一种基于轨迹与传感器数据的考勤方法与流程

本发明涉及教育管理技术领域，特别是涉及教育的自动化管理技术领域。

背景技术：

日常考勤结果包括有出勤、迟到、早退、缺勤（学生的缺勤也称旷课）、请假、代签等情况。

考勤方式，现在采用的有人工点名、手写签到、指纹方式、打卡方式、人脸识别方式等，在教育领域，采用人工点名的方式更为常用。

对于指纹方式、打卡方式、人脸识别方式，需要分别配备特定的指纹识别设备、读卡机、人脸识别仪器设备。

大部分方式都需要单独识别被考勤者的过程以进行考勤，都需要依次进行，比如人工点名要依次进行，比如指纹方式、打卡方式要依次按指纹或打卡，比如人脸识别方式首先是被考勤者面对摄像头，系统采集到被考勤者的清晰脸部影像，然后摄像头将被考勤者的清晰脸部影像发送到系统进行识别，确认后通知被考勤者考勤完成。当被考勤者数量较多时，经常需要花费较多时间，甚至出现拥挤等状况，导致出现安全隐患。

还有基于轨迹的方式进行考勤，可以通过考勤时间的轨迹数据来判断考勤情况。这种方式对于公务出差人员较有效果。但是对于教育、工厂等行业存在很大的问题，即存在一个人拿着多个定位设备进行代签考勤的情况。

技术实现要素：

为了改进上述现有方案手段的不足，本发明提供了一种基于轨迹与传感器数据的考勤方法。

方法需要用到服务器和被考勤者携带的移动端软件，移动端是智能手机、平板电脑等能够随身携带的、能够连接互联网的设备，移动端具有轨迹记录、加速度、陀螺仪等传感器。

轨迹是采用轨迹记录器件采集的一系列空间的位置点，每个点至少包括日期、时间、经度、纬度、海拔信息等，其中单个点的时间、日期、经度、纬度就构成了一个定位数据。轨迹记录器件如手机gps模块等。

一种基于轨迹与传感器数据的考勤方法，其特征在于，包括以下步骤：

1）被考勤者录入被考勤者信息，移动端软件读取被考勤者移动端的imsi码和/或imei码，被考勤者的imsi码和/或imei码上传服务器，考勤者录入被考勤者信息，考勤者设置考勤要求信息，设置预备时间点ty、考勤时间点tk、迟到时间点tc、结束时间点tx，和考勤地点范围f；

2）被考勤者在预备时间点ty前通过移动端软件提交请假申请给服务器，考勤者将批准发送到被考勤者的移动端软件，移动端软件接收到批准后，即停止对该被考勤者进行考勤；

3）到达预备时间点ty后，移动端软件运行初始化进程，自动校准移动端时间，使其和服务器同步，启动考勤记录子进程，读取被考勤者移动端的定位数据和传感器数据，如果读取失败，移动端软件将此消息上传服务器；如果读取正常，开始读取传感器的运动数据和移动端定位模块的定位数据；

4）到达考勤时间点tk后，根据被考勤者的轨迹判别被考勤者属于出勤、出勤待定、迟到待定中的何种情况，根据轨迹无法判别区分的出勤待定情况，使用移动端的传感器数据判别被考勤者属于出勤、代签中的何种情况；

5）到达迟到时间点tc后，判别迟到待定类的被考勤者的轨迹，根据被考勤者的轨迹判别被考勤者属于迟到、迟到待定、缺勤中的何种情况，根据轨迹无法判别区分的迟到待定情况，使用移动端的传感器数据判别被考勤者属于迟到、代签中的何种情况；

6）查询属于出勤、迟到、代签情况的被考勤者定位数据在迟到时间点tc至结束时间点tx期间是否在考勤地点范围f内，如果被考勤者的定位数据有在考勤地点范围f之外的，定为早退。

被考勤者到达考勤地点范围f的时间为td，在td前的考核时间段起始点tdh1至td后的考核时间段结束点tdh2之间的时间段为考核时间段tdh。

表征相似度的参数很多，都与相似度有相关关系，有的呈正相关，有的呈负相关，例如欧氏距离越小，相似度越大；相关系数越大，相似度越大；动态时间调整算法计算的相似度数值越小，相似度越大。

