CN110874369A - 一种多维数据融合侦查***及其方法 - Google Patents
一种多维数据融合侦查***及其方法 Download PDFInfo
- Publication number
- CN110874369A CN110874369A CN201911024899.XA CN201911024899A CN110874369A CN 110874369 A CN110874369 A CN 110874369A CN 201911024899 A CN201911024899 A CN 201911024899A CN 110874369 A CN110874369 A CN 110874369A
- Authority
- CN
- China
- Prior art keywords
- data
- target information
- information
- information data
- association
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000011835 investigation Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000010365 information processing Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多维数据融合侦查***及其方法，包括：若干信息采集模块，用于对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；信息处理模块，用于对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；信息分析模块，用于对具有同一地址标识内的不同时间段的目标信息进行分析。有益效果：解决传统侦查手段的痛点和难点，创造性的实现生物特征和电子特征的无缝融合，结构化数据和非结构化数据的关联应用。
Description
技术领域
本发明涉及数据融合领域，尤其是，涉及一种多维数据融合侦查***及其方法，具体来说，涉及一种基于机器学习人脸图像和电子特征多维数据融合侦查方法。
背景技术
公安机关掌握海量数据资源，具有较好的数据基础。例如：网安部门的网安数据、WiFi围栏数据等；技侦部门的电子围栏数据；交警部门的电子警察数据；科信部门的电子卡口数据、监控视频录像数据；刑侦部门的109平台；边防负责的出入境记录；警情、案事件、常住人口、出入境***信息、机动车、驾驶员、信访、治安等基础数据；民航、铁路、旅馆业、网吧、收费站过车等社会数据。但同时也存有数据挖掘水平较低、数据融合力度不够，数据处于相对孤立状态等问题，没能发挥出数据融合应用的优势。
其中，生物特征数据、电子特征数据没有有机融合，导致人脸识别技术与传统侦查手段脱节。单一类的数据应用都存有其局限性，较难发挥出数据的作用。传统电子特征采集设备，通过分析出嫌疑人电子特征或嫌疑人车辆电子特征后，侦查员无法对嫌疑人获得直观认识。生物特征采集设备摄像头受视频清晰度和环境影响，捕抓到的人脸可能不清晰，无法进行人脸比对。两类数据没有进行有机融合，互为补充，无法最大程度发挥出两类数据在公安人员侦破案件中的作用。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种多维数据融合侦查***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种多维数据融合侦查***，包括：
若干信息采集模块，用于对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；
信息处理模块，用于对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
信息分析模块，用于对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
关联统计模块，用于特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
进一步的，还包括：信息去重模块，用于相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
进一步的，还包括：关联梯度生成模块，用于根据所述关联统计模块统计的关联次数，形成梯度统计表。
进一步的，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
根据本发明的另一方面，提供了一种多维数据融合侦查方法。
包括以下步骤：
利用信息采集模块对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括 MAC、车牌、人脸、IMSI特征数据；
对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
对特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
进一步的，还包括：对相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
进一步的，还包括：根据所述关联统计模块统计的关联次数，形成梯度统计表。
进一步的，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
与现有技术相比，本发明具有以下有益效果：
实现了从电子特征到生物特征的相关关联，解决传统侦查手段的痛点和难点，创造性的实现生物特征和电子特征的无缝融合，结构化数据和非结构化数据的关联应用。实现发现，定位，侦控，抓捕，预警和日常数据采集的一体化解决方案。***的成功构建，实现了电子特征与生物特征数据的关联，将进一步提升数据的实用价值，这必将更进一步提升公安机关核心战斗力，具有较好的示范带动作用。在本***的基础上，面对未来新的安全形势，可结合更完善更丰富的数据来源，利用多源异构数据关联等技术，依据跨时空数据的关联关系重构数据组织，构建更智慧的侦查***。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是根据本发明实施例的一种多维数据融合侦查***的结构示意图；
