一种目标的运动范围预测方法及装置制造方法及图纸

本发明专利技术提供了一种目标的运动范围预测方法及装置，该方法包括：获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；利用粒子群方法对根据环境属性信息和第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，多元线性回归函数的自变量和因变量分别为环境属性信息和第一路径长度信息；根据各个第二路径长度信息、目标的运动起点位置和运动总时间，确定目标对应的各个运动终点位置，运动总时间为目标由运动起点位置运动到运动终点位置所占用的时间；根据各个运动终点位置得到目标的运动预测范围，其利用机器学习技术实现运动范围预测，预测准确度较高，且省时省力，实用性较佳。

【技术实现步骤摘要】
一种目标的运动范围预测方法及装置
本专利技术涉及机器学习
，具体而言，涉及一种目标的运动范围预测方法及装置。
技术介绍
现今犯罪目标的反侦查意识逐年增强，面对警方的严密布控，嫌疑人在任何有风吹草动的情况下，第一时间均会选择望风而逃。面临犯罪目标的逃离，警方需要第一时间(如20分钟内)准确的划定嫌疑人逃跑范围，在范围内大量布控，对犯罪目标实施抓捕。相关技术中提供了一种基于社会科学的目标逃跑范围预测方法，该方法主要利用专家在社会学、心理学等方面的相关经验，综合考虑路网、天气、时间等多个现场环境因素，以及犯罪目标的犯罪心理形成和犯罪行为发生的规律，预测与划定犯罪目标可能逃跑的范围。专利技术人在研究中发现，基于社会科学的目标逃跑范围预测方法主要以专家经验为主，由于无法较好的综合评估各种影响逃跑范围的因素，导致范围预测的准确度较低，而较低准确率的范围预测将导致后续浪费更多的人力物力去围捕犯罪目标。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种目标的运动范围预测方法及装置，利用机器学习技术实现对目标的运动范围预测，预测准确度较高，且省时省力，实用性较佳。第一方面，本专利技术实施例提供了一种目标的运动范围预测方法，所述方法包括：获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，所述多元线性回归函数的自变量为所述环境属性信息，所述多元线性回归函数的因变量为所述第一路径长度信息；根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间；根据各个所述运动终点位置得到所述目标的运动预测范围。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解之前，还包括：根据有效关联规则对所述环境属性信息进行约简，得到约简后的环境属性信息，所述有效关联规则是提升度符合预设阈值的由所述环境属性信息推导出所述第一路径长度信息的关联规则。结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，包括：对所述粒子群方法中的所有粒子均进行初始化，并确定所有所述粒子的适应度函数，所述适应度函数为所述多元线性回归函数中的目标函数，每个所述粒子均为所述多元线性回归函数中的一个回归参数；根据所述适应度函数更新所述粒子的速度和位置；对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解；基于所述最优解得到对应的最优回归参数，所述最优回归参数为所有所述回归参数中的一个；将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数，得到所述路径对应的第二路径长度信息。结合第一方面的第二种可能的实施方式，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述适应度函数更新所述粒子的速度和位置，包括：根据所述适应度函数计算对应的哨兵函数，并根据所述哨兵函数计算得到所述粒子的哨兵值，所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定，所述规范化函数由所述适应度函数和最大适应度值确定；判断所述哨兵值是否符合预设阈值，若否，根据惯性权重和学习因子更新所述粒子的速度和位置，所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定，所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。结合第一方面的第二种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解，包括：利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解；判断所述新解是否是所述当前次迭代的最优解，若是，则将所述最优解作为下一次迭代的初始值对更新的所述速度和位置进行迭代处理，直至达到预设迭代条件时，停止迭代，得到多次迭代后对应于所述适应度函数的所述最优解。结合第一方面，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，所述根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，包括：从各个所述第二路径长度信息中查找与所述运动起点位置相连接的第一运动位置对应的所述第二路径长度信息，通过查找到的所述第二路径长度信息对应的第一平均运动时间对所述运动总时间进行更新；从各个所述第二路径长度信息中查找与所述第一运动位置相连接的第二运动位置对应的所述第二路径长度信息，通过查找到的所述第二路径长度信息对应的第二平均运动时间对更新后的所述运动总时间再次进行更新，直至更新到的所述运动总时间为零时，停止更新，并得到对应的所述运动终点位置。结合第一方面，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，所述根据各个所述运动终点位置得到所述目标的运动预测范围，包括：将相邻所述运动终点位置依次连接，得到所述目标的运动预测范围。第二方面，本专利技术实施例还提供了一种目标的运动范围预测装置，所述装置包括：获取模块，用于获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；迭代模块，用于利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，所述多元线性回归函数的自变量为所述环境属性信息，所述多元线性回归函数的因变量为所述第一路径长度信息；确定模块，用于根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间；生成模块，用于根据各个所述运动终点位置得到所述目标的运动预测范围。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，所述迭代模块包括：确定单元，用于对所述粒子群方法中的所有粒子均进行初始化，并确定所有所述粒子的适应度函数，所述适应度函数为所述多元线性回归函数中的目标函数，每个所述粒子均为所述多元线性回归函数中的一个回归参数；更新单元，用于根据所述适应度函数更新所述粒子的速度和位置；迭代单元，用于对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解；第一生成单元，用于基于所述最优解得到对应的最优回归参数，所述最优回归参数为所有所述回归参数中的一个；第二生成单元，用于将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数，得到所述路径对应的第二路径长度信息。结合第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，所述更新单元包括：计算子单元，用于根据所述适应度函数计算对应的哨兵函数，并根据所述哨兵函数计算得到所述粒子的哨兵值，所述哨兵函数由所述适应度函数、适应度平均值和规范化函本文档来自技高网...

