本发明属于通信技术领域，具体涉及一种可疑人员判断方法及装置。
背景技术：
在当今社会中，妨碍公共安全的事件时有发生，尤其一些大型的公共场所中，例如大型商场，一些犯罪分子会多次在不同区域踩点后实施犯罪行为，如果能在发生犯罪活动之前，就能提前识别其身份，提前对其进行防控，就能大大降低犯罪行为的发生。
目前，通常是商场监控人员通过电视墙上的视频画面对商场人员进行监控，人为分析商场人员的可疑行为。但是，通过视频监控需要事先安装大量视频监控装置，成本较高。同时，人为进行视频监控工作量大、效率低，且判断的准确性不高。
技术实现要素：
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种根据用户的Wi-Fi连接信息对可疑人员进行判断的可疑人员判断方法。
解决本发明技术问题所采用的技术方案是一种可疑人员判断方法，包括：
获取用户的Wi-Fi连接信息；
根据所述Wi-Fi连接信息确定所述用户的用户特征；
根据所述用户特征，依照预先训练的预设算法计算所述用户的可疑系数；
根据所述可疑系数判断所述用户是否为可疑人员。
优选的，所述用户特征包括所述用户的行为特征。
进一步优选的，所述行为特征包括所述用户的非正常区域停留时间、非正常区域出入次数；
所述Wi-Fi连接信息包括所述用户连接各Wi-Fi热点的时间；
所述根据所述Wi-Fi连接信息确定所述用户的用户特征具体包括：根据用户所连接各Wi-Fi热点的时间确定所述用户的非正常区域停留时间、非正常区域出入次数。
优选的，所述用户特征包括所述用户的信用特征；
所述Wi-Fi连接信息包括身份信息；
所述根据所述Wi-Fi连接信息确定所述用户的用户特征具体包括：根据所述身份信息确定所述用户的信用特征。
进一步优选的，所述用户的身份信息包括所述用户的手机号码。
优选的，所述获取用户的Wi-Fi连接信息之前，还包括训练预设算法，其具体包括：
根据历史数据通过聚类确定参考特征，所述参考特征包括：行为特征、信用特征；
通过逻辑回归模型确定各所述参考特征的权重值。
解决本发明技术问题所采用的另一技术方案是一种可疑人员判断装置，包括:
Wi-Fi平台，用于获取用户的Wi-Fi连接信息；
特征确定单元，用于根据所述Wi-Fi连接信息确定所述用户的用户特征；
计算单元，用于根据所述用户特征，依照预先训练的预设算法计算所述用户的可疑系数；
判断单元，用于根据所述可疑系数判断所述用户是否为可疑人员。
优选的，所述用户特征包括所述用户的行为特征；所述行为特征包括所述用户的非正常区域停留时间、非正常区域出入次数；
所述Wi-Fi连接信息包括所述用户连接各Wi-Fi热点的时间；
所述特征确定单元具体用于根据用户所连接各Wi-Fi热点的时间确定所述用户的非正常区域停留时间、非正常区域出入次数。
优选的，所述用户特征包括所述用户的信用特征；
所述Wi-Fi连接信息包括身份信息；
所述特征确定单元具体用于根据所述身份信息确定所述用户的信用特征。
进一步优选的，所述用户的身份信息包括所述用户的手机号码。
本发明的可疑人员判断方法中，在用户接入Wi-Fi后，通过用户的Wi-Fi连接信息确定用户的行为特征、信用特征等用户特征，并根据大数据平台对进行预先训练的预设算法对用户的用户特征进行分析计算，从而准确识别可疑人员，预先防控，减少公共安全事故的发生。
附图说明
图1为本发明的实施例1的可疑人员判断方法的流程图；
图2为本发明的实施例2的可疑人员判断方法的流程图；
图3为本发明的实施例3的可疑人员判断装置的框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1：
如图1所示，本实施例提供一种可疑人员判断方法，其根据各用户的Wi-Fi连接信息获取用户的用户特征，通过对用户的用户特征进行分析计算，以判断该用户是否为可疑人员。
该可疑人员判断方法包括：
S11、获取用户的Wi-Fi连接信息，并根据Wi-Fi连接信息确定用户的用户特征；其中，Wi-Fi连接信息包括用户的身份信息、用户连接Wi-Fi热点的时间等信息；用户特征可包括行为特征、信用特征等。
S12、根据用户特征，依照预先训练的预设算法计算用户的可疑系数；该可疑系数是用来对用户是否为可疑人员的评判参数，即本步骤中，通过预设算法对用户的用户特征进行计算分析得出该用户的可疑系数，以此判断该用户是否为可疑用户。
S13、根据可疑系数判断用户是否为可疑人员。具体的，当可疑系数大于第一预设值时，判断该用户为可疑用户；当可疑系数小于第一预设值时，判断该用户为正常用户。可以理解的是，该第一预设值可以根据实际情况设定，在此不做具体限制。
本实施例中，在用户接入Wi-Fi后，通过用户的Wi-Fi连接信息确定用户的用户特征，并根据大数据平台对进行预先训练的预设算法对用户的用户特征进行分析计算，从而准确识别可疑人员，预先防控，减少公共安全事故的发生。
实施例2：
如图2所示，本实施例提供一种可疑人员判断方法，其可用于在商场、医院等人流量大、鱼龙混杂的场所中，当用户通过手机、平板电脑等设备接入场所(例如商场)提供的Wi-Fi后，根据各用户的Wi-Fi连接信息获取用户的用户特征，从而进行可疑人员的识别、判断。
其中，Wi-Fi连接信息包括用户的身份信息、用户连接Wi-Fi热点的时间等信息；用户的用户特征包括行为特征、信用特征等。
由于现有技术中人们在外通常通过手机接入Wi-Fi，故下面以当用户通过手机接入Wi-Fi时，判断商场中的可疑人员为例进行说明。该可疑人员判断方法包括：
S21、用户向Wi-Fi平台发起连接请求。
即商场向用户(包括商场工作人员、顾客等)提供Wi-Fi连接服务。当用户进入商场后，可通过具有Wi-Fi接入功能的设备(例如手机、智能手表等设备)搜索到商场提供的Wi-Fi，并与Wi-Fi平台建立会话，发起连接请求。
S22、Wi-Fi平台接收用户发送的连接请求，根据该连接请求获取用户的身份信息。
其中，身份信息包括用户的手机号码。具体的，本实施例中可以通过以下方式获取用户的手机号码：Wi-Fi平台接收用户发送的连接请求后，判断该连接请求中是否携带有UUID标识，若有，则根据UUID标识获取用户的手机号码；若没有，则通过随机算法生成UUID标识，并将该UUID标识添加到重定向的链接地址，生成一个“URL(Uniform Resource Locator；统一资源定位符)+UUID”地址，向用户返回该“URL+UUID”地址，并返回步骤S21，以使用户重新发起连接请求，且重新发起的连接请求中携带有UUID标识。
其中，Wi-Fi平台根据UUID标识获取用户的手机号码时，可通过与运营商侧的NET取号平台进行交互，依据UUID标识获取用户的手机号码。具体的，NET取号平台的省分节点会在3G网络的GGSN网元上抓取带有UUID标识的数据包，发送给总部节点，总部节点通过数据包解析，即可获取该UUID标识对应的手机号码。也就是说，本实施例中，在用户连接Wi-Fi时，无需用户自己输入手机号码，这样减少操作步骤，提高用户的入网体验。
当然，可以理解的是，也可以令用户在发起连接请求自行输入手机号码，从而直接获取用户的手机号码。
S23、当用户接入Wi-Fi后，特征确定单元根据Wi-Fi连接信息确定用户的用户特征。
即本步骤中，特征确定单元通过Wi-Fi平台获取用户的身份信息、用户连接Wi-Fi热点的时间、网络操作等Wi-Fi连接信息，从而确定用户的行为特征、信用特征等用户特征。
其中，用户的行为特征具体可包括平均一天之内用户的非正常区域停留时间、非正常区域出入次数、正常区域停留时间、正常区域出入次数、购物记录等，其可由用户的当前行为特征和历史行为特征计算获得。
本实施例中，用户的当前行为特征可以根据用户本次连接Wi-Fi时，用户连接Wi-Fi热点的时间、网络操作(是否产生支付行为)等信息确定，而用户的历史行为特征可根据用户身份信息，从历史数据中获取。具体的，本实施例中，根据商场布置的各Wi-Fi热点的位置将其划分为正常区域和非正常区域，例如可将商品陈列区、休闲区划分为正常区域，将工作区划分为非正常区域。当用户连接Wi-Fi以后，Wi-Fi平台会随着用户的位置变化自动为用户切换Wi-Fi热点，使其接入距离最近(信号最强)的Wi-Fi热点。特征确定单元可通过Wi-Fi平台获取用户连接各Wi-Fi热点的时间，根据该时间信息以及各Wi-Fi热点所属区域的不同即可确定用户的非正常区域停留时间、非正常区域出入次数、正常区域停留时间、正常区域出入次数、购物记录等行为特征。
同时，特征确定单元可根据用户的身份信息确定用户的信用特征。优选的，特征确定单元可根据用户的手机号码向运营商、公安局等部门机构获取该用户的信用记录、犯罪记录等数据作为用户的信用特征，以使对可疑人员的识别更加精准。
S24、计算单元根据用户的用户特征依照预先训练的预设算法计算用户的可疑系数。
其中，预设算法由大数据平台根据历史数据预先训练得到的，训练预设算法的步骤，具体包括：
步骤一、大数据平台根据历史数据通过聚类确定参考特征。
具体的，该大数据平台获取不同用户的用户特征，包括行为特征、信用特征等特征参量，进行可疑用户和正常用户的聚类，例如：将平均一天之内非正常区域出入次数超过5次，非正常区域停留时间超过30分钟，无购物记录，且信用较差的用户聚类为可疑用户，将其它用户聚类为正常用户，并对上述特征参量进行PCA(Principal Component Analysis；主成分分析法)降维处理，确定判断可疑人员所需要的参考特征x1，x2，…，xn(例如，x1为非正常区域停留时间，x2为非正常区域出入次数)。
步骤二、通过逻辑回归模型确定各参考特征的权重值。
具体的，大数据平台根据各历史用户的用户特征，依照逻辑回归模型y＝a1x1+a2x2+......+b确定参考特征x1，x2，…，xn对应的权重值a1，a2，…，an。其中，当历史用户为可疑用户时，对应y＝1，当历史用户为正常用户时，对应y＝0。
至此，大数据平台完成预设算法的训练，确定预设算法为y＝a1x1+a2x2+......+b，p＝ey/(1+ey)，其中，p为该用户的可疑系数。通过将步骤S24中确定的用户特征代入预设算法，即可确定该用户的可疑系数p。
S25、判断单元根据可疑系数判断用户是否为可疑人员。
具体的，当可疑系数大于第一预设值时，判断该用户为可疑用户；当可疑系数小于第一预设值时，判断该用户为正常用户。
优选的，当判断出用户为可疑用户时，向商场管理人员发送告警信息，当用户的可疑系数小于第一预设值而大于第二预设值时，向商场管理人员发送注意信息。可以理解的是，当判断出用户为可疑用户时，特征确定单元可以通过Wi-Fi平台获取该用户的当前位置信息，以及时对该用户采取防范措施。
本实施例中，在用户接入Wi-Fi后，通过用户的Wi-Fi连接信息确定用户的行为特征、信用特征等用户特征，并根据大数据平台对进行预先训练的预设算法对用户的用户特征进行分析计算，从而准确识别可疑人员，预先防控，减少公共安全事故的发生。
实施例3：
如图3所示，本实施例提供一种可疑人员判断装置，包括：Wi-Fi平台、特征确定单元、计算单元和判断单元。其中，Wi-Fi平台用于获取用户的Wi-Fi连接信息。优选的，Wi-Fi连接信息包括用户连接各Wi-Fi热点的时间、身份信息。
特征确定单元用于根据Wi-Fi连接信息确定用户的用户特征。优选的，用户的用户特征包括用户的行为特征、信用特征，其中行为特征优选包括：用户的非正常区域停留时间、非正常区域出入次数。
优选的，特征确定单元具体用于根据用户所连接的各Wi-Fi热点时间确定用户的非正常区域停留时间、非正常区域出入次数。
优选的，特征确定单元用于具体用于根据身份信息确定用户的信用特征。
计算单元用于根据用户特征，依照预先训练的预设算法计算用户的可疑系数。
判断单元用于根据可疑系数判断用户是否为可疑人员。
本实施例提供一种可疑人员识别装置，可根据实施例1或者2提供的可疑人员判断方法进行可疑人员的识别。本实施例中，在用户接入Wi-Fi后，通过用户的Wi-Fi连接信息确定用户的行为特征、信用特征等用户特征，并根据大数据平台对进行预先训练的预设算法对用户的用户特征进行分析计算，从而准确识别可疑人员，预先防控，减少公共安全事故的发生。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。