CN116502055A - 一种基于类马尔可夫模型的多维特征动态异常积分模型 - Google Patents
一种基于类马尔可夫模型的多维特征动态异常积分模型 Download PDFInfo
- Publication number
- CN116502055A CN116502055A CN202310543920.7A CN202310543920A CN116502055A CN 116502055 A CN116502055 A CN 116502055A CN 202310543920 A CN202310543920 A CN 202310543920A CN 116502055 A CN116502055 A CN 116502055A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- state
- target
- time
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000007704 transition Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims 2
- 230000008520 organization Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 20
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于类马尔可夫模型的多维特征动态异常积分模型,涉及行为分析和概率论技术领域。本发明在空间和时间特征基础上,分析目标状态信息,同时引入“人车状态”及“特定行为”两项约束条件,对马尔可夫模型进行改进,根据异常特征动态更新类马尔可夫模型的转移概率矩阵,对目标对象异常值进行预测。不同于马尔可夫模型状态转移概率矩阵是不变的,本发明(类马尔可夫模型)是通过各个节点的目标状态信息计算出的空间特征、时间特征、人车状态情况、特定行为特征对转移概率矩阵进行更新,同时也保留了先前位置节点的特征信息;可以更加准确的判断目标对象的异常情况。
Description
技术领域
本发明涉及一种基于类马尔可夫模型的多维特征动态异常积分模型,涉及大数据,行为预测和概率论等技术领域。
背景技术
马尔可夫模型是一种统计模型,它是根据历史数据,预测等时间间隔点上的各类人员分布状况,推测未来***的趋势,而在实际预测时,由于受各种因素的影响,变动趋势是很难准确确定出来的,因此会影响到预测结果的准确性。
绕关避卡等违法行为是一个复杂的过程,由于人员在驾驶过程中各个因素随时间和空间在不断的变化,因此通过常规的马尔可夫模型很难准确的预测出目标对象的异常值,如何提高目标对象的异常值检测的准确率是急需解决的技术问题。
发明内容
本发明要解决的技术问题是如何提高马尔可夫模型对目标对象的异常值检测的准确率。
本发明的目的在于提供一种基于类马尔可夫模型的多维特征动态异常积分模型,在空间和时间特征基础上,分析目标状态信息,同时创新性的引入“人车状态”及“特定行为”两项约束条件,同时提出的类马尔可夫模型改变了马尔可夫模型转移概率矩阵的形式,提高对目标对象的异常值检测的准确率。
本发明所述马尔可夫模型为Si=Si-1Pi,Si为当前状态,Si-1为上一个状态,Pi为状态转移概率矩阵,第一次状态变化以后Pi为定值。
本发明所述类马尔可夫模型为Si=Si-1Pi,Si为当前状态,Si-1为上一个状态,Pi为状态转移概率矩阵,随着时间和状态的变化Pi在不断的变化。
为了实现上述发明目的,本发明所述方法的具体步骤如下:
步骤S1:获取人员与车辆的相关目标状态信息,包括车辆基本信息,人员基本信息、位置信息和时间信息。
步骤S2:对目标状态信息进行数据预处理,获得目标对象的移动轨迹点X={x1,x2,…,xn},n为当前移动轨迹点个数,目标对象的驻留点xstatic={x1,x2,…xm},m为当前驻留点个数,移动轨迹点的位置信息Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中Li=(lix,lim)表示经纬度信息,移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={t1,t2,…,tm}。
步骤S3:初始化各个节点的时间特征、空间特征、人车状态情况、特定行为特征下的异常值h1=0,h2=0,h3=0,h4=0。
步骤S4:根据步骤S1和S2获取的目标对象相关状态信息,进行时间特征分析、空间特征分析、人车状态情况分析和特定行为特征分析,更新各个节点不同特征下的异常值h={h1,h2,h3,h4}。
步骤S5:初始化类马尔可夫模型,定义状态空间为Ω={正常,异常},根据异常概率值进一步分为轻度异常,中度异常和重度异常;初始概率分布为S0={st,sf},其中st,sf分别表示状态空间初始正常的概率和异常的概率,根据不同情况可进行不同取值,如st=0.9,sf=0.1;通过S4更新的各个节点时间特征、空间特征、人车状态情况、特定行为特征下的异常值h={h1,h2,h3,h4}计算状态转移概率矩阵pi。
步骤S6:通过类马尔可夫模型更新目标对象的异常值Si=Si-1Pi,i≥2,Si={st,sf}表示目标对象在i轨迹点的异常概率值。
所述S1的具体过程为:获取人员与车辆的相关目标状态信息的具体方式包括,
S1.1:获取车辆及人员在车管所、公安机关交通管理部门的登记信息。