所以表征相似度的参数和阈值的比较后进行判别时属于何种情况时，要根据是正相关还是负相关来确定。代签是一种相似度大的行为，表征相似度的参数和相似度负相关的，数值越小，相似度越大，代签可能性越大，表征相似度的参数的数值小于阈值的，判断为代签嫌疑；表征相似度的参数和相似度正相关的，数值越大，相似度越大，代签可能性越大，表征相似度的参数的数值大于阈值的，判断为代签嫌疑。

一种基于轨迹与传感器数据的考勤方法，其特征在于：

到达考勤时间点tk后，根据被考勤者的轨迹判别被考勤者属于出勤、出勤待定、迟到待定中的何种情况，根据轨迹无法判别区分的出勤待定情况，使用移动端的传感器数据判别被考勤者属于出勤、代签中的何种情况，判别过程如下：

首先查询考勤时间点tk时的被考勤者的定位数据是否在考勤地点范围f内，若被考勤者在考勤地点范围f内，继续进行如下的判别：

如果在被考勤者的考核时间段tdh内没有其他被考勤者的定位数据进入到考勤地点范围f内，该被考勤者定为出勤；

如果在被考勤者的考核时间段tdh内有其他被考勤者的定位数据进入到考勤地点范围f内，将被考勤者与在考核时间段tdh内到达的其他被考勤者的考核时间段tdh内的轨迹进行相似度的比对，

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为出勤；如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为出勤；

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为出勤，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为出勤，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，定为代签嫌疑，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，定为代签嫌疑，提交给考勤者确认；

若考勤时间点tk时被考勤者的定位数据未在考勤地点范围f内，则定为迟到待定类。

一种基于轨迹与传感器数据的考勤方法，其特征在于：

到达迟到时间点tc后，判别迟到待定类的被考勤者的轨迹，根据被考勤者的轨迹判别被考勤者属于迟到、迟到待定、缺勤中的何种情况，根据轨迹无法判别区分的迟到待定情况，使用移动端的传感器数据判别被考勤者属于迟到、代签中的何种情况，判别过程如下：

首先查询迟到时间点tc时的被考勤者的定位数据是否在考勤地点范围f内，若被考勤者在考勤地点范围f内，继续进行如下的判别：

查询在被考勤者的考核时间段tdh内其他被考勤者的定位数据是否有进入考勤地点范围f内，

如果在被考勤者的考核时间段tdh内没有其他被考勤者的定位数据进入到考勤地点范围f内，该被考勤者定为迟到，

如果在被考勤者的考核时间段tdh内有其他被考勤者的定位数据进入到考勤地点范围f内，将被考勤者与在考核时间段tdh内到达的其他被考勤者的考核时间段tdh内的轨迹进行相似度的比对，

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为迟到；如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为迟到；

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为迟到，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为迟到，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，定为代签嫌疑，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，定为代签嫌疑，提交给考勤者确认；

考勤结果会返回给被考勤者，被考勤者认为和事实不符，可以和考勤者沟通更正。

一种基于轨迹与传感器数据的考勤方法，其特征在于：

考核时间段tdh的范围为0.1秒-120秒之间。

一种基于轨迹与传感器数据的考勤方法，其特征在于：

服务器使用的被考勤者的定位数据、轨迹、传感器数据，由服务器向被考勤者移动端软件调用或者被考勤者移动端软件主动传送到服务器。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的考勤地点范围f，由考勤地点的准确位置信息加上定位数据误差确定。如：考勤地点的经纬度为（n,w），采用的定位方法存在绝对误差j，则考勤地点范围f为以点（n,w）为中心半径为j的类圆形区域。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的定位数据是采用卫星定位方法、基于网络基站定位的方法、基于无线局域网的定位方法中的一种或者几种结合的方法获得的。

