一种特殊人员信息归正方法、设备及其存储介质与流程

1.本发明涉及计算机技术领域，特别涉及特殊人员信息归正方法、设备及其存储介质。


背景技术：

2.在一些应用场景中，需要监督特殊人员定期报告；采取实地检查、通讯联络、信息化核查等措施及时掌握特殊人员的活动情况。在重点时段、重大活动期间以及重点位置进行着重管理、跟踪特殊人员的行为轨迹。
3.采用手机信号定位时，存在因为存在不同基站偏移问题，造成连续定位数据出现个别异常点。现有主流特殊人员管理系统，对特殊人员位置坐标管理，对于异常坐标多数采用运维人员过滤删除的形式进行异常点剔除处理或系统剔除异常点结合的方式。人为的数据处理，存在误删漏删或判断不够准确等一系列问题。同时也存在漏洞，过多人为进行判定，容易滋生权钱交易的问题。并且此种方法需要运维人员进行数据清洗，工作量大且准确率不够高。系统剔除的方式也同样存在问题。容易造成数据缺失，数据不流畅等一系列问题。
4.专利申请号cn110765229的发明专利中，公开了一种重点人员行为异常的筛查方法及其存储介质，其通过对腕带定位数据和人员信息数据进行逐级筛查，过滤掉在非预设时间内、在居住地坐标的重点人员的信息数据，从而得到在预设时间内存在异常行为的重点人员的信息数据，分析该部分重点人员的行为轨迹，当发生有异常行为时能够及时发现，提前做好风险预判。这种筛选方法需要录入大量人员预设信息，任何一个预设信息错误，都可以导致结果筛查结果错误。其次，分级筛查标准，对分级模式具有很强的主观性，例如将时间段作为过滤条件，也容易误判漏判。再次，轮询遍历方式进行筛查，当样本数据庞大的时候，筛查效率大大降低。最后，该现有技术的整个方案所要解决的技术问题和所要达到的目的均和本方案较大差别。
5.专利申请号cn2016108026193的发明专利中，公开了一种基于时间累计模型的人员状态信息检测方法。基于b/s结构，采用“数据-计算-表现”三层框架结构，在服务器中实现功能、计算结果；对特殊人员的行为轨迹与敏感区域进行对比分析，并通过不同的打分机制进行判断，综合检测分析特殊人员的行为情况，从而预测监控对象的趋势的分析模型。首先对人员位置和行动轨迹的检测，也是采用遍历的方式，对每个人的行为轨迹数据遍历数据库中地图的每个敏感区域。其次，由于对某个人行为的轨迹数据需要完全遍历数据处理量庞大，由于敏感区域采用预设机制，主观性较强，容易因标准不一而影响检测结果。再次，敏感程度打分，其调查还包括实地走访，交流等，耗费大量人力物力。最后，该现有技术的整个方案所要解决的技术问题和所要达到的目的均和本方案较大差别。


技术实现要素：

6.为了解决上述技术问题，需要提供一种特殊人员信息归正方法及其存储介质，解
决上述特殊人员信息判定结果误差较大、信息查询效率较低、且耗费大量人力物力的技术问题。
7.为实现上述目的，本发明提供了一种特殊人员信息归正方法，包括：
8.采集特殊人员的时间信息、位置信息，构建坐标体系；
9.对采集到的特殊人员的位置信息进行训练，得到与时间信息关联的运动轨迹坐标模型；
10.遍历一段时间内特殊人员的位置信息，对比位置坐标与其相邻位置坐标(前后值)偏离度标准差，找出标准差大于预设阈值的坐标点，筛选出非线性的异常运动坐标点；
11.根据异常运动坐标点前后连续n个连续正常坐标点位置信息和运动轨迹坐标模型，其中n∈(10,+∞)，确定修正后的特殊人员运动轨迹。
12.进一步的，构建x、y坐标体系，并将所述时间信息为坐标体系的x轴赋值，位置信息中的运动坐标点的经纬度为坐标体系的y轴赋值。
13.进一步的，对采集到的特殊人员的位置信息进行训练，得到与时间信息关联的运动轨迹坐标模型，具体包括：
14.特殊人员运动坐标轨迹由随机变量(x,y)表示，随机变量(x,y)在区域 d＝{(x,y)|1＜x＜n，y＝bx+a}内轨迹连续，其中n为正整数，a、b为常数，
15.根据特殊人员运动轨迹训练样本(x1,y1)，(x2,y2)，(x3,y3)， (x4,y4)，......,(xn,yn)，上述训练样本满足y＝bx+a，通过找寻常量a、b的值，使得算出特殊人员当前位的位置坐标(可能有异常)输出值，找出异常位置点(xj,yj)，其中j∈(0,+∞)，j＝0表示区间无异常点。并计算特殊人员实际的位置坐标真实期望的最小距离计算连续最小的一组最小距离平方和
16.特殊人员运动坐标轨迹随机变量(x,y)在区域d内轨迹连续，所以距离平方和即为a,b的函数：
[0017][0018]
将上述q(a,b)数值达到最小并与其他连续的特殊人员运动坐标轨迹点最为连续有效，最终生成特殊人员运动轨迹坐标模型：
[0019][0020]
获取到符合特殊人员实际运动轨迹的一条运动轨迹数据，运动轨迹上的每个点尽可能与模型轨迹重合形成一个平滑并且连续的轨迹。
[0021]
进一步的，根据特殊人员运动轨迹坐标模型，计算得到未来时间的特殊人员运动坐标轨迹点。
[0022]
进一步的，特殊人员运动坐标轨迹随机变量(x,y)的概率密度函数为
[0023]
进一步的，所述位置信息是通过移动终端、gps、北斗得到运动坐标点的经度和纬
度信息。
[0024]
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的特殊人员信息归正方法。
[0025]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上述任一项所述的特殊人员信息归正方法。
[0026]
上述技术方案具有以下有益效果：
[0027]
1、本发明采用人工智能算法，根据时间维度对特殊人员的位置信息训练，最终得到ai运动轨迹坐标模型，并通过该ai运动轨迹坐标模型识别异常点位进行相应纠错处理，极大地提高了检测效率和判定精准度。
[0028]
2、同时通过本发明的ai运动轨迹坐标模型，还能够预测出一个y值，对特殊人员即将运动的位置进行相应预测。
附图说明
[0029]
图1为具体实施方式特殊人员运动轨迹坐标线性离散点。
[0030]
图2为具体实施方式特殊人员运动轨迹坐标线性离散点模型归化轨迹。
[0031]
图3为具体实施方式模型输出线性回归曲线。
[0032]
图4为具体实施方式最终特殊人员运动轨迹坐标图。
具体实施方式
[0033]
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
[0034]
实施例1
[0035]
参考图1-图4所示，本实施例一种特殊人员信息归正方法，包括：
[0036]
从概率密度的定义出发即概率＝密度的积分，我们可以认为离散型随机变量的概率密度函数是多个离散dirac函数δ(x)的和，比如说一个离散随机变量
§
定义如下：
[0037][0038]
那么可以写出概率密度函数为，即特殊人员运动坐标轨迹随机变量(x,y)的概率密度函数为：
[0039][0040]
可以确认，特殊人员运动轨迹是以时间为横轴，经纬度坐标为纵轴的线性离散型的一组变量。
[0041]
因此我们采集特殊人员的时间信息、位置信息，构建x、y坐标体系，并将所述时间信息为坐标体系的x轴赋值，位置信息中的运动坐标点的经纬度为坐标体系的y轴赋值。本
实施例所述位置信息是通过移动终端、gps、北斗得到的特殊人员运动坐标点的经度和纬度信息。
[0042]
对采集到的特殊人员的位置信息进行训练，得到与时间信息关联的运动轨迹坐标模型，具体包括：
[0043]
特殊人员运动坐标轨迹由随机变量(x,y)表示，随机变量(x,y)在区域 d＝{(x,y)|1＜x＜n，y＝bx+a}内轨迹连续，其中n为正整数，a、b为常数，
[0044]
特殊人员运动轨迹任意连续的两个或多个坐标点，受限于物理运动不能突变的情况符合线性回归方程，因此采集一组特殊人员运动轨迹(x1,y1)，(x2,y2)， (x3,y3)，(x4,y4)，......,(xn,yn)作为训练样本，上述训练样本满足y＝bx+a，通过样本训练寻找常量a、b的值，
[0045]
得出常数a、b后，使得其中i为坐标点序列，i∈(1,+∞)，算出输出值与真实期望的最小距离其中该输出值代表特殊人员当前位的位置坐标，找出异常位置点(xj,yj)，其中j∈(0,+∞)，j＝0表示区间无异常点，真实期望值代表特殊人员实际的位置坐标，计算出最小距离平方和
[0046]
由于距离平方和是由坐标数据以及常数a，b共同决定的值。本实施例中特殊人员运动坐标轨迹连续(这完全符合真实运动轨迹场景)，因为特殊人员运动坐标轨迹随机变量(x,y)在区域d内轨迹连续，所以距离平方和即为a,b的函数：
[0047][0048]
将上述q(a,b)数值达到最小并与其他连续的特殊人员运动坐标轨迹点最为连续有效，最终生成特殊人员运动轨迹坐标模型：
[0049][0050]
通过截取一段轨迹进行分析，轨迹经纬度如下(120.06011000， 30.13830900)、(120.06011900，30.13831700)、(120.06012600，30.13832800)、 (120.06013500，30.13833800)、(120.06014600，30.13843800)、 (120.06015200，30.13834900)、(120.06016500，30.13834000)、 (120.06017000，30.13833100)、(120.06018100，30.13832000)、 (120.06022000，30.13830000)。因为特殊人员限制活动区域，不能跨区活动，且段时间人员无法大跨度进行活动。参考图1所示，所以可以去除大范围的经纬度坐标，转化为xy轴坐标系(110，309)、(119，317)、(126，328)、 (135，338)、(146，438)、(152，349)、(165，340)、(170，331)、 (181，320)、(220，300)。将上述截取的10个连续坐标点带入到上述特殊人员运动轨迹坐标模型当中。
[0051]
第一步：
[0052]
求得x平均值y平均值
[0053]
第二步：
[0054]
求分子和分母
[0055][0056]
分母＝(x1^2+x2^2+x3^2+...+x
10
^2)-10*x_^2[0057]
求得分子＝48356.2，分母＝9810.4
[0058]
第三步：
[0059]
计算b＝分子/分母＝48356.2/9810.4
[0060]
求得b＝4.929075
[0061]
第四步：
[0062]
计算
[0063]
求得a＝-446.99103
[0064]
遍历一段时间内特殊人员的位置信息，对比位置坐标与其相邻位置坐标(前后值)偏离度标准差，找出标准差大于预设阈值的坐标点，预设阈值为2-4，优选标准差大于2的坐标点即为异常运动坐标点，进而筛选出非线性的异常运动坐标点(120.06014600，30.13843800)，参考图2所示。
[0065]
根据异常运动坐标点前后连续n个连续正常坐标点位置信息和运动轨迹坐标模型，其中n∈(10,+∞)，n优选60、300或600，根据每分钟一次定位，对应1小时、5小时以及10小时的定位坐标数据。确定修正后的特殊人员运动轨迹。获取到符合特殊人员实际运动轨迹的一条运动轨迹数据，将异常点从运动轨迹中剔除，最终运动轨迹上的每个点尽可能与模型轨迹重合形成一个平滑并且连续的轨迹，参考图3所示。
[0066]
参考图4所示，所示特殊人员运动坐标轨迹模型构建后，将找出的异常的非线性的运动坐标点，一一通过本实施例建立的数学模型，即特殊人员运动轨迹坐标模型。
[0067]
根据异常运动坐标点前后连续n个连续正常坐标点位置信息和运动轨迹坐标模型，其中n∈(10,+∞)，n优选60。其他一些实施例中，n也可以优选300 或0601或任意值。确定归正后的特殊人员运动轨迹，输入异常运动坐标点的前后连续正常坐标点，对该异常坐标点进行输出纠正为真实的运动轨迹坐标点近似一致的模型模拟点。通过上述特殊人员运动坐标轨迹模型能够将运动轨迹上的每个点尽可能与模型轨迹重合形成一个平滑并且连续的轨迹。进而生成符合真实运动轨迹场景的特殊人员运动坐标轨迹曲线。通过改修正后的轨迹曲线，能够更加高效的分析特殊人员的行为举止。判断特殊人员是否有异样的行为。
[0068]
根据特殊人员运动轨迹坐标模型，利用模型计算出趋势线的位置和斜率，计算得到未来一段时间的特殊人员运动坐标轨迹点，对于符合线下回归方程的特殊人员运动轨迹点利用本发明的数据模型可对特殊人员运动坐标轨迹点进行一定程度的预测。对未来一段时间的坐标可以进行一定范围和程度的圈定。对于重大活动或者特殊时间特殊地点的管控，提前给出系统预警。
[0069]
本实施例还公开了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的特殊人员信息归正方法。
[0070]
本实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如所述的特殊人员信息归正方法。
[0071]
本实施例构建线性回归方程建立的数学模型，也是ai模型，对特殊人员运动轨迹坐标数据异常的点进行纠正；通过线性回归方程建立的数据模型，对特殊人员短期运动轨迹进行一定程度和一定范围的预测。
[0072]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
或“包含
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
[0073]
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。