S1.2:在道路、街景等场景通过车辆GPS获取车辆轨迹主要信息,摄像头、无线电警设备进行辅助信息抓取;在人难以到达(例如复杂路段、林区河道等有严重隐患)的地方采用无人机进行搜索。
所述S2的具体过程为:对目标状态信息进行数据处理的具体步骤如下,设定时间间隙Δt=10分钟,Δt内的平均速度为s表示目标在时间间隙Δt内的位移;将目标动态轨迹分为两类进行抽样,首先间隔每Δt进行目标状态信息采样,提取运动点xmove,得到目标对象的移动轨迹点X={xmove}={x1,x2,…,xn},n为当前移动轨迹点个数;在Δt内,平均速度v<Vmin的点集合xstatic={x1,x2,…xm}定义为目标对象的驻留点,m为当前判定为驻留点的个数,Vmin为自定义的速度标准,如设定为10km/h,即速度小于Vmin的轨迹点视为驻留点;根据S1.2获取移动轨迹点的位置信息、Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中li=(lix,liy)表示经纬度信息,获取移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={l1,l2,…,lm}。
所述S4的具体过程为:对目标对象相关状态信息,进行空间特征分析、时间特征分析、人车状态情况分析和特定行为特征分析,更新各个特征值下的异常值h1,h2,h3,h4的具体步骤如下:根据S2获取的目标对象的移动轨迹点X={x1,x2,…,xn},若识别出目标轨迹靠近敏感地带,则增加空间特征的异常值h1;根据S2获取的目标对象的驻留点xstatic={x1,x2,…xm},信息,若目标对象在边境点、无人区、偏僻地带多次停留,则增加空间特征的异常值h1和特定行为异常值h4;根据S2获取的移动轨迹点的时间信息为Tmove={t1,t2,…,tn},若外出时间在凌晨或夜晚,根据不同时间对时间特征异常指数h2进行更新;根据S2获取的驻留点位置的停留时间Tstatic={t,t2,…,tm},对停留时间超过一定值,则对时间特征异常指数h2进行更新;通过车辆及手机GPS,获取车辆和人的状态,用电子监控等设备进行信息补充,若人车分离或发现驾驶车辆与登记车辆则对人车状态异常值h3进行更新。部分具体更新原则见附表1。
所述S5的所述状态转移概率矩阵pi,hj为第j个异常特征的异常值,wj为该异常特征的占比权重,/>
所述S6的具体过程为:通过类马尔可夫模型更新目标对象的异常值,即Si=Si-1Pi,Si={st,sf}表示目标对象在i轨迹点的异常概率分布,st表示正常的概率,sf表示异常的概率,为发生绕关避卡的可能性提供数据参考,如果概率很高,则有可能发生绕关避卡行为,可以帮助工作人员进行分析,提供工作效率。
不同于马尔可夫模型状态转移概率矩阵是不变的,本发明(类马尔可夫模型)是通过各个节点的目标状态信息计算出的空间特征、时间特征、人车状态情况、特定行为特征对转移概率矩阵进行更新,同时也保留了先前位置节点的特征信息。
本发明的有益效果是:
本发明提供了一种基于类马尔可夫模型的多维特征动态异常积分模型,应用于绕关避卡等违法行为预测分析;本发明在空间和时间特征基础上,分析目标状态信息,同时创新性的引入“人车状态”及“特定行为”两项约束条件,同时提出的类马尔可夫模型改进了马尔可夫模型转移概率矩阵的形式,对目标对象异常值进行有效预测,可以提高工作人员的工作效率。
附图说明
图1是本发明总流程图;
表1是部分异常更新情况;
表2是不同异常值的异常状态情况。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明,但本发明的保护范围并不限于所述范围。
实施例1
步骤S1:获取人员与车辆的相关目标状态信息,包括车辆基本信息,人员基本信息、位置信息;具体方式包括:
S1.1:获取车辆及人员在车管所、公安机关交通管理部门的登记信息。
S1.2:在道路、街景等场景通过车辆GPS获取车辆轨迹主要信息,摄像头、无线电警进行辅助信息抓取;在人难以到达的复杂路段、林区河道等有严重隐患的地方采用无人机进行搜索。
步骤S2:对目标状态信息进行数据预处理,对目标状态信息进行数据处理的具体步骤如下,设定时间间隙Δt=10分钟,Δt内的平均速度为s表示目标在时间间隙Δt内的位移;将目标动态轨迹分为两类进行抽样,首先间隔每Δt进行目标状态信息采样,提取运动点xmove,得到目标对象的移动轨迹点X={xmoe}={x1,x2,…,xn},n为当前移动轨迹点个数;在Δt内,平均速度v<Vmin的点集合xstatic={x1,x2,…xm}定义为目标对象的驻留点,m为当前判定为驻留点的个数,Vmin为自定义的速度标准,设定为5km/h,即速度小于Vmin的轨迹点视为驻留点;根据S1.2获取移动轨迹点的位置信息、Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中li=(lix,liy)表示经纬度信息,获取移动轨迹点的时间信息Tmove={y1,t2,…,tn},驻留点位置的停留时间Lstatic={l1,l2,…,lm}。
步骤S3:初始化各个节点的时间特征、空间特征、人车状态情况、特定行为特征下的异常值h1=0,h2=0,h3=0,h4=0。
