CN110852517A - 非正常行为预警方法、装置、数据处理设备及存储介质 - Google Patents
非正常行为预警方法、装置、数据处理设备及存储介质 Download PDFInfo
- Publication number
- CN110852517A CN110852517A CN201911120641.XA CN201911120641A CN110852517A CN 110852517 A CN110852517 A CN 110852517A CN 201911120641 A CN201911120641 A CN 201911120641A CN 110852517 A CN110852517 A CN 110852517A
- Authority
- CN
- China
- Prior art keywords
- behavior
- abnormal behavior
- preset
- data
- abnormal
- 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.)
- Granted
Links
Images
Classifications
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供一种非正常行为预警方法、装置、数据处理设备及存储介质。获取目标人员的预设类型的行为对应的行为频率。根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得。将所述加权求和结果与预设非正常行为阈值进行比较。若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。如此,该非正常行为预警方法的处理过程均由数据处理设备自动完成,继而降低了非正常行为预警的人力成本。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种非正常行为预警方法、装置、数据处理设备及存储介质。
背景技术
由于社会人员的非正常社会行为会影响社会环境的治安秩序,为了维护社会环境的稳定,需要对进行非正常行为进行监控、预警以及治理等。
目前对社会人员的非正常行为的监管主要以人盯人为主,依托人员的轨迹信息进行预警为辅,而这种管理主要存在人力成本高、监控难度大以及预测准确率低等问题。
发明内容
本申请实施例提供一种非正常行为预警方法、装置、数据处理设备及存储介质,旨在降低非正常行为预警的人力成本。
为了克服现有技术中的至少一个不足,本申请的目的之一在于提供非正常行为预警方法,应用于数据处理设备,所述方法包括:
获取目标人员的预设类型的行为对应的行为频率;
根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得;
将所述加权求和结果与预设非正常行为阈值进行比较;
若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
可选地,所述预设类型的行为包括出行轨迹数据、车辆轨迹数据、通信记录数据、监控视频数据、非正常行为人员关系人员数据。
可选地,所述方法还包括:
获取所述非正常行为样本数据;
将所述非正常行为样本数据输入到所述机器学习模型;
基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
可选地,所述获取所述非正常行为样本数据的步骤包括:
获取历史非正常行为人员的历史行为数据;
根据所述预设类型的行为以及各所述预设类型的行为对应的第一频率阈值对所述历史行为数据进行筛选,获得所述非正常行为样本数据。
可选地,述数据处理设备配置有数据库,所述方法还包括:
将所述非正常行为样本数据存储到所述数据库中。
可选地,所述获取目标人员的预设类型的行为对应的行为频率之前还包括步骤:
获取历史非正常行为人员在预设时间段内各所述预设类型的行为对应的行为频率;
针对每个历史非正常行为人员,将各所述行为频率与各所述预设类型的行为对应第二频率阈值分别进行比较;
若各所述行为频率中的任意一个大于对应的第二频率阈值,则将该历史非正常行为人员作为所述目标人员。
本申请实施例的目的之二在于提供一种非正常行为预警装置,应用于数据处理设备,所述非正常行为预警装置包括行为频率获取模块、加权求和模块、阈值比较模块以及行为提醒模块;
所述行为频率获取模块用于获取目标人员的预设类型的行为对应的行为频率;
所述加权求和模块用于根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得;
所述阈值比较模块用于将所述加权求和结果与预设非正常行为阈值进行比较;
所述行为提醒模块用于若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
可选地,所述非正常行为预警装置还包括样本获取模块、数据输入模块以及模型训练模块;
所述样本获取模块用于获取所述非正常行为样本数据;
所述数据输入模块用于将所述非正常行为样本数据输入到所述机器学习模型;
所述模型训练模块用于基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
本申请实施例的目的之三在于提供一种数据处理设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令,以实现所述非正常行为预警方法。
本申请实施例的目的之四在于提供一种存储介质,其上存储有计算机程序,所述计算机程序被执行时,实现所述非正常行为预警方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请实施例提供一种非正常行为预警方法、装置、数据处理设备及存储介质。基于预设类型的行为对应的权值,对目标人员的预设类型的行为对应的行为频率进行加权求和。根据该加权求和结果与预设的非正常行为阈值的比较结果,判断目标人员是否存在非正常行为阈值。上述处理过程均由数据处理设备自动完成,继而降低了非正常行为预警的人力成本。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的数据处理设备的结构示意图;
