This invention discloses a method of constructing dynamic target activity probability map and recognition of behavior intention, including steps: Step 1, constructing the activity probability map of moving target; step 2, the exploration and analysis of situation space and time; step 3, construct the interest warehouse of moving target activity, the activity probability map library of moving target and the model of moving target activity. Library, step 4, moving target activity rule mining, moving target behavior recognition and intention prediction.
【技术实现步骤摘要】
一种动目标活动概率图谱构建及行为意图识别方法
本专利技术涉及态势时空动目标活动分析领域，尤其涉及一种动目标活动概率图谱构建及行为意图识别方法。
技术介绍
目前，随着物联网、大数据等IT技术的发展，对基于地理信息系统的动目标轨迹信息的收集越来越容易，在交通、军事、物流和互联网企业等各种行业和部门内，积累了大量包含地理位置信息的数据资产。这些数据包含动目标活动的最原始轨迹信息，具有丰富的内涵，对于动目标活动规律的分析、动目标行为意图的预测以及态势时空内的异常热点的挖掘都具有很高的价值。但是这些数据同时又具有实时性高、数据量庞大，数据异构、处理不便的特点，很难以统一的模型对数据进行表示，很难形成与业务系统隔离的统一动目标分析处理平台。传统的对动目标轨迹信息进行处理分析的手段，主要包括历史查询、统计、分析和行为规律挖掘，除了查询和统计外，动目标行为规律挖掘是通过分析动目标活动轨迹的时间、空间和属性特征，将相似的轨迹聚集在一个集合中，从而发现动目标的分布状态和运动模式，其主要研究方法是用轨迹之间的距离函数来反映轨迹的时空相似度，然后对轨迹进行聚类来获得。这种分析方法可以为分...
【技术保护点】
1.一种动目标活动概率图谱构建及行为意图识别方法，其特征在于，包括如下步骤：步骤1，构建动目标活动兴趣网格框架和概率图谱；步骤2，构建动目标活动兴趣仓库、动目标活动概率图谱库；步骤3，态势时空探索分析；步骤4，基于动目标活动概率图谱进行动目标活动规律挖掘，构建动目标活动规律模型库，实现动目标识别、动目标行为识别和意图预测以及态势时空热点预测。
【技术特征摘要】
1.一种动目标活动概率图谱构建及行为意图识别方法，其特征在于，包括如下步骤：步骤1，构建动目标活动兴趣网格框架和概率图谱；步骤2，构建动目标活动兴趣仓库、动目标活动概率图谱库；步骤3，态势时空探索分析；步骤4，基于动目标活动概率图谱进行动目标活动规律挖掘，构建动目标活动规律模型库，实现动目标识别、动目标行为识别和意图预测以及态势时空热点预测。2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：步骤1-1，构建动目标活动兴趣网格框架，将地球表面空间划分为地理大小一致的平面网格和立体网格；步骤1-2，计算生成单目标活动兴趣网格：将数据采集系统获取的目标运动点迹信息转化为目标对兴趣网格中网格区域的兴趣度；步骤1-3，计算动目标活动概率图谱。3.根据权利要求2所述的方法，其特征在于，步骤1-1中，所述动目标活动兴趣网格框架包含网格框架和基本网格单元；动目标活动兴趣网格框架依据地理要素，即经纬度和高度将地球上的空间进行离散化网格划分，此处采用四边形划分方法，设定经纬度的划分单位是1分，高度的划分单位是100米，在经纬度构成的二维平面上总共划分出(360×60)×(180×60)＝21600×10800＝23328000个格子；高度以海平面为基础，每升高100米为一格；动目标活动兴趣网格框架在应用时根据需要取二维或三维的网格，则动目标活动兴趣网格框架全体定义为G，如公式(1)所示：G＝(gj,w,h)21600×10800(1)其中，gj,w,h代表一个基本兴趣网格单元，(j,w,h)是兴趣网格单元的三维编码，j∈[0,21599]代表兴趣网格经度编码，w∈[0,10799]代表兴趣网格纬度编码，h为兴趣网格高度编码，通过对地理高度求整获得；兴趣网格框架的一部分定义为Gm,n：Gm,n＝(gj,w,h)m×n(2)其中在三维情况下gj,w,h代表一个三维网格单元，是一个三维空间区域，以三元组(JD,WD,GD)表示，在二维情况下gj,w代表一个二维网格单元，是一个二维空间区域，以二元组(JD,WD)来表示，JD,WD分别代表网格单元的中心点经度和纬度，GD代表网格单元的海拔高度，在二维情况下GD默认为0，m∈[1,21600]，m代表经度方向跨越的基本网格数，n∈[1,10800]，n代表纬度方向跨越的基本网格数，三维背景下兴趣网格单元gj,w,h和二维背景下兴趣网格单元gj,w被称为基本网格单元，由基本网格单元构成的格G、Gm,n被称为基本格。4.根据权利要求3所述的方法，其特征在于，步骤1-2中，目标对兴趣网格中网格区域的兴趣度定义为一定时间周期内，目标在该网格中出现的时间总和，假设兴趣网格单元为gj,w,h，动目标为mt，时间周期c内，动目标mt在网格单元gj,w,h范围内共出现N次，第k次出现所停留的时间是LTk，则记动目标mt在时间周期c内对网格单元gj,w,h的兴趣度I(mt,gj,w,h,c)为：其中，LTk的计算如下式所示：LTk＝Tout-Tin(4)其中，Tin是动目标mt进入网格gj,w,h的时刻，Tout是动目标mt在网格单元gj,w,h的消失的时刻。5.根据权利要求4所述的方法，其特征在于，步骤1-3包括：动目标活动概率图谱分为单目标活动概率图谱和多目标活动概率图谱，单目标活动概率图谱定义：单个动目标活动概率图谱表示时间周期c内动目标mt在兴趣网格Gm,n＝(gj,w,h)m×n上活动的兴趣概率表示，被定义为一个基本元素为五元组的二维矩阵其中，JD，WD，GD分别是兴趣网格单元的中心点经度、纬度和海拔高度，在二维情况下GD为0，不代入计算；ST是动目标初次进入该网格的起始时间，定义为进入时刻到周期起始时刻的时间长度；是一定时间周期c内目标mt在基本兴趣网格单元gj,w,h中活动的概率，被定义为多目标活动概率图谱定义：多目标活动概率图谱表示时间周期c内一群组mtg包含的所有动目标在兴趣网格Gm,n＝(gj,w,h)m×n上活动的兴趣概率表示，一个群组的多个动目标活动形成的概率图谱如下：是一定时间周期c内群组mtg中的动目标在基本兴趣网格单元gj,w,h中活动的概率，被定义为其中，mti∈mtg，gj,w,h∈Gm,n，因此，又叫做群组mtg在兴趣网格单元gj,w,h中活动的概率。6.根据权利要求5所述的方法，其特征在于，步骤2中，所述动目标活动兴趣仓库用于保存步骤1-2计算得到的单目标活动兴趣网格，动目标活动兴趣仓库的逻辑模型为多维模型，多维模型包含度量和维、属性，动目标活动兴趣多维模型的度量为目标在基本网格单元内的存续时间，维包含地理维度、目标组织维度、目标种类维度和目标行为维度；所述动目标活动兴趣仓库的物理模型包含事实表和维度表两类表，事实表存储目标活动关联维度标识和目标活动度量数据，维度表存储维度层次数据。7.根据权利要求6所述的方法，其特征在于，步骤2中，所述动目标活动概率图谱库用于存储步骤1-3得到的动目标活动概率图谱，所保存的动目标活动概率图谱除了包含动目标活动概率图谱信息还包含动目标标识信息、动目标活动行为类型信息和动目标活动任务类型。8.根据权利要求7所述的方法，其特征在于，步骤3包括如下步骤：步骤3-1，态势动目标联机分析，包含动目标活动多维模型构建、联机分析服务和联机分析可视化展现；动目标活动多维模型定义为MTMDS：MTMDS＝(T，GG，MTG，UI，MTT|MTI)(9)其中，MTMDS有两部分组成，其中一部分是维度，包括：时间维T，地理空间网格维GG，动目标组织维MTG，用户兴趣维UI，动目标类型维MTT；另外一部分是度量，包括动目标兴趣度MTI；所述联机分析是基于动目标活动多维数据模型，针对用户对动目标活动分析操作需求，构建动目标活动多维立方体，提供钻取、切片、切块以及旋转操作，满足用户随机从不同视角和不同粒度层次来查询动目标活动兴趣数据进行探索性分析的需求；所述联机分析可视化展现，是针对用户对动目标活动分析结果的可视化展现需求，将用户探索分析结果在地理信息系统和报表系统中展示；步骤3-2，态势时空热点挖掘：针对动目标活动形成的实时兴趣仓库，根据用户设定的指标要求，进行热点计算，并对结果进行告警展现。9.根据权利要求8所述的方法，其特征在于，步骤4中，所述动目标活动规律模型库用于保存通过训练学习得到的关于动目标识别、动目标行为类型识别和动目标活动行为意图识别的深度神经网络模型，步骤4包括如下步骤：步骤4-1，动目标活动规律挖掘：以动目标活动兴趣网格数据和动目标活动概率图谱数据为基础进行清洗形成样本数据；构建机器学习模型，包括概率模型和深度学习模型，并实现模型训练程序，包括动目标识别模型、动目标行为类型识别模型、动目标活动行为意图识别模型和态势时空热点预测模型；将样本数据输入模型训练程序，对模型进行训练，并将训练结果保存在动目标活动规律模型库中；步骤4-2，生成目标实时概率图谱：根据公式(1)、(2)、(3)、(4)、(5)实时构建动目标活动兴趣网格和实时生成当前目标活动的概率图谱；步骤4-3，使用态势动目标联机分析部分动目标活动兴趣仓库中的目标活动兴趣网格为基础构建态势数据仓库多维模型，构建态势联机分析服务；步骤4-4，使用态势时空热点挖掘部分根据用户设置的指标，计算不同粒度层次的态势时空热点区域；步骤4-5，使用目标实时概率图谱将接收到的态势目标航迹数据转换为目标实时概率图谱；步骤4-6，调用动目标识别深度神经网络模型，对目标实时概率图谱进行分类操作，识别出当前态势目标，确认后，调用动目标活动行为类型识别深度神经网络模型，识别出动目标当前行为的类型，确认后，调用动目标活动行为意图预测深度神经网络模型对当前目标活动的行为意图进行预测，确定其下一个目的区域和行为类型，如果目标行为出现异常，则开始告警；对区域热点的预测，调用区域热点预测深度神经网络模型预测区域热度，根据趋势阈值预测下一周期的态势时空热点发生的时间和区域。10.根据权利要求9所述的方法，其特征在于，步骤4-1包...
【专利技术属性】
技术研发人员：唐志军，汪跃，刘超，方晨，于丽蓉，马建辉，刘博，郑伟，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。