步骤S4:根据步骤S1和S2获取的目标对象相关状态信息,进行时间特征分析、空间特征分析、人车状态情况分析和特定行为特征分析。假设目标对象在M节点被分析得出多次经过边境关键路口,则对其特定行为特征的异常值进行更新,即h4=0→h4=0.2,且并没有其它异常情况,则在M节点的异常值为{h1=0,h2=0,h3=0,h4=0.2}。后在N节点分析得出目标对象出现在凌晨1点到4点,行驶轨迹是前往林区河道等敏感地区,且在无人地段停留,则对N节点的异常值更新为{h1=0.2,h2=0.25,h3=0,h4=0.2}。
表1:部分异常更新情况(可根据实际情况进行不断扩充)
步骤S5:初始化类马尔可夫模型,定义状态空间为Ω={正常,异常},通过S4更新的各个节点空间特征、时间特征、人车状态情况、特定行为特征下的异常值h={h1,h2,h3,h4}计算状态转移概率矩阵p;即对于N节点,异常值{h1=0.2,h2=0.25,h3=0,h4=0.2},则由于空间特征h2=025达到最大,所以其对应权重加大,设为2,/>即/>
步骤S6:通过类马尔可夫模型更新目标对象的异常值,即Si=Si-1Pi,Si={st,sf}表示目标对象在i轨迹点的异常概率分布,st表示正常的概率,sf表示异常的概率,不同于马尔可夫模型状态转移概率矩阵是不变的,模型通过各个节点的目标状态信息计算出空间特征、时间特征、人车状态情况、特定行为特征对转移概率矩阵P进行更新,同时也保留了先前位置节点的特征信息,设在N-1节点的SN-1={st=0.8,sf=0.2},则由sN=Sx-PN得到SN={st=0.15,sf=0.85}根据sf的值与建立的异常标准结合,可以得到目标对象重度异常,此结果可以用于为可能会发生绕关避卡行为提供支撑。
表2:不同异常值的异常状态情况
异常值sf | 目标异常状态 |
0≤sf<0.1 | 正常 |
0.1≤sf<0.3 | 轻度异常 |
0.3≤sf<0.6 | 中度异常 |
0.6≤sf≤1 | 重度异常 |
对比实施例
作为对比,以马尔可夫模型的多维特征动态异常积分模型,具体过程与实施例1相同,不同在于步骤6使用传统的马尔可夫模型,具体过程如下:
步骤S1:获取人员与车辆的相关目标状态信息,包括车辆基本信息,人员基本信息、位置信息;具体方式包括:
S1.1:获取车辆及人员在车管所、公安机关交通管理部门的登记信息。
S1.2:在道路、街景等场景通过车辆GPS获取车辆轨迹主要信息,摄像头、无线电警进行辅助信息抓取;在人难以到达的复杂路段、林区河道等有严重隐患的地方采用无人机进行搜索。
步骤S2:对目标状态信息进行数据预处理,对目标状态信息进行数据处理的具体步骤如下,设定时间间隙Δt=10分钟,Δt内的平均速度为s表示目标在时间间隙Δt内的位移;将目标动态轨迹分为两类进行抽样,首先间隔每Δt进行目标状态信息采样,提取运动点xmove,得到目标对象的移动轨迹点X={xmove}={x1,x2,…,xn},n为当前移动轨迹点个数;在Δt内,平均速度v<Vmin的点集合xstatic={x1,x2,…xm}定义为目标对象的驻留点,m为当前判定为驻留点的个数,Vmin为自定义的速度标准,设定为5km/h,即速度小于Vmin的轨迹点视为驻留点;根据S1.2获取移动轨迹点的位置信息、Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中li=(lix,liy)表示经纬度信息,获取移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={l1,l2,…,lm}。
步骤S3:初始化各个节点的时间特征、空间特征、人车状态情况、特定行为特征下的异常值h1=0,h2=0,h3=0,h4=0。
步骤S4:根据步骤S1和S2获取的目标对象相关状态信息,进行时间特征分析、空间特征分析、人车状态情况分析和特定行为特征分析。假设目标对象在轨迹序列的第一个节点时间特征、空间特征、人车状态情况和特定行为特征分析都正常,则第一个位置点的异常值更新后仍为h1=0,h2=0,h3=0,h4=0。
步骤S5:初始化马尔可夫模型,定义状态空间为Ω={正常,异常},通过S4更新的各个节点空间特征、时间特征、人车状态情况、特定行为特征下的异常值h={h1,h2,h3,h4}计算状态转移概率矩阵p;即对于节点1,异常值h1=0,h2=0,h3=0,h4=0,则即/>
步骤S6:通过马尔可夫模型更新目标对象的异常值,即Si=Si-1Pi,Si={st,sf}表示目标对象在N轨迹点的异常概率分布,st表示正常的概率,sf表示异常的概率,设初始状态异常概率分布S0={st=0.8,sf=0.2},则由S1=S0P1得到S1={st=0.8,sf=0.2},根据sf的值与建立的异常标准结合,可以得到目标对象在节点1正常。
目标在移动过程中,由于马尔可夫模型的状态矩阵是不变的,即节点1的转移概率矩阵将作为全过程的转移概率矩阵,即由SN=SN-1PN还是得到SN={st=0.8,sf=0.2},将一直判定节点N正常。
但从实际情况上看,目标对象在节点N处,在凌晨0-4点出发,行驶轨迹是前往林区河道等敏感地区,在无人地段停留,这时候该目标是非常异常的,说明不能用初始节点的异常值来判定后续节点的异常情况。
通过本发明所提出的马尔可夫模型计算出节点N为重度异常,进一步说明本发明所述方法更加准确合理。
通过对比可以看出,本发明所述基于类马尔可夫模型的多维特征动态异常积分模型通过每个轨迹点的异常值动态计算当前点的状态转移概率能够弥补传统马尔可夫模型无法状态转移概率矩阵不可变。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于类马尔可夫模型的多维特征动态异常积分模型,其特征在于,在空间和时间特征基础上,分析目标状态信息,同时引入“人车状态”及“特定行为”两项约束条件,并通过特征异常值改进原马尔可夫模型转移概率矩阵的形式,所述方法的具体步骤如下:
步骤S1:获取人员与车辆的相关目标状态信息,包括车辆基本信息,人员基本信息、位置信息和时间信息;
步骤S2:对目标状态信息进行数据预处理,获得目标对象的移动轨迹点X={x1,x2,…,xn},n为当前移动轨迹点个数,目标对象的驻留点xstaiic={x1,x2,…xm},m为当前驻留点个数,移动轨迹点的位置信息Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中Li=(lix,lim)表示经纬度信息,移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={t1,t2,…,tm};
步骤S3:初始化各个节点的时间特征、空间特征、人车状态情况、特定行为特征下的异常值h1=0,h2=0,h3=0,h4=0;
步骤S4:根据步骤S1和S2获取的目标对象相关状态信息,进行时间特征分析、空间特征分析、人车状态情况分析和特定行为特征分析,更新各个节点不同特征下的异常值h={h1,h2,h3,h4};
步骤S5:初始化类马尔可夫模型,定义状态空间为Ω={正常异常},根据异常概率值进一步分为轻度异常,中度异常和重度异常;初始概率分布为S0={st,sf},其中st,sf分别表示状态空间初始正常的概率和异常的概率;通过S4更新的各个节点时间特征、空间特征、人车状态情况、特定行为特征下的异常值h={h1,h2,h3,h4}计算状态转移概率矩阵pi;
步骤S6:通过类马尔可夫模型更新目标对象的异常值,即Si=Si-1Pi,i≥2,Si={st,sf}表示目标对象在i轨迹点的异常概率分布,st表示正常的概率,sf表示异常的概率。
2.根据权利要求1所述的基于类马尔可夫模型的多维特征动态异常积分模型,其特征在于:所述S1获取人员与车辆的相关目标状态信息的具体方式:
S1.1:获取车辆及人员在车管所、公安机关交通管理部门的登记信息;
S1.2:在道路、街景等场景通过车辆GPS获取车辆轨迹主要信息,摄像头、无线电警设备进行辅助信息抓取,在人难以到达的地方采用无人机进行搜索。
3.根据权利要求2所述的基于类马尔可夫模型的多维特征动态异常积分模型,其特征在于:所述S2对目标状态信息进行数据处理的具体步骤如下:
设定时间间隙Δt=10分钟,Δt内的平均速度为s表示目标在时间间隙Δt内的位移;将目标动态轨迹分为两类进行抽样,首先间隔每Δt进行目标状态信息采样,提取运动点xmove,得到目标对象的移动轨迹点X={xmove}={x1,x2,…,xn},n为当前移动轨迹点个数;
在Δt内,平均速度v<Vmin的点集合xstatic={x1,x2,…xm}定义为目标对象的驻留点,m为当前判定为驻留点的个数,Vmin为自定义的速度标准;
根据S1.2获取移动轨迹点的位置信息Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中li=(lix,liy)表示经纬度信息,获取移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={l1,l2,…,lm}。
4.根据权利要求1所述的基于类马尔可夫模型的多维特征动态异常积分模型,其特征在于,所述S4对目标对象相关状态信息,进行空间特征分析、时间特征分析、人车状态情况分析和特定行为特征分析,更新各个特征值下的异常值h1,h2,h3,h4的具体步骤如下:
根据S2获取的目标对象的移动轨迹点X={x1,x2,…,xn},若识别出目标轨迹靠近敏感地带,则增加空间特征的异常值h1;
根据S2获取的目标对象的驻留点xstatic={x1,x2,…xm}信息,若目标对象在边境点、无人区、偏僻地带多次停留,则增加空间特征的异常值h1和特定行为异常值h4;
根据S2获取的移动轨迹点的时间信息为Tmove={t1,t2,…,tn},若外出时间在凌晨或夜晚,根据不同时间对时间特征异常指数h2进行更新;
根据S2获取的驻留点位置的停留时间Lstatic={l1,l2,…,lma},对停留时间超过一定值,则对时间特征异常指数h2进行更新;
通过车辆及手机GPS,获取车辆和人的状态,用电子监控等设备进行信息补充,若人车分离或发现驾驶车辆与登记车辆则对人车状态异常值h3进行更新。
5.根据权利要求1所述的基于类马尔可夫模型的多维特征动态异常积分模型,其特征在于,步骤S5中所述状态转移概率矩阵pi,hj为第j个异常特征的异常值,wj为该异常特征的占比权重,/>
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310031260.4A CN115758095A (zh) | 2023-01-10 | 2023-01-10 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
CN2023100312604 | 2023-01-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502055A true CN116502055A (zh) | 2023-07-28 |
CN116502055B CN116502055B (zh) | 2024-05-03 |
Family
ID=85348838
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310031260.4A Pending CN115758095A (zh) | 2023-01-10 | 2023-01-10 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
CN202310543920.7A Active CN116502055B (zh) | 2023-01-10 | 2023-05-15 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310031260.4A Pending CN115758095A (zh) | 2023-01-10 | 2023-01-10 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115758095A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911511B (zh) * | 2023-09-14 | 2023-12-12 | 中建三局信息科技有限公司 | 一种商砼运输车辆实时管理方法、装置、设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4783804A (en) * | 1985-03-21 | 1988-11-08 | American Telephone And Telegraph Company, At&T Bell Laboratories | Hidden Markov model speech recognition arrangement |
JPH11259643A (ja) * | 1998-01-30 | 1999-09-24 | Mitsubishi Electric Inf Technol Center America Inc | 行動検出システム |
CN101795460A (zh) * | 2009-12-23 | 2010-08-04 | 大连理工大学 | 一种适用于障碍物环境下移动自组网的马尔可夫移动模型 |
US20120246209A1 (en) * | 2011-03-24 | 2012-09-27 | Sony Europe Limited | Method for creating a markov process that generates sequences |
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 |
CN105956682A (zh) * | 2016-04-19 | 2016-09-21 | 上海电力学院 | 基于bp神经网络与马尔可夫链的短期电价预测方法 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN108665069A (zh) * | 2018-04-24 | 2018-10-16 | 东南大学 | 一种用于无人车训练模拟的突发性事件触发机制 |
CN109902744A (zh) * | 2019-02-28 | 2019-06-18 | 成都新希望金融信息有限公司 | 一种基于马尔可夫转移矩阵对矩阵的异常值进行修正的方法 |
WO2020134790A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 一种数据异常检测方法、装置及终端设备 |
CN111859709A (zh) * | 2020-07-31 | 2020-10-30 | 河北地质大学 | 一种含水层结构变异转移概率的地质统计模拟方法及装置 |
CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
CN112070073A (zh) * | 2020-11-12 | 2020-12-11 | 北京中恒利华石油技术研究所 | 一种基于马尔可夫链转移概率矩阵特征值分类与支持向量机的测井曲线异常判别方法 |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN114510965A (zh) * | 2022-01-12 | 2022-05-17 | 硕橙(厦门)科技有限公司 | 一种异常声音检测方法、装置、设备及介质 |
CN114676743A (zh) * | 2021-12-09 | 2022-06-28 | 上海无线电设备研究所 | 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法 |
CN115019238A (zh) * | 2022-07-04 | 2022-09-06 | 南京航空航天大学 | 一种基于隐马尔科夫模型的群目标动态行为识别方法 |
CN115293639A (zh) * | 2022-08-26 | 2022-11-04 | 中国航天科工集团八五一一研究所 | 一种基于隐马尔可夫模型的战场态势研判方法 |
-
2023
- 2023-01-10 CN CN202310031260.4A patent/CN115758095A/zh active Pending
- 2023-05-15 CN CN202310543920.7A patent/CN116502055B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4783804A (en) * | 1985-03-21 | 1988-11-08 | American Telephone And Telegraph Company, At&T Bell Laboratories | Hidden Markov model speech recognition arrangement |
JPH11259643A (ja) * | 1998-01-30 | 1999-09-24 | Mitsubishi Electric Inf Technol Center America Inc | 行動検出システム |
CN101795460A (zh) * | 2009-12-23 | 2010-08-04 | 大连理工大学 | 一种适用于障碍物环境下移动自组网的马尔可夫移动模型 |
US20120246209A1 (en) * | 2011-03-24 | 2012-09-27 | Sony Europe Limited | Method for creating a markov process that generates sequences |
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 |
CN105956682A (zh) * | 2016-04-19 | 2016-09-21 | 上海电力学院 | 基于bp神经网络与马尔可夫链的短期电价预测方法 |
CN106447137A (zh) * | 2016-11-18 | 2017-02-22 | 广东省科技基础条件平台中心 | 一种基于信息融合和马尔可夫模型的交通客流预测方法 |
CN107742193A (zh) * | 2017-11-28 | 2018-02-27 | 江苏大学 | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 |
CN108665069A (zh) * | 2018-04-24 | 2018-10-16 | 东南大学 | 一种用于无人车训练模拟的突发性事件触发机制 |
WO2020134790A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 一种数据异常检测方法、装置及终端设备 |
CN109902744A (zh) * | 2019-02-28 | 2019-06-18 | 成都新希望金融信息有限公司 | 一种基于马尔可夫转移矩阵对矩阵的异常值进行修正的方法 |
CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
CN111859709A (zh) * | 2020-07-31 | 2020-10-30 | 河北地质大学 | 一种含水层结构变异转移概率的地质统计模拟方法及装置 |
CN111915104A (zh) * | 2020-08-28 | 2020-11-10 | 山东省国土测绘院 | 一种预测出行位置的方法及装置 |
CN112070073A (zh) * | 2020-11-12 | 2020-12-11 | 北京中恒利华石油技术研究所 | 一种基于马尔可夫链转移概率矩阵特征值分类与支持向量机的测井曲线异常判别方法 |
CN113505935A (zh) * | 2021-07-26 | 2021-10-15 | 上海东方低碳科技产业股份有限公司 | 基于集成算法的电力异常波动检测和预测计算方法 |
CN114676743A (zh) * | 2021-12-09 | 2022-06-28 | 上海无线电设备研究所 | 基于隐马尔可夫模型的低慢小目标航迹威胁识别方法 |
CN114510965A (zh) * | 2022-01-12 | 2022-05-17 | 硕橙(厦门)科技有限公司 | 一种异常声音检测方法、装置、设备及介质 |
CN115019238A (zh) * | 2022-07-04 | 2022-09-06 | 南京航空航天大学 | 一种基于隐马尔科夫模型的群目标动态行为识别方法 |
CN115293639A (zh) * | 2022-08-26 | 2022-11-04 | 中国航天科工集团八五一一研究所 | 一种基于隐马尔可夫模型的战场态势研判方法 |
Non-Patent Citations (2)
Title |
---|
LI ZUOJIN: "A pattern recognition for group abnormal behaviors based on Markov Random Fields energy", 《IEEE ACCESS》, 16 October 2014 (2014-10-16) * |
施雯: "基于车辆-行人轨迹预测的人车冲突预警策略研究", 《计算机与数字工程》, 20 July 2022 (2022-07-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN116502055B (zh) | 2024-05-03 |
CN115758095A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
Shah et al. | Automated visual surveillance in realistic scenarios | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
Zhang et al. | Pedestrian crossing intention prediction at red-light using pose estimation | |
Necula | Analyzing traffic patterns on street segments based on GPS data using R | |
Sun et al. | Vehicle reidentification using multidetector fusion | |
US20130289865A1 (en) | Predicting impact of a traffic incident on a road network | |
CN116502055B (zh) | 一种基于类马尔可夫模型的多维特征动态异常积分模型 | |
Khalkhali et al. | Vehicle tracking with Kalman filter using online situation assessment | |
Spannaus et al. | AUTOMATUM DATA: Drone-based highway dataset for the development and validation of automated driving software for research and commercial applications | |
Priambodo et al. | Predicting traffic flow propagation based on congestion at neighbouring roads using hidden Markov model | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Gao et al. | CTTE: Customized travel time estimation via mobile crowdsensing | |
Dabiri et al. | Transport-domain applications of widely used data sources in the smart transportation: A survey | |
Lumentut et al. | Evaluation of recursive background subtraction algorithms for real-time passenger counting at bus rapid transit system | |
Alfeo et al. | Stigmergy-based modeling to discover urban activity patterns from positioning data | |
Zhu et al. | Spatio-temporal point processes with attention for traffic congestion event modeling | |
CN115658666A (zh) | 多源数据融合的稀疏交通流量补全方法及*** | |
Jiang et al. | itv: Inferring traffic violation-prone locations with vehicle trajectories and road environment data | |
Ma et al. | On-ramp and Off-ramp Traffic Flows Estimation Based on A Data-driven Transfer Learning Framework | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理*** | |
Ghoreishi et al. | Anomalous behavior detection in trajectory data of older drivers | |
Nie et al. | Use of multisensor data in reliable short-term travel time forecasting for urban roads: Dempster–Shafer approach | |
Patel et al. | A framework for proactive safety evaluation of intersection using surrogate safety measures and non-compliance behavior | |
Zhou et al. | Stack ResNet for short-term accident risk prediction leveraging cross-domain data |
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 |