System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及的是知识图谱分析领域,特别涉及一种目标人员的信息融合分析方法和系统。
技术介绍
1、随着现代社会经济和技术的迅速发展,城市的感知设备不断完善,海量多维的人员与关系数据汇聚到信息管理系统,形成人与人、人与物、人与地、人与事的知识图谱,这些图谱数据拥有着巨大的挖掘潜力。传统相关部门工作的展开,依赖于工作经验判断关注人员可能的轨迹倾向,该方法存在以下缺点:
2、1.依赖个人经验判断相关方向,费时费力,不具有可普及性;
3、2.需要人工排查关注人员及其关系人的人、车轨迹,存在人为疏漏可能性。
4、因此,有必要基于知识图谱挖掘出一种目标人员的信息融合分析方法。
技术实现思路
1、鉴于上述问题,提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种目标人员的信息融合分析方法和系统。
2、为了解决上述技术问题,本申请实施例公开了如下技术方案:
3、一种目标人员的信息融合分析方法,包括:
4、s100.将历史人员和事件的关系数据和人车轨迹数据直接存入或通过信息抽取存入数据平台;
5、s200.根据s100获取的历史人员和事件关系数据,在数据平台生成人员的关系网络,与s100中人车轨迹数据计算融合,生成融合图谱数据;
6、s300.根据s200生成的融合图谱数据,按目标人员和特定事件类型分类后,经过二维卷积提取基于时间戳的特征向量;
7、s400.将s300中基
8、s500.将目标人员的历史轨迹输入s400中训练好的模型,实时对目标人员轨迹进行预测。
9、进一步地,s100中,人员和事件的关系数据,包括人员基本信息,人员同乘、同住、频繁通话、人员涉及事件、人员户籍关系数据,事件信息中的一种或多种。
10、进一步地,s100中,人员基本信息,至少包括姓名、身份证号、联系方式、户籍信息。
11、进一步地,s100中,人车轨迹数据,包括人与交通工具的购票记录、出入站记录、人脸抓拍信息、车辆抓拍信息中的一种或多种。
12、进一步地,s200中,生成融合图谱数据,以人或交通工具或地址作为点位,关系或者轨迹作为边的知识图谱数据。
13、进一步地,s300中,经过二维卷积提取基于时间戳的特征向量,具体公式为:
14、mt=conv2d(ha,a,r,t),
15、其中,ha为时间戳t时经过途径点的实体(人或交通工具),a为时间戳t时的途径点,r为关注人员与ha之间的关系,t为途径时间戳,以上参数需要初始化为维度数据再进行二维卷积提取。
16、进一步地,s400中,lstm训练模型公式为:
17、et=lstm(mt)
18、其中,et是在时间戳t时经过lstm训练后的特征向量,mt是在途径时间戳t时经过二维卷积提取特征后的特征向量。
19、进一步地,s500中,使用一层神经网络预测结果,公式如下:
20、st+1=mlp(et)
21、其中,st+1为神经网络预测在t+1时间戳时,关注人员出现在某地的概率集。
22、本专利技术还公开了一种目标人员的信息融合分析系统,其特征在于,包括:数据平台存入单元、融合图谱数据生成单元、特征向量提取单元、lstm模型训练单元和目标人员轨迹预测单元;其中:
23、数据平台存入单元,用于将历史人员和事件的关系数据和人车轨迹数据直接存入或通过信息抽取存入数据平台;
24、融合图谱数据生成单元,用于根据数据平台存入单元获取的历史人员和事件关系数据,在数据平台生成人员的关系网络,与数据平台存入单元中人车轨迹数据计算融合,生成融合图谱数据;
25、特征向量提取单元,用于根据融合图谱数据生成单元生成的融合图谱数据,按目标人员和特定事件类型分类后,经过二维卷积提取基于时间戳的特征向量;
26、lstm模型训练单元,用于将特征向量提取单元中基于时间戳的特征向量投入到lstm训练模型,通过调整加权参数,验证模型预测准确度,生成训练好的模型;
27、目标人员轨迹预测单元,用于将目标人员的历史轨迹输入s400中训练好的模型,实时对目标人员轨迹进行预测。
28、本专利技术实施例提供的上述技术方案的有益效果至少包括:
29、本专利技术公开了一种目标人员的信息融合分析方法,包括:将历史人员和事件的关系数据和人车轨迹数据直接存入或通过信息抽取存入数据平台;根据获取的历史人员和事件关系数据,在数据平台生成人员的关系网络,与人车轨迹数据计算融合,生成融合图谱数据;根据生成的融合图谱数据,按目标人员和特定事件类型分类后,经过二维卷积提取基于时间戳的特征向量;将基于时间戳的特征向量投入到lstm训练模型,通过调整加权参数,验证模型预测准确度,生成训练好的模型;将目标人员的历史轨迹输入训练好的模型,实时对目标人员轨迹进行预测。本专利技术利用了现有事件数据,融合关系网络和轨迹数据多维数据源,对关注人员下一步动向提供合理预测。为相关部门从业人员简化分析流程,优化分析效率。
30、下面通过附图和实施例,对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种目标人员的信息融合分析方法,其特征在于,包括:
2.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S100中,人员和事件的关系数据,包括人员基本信息,人员同乘、同住、频繁通话、人员涉及事件、人员户籍关系数据,事件信息中的一种或多种。
3.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S100中,人员基本信息,至少包括姓名、身份证号、联系方式、户籍信息。
4.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S100中,人车轨迹数据,包括人与交通工具的购票记录、出入站记录、人脸抓拍信息、车辆抓拍信息中的一种或多种。
5.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S200中,生成融合图谱数据,以人或交通工具或地址作为点位,关系或者轨迹作为边的知识图谱数据。
6.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S300中,经过二维卷积提取基于时间戳的特征向量,具体公式为:
7.如权利要求1所述的一种目标人员的信息融合分析方法,其特
8.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,S500中,使用一层神经网络预测结果,公式如下:
9.一种目标人员的信息融合分析系统,其特征在于,包括:数据平台存入单元、融合图谱数据生成单元、特征向量提取单元、LSTM模型训练单元和目标人员轨迹预测单元;其中:
...【技术特征摘要】
1.一种目标人员的信息融合分析方法,其特征在于,包括:
2.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,s100中,人员和事件的关系数据,包括人员基本信息,人员同乘、同住、频繁通话、人员涉及事件、人员户籍关系数据,事件信息中的一种或多种。
3.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,s100中,人员基本信息,至少包括姓名、身份证号、联系方式、户籍信息。
4.如权利要求1所述的一种目标人员的信息融合分析方法,其特征在于,s100中,人车轨迹数据,包括人与交通工具的购票记录、出入站记录、人脸抓拍信息、车辆抓拍信息中的一种或多种。
5.如权利要求1所述的一种目标人员的信息融合分析方法...
【专利技术属性】
技术研发人员:汪邑尘,董瑞锦,
申请(专利权)人:武汉众智数字技术有限公司,
类型:发明
国别省市:
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。