图2为本申请实施例提供的非正常行为预警方法的步骤流程图;
图3为本申请实施例提供的非正常行为预警装置的结构示意图之一;
图4为本申请实施例提供的非正常行为预警装置的结构示意图之二。
图标:100-数据处理设备;130-处理器;120-存储器;110-非正常行为预警装置;1101-行为频率获取模块;1102-加权求和模块;1103-阈值比较模块;1104-行为提醒模块;1105-样本获取模块;1106-数据输入模块;1107-模型训练模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如背景技术部分所介绍,目前对非访、集访的监管主要以人盯人为主、依托人员的轨迹信息进行预警为辅,而这种管理主要存在人力成本高、监控难度大以及预测准确率低等问题。
鉴于此,本申请实施例提供一种非正常行为预警方法,应用于数据处理设备100。请参照图1,该数据处理设备100包括非正常行为预警装置110、存储器120、处理器130。
所述存储器120、处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述非正常行为预警装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述数据处理设备100的操作***(operating system,OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块,例如所述非正常行为预警装置110所包括的软件功能模块及计算机程序等。
其中,所述存储器120可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2,图2为本申请实施例提供的该非正常行为预警方法的步骤流程图。下面就该方法的各个步骤进行详细阐述。
步骤S100,获取目标人员的预设类型的行为对应的行为频率。
步骤S200,根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得。
值得说明的是,该预设类型的行为包括出行轨迹数据、车辆轨迹数据、通信记录数据、监控视频数据、非正常行为人员关系人员数据等。该预设类型的行为对应的维度可以根据具体的报警需求,或者行业经验做相应的调整。
具体的,该车辆轨迹数据用于表征该目标人员开车出行的相关数据或者该目标人员购买车票的相关数据。若该车辆轨迹数据显示该目标人员频繁前往敏感地点,则目标人员可能存非正常行为的嫌疑。
该通信记录数据用于表征该目标人员在短期内与其他人员之间的通信记录。若该通信记录显示该目标人员短期内与其他人员之间的通信次数突然增高,则该目标人员可能存在联络多个人员一起进行集中非正常行为的嫌疑。
该监控视频数据用于表征该目标人员与其他人员多次进行碰面,或者该目标人员多次与其他人员一起出现在敏感地点,则该目标人员存在与多个人员一起进行集中非正常行为的嫌疑。
该非正常行为人员关系人员数据用于表征该目标人员的关系人员中存在多个历史非正常行为的人员,则该目标人员存在非正常行为的嫌疑。
应理解,该目标人员最终是否会非正常行为,是由多个因素综合决定的。基于此,该数据处理设备100根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果。
步骤S300,将所述加权求和结果与预设非正常行为阈值进行比较。
步骤S400,若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
如此,通过该数据处理设备100收集该目标人员的行为数据,抽取出行为数据中预设类型的行为对应的行为数据,统计该预设类型的行为在预设时间段内的行为频率。通过上述方法自动计算该目标人员是否存在非正常行为嫌疑,继而降低了非正常行为预警的人力成本。
其中,该目标人员属于有过非正常行为记录的社会人员中的其中一个或者多个。应理解,由于曾经参与过非正常或者非法社会行为活动的社会人员,其再次进行非正常或者非法社会行为的概率较高,因此,将经参与过非正常或者非法社会行为活动的社会人员记录到历史非正常行为人员的名单中。例如,该非正常或者非法社会行包括多个人聚众斗殴、非正常聚会、多人或单个社会人员多次出现在行政机关门口等敏感地点。
例如,若社会人员A曾参与过聚众斗殴行为,该社会人员A再次参与聚众斗殴的可能性极高,因此需要对社会人员A进行的社会行为进行重点监控防范,则将该社会人员A记录到历史非正常行为人员的名单中。
该数据处理设备100重点关注该历史非正常行为人员的名单中的历史非正常行为人员。该数据处理设备100获取历史非正常行为人员在预设时间段内各所述预设类型的行为对应的行为频率。
针对每个历史非正常行为人员,该数据处理设备100将各所述行为频率与各所述预设类型的行为对应第二频率阈值分别进行比较;若各所述行为频率中的任意一个大于对应的第二频率阈值,则将该历史非正常行为人员作为所述目标人员。
例如,在一种可能的示例中,设该预设类型的行为包括出行轨迹数据,对应的第二频率阈值为一个月内出现3次。该历史非正常行为人员包括社会人员B。若该社会人员B的出行轨迹数据显示在一个月的时间内,该社会人员B在敏感地点出现了10次,大于对应的第二频率阈值,则将社会人员B作为目标人员。
其中,在获取各预设类型的行为对应的权值时,该数据处理设备100获取所述非正常行为样本数据;将所述非正常行为样本数据输入到所述机器学习模型;基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
如此,通过机器学习模型对非正常行为样本数据进行分析处理,提取出该非正常行为样本数据中各预设类型的行为之间的内在关系,以获取对应的权值。基于各所述预设类型的行为对应的权值,提高判断目标人员是否存在非正常行为嫌疑的准确度。
可选地,该数据处理设备100获取非正常行为样本数据时,获取历史非正常行为人员的历史行为数据;根据所述预设类型的行为以及各所述预设类型的行为对应的第一频率阈值对所述历史行为数据进行筛选,获得所述非正常行为样本数据。
例如,该一种可能的示例中,该历史非正常行为人员的历史行为数据获取自公安部门的非正常行为人员的访情况、非正常行为人员的出行轨迹数据、非正常行为人员的通信记录数据、非正常行为人员的车辆轨迹数据;交通管理部门的非正常行为人员的监控视频数据;城市综合管理部门的非正常行为人员的监控视频数据。
该数据处理设备100建立历史非正常行为人员的历史行为数据与历史非正常行为人员之间的对应关系。
由于历史非正常行为人员的历史行为数据并非均与非正常行为相关。例如,非正常行为人员的通信记录中包括有正常的通话记录以及非正常行为相关的通话记录。因此需要对该历史非正常行为人员的历史行为数据做进一步地的筛选。
基于此,该数据处理设备100根据所述预设类型的行为以及各所述预设类型的行为对应的第一频率阈值对所述历史行为数据进行筛选,获得所述非正常行为样本数据。
例如,该非正常行为人员的通信记录对应的第一频率阈值为10次,则针对每个非正常行为人员,提取出与非正常行为相关的通话记录中,通话次数大于10次的相关通话数据。
进一步地,该数据处理设备100对非正常行为样本数据进行特征转化,得到归一化的数据。应理解,该非正常行为样本数据为高层语义数据,该机器学习模型无法直接处理。因此,将非正常行为样本数据输入到该机器学习模型之前,将其转化成归一化的向量数据。
该数据处理设备100将其转化成归一化的向量数据输入到所述机器学习模型中后,基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
可选地,所述数据处理设备100配置有数据库,该数据处理设备100将所述非正常行为样本数据存储到所述数据库中,以方便下次使用。
请参见图3,本申请实施例还提供一种非正常行为预警装置110,应用于数据处理设备100。从功能上划分,所述非正常行为预警装置110包括行为频率获取模块1101、加权求和模块1102、阈值比较模块1103以及行为提醒模块1104。
该行为频率获取模块1101用于获取目标人员的预设类型的行为对应的行为频率。
在本申请实施例中,该行为频率获取模块1101用于执行图2中的步骤S100,关于该行为频率获取模块1101的详细描述可以参考步骤S100的详细描述。
该加权求和模块1102用于根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得。
在本申请实施例中,该加权求和模块1102用于执行图2中的步骤S200,关于该加权求和模块1102的详细描述可以参考步骤S200的详细描述。
该阈值比较模块1103用于将所述加权求和结果与预设非正常行为阈值进行比较。
在本申请实施例中,该阈值比较模块1103用于执行图3中的步骤S300,关于该阈值比较模块1103的详细描述可以参考步骤S300的详细描述。
该行为提醒模块1104用于若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
在本申请实施例中,该行为提醒模块1104用于执行图2中的步骤S400,关于该行为提醒模块1104的详细描述可以参考步骤S400的详细描述。
可选地,请参照图4,所述非正常行为预警装置110还包括样本获取模块1105、数据输入模块1106以及模型训练模块1107。所述样本获取模块1105用于获取所述非正常行为样本数据。所述数据输入模块1106用于将所述非正常行为样本数据输入到所述机器学习模型。所述模型训练模块1107用于基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
本申请实施例还提供一种数据处理设备100,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令,以实现所述非正常行为预警方法。
本申请实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被执行时,以实现所述非正常行为预警方法。
综上所述,本申请实施例提供一种非正常行为预警方法、装置、数据处理设备及存储介质。基于预设类型的行为对应的权值,对目标人员的预设类型的行为对应的行为频率进行加权求和。根据该加权求和结果与预设的非正常行为阈值的比较结果,判断目标人员是否存在非正常行为阈值。上述处理过程均由数据处理设备自动完成,继而降低了非正常行为预警的人力成本。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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(可以是个人计算机,服务器,或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种非正常行为预警方法,其特征在于,应用于数据处理设备,所述方法包括:
获取目标人员的预设类型的行为对应的行为频率;
根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得;
将所述加权求和结果与预设非正常行为阈值进行比较;
若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
2.根据权利要求1所述的非正常行为预警方法,其特征在于,所述预设类型的行为包括出行轨迹数据、车辆轨迹数据、通信记录数据、监控视频数据、非正常行为人员关系人员数据。
3.根据权利要求1所述的非正常行为预警方法,其特征在于,所述方法还包括:
获取所述非正常行为样本数据;
将所述非正常行为样本数据输入到所述机器学习模型;
基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
4.根据权利要求3所述的非正常行为预警方法,其特征在于,所述获取所述非正常行为样本数据的步骤包括:
获取历史非正常行为人员的历史行为数据;
根据所述预设类型的行为以及各所述预设类型的行为对应的第一频率阈值对所述历史行为数据进行筛选,获得所述非正常行为样本数据。
5.根据权利要求4所述的非正常行为预警方法,其特征在于,所述数据处理设备配置有数据库,所述方法还包括:
将所述非正常行为样本数据存储到所述数据库中。
6.根据权利要求1所述的非正常行为预警方法,其特征在于,所述获取目标人员的预设类型的行为对应的行为频率之前还包括步骤:
获取历史非正常行为人员在预设时间段内各所述预设类型的行为对应的行为频率;
针对每个历史非正常行为人员,将各所述行为频率与各所述预设类型的行为对应第二频率阈值分别进行比较;
若各所述行为频率中的任意一个大于对应的第二频率阈值,则将该历史非正常行为人员作为所述目标人员。
7.一种非正常行为预警装置,其特征在于,应用于数据处理设备,所述非正常行为预警装置包括行为频率获取模块、加权求和模块、阈值比较模块以及行为提醒模块;
所述行为频率获取模块用于获取目标人员的预设类型的行为对应的行为频率;
所述加权求和模块用于根据各所述预设类型的行为对应的权值,计算各所述行为频率的加权求和结果,所述权值由非正常行为样本数据经机器学习模型进行训练获得;
所述阈值比较模块用于将所述加权求和结果与预设非正常行为阈值进行比较;
所述行为提醒模块用于若该加权求和结果大于所述预设非正常行为阈值,则该目标人员存在非正常行为嫌疑,对相关人员进行提醒。
8.根据权利要求7所述的非正常行为预警装置,其特征在于,所述非正常行为预警装置还包括样本获取模块、数据输入模块以及模型训练模块;
所述样本获取模块用于获取所述非正常行为样本数据;
所述数据输入模块用于将所述非正常行为样本数据输入到所述机器学习模型;
所述模型训练模块用于基于预设损失函数,调整所述机器学习模型的权值,直到所述预设损失函数的误差小于预设误差阈值,继而获得各所述预设类型的行为对应的权值。
9.一种数据处理设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令,以实现如权利要求1-6任一项所述的非正常行为预警方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被执行时,以实现如权利要求1-6任一项所述的非正常行为预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120641.XA CN110852517B (zh) | 2019-11-15 | 2019-11-15 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120641.XA CN110852517B (zh) | 2019-11-15 | 2019-11-15 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852517A true CN110852517A (zh) | 2020-02-28 |
CN110852517B CN110852517B (zh) | 2023-08-25 |
Family
ID=69601368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120641.XA Active CN110852517B (zh) | 2019-11-15 | 2019-11-15 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852517B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132357A (zh) * | 2020-09-29 | 2020-12-25 | 佳都新太科技股份有限公司 | 一种基于大数据的行为预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018114035A1 (de) * | 2016-12-21 | 2018-06-28 | Diehl Metering Gmbh | Verfahren und vorrichtung zur aktivitätsüberwachung wenigstens einer person in einer infrastruktureinheit und messeinrichtung |
US20190044963A1 (en) * | 2017-08-02 | 2019-02-07 | Code 42 Software, Inc. | User behavior analytics for insider threat detection |
CN109460727A (zh) * | 2018-10-31 | 2019-03-12 | 中国矿业大学 | 一种基于人体行为识别的考场监控***及方法 |
CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及*** |
CN109714324A (zh) * | 2018-12-18 | 2019-05-03 | 中电福富信息科技有限公司 | 基于机器学习算法的用户网络异常行为发现方法及*** |
CN109993365A (zh) * | 2019-04-02 | 2019-07-09 | 深圳市华云中盛科技有限公司 | 患病概率预测方法、装置、计算机设备及存储介质 |
CN110209709A (zh) * | 2019-06-06 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种关注人员行为分析的方法 |
-
2019
- 2019-11-15 CN CN201911120641.XA patent/CN110852517B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018114035A1 (de) * | 2016-12-21 | 2018-06-28 | Diehl Metering Gmbh | Verfahren und vorrichtung zur aktivitätsüberwachung wenigstens einer person in einer infrastruktureinheit und messeinrichtung |
US20190044963A1 (en) * | 2017-08-02 | 2019-02-07 | Code 42 Software, Inc. | User behavior analytics for insider threat detection |
CN109460727A (zh) * | 2018-10-31 | 2019-03-12 | 中国矿业大学 | 一种基于人体行为识别的考场监控***及方法 |
CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及*** |
CN109714324A (zh) * | 2018-12-18 | 2019-05-03 | 中电福富信息科技有限公司 | 基于机器学习算法的用户网络异常行为发现方法及*** |
CN109993365A (zh) * | 2019-04-02 | 2019-07-09 | 深圳市华云中盛科技有限公司 | 患病概率预测方法、装置、计算机设备及存储介质 |
CN110209709A (zh) * | 2019-06-06 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种关注人员行为分析的方法 |
Non-Patent Citations (1)
Title |
---|
王帅鹏等: "基于图像处理的人员异常行为监测设计", 《现代电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132357A (zh) * | 2020-09-29 | 2020-12-25 | 佳都新太科技股份有限公司 | 一种基于大数据的行为预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110852517B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111899878B (zh) | 老年人健康检测***、方法、计算机设备及可读存储介质 | |
CN109545317B (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
US20170330117A1 (en) | System for and method for detection of insider threats | |
KR20180013998A (ko) | 계정 도난 위험 식별 방법, 식별 장치, 예방 및 통제 시스템 | |
CN112835769A (zh) | 一种业务数据异常诊断方法、装置、设备及存储介质 | |
US11437126B2 (en) | Methods and systems for analyzing accessing of medical data | |
CN109523396A (zh) | 基于数据分析的医保基金风控方法、装置、服务器及介质 | |
CN105938573A (zh) | 医疗保险基金精算预警***及方法 | |
CN111080012A (zh) | 人员危险度预测方法、装置、电子设备和可读存储介质 | |
CN110852517B (zh) | 非正常行为预警方法、装置、数据处理设备及存储介质 | |
CN108694808A (zh) | 一种多渠道出租车司机人身安全智能分析报警方法及*** | |
CN108538024A (zh) | 一种多渠道人身安全智能分析报警方法及*** | |
CN116976664A (zh) | 一种风险商户预测方法、***、计算机和可读存储介质 | |
CN108694811A (zh) | 一种出租车司机人身安全自动分析报警跟踪方法及*** | |
CN115146728A (zh) | 一种行为异常分析方法、装置及电子设备 | |
CN114757775A (zh) | 异常交易的告警方法、装置、电子设备及存储介质 | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes | |
CN112037042A (zh) | 一种银行业务监控方法及装置 | |
EP3833240A1 (en) | Incorporating contextual data in a clinical assessment | |
CN112949442A (zh) | 一种异常事件预识别方法、装置、电子设备及监控*** | |
CN112035726A (zh) | 商标注册的方法及装置 | |
Tilbury | Repeated reports to child protection: Interpreting the data | |
CN116955456B (zh) | 基于开源情报的舆论数据处理方法及*** | |
CN110942219A (zh) | 一种社区安全评估方法及装置和电子设备 | |
Sakai et al. | Healthcare Fraud Detection Using Data Mining |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210914 Address after: 100000 room 650, 6th floor, building 11, Huashan Garden Cultural Media Industrial Park, 1376 folk culture street, Gaobeidian village, Gaobeidian Township, Chaoyang District, Beijing Applicant after: Beijing Zhizhi Heshu Technology Co.,Ltd. Address before: No.310, building 4, courtyard 8, Dongbei Wangxi Road, Haidian District, Beijing Applicant before: MININGLAMP SOFTWARE SYSTEMS Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |