ID=55504765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610028888.9A Active CN105426553B (zh) 2016-01-15 2016-01-15 一种基于智能设备的目标实时跟踪预警方法以及***

Country Status (1)

Country Link
CN (1) CN105426553B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110347760B (zh) * 2019-05-30 2021-07-09 中国地质大学（武汉） 一种用于失踪人群时空定位服务的数据分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593361A (zh) * 2012-08-14 2014-02-19 中国科学院沈阳自动化研究所 感应网络环境下移动时空轨迹分析方法
CN103793599A (zh) * 2014-01-17 2014-05-14 浙江远图智控***有限公司 一种基于隐马尔科夫模型的出行异常检测方法
CN104581622A (zh) * 2013-10-28 2015-04-29 华为技术有限公司 移动用户位置预测方法及设备
CN104881711A (zh) * 2015-05-18 2015-09-02 中国矿业大学 基于矿工行为分析的井下预警机制
CN105095991A (zh) * 2015-07-20 2015-11-25 百度在线网络技术（北京）有限公司 用于人群风险预警的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7743340B2 (en) * 2000-03-16 2010-06-22 Microsoft Corporation Positioning and rendering notification heralds based on user's focus of attention and activity

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593361A (zh) * 2012-08-14 2014-02-19 中国科学院沈阳自动化研究所 感应网络环境下移动时空轨迹分析方法
CN104581622A (zh) * 2013-10-28 2015-04-29 华为技术有限公司 移动用户位置预测方法及设备
CN103793599A (zh) * 2014-01-17 2014-05-14 浙江远图智控***有限公司 一种基于隐马尔科夫模型的出行异常检测方法
CN104881711A (zh) * 2015-05-18 2015-09-02 中国矿业大学 基于矿工行为分析的井下预警机制
CN105095991A (zh) * 2015-07-20 2015-11-25 百度在线网络技术（北京）有限公司 用于人群风险预警的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GPS/GSM的老人儿童定位监护***的软件设计;谢雪婷;《中国优秀硕士学位论文全文数据库 基础科学辑》;20131215;第A008-103页 *

Also Published As

Publication number Publication date
CN105426553A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN112926541B (zh) 一种睡岗检测方法、装置及相关设备
CN110414400B (zh) 一种施工现场安全帽穿戴自动检测方法及***
CN115603466B (zh) 一种基于人工智能视觉识别的船舶岸电***
CN109902930B (zh) 一种基于实有人口指标的配套设施规划辅助***
CN109034020A (zh) 一种基于物联网与深度学习的社区风险监测和防范方法
CN109886477B (zh) 水污染的预测方法、装置及电子设备
CN107977734A (zh) 一种时空大数据下基于移动马尔可夫模型的预测方法
CN111767847A (zh) 一种集成目标检测和关联的行人多目标跟踪方法
CN106792523A (zh) 一种基于大规模WiFi活动轨迹的异常行为检测方法
CN110888884A (zh) 基于geohash匹配的车码拟合方法及***
CN106918684A (zh) 一种水质污染预警方法
CN105426553B (zh) 一种基于智能设备的目标实时跟踪预警方法以及***
CN103425884A (zh) 一种地铁换乘通道通行状态的模糊预测方法
Hwang et al. Detection and correction method of erroneous data using quantile pattern and LSTM
CN109362100A (zh) 一种基于通信信令的基站评估方法和***
Lu et al. Shape-based vessel trajectory similarity computing and clustering: A brief review
CN116596722A (zh) 一种智慧社区风险防控***及风险防控方法
Kim et al. Prediction of leak flow rate using fuzzy neural networks in severe post-LOCA circumstances
CN114049134A (zh) 一种污染源在线监测数据造假识别方法
Yu et al. Automatic safety monitoring of construction hazard working zone: A semantic segmentation based deep learning approach
Park et al. Prediction of the reactor vessel water level using fuzzy neural networks in severe accident circumstances of NPPs
CN111126718A (zh) 一种台风路径预测方法
CN108876062B (zh) 一种犯罪事件智能预测的大数据方法及装置
CN112464546B (zh) 基于动态数据分析的公共空间行人流运动风险判别方法
Wang et al. Vision-based highway traffic accident detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210128

Address after: 310051 rooms 103 and 105, building 4, No.1 Weiye Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province

Patentee after: HANGZHOU CCRFID MICROELECTRONICS Co.,Ltd.

Address before: 611131 No. 211 Huimin Road, Fair Town, Wenjiang District, Chengdu City, Sichuan Province

Patentee before: SICHUAN AGRICULTURAL University

Patentee before: Peng Wei

Patentee before: Fan Ge

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A real time target tracking and early warning method and system based on intelligent device

Effective date of registration: 20210604

Granted publication date: 20180911

Pledgee: China Minsheng Banking Corp Hangzhou branch

Pledgor: HANGZHOU CCRFID MICROELECTRONICS Co.,Ltd.

Registration number: Y2021330000513

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220315

Granted publication date: 20180911

Pledgee: China Minsheng Banking Corp Hangzhou branch

Pledgor: HANGZHOU CCRFID MICROELECTRONICS Co.,Ltd.

Registration number: Y2021330000513

PC01 Cancellation of the registration of the contract for pledge of patent right