定位方式有多种，如美国全球定位系统（gps）定位、俄罗斯格洛纳斯卫星导航系统（glonass）定位、中国北斗卫星导航系统（bds）定位、欧盟伽利略卫星导航系统（galileo）定位、基于cellid的定位技术、lbs基站定位、基于aflt的定位技术、基于agps（无线网络辅助gps定位技术）的定位技术、基于gpsone定位技术、wlan定位等。

定位技术还在不断发展中，任何实用的定位技术都可以用于本发明。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的定位数据，包含日期、时间、该时间所处的经度、该时间所处的纬度。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的定位数据，还包含纬度半球、经度半球、地球椭球面相对大地水准面的高度、海拔高度、地面速率、地面航向的一种或者几种。

一系列按照时间顺序的定位数据构成了轨迹，轨迹的相似度判别有很多成熟方法和新方法，都是可用的。

例如叶剑等在中国发明专利《一种时空轨迹相似度计算方法及系统》公开了一种时空轨迹相似度计算方法及系统，所述方法包括：步骤1，定义距离转角率，刻画用户兴趣点的特征；步骤2，根据经验阈值，识别用户兴趣点；根据轨迹的用户兴趣点计算其公共兴趣点；步骤3，计算分段之间的相似度以及不相似度，其中所述分段为两个公共兴趣点之间的分段；通过定义分段时间、相似分段、相似路线，计算轨迹之间的相似度以及不相似度，从而得到轨迹相似度。

还有王冠男在其博士论文《基于gps轨迹和照片轨迹的时空数据挖掘》中综述了现有的一些公知方法。

表征相似度的参数可以用轨迹之间的距离函数、相似系数等。

距离函数可以使用欧氏距离、绝对距离、minkowski距离、chebyshev距离、方差加权距离、马氏距离等，谱系聚类法中可以使用最短距离、最长距离、类平均距离、重心距离、离差平方和距离等，相似系数可以使用相关系数、夹角余弦等。

轨迹的相似度还可以用轨迹模式挖掘、带时间标注序列挖掘的算法等进行计算。

轨迹的相似度比对可以采用基于距离函数的相似度算法、基于谱系聚类法的相似度算法、基于相似系数的相似度算法、基于轨迹模式挖掘的相似度算法、基于带时间标注序列挖掘的相似度算法、基于拟合方程的相似度算法、基于协同过滤的相似度算法、基于路径搜索的相似度算法、基于离散frechet距离的相似度算法、基于模版匹配的相似度算法、基于地图模版匹配的相似度算法、基于矢量量化的相似度算法、基于高斯混合模型的相似度算法、基于隐马尔科夫模型的相似度算法、基于人工神经网络的相似度算法、基于动态时间规整的相似度算法中的一种以及上述算法的混合算法。这些参数、算法都是可以用于本发明中的相似度识别。

由于有些情况的误差较大，因此也可以采用基于地图模版匹配的相似度算法，即将被考勤者的轨迹和该轨迹周边的道路的定位数据进行比较，确认最接近的道路，将被考勤者的轨迹用最接近的道路的定位数据进行表征，然后再用道路定位数据形成的轨迹进行相似度比较。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的轨迹的相似度的比对中，在实测被考勤者的定位数据、轨迹的精度后依据考勤准确度的要求确定阈值。

定位数据、轨迹的精度和所用设备、所处环境关系很大，基于定位数据、轨迹计算的距离函数、相似系数等的计算结果也和所用设备、所处环境关系很大，

用不同设备或者在不同环境中测得的定位数据、轨迹的精度有差别，使用同样的距离函数、相似系数等参数进行相似度比对时相应的误差范围也会随之变化，此外，考勤者对于识别准确性的误差要求也各不相同。所以阈值的确定需要实测被考勤者出勤轨迹情况后依据准确度的要求加以确定。即：

thr=f（δ，△）其中thr为阈值，δ为精度；△为考勤准确性的误差要求。

相似度的阈值的选取与测量精度、考勤准确度有关，距离阈值的选取范围是测量精度的1-10倍。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的传感器数据，是加速度传感器的x轴的加速度数据、y轴的加速度数据、z轴的加速度数据，方向传感器的x轴的角度数据、y轴的角度数据、z轴的角度数据，陀螺仪传感器x轴的角加速度数据、y轴的角加速度数据、z轴的角加速度数据，重力传感器的重力数据，线性加速度传感器x轴的加速度数据、y轴的加速度数据、z轴的加速度数据，旋转矢量传感器的基于x轴的x*sin(θ/2)数据、基于y轴的y*sin(θ/2)数据、基于z轴的z*sin(θ/2)数据中的一种或几种的结合。