图2是根据本发明实施例的一种多维数据融合侦查方法的流程图；
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述：
如图1所示。根据本发明的一个实施例，一种多维数据融合侦查***，包括：
若干信息采集模块，用于对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；
信息处理模块，用于对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
信息分析模块，用于对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
关联统计模块，用于特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
另外，在一个实施例中，还包括：信息去重模块，用于相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
另外，在一个实施例中，还包括：关联梯度生成模块，用于根据所述关联统计模块统计的关联次数，形成梯度统计表。
另外，在一个实施例中，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
如图2所示，据本发明的实施例，还提供了一种多维数据融合侦查方法。
包括以下步骤：
步骤S101，利用信息采集模块对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；
步骤S103，对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
步骤S105，对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
步骤S107，对特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
另外，在一个实施例中，还包括：对相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
另外，在一个实施例中，还包括：根据所述关联统计模块统计的关联次数，形成梯度统计表。
另外，在一个实施例中，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
为了方便理解本发明的上述技术方案，以下从具体实际原理的角度，对本发明的上述技术方案进行详细说明。
在城市的同一(或相邻)位置上放置4类不同的信息采集器、分别采集经过的MAC、车牌、人脸、IMSI特征数据，每种特征数据主要包含对应的特征值、位置标识、采集时间这三种主要信息。
在城区范围内设置多个这样的信息采集点，人群在城区内移动就会采集并积累得到大量的特征数据(MAC、车牌、人脸、IMSI)。这四类特征信息间互相独立，希望通过对历史数据的挖掘分析，建立这四类特征数据两两之间的关联关系。
总体算法通过对于特征之间两两进行碰撞来完成数据间关联，算法中规定，对于feature_1和feature_2中出现在同一时间区间内(此处指两特征采集时间间隔时间小于设定的阈值N分钟即认为属于同一时间区间内)和相同地点出现的两种特征组合即为进行碰撞一次，对于历史数据得到的累积关联次数统计结果再进行关联评估。关联评估判定了累计关联统计结果的匹配程度，主要分为关联次数的top_N以及对当天的关联次数的梯度变化情况来完成对于两个特征的关联强度的评估，最终结果输出并保存。
关联统计是要对不同的特征之间进行两两碰撞，通过筛选出在相同时间区间内以及相同地点同时出现的两个特征的组合完成数据关联，然后进行相关统计，主要包括：碰撞次数(match_times)的统计、各个特征值在相应关联中出现次数的统计(count)等。整个算法分为数据读取、group id替换、时间分段、地点匹配、时间匹配、结果去重、关联结果统计共7个环节。
关联统计流程开始的第一步，是读取相应字段数据，根据数据存放地址读取当天新采集得到的各类特征数据：MAC数据、IMSI数据、VEHICLE 数据(由于目前尚未有人脸数据，所以基于此三类数据进行关联)。
A.MAC数据，我们按特定顺序分别提取终端MAC地址、采集时间 (时间戳形式)、采集时间(1970年起的绝对秒数)、采集设备编码，并将这四个字段组成新的MAC数据表格转换为spark sql的dataframe格式。
B.IMSI数据，我们按特定顺序分别提取数据表格中的设备IMSI值、采集时间(时间戳形式)、采集时间(1970年起的绝对秒数)、采集设备编码，并将这四个字段组成新的IMSI数据表格转换为spark sql的 dataframe格式。
C.VEHICLE数据，我们按特定顺序分别提取数据表格中的车牌号码、采集时间(时间戳形式)、采集时间(1970年起的绝对秒数)、采集设备编码，并将这四个字段组成新的VEHICLE数据表格转换为spark sql的 dataframe格式。结果如下表所示：
表1 IMSI dataframe输出的字段
表2 MAC dataframe输出的字段
表3车牌dataframe输出的字段
另外，在城市传感器布置时，MAC、IMSI、VEHICLE特征的采集器数量和地理坐标各不相同。根据对实际采集器布置的情况分析，制作出了在地理空间中位置相近的采集器DEVICE_CODE-GROUP_ID对应表，用新的标签GROUP_ID替换掉原来的DEVICE_CODE，这样同一区域的不同特征的采集器就拥有了相同的GROUP_ID属性，通过清洗不包含 DEVICE_CODE-GROUP_ID对应表中的数据，只有可能产生碰撞效果的特征数据才会被保留下来进行后续碰撞关联分析，以降低无关数据量。结果如下所示：
表4 IMSI MATCH_CODE替换后输出的字段
表5 MAC MATCH_CODE替换后输出的字段
表6车牌MATCH_CODE替换后输出的字段
对于数据进行关联时，核心工作为筛查两个不同的特征值是否在相同地点的同一时间区间内出现，因此对于采集时间差大于时间区间设定值的数据间不存在关联可能，同时，如对全部数据间关联计算量大，因此对每天的采集数据按照时间进行分段，只有同一段内两类特征会进行关联。考虑到分段数目与每段时间区间之间关系应为正太分布，本算法将数据按小时分为24段(该分段方式仅需提取相关时间戳，效率高)。同时，考虑到关联筛查为同一时间区间内的数据均有可能关联，因此将段边界时刻前后 N分钟内数据分别复制合并到相邻段内，避免漏掉数据(该操作可能会造成关联重复计数，因此算法后面会进行相关去重操作)。
本算法中，分段过程是将时间戳形式的cap_time提取得到hour和 minute两列。生成的新的dataframe中hour即为在地点匹配中各时间段的相应标签。
由于分段过程可能会造成段边界时刻数据漏碰(比如：11点59的数据与12点01的数据会因为在不同段内而漏碰)，因此，minute字段被用来判断是否在分段时刻的N分钟内，如果在，将该数据黏连到相邻的段内，即通过将hour的值加1或减1的方法将其放入相邻的段。黏连完成后minute 字段将会被删除。结果以IMSI输出dataframe为例，如下所示：
表7 IMSI分时间段后输出的字段
各类特征之间的地点匹配，是通过各特征表之间的join函数操作完成。 join类型为full，依据为match_code与hour两列(即为同一时间段同一地点的数据关联)，结果仅保留对于match_code和hour两列的值相等的数据；对于gourp_id与hour不相等的join函数后为空值将会被删除。结果以IMSI 与VEHICLE地点匹配后输出为例:
表8 VEHICLE与IMSI地点匹配后输出字段(黄色为合并依据的字段)
时间匹配主要为对于不同特征数据间的采集时间差进行关联分析，筛选出两个特征出现时间差在N分钟之内的结果，即为数据出现在同一时间区间内的数据。该操作为对地点关联结果表中的CAP_TIME_feature1和 CAP_TIME_feature2进行求差，删除差值大于N分钟的数据(默认的阈值为3分钟，可根据实际情况更改)。结果以IMSI与VEHICLE地点匹配后输出为例：
表9 IMSI与VEHICLE时间匹配后输出字段
因为在段与段之间进行黏连的时候，有可能会对段边界时刻的两个特征重复计数(比如：11点59的数据与12点01的数据会因为黏贴的关系会分别在11点段和12点段各碰撞一次)，因此需要进行去重。去重的方法即对每天的关联结果中feature1、feature2、CAP_TIME_feature1(某一特征的采集时间)三个字段相同的值进行去重操作。
经过地点与时间的关联操作后，关联过程即为完成，将针结果进行统计，主要包括：碰撞次数(match_times)的统计、各个特征值在相应关联中出现次数的统计(count)等，统计结果表所含字段如下所示：
经过现网数据测试，本项目中数据的匹配分析需求与FP-Growth关联规则算法模型间具有较大差别，对于相关的支持度、置信度、提升度并不能被用来进行匹配强度的评估。通过现网数据分析，最终选择以关联次数为主展示关联累积效果的评估。
同时通过关联次数的梯度变化，来对每天数据变化情况进行补充评估。该过程中，为了把关联次数的当天与前一天之间的变化情况这一信息反应出来(即为梯度情况)，梯度统计表利用一个历史关联数据累积表和当天关联数据表完成评估。
历史关联数据表各字段介绍：
当天碰撞数据表字段
梯度表计算过程如下：
当天与历史中均关联的数据组合的梯度计算，通过将当天碰撞数据表与旧碰撞数据表通过JOIN函数进行合并，合并是依据Feature1、Feature2，合并模式为inner。
对新表增加梯度值列grad，梯度值计算公式为：
新增new_match_times_acc列：
new_match_times_acc＝old_match_times_acc+today_match_times
同时删除old_match_times_acc列。然后将new_match_times_acc列名改为old_match_times_acc。
统计新的count：
new_feature_1_count＝today_feature_1_count+old_feature_1_conut
同时删除today_feature_1_count、old_feature_1_count两列，然后将 new_feature_1_count改名为old_feature_1_count。Feature_2操作与Feature_1 相同。同时，将old_match_times列删除，然后将today_match_times列名改为old_match_times。生成当天与历史累计数据中共有的关联数据梯度表。
将当天碰撞数据表与旧碰撞数据表通过JOIN函数进行合并，合并是依据Feature1、Feature2，合并模式为leftouter。
然后重复步骤2-步骤4，生成当天新增碰撞组合的梯度表。
合并步骤4与步骤2的梯度表，生成最终梯度表。生成新的结果表的字段如下：
然后利用TOP_N算法将match_times以及grad数据中突出部分进行输出展示。
TOP_N的过程如下：
首先依据特征1的值对碰撞统计结果进行重分区。
将各个分区内数据按照match_times的降序排列。
在列表中选出各个分区中排序后排序字段小于N的行组成新的TOP-N 结果表。
TOP-N结果表所含字段如下所示：
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种多维数据融合侦查***，其特征在于，包括：
若干信息采集模块，用于对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；
信息处理模块，用于对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
信息分析模块，用于对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
关联统计模块，用于特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
2.根据权利要求1所述的多维数据融合侦查***，其特征在于，还包括：信息去重模块，用于对相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