【技术保护点】
一种目标的运动范围预测方法，其特征在于，包括：获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，所述多元线性回归函数的自变量为所述环境属性信息，所述多元线性回归函数的因变量为所述第一路径长度信息；根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间；根据各个所述运动终点位置得到所述目标的运动预测范围。

【技术特征摘要】
1.一种目标的运动范围预测方法，其特征在于，包括：获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，所述多元线性回归函数的自变量为所述环境属性信息，所述多元线性回归函数的因变量为所述第一路径长度信息；根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间；根据各个所述运动终点位置得到所述目标的运动预测范围。2.根据权利要求1所述的方法，其特征在于，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解之前，还包括：根据有效关联规则对所述环境属性信息进行约简，得到约简后的环境属性信息，所述有效关联规则是提升度符合预设阈值的由所述环境属性信息推导出所述第一路径长度信息的关联规则。3.根据权利要求1所述的方法，其特征在于，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，包括：对所述粒子群方法中的所有粒子均进行初始化，并确定所有所述粒子的适应度函数，所述适应度函数为所述多元线性回归函数中的目标函数，每个所述粒子均为所述多元线性回归函数中的一个回归参数；根据所述适应度函数更新所述粒子的速度和位置；对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解；基于所述最优解得到对应的最优回归参数，所述最优回归参数为所有所述回归参数中的一个；将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数，得到所述路径对应的第二路径长度信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述适应度函数更新所述粒子的速度和位置，包括：根据所述适应度函数计算对应的哨兵函数，并根据所述哨兵函数计算得到所述粒子的哨兵值，所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定，所述规范化函数由所述适应度函数和最大适应度值确定；判断所述哨兵值是否符合预设阈值，若否，根据惯性权重和学习因子更新所述粒子的速度和位置，所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定，所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。5.根据权利要求3所述的方法，其特征在于，所述对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解，包括：利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解；判断所述新解是否是所述当前次迭代的最优解，若是，则将所述最优解作为下一次迭代的初始值对更新的所述速度和位置进行迭代处理，直至达到预设迭代条件时，停止迭代，得到多次迭代后对应于所述适应度函数的所述最优解。6.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：刘力，王忠林，吕品高，
申请(专利权)人：东方网力科技股份有限公司，
类型：发明
国别省市：北京,11