传感器数据是传感器采集的一系列特定参数的数据集合，每个集合至少包括日期、时间、特定参数的数值，特定参数可以是加速度传感器的加速度、方向传感器的角度、陀螺仪传感器的角加速度、重力传感器的重力、线性加速度传感器的加速度、旋转矢量传感器的数据中的一种或者几种的结合。

每种传感器的每一个轴的数据就是上面所述的数据中的一种，而不是x轴、y轴、z轴三个轴合起来才算作数据中的一种。

人体运动时是多个方向的共同作用力合成为一个初始向量。不同的传感器固定在移动端，感受到所述的初始向量产生的不同类型的衍生向量，如加速度、方向、角加速度、或者旋转矢量等。

向量在球坐标系中用（r，φ，θ）表示，在直角坐标系中用（x、y、z）来表示，传感器数据通常使用直角坐标系的表示法，即（x，y，z）。

虽然传感器是固定在移动端的，但是移动端和人体的相对位置关系是变化的。因此即使同样的人体运动，移动端传感器感受到的初始向量、衍生向量的数值是不一样的。

球坐标系中初始向量、衍生向量用（r，φ，θ）表示，无论移动端和人体的相对位置关系如何，r的数值是一致的，θ、φ可以通过旋转后重合。

由于移动端和人体的相对位置关系的变化，导致初始向量、衍生向量在直角坐标系中x、y、z轴的分量不同，移动端传感器输出的直角坐标系的x、y、z轴的数据有较大差异，导致相似度比对时难度变大。

因此将直角坐标系的（x、y、z）数据转化成球坐标系的（r，φ，θ）进行相似度比对是更好的办法，当然，也可以直接用直角坐标系的（x、y、z）来进行相似度比对。

不论使用的坐标系如何，传感器数据是以时间为横坐标的复杂波动，属于机械振动区段的波动。

因此，所述的传感器数据的相似度比对方法可以采用波的相似度比对方法，各种实用的频谱的相似度比较方法都可以使用。

机械振动、声波、电磁波等都属于波。

波动的相似度的比对方法也有很多，机械振动、声波、电磁波等都有很多成熟方法，也有很多新方法。

例如在电磁波领域，张其林等在《基于相似系统理论的红外光谱谱图比对方法》中基于相似系统理论,以红外谱图的峰强、峰位、峰面积为相似元设计比对算法,通过实验得到相似元中不同特征值对计算谱图相似性存在一定的影响，然后采用层次分析法得到相似度计算中不同特征值的权重系数，最后提出一种改进的比对算法。

传感器数据的相似度比对可以采用基于欧氏距离的相似度算法、基于拟合方程的相似度算法、基于协同过滤的相似度算法、基于路径搜索的相似度算法、基于采样频谱特征分析的相似度算法、基于离散frechet距离的相似度算法、基于模版匹配的相似度算法、基于矢量量化的相似度算法、基于高斯混合模型的相似度算法、基于隐马尔科夫模型的相似度算法、基于人工神经网络的相似度算法、基于动态时间规整的相似度算法中的一种以及上述算法的混合算法。

一种基于轨迹与传感器数据的考勤方法，其特征在于：所述的传感器数据的相似度的比对中，在实测被考勤者的传感器数据的精度后依据考勤准确度的要求确定阈值。

基于动态时间规整（dtw）的相似度算法具有计算速度快、结论直观的优点。本发明就以此算法为例进行相似度比对。

dtw是把时间规整和距离测度计算结合起来的一种非线性规整技术，它寻找一个规整函数im=ф(in)，将测试矢量的时间轴n非线性地映射到参考模板的时间轴m上，并使该函数满足：

(1)

d就是处于最优时间规整情况下两矢量的距离。由于dtw不断地计算两矢量的距离以寻找最优的匹配路径，所以得到的是两矢量匹配时累积距离最小所对应的规整函数，这就保证了它们之间存在的最大相似性。dtw算法的实质就是运用动态规划的思想，利用局部最佳化的处理来自动寻找一条路径，沿着这条路径，两个特征矢量之间的累积失真量最小，从而避免由于时长不同而可能引入的误差。

dtw算法的原理图如图4，把序列1的各个帧号n=1~n在一个二维直角坐标系中的横轴上标出，把序列2的各帧m=1~m在纵轴上标出，通过这些表示帧号的整数坐标画出一些纵横线即可形成一个网格，网格中的每一个交叉点(ti,rj)表示序列1中某一帧与序列2中某一帧的交汇。

dtw算法分两步进行，一是计算两个序列各帧之间的距离，即求出帧匹配距离矩阵，二是在帧匹配距离矩阵中找出一条最佳路径w(n)。搜索这条路径的过程可以描述如下：搜索从(1,1)点出发，对于局部路径约束如图5，点(in,im)可达到的前一个格点只可能是(in-1,im)、(in-1,im-l)和(in-1,im-2)。那么(in,im)一定选择这三个距离中的最小者所对应的点作为其前续格点，这时此路径的累积距离为：

d(in,im)=d(t(in),r(im))+min{d(in-1,im),d(in-1,im-1),d(in-1,im-2)}(2)

这样从(l,1)点出发(令d(1,1)=0)搜索，反复递推，直到(n,m)就可以得到最优路径，而且d(n,m)就是最佳匹配路径所对应的匹配距离。

普通dtw对端点检测比较敏感，端点信息是作为一组独立的参数提供给识别算法的。它要求两个序列起点对起点，终点对终点，对端点检测的精度要求比较高。当噪声比较大时，端点检测不易进行，这就要求在动态时间规整过程中给以考虑。放松端点限制方法不严格要求端点对齐，克服由于端点算法不精确造成的两个序列的起点终点不能对齐的问题。一般情况下，起点和终点在纵横两个方向只要放宽2-3帧就可以，也就是起点可以在(1,1)，(l,2)，(1,3)，(2,1)，(3,l)，终点类似。如图6。

在放宽端点限制的dtw算法中，累积距离矩阵中的元素(1,l)，(l,2)，(l,3)，(2,l)，(3,1)不是根据局部判决函数计算得到的，而是直接将帧匹配距离矩阵的元素填入，自动从其中选择最小的一个作为起点，对于终点也是从松弛终点的允许范围内选择一个最小值作为两个序列的匹配距离。

本发明采用dtw算法，进行了轨迹、传感器数据的相似度比对，结果符合预期要求，在具体实施方式中予以体现。

需要特别指出的是，使用dtw算法并非对本发明的限制，有关技术领域，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的保护范围应由权利要求限定。

与现有技术相比，本发明的有益效果是：

1)很大的减轻了考勤者的工作压力和工作难度；

2)大大的提高了考勤的准确性以及考勤的效率；

3)避免了单独识别被考勤者的过程，避免了大量被考勤者聚集可能导致的安全隐患等。

附图说明

图1本发明的核心流程示意图。

图2本发明的主要流程示意图。

图3考勤核心判别流程示意图。

图4dtw算法原理图。

图5约束路径。

图6改进的dtw算法原理图。

图7小a与小b同一路径同时行走时小a的agps轨迹a1s。

图8小a与小b同一路径同时行走时小b的agps轨迹b1s。

图9小a与小b同一路径同时行走时小a的agps轨迹a1t。

图10小a与小b同一路径同时行走时小b的agps轨迹b1t。

图11小a与小b同一起点与终点但是路径部分不同时小b的agps轨迹b2s。

图12小a与小b同一起点与终点但是路径部分不同时小b的agps轨迹b2t。

图13小a与小b同一路径同时行走时的加速度传感器的θa1、θb1值波动序列比对示意图；实线为小a，虚线为小b；小a的曲线在y轴方向上移了0.5个单位。

图14小a与小b同一路径同时行走时的加速度传感器的φa1、φb1值波动序列比对示意图；实线为小a，虚线为小b；小b的曲线在y轴方向上移了1个单位。

图15小a同一路径下不同次的加速度传感器的θa2、θa3值波动序列比对示意图；实线为第一次，虚线为第二次。

图16小a同一路径下不同次的加速度传感器的φa2、φa3值波动序列比对示意图；实线为第一次，虚线为第二次；第二次的曲线在y轴方向下移了1个单位。

图17小a拿m、n两部手机时的加速度传感器的θa4、θb4值的波动序列比对示意图；实线为m，虚线为n；m的曲线在y轴方向上移了1个单位。

图18小a拿m、n两部手机时的加速度传感器的φa4、φb4值的波动序列比对示意图；实线为m，虚线为n。

具体实施方式

本实施例是对本发明的进一步说明。采用agps定位的方法获得轨迹数据和采用加速度传感器获得传感器数据，采用的移动端为智能手机。

被考勤者下载安装移动端软件，移动端软件要求被考勤者填充相应的个人信息，包括手机号和邮箱等信息，进入系统，初次使用系统，移动端软件查询被考勤者移动端特征信息，记录用户的imsi码和/或imei码，移动端软件将被考勤者的imsi码和/或imei码和被考勤者信息上传服务器，发送到服务器。

考勤者进入系统，填充相应的个人信息包括手机号和邮箱等信息，考勤者进入考勤信息管理模块，管理考勤要求信息，增加考勤信息，设置考勤时间，包括预备时间点ty，考勤时间点tk，迟到时间点tc，结束时间点tx，设置，设置考勤地点范围f，设置被考勤人员信息。

被考勤者在ty时刻前可以在移动端软件进入请批假模块，提出请假申请，并将此消息发往服务器，考勤者可以在移动端软件请批假模块，查看被考勤人员的请假请求，并对请假申请请求进行审批，审批结果上传到服务器。

到达考勤预备时间ty，检测到未启动的移动端软件自动启动，初始化模块对系统进行初始化，校准被考勤者与考勤者的时间，使其与服务器一致，移动端软件检测被考勤者的imsi码和/或imei码，与服务器中该被考勤者的imsi码和/或imei码进行匹配，匹配成功不做处理，直接进入下一步，匹配失败在服务器做相应的设备变更记录，并把检测消息及时反馈通知该被考勤者，进入下一步。

检测服务器中被考勤者信息，判断被考勤者该次考勤是否请假，若被考勤者请假，则系统结束,若被考勤者未请假，则开启被考勤者移动端软件数据记录进程，移动端软件检测用户设备的agps定位组件和加速度传感器的启动状态，若状态异常，则在在服务器做设备异常记录，并把消息及时反馈给被考勤者，通知其请自行与考勤者联系，否则会被视为缺勤，若状态正常，数据记录进程实时读取移动端的agps定位组件的定位数据以及相应时间和加速度传感器的运动数据以及相应读取时间存储在移动端设备。

被考勤者到达考勤地点范围f的时间为td，在td前的到达时间段起始点tdh1至td后的考核时间段结束点tdh2之间的时间段为考核时间段tdh。

到达考勤时间点tk，服务器根据考勤要求信息中的考勤地点，根据agps定位方法十米级精度误差以目标地点为中心计算出考勤地点范围f。

到达考勤时间点tk后，根据被考勤者的轨迹判别被考勤者属于出勤、出勤待定、迟到待定中的何种情况，根据轨迹无法判别区分的出勤待定情况，使用移动端的传感器数据判别被考勤者属于出勤、代签中的何种情况，判别过程如下：

首先查询考勤时间点tk时的被考勤者的定位数据是否在考勤地点范围f内，若被考勤者在考勤地点范围f内，继续进行如下的判别：

如果在被考勤者的考核时间段tdh内没有其他被考勤者的定位数据进入到考勤地点范围f内，该被考勤者定为出勤；

如果在被考勤者的考核时间段tdh内有其他被考勤者的定位数据进入到考勤地点范围f内，将被考勤者与在考核时间段tdh内到达的其他被考勤者的考核时间段tdh内的轨迹进行相似度的比对，

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为出勤；如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为出勤；

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为出勤，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为出勤，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，定为代签嫌疑，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，定为代签嫌疑，提交给考勤者确认；

若考勤时间点tk时被考勤者的定位数据未在考勤地点范围f内，则定为迟到待定类。

到达迟到时间点tc后，判别迟到待定类的被考勤者的轨迹，根据被考勤者的轨迹判别被考勤者属于迟到、迟到待定、缺勤中的何种情况，根据轨迹无法判别区分的迟到待定情况，使用移动端的传感器数据判别被考勤者属于迟到、代签中的何种情况，判别过程如下：

首先查询迟到时间点tc时的被考勤者的定位数据是否在考勤地点范围f内，若被考勤者在考勤地点范围f内，继续进行如下的判别：

查询在被考勤者的考核时间段tdh内其他被考勤者的定位数据是否有进入考勤地点范围f内，

如果在被考勤者的考核时间段tdh内没有其他被考勤者的定位数据进入到考勤地点范围f内，该被考勤者定为迟到，

如果在被考勤者的考核时间段tdh内有其他被考勤者的定位数据进入到考勤地点范围f内，将被考勤者与在考核时间段tdh内到达的其他被考勤者的考核时间段tdh内的轨迹进行相似度的比对，

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为迟到；如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为迟到；

将被考勤者与在考核时间段tdh内到达的其他被考勤者的轨迹的表征相似度的参数和阈值进行比较，如果表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，则进行被考勤者与在考核时间段tdh内到达的其他被考勤者在考核时间段tdh内的传感器数据的相似度比对，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数小于阈值，则定为迟到，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数大于阈值，则定为迟到，

如果被考勤者与在考核时间段tdh内到达的其他被考勤者的传感器数据的表征相似度的参数与相似度呈正相关关系，且表征相似度的参数大于阈值，定为代签嫌疑，如果表征相似度的参数与相似度呈负相关关系，且表征相似度的参数小于阈值，定为代签嫌疑，提交给考勤者确认。

查询属于出勤、迟到、代签情况的被考勤者定位数据在迟到时间点tc至结束时间点tx期间是否在考勤地点范围f内，如果被考勤者的定位数据有在考勤地点范围f之外的，定为早退。

服务器将判定的结果进行存储，同时服务器读出考勤信息中被考勤者的考勤结果，展示在对应考勤者的移动端软件；服务器处理考勤结果,更新被考勤者的信息，并且将更新后的最近考勤结果信息展示在被考勤者移动端软件界面。

若被考勤者想查看本人的考勤记录，在移动端软件提交相应请求消息，服务器收到被考勤者移动端软件发送过来的请求消息，读出服务器中该被考勤者的考勤结果数据，进行汇总出勤次数、缺勤次数、迟到次数、早退次数、代签次数、请假次数等信息，将汇总后的消息发送给移动端软件，呈现在移动端软件界面。

服务器使用的被考勤者的定位数据、轨迹、运动数据，由服务器向被考勤者移动端软件调用或者被考勤者移动端软件主动传送到服务器。

基于动态时间规整的相似度算法进行轨迹相似度的比对。编制了dtw程序，程序首先将agps轨迹中的时间、经度、纬度进行归一化，然后按照常规动态时间规整的算法进行不同轨迹的相似度对比。

采集了小a和小b一起行走时的小a的agps原始轨迹a1s，见图7，处理后得到agps轨迹a1t（ta1t，xa1t，ya1t），见图9、小b的agps原始轨迹b1s，见图8，处理后得到agps轨迹b1t（tb1t，xb1t，yb1t），见图10，采集了小a与小b同一起点与终点但是路径部分不同时的小b的agps原始轨迹b2s，见图11，处理后得到agps轨迹b2t（tb2t，xb2t，yb2t），见图12。

dtw程序计算出a1t与b1t的相似度为1.10，a1t与b2t的相似度为2.46，a1t与b2t的相似度存在显著性差异。

a1t与b2t路径差异是a1没有绕过建筑bu，b2绕过了建筑bu，其他部分都相同，该建筑两条道路间间距在15米左右，具体细节见图7、图8，因此agps轨迹可以准确的分清是在道路上行进的不同轨迹。

小a与小b同一路径同时行走时的agps轨迹a1t与b1t的相似度为1.10，表明相似度在1.10左右的区间已经无法分辨出轨迹的差异。

需要指出的是，基于动态时间规整的相似度算法对于时间是不敏感的，也就是将小a的agps轨迹a1t、小b的agps轨迹b1t，进行处理，其中b1t中的时间序列延时3秒得到轨迹b11t、b1t中的时间序列延时5秒得到轨迹b12t，按照步行速度约6千米每小时，此时分别相当于两人前后相隔大约6米、12米，检测相似度，相似度也为1.10。

同样路径下不同到达时间的情况，属于曲线的平移，基于欧氏距离可以解决平移问题，以时间为一个序列，经纬度为另外的两个序列，构成一个三维数组，比较不同延时的同样路径。计算a1与b1、a1与b11、a1与b12的欧氏距离，三个欧氏距离分别为2.76、3.55、5.07，表明延时越多，欧氏距离越大，相似性越低。

本发明实施例中agps精度为5-10米，阈值选取范围，可以是精度的1-10倍，范围为5-100米，基于动态时间规整的相似度算法中距离阈值选取为10米，按照前面实际测定结果，a1t与b1t的相似度为1.10，a1t与b2t的相似度为2.46，建筑物前后的道路是最小的路径差异了，因此可以在1.10与2.46区间选取，可以使用中值法确定阈值为（1.10+2.46）/2=1.78。

基于动态时间规整的相似度算法进行传感器相似度的比对。基于常规动态时间规整的算法编制了程序，采集小a和小b的加速度传感器数据，原始数据是直角坐标系的（x，y，z），将其转化为球坐标系的（r，θ，φ）。

获得了小a与小b同一路径同时行走时的加速度传感器的（θa1、φa1）、（θb1、φb1）值，见图13、14。获得了小a同一路径下不同次的加速度传感器的第一次的（θa2、φa2）、第二次的（θa3、φa3）值，见图15、16。获得了小a拿m、n两部手机时的加速度传感器的（θa4、φa4）、（θb4、φb4）值，见图17、18。

将上述序列的值进行相似度比较，比较前首先进行归一化。相似度两两比对结果如下：

小a与小b同一路径同时行走时，θa1、θb1的相似度为1.77；φa1、φb1的相似度为3.22。小a同一路径下不同次的θa2、θra3的相似度为1.54；φa2、φa3的相似度为1.80。小a拿m、n两部手机时θa4、θb4的相似度为0.83；φa4、φb4的相似度为0.77。

依据下式计算综合相似度：

（3）

小a与小b同一路径同时行走时，y=3.67；小a同一路径下不同次时，y=2.37；小a拿m、n两部手机时，y=1.13。

可以在1.13与2.37区间选取，可以使用中值法确定阈值为（1.13+2.37）/2=1.75。

小a与小b同一路径同时行走时，综合相似度为3.67；小a同一路径下不同次的综合相似度为2.37；小a拿m、n两部手机时综合相似度为1.13，差异明显。表明一个人拿着多个手机进行代签考勤的情况下，相似度很高。

本发明实施例中基于动态时间规整的相似度算法中距离阈值选取为10米，按照前面实际测定结果，a1t与b1t的相似度为1.10，a1t与b2t的相似度为2.46，建筑物前后的道路是最小的路径差异了，因此可以在1.10与2.46区间选取，可以使用中值法确定阈值为（1.10+2.46）/2=1.78。

传感器数据的阈值选取范围，小a同一路径下不同次的综合相似度为2.37；小a拿m、n两部手机时综合相似度为1.13之间，所确定的阈值范围可以使用中值法确定阈值为（1.13+2.37）/2=1.75。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的保护范围应由权利要求限定。