3.根据权利要求2所述的多维数据融合侦查***，其特征在于，还包括：关联梯度生成模块，用于根据所述关联统计模块统计的关联次数，形成梯度统计表。
4.根据权利要求3所述的多维数据融合侦查***，其特征在于，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
5.一种多维数据融合侦查方法，其特征在于，包括以下步骤：
利用信息采集模块对预定区域的动态目标进行信息采集，得到目标信息数据，其中，所述动态目标包括行人和行车，所述目标信息数据包括MAC、车牌、人脸、IMSI特征数据；
对地址空间位置相近的信息采集模块进行地址标识分组，并对每组内的信息采集模块所获得的目标信息数据进行时间分段处理，得到不同时间段的目标信息数据；
对具有同一地址标识内的不同时间段的目标信息进行分析，确定同一地址标识内且同一时间段的不同特征数据，并将确定的特征数据进行组合，形成关联信息数据；
对特征数据所形成的关联信息数据次数进行统计，确定关联次数，并将形成关联次数最高的关联信息数据中的特征数据确定为最终采集数据，并进行输出。
6.根据权利要求5所述的多维数据融合侦查方法，其特征在于，还包括：对相邻时间段所形成的关联信息数据进行特征数据查重，并将同一特征数据所形成的关联信息数据进行去重处理。
7.根据权利要求5所述的多维数据融合侦查方法，其特征在于，还包括：根据所述关联统计模块统计的关联次数，形成梯度统计表。
8.根据权利要求5所述的多维数据融合侦查方法，其特征在于，在对目标信息数据进行时间分段处理时，将采集时间间隔小于预定时间阈值的目标信息数据，均判定为同一时间段目标信息数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024899.XA CN110874369A (zh) | 2019-10-25 | 2019-10-25 | 一种多维数据融合侦查***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911024899.XA CN110874369A (zh) | 2019-10-25 | 2019-10-25 | 一种多维数据融合侦查***及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110874369A true CN110874369A (zh) | 2020-03-10 |
Family
ID=69718082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911024899.XA Pending CN110874369A (zh) | 2019-10-25 | 2019-10-25 | 一种多维数据融合侦查***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110874369A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101234A (zh) * | 2020-09-16 | 2020-12-18 | 上海寰创通信科技股份有限公司 | 一种侦码匹配处理方法和图码联侦*** |
| CN112256667A (zh) * | 2020-09-16 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
| CN112284775A (zh) * | 2020-12-30 | 2021-01-29 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客车故障评判方法及*** |
| CN112654035A (zh) * | 2020-11-20 | 2021-04-13 | 深圳市先创数字技术有限公司 | 基于移动终端特征码的图码关联方法、***及存储介质 |
| CN112668301A (zh) * | 2020-10-30 | 2021-04-16 | 生态环境部环境工程评估中心 | 一种环评文件重复度检测方法及*** |
| CN114036347A (zh) * | 2021-11-18 | 2022-02-11 | 北京中关村软件园发展有限责任公司 | 一种支持数字融合业务的云平台及工作方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN108764369A (zh) * | 2018-06-07 | 2018-11-06 | 深圳市公安局公交分局 | 基于数据融合的人物识别方法、装置和计算机存储介质 |
| US10198625B1 (en) * | 2016-03-26 | 2019-02-05 | Videomining Corporation | Association of unique person to a mobile device using repeat face image matching |
| CN109635003A (zh) * | 2018-12-07 | 2019-04-16 | 南京华苏科技有限公司 | 一种基于多数据源的社区人口信息关联的方法 |
| CN110119413A (zh) * | 2019-04-30 | 2019-08-13 | 京东城市(南京)科技有限公司 | 数据融合的方法和装置 |
-
2019
- 2019-10-25 CN CN201911024899.XA patent/CN110874369A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10198625B1 (en) * | 2016-03-26 | 2019-02-05 | Videomining Corporation | Association of unique person to a mobile device using repeat face image matching |
| CN108764369A (zh) * | 2018-06-07 | 2018-11-06 | 深圳市公安局公交分局 | 基于数据融合的人物识别方法、装置和计算机存储介质 |
| CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
| CN109635003A (zh) * | 2018-12-07 | 2019-04-16 | 南京华苏科技有限公司 | 一种基于多数据源的社区人口信息关联的方法 |
| CN110119413A (zh) * | 2019-04-30 | 2019-08-13 | 京东城市(南京)科技有限公司 | 数据融合的方法和装置 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101234A (zh) * | 2020-09-16 | 2020-12-18 | 上海寰创通信科技股份有限公司 | 一种侦码匹配处理方法和图码联侦*** |
| CN112256667A (zh) * | 2020-09-16 | 2021-01-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
| CN112256667B (zh) * | 2020-09-16 | 2024-03-22 | 珠海市新德汇信息技术有限公司 | 多生物特征归一方法 |
| CN112668301A (zh) * | 2020-10-30 | 2021-04-16 | 生态环境部环境工程评估中心 | 一种环评文件重复度检测方法及*** |
| CN112668301B (zh) * | 2020-10-30 | 2024-06-04 | 生态环境部环境工程评估中心 | 一种环评文件重复度检测方法及*** |
| CN112654035A (zh) * | 2020-11-20 | 2021-04-13 | 深圳市先创数字技术有限公司 | 基于移动终端特征码的图码关联方法、***及存储介质 |
| CN112654035B (zh) * | 2020-11-20 | 2023-12-05 | 深圳市先创数字技术有限公司 | 基于移动终端特征码的图码关联方法、***及存储介质 |
| CN112284775A (zh) * | 2020-12-30 | 2021-01-29 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客车故障评判方法及*** |
| CN112284775B (zh) * | 2020-12-30 | 2021-05-04 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路客车故障评判方法及*** |
| CN114036347A (zh) * | 2021-11-18 | 2022-02-11 | 北京中关村软件园发展有限责任公司 | 一种支持数字融合业务的云平台及工作方法 |
| CN114036347B (zh) * | 2021-11-18 | 2022-06-03 | 北京中关村软件园发展有限责任公司 | 一种支持数字融合业务的云平台及工作方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110874369A (zh) | 一种多维数据融合侦查***及其方法 | |
| CN107133318B (zh) | 一种基于手机信令数据的人口识别方法 | |
| CN110334111B (zh) | 一种多维轨迹分析方法及装置 | |
| CN106528865A (zh) | 一种快速精准的交通大数据清洗方法 | |
| CN107958031B (zh) | 基于融合数据的居民出行od分布提取方法 | |
| CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
| CN104732205A (zh) | 一种高速公路逃费稽查的*** | |
| CN103177436B (zh) | 物件追踪的方法、*** | |
| CN108389394B (zh) | 车辆初次入城分析的方法及*** | |
| CN104731879A (zh) | 一种高速公路车辆逃费行为数据分析方法 | |
| CN110348347A (zh) | 一种信息处理方法及装置、存储介质 | |
| CN109242024A (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
| CN103699677A (zh) | 一种基于人脸识别技术的罪犯行踪地图绘制***及其方法 | |
| CN107862072B (zh) | 基于大数据技术分析车辆入城套牌作案的方法 | |
| CN104199903A (zh) | 一种基于路径关联的车辆数据查询***及方法 | |
| CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的***识别方法 | |
| CN114078277A (zh) | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 | |
| CN114647684A (zh) | 基于stacking算法的流量预测方法、装置及相关设备 | |
| CN111949701A (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 | |
| CN111461460A (zh) | 一种警务巡查路线规划方法及人员排查方法 | |
| CN107610465B (zh) | 一种交通监控数据匹配方法、***及存储设备 | |
| CN110334232A (zh) | 档案应用方法及装置、存储介质 | |
| CN112052280B (zh) | 一种基于时空数据的实有人口分析方法及*** | |
| CN106056515A (zh) | 一种社区网格事件聚类特征的提取方法 | |
| CN107862019B (zh) | 一种基于大数据分析昼伏夜出车辆的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |