一种基于活动轨迹定位同行伴随人员的方法、装置及设备

技术领域

本发明涉及公共安全技术领域，具体涉及一种基于活动轨迹定位同行伴随人员的方法、装置及设备。

背景技术

近年来，随着国家公安机关及相关部门联合开展的打击惩治行动的部署，针对违法犯罪团伙打击惩治力度的逐步加大，打击手段的不断丰富，追缉经验的不断积累，使得公安机关违法犯罪案件破获成功率显著提高。

然而随着社会的进步与信息科技的发展，违法犯罪人员出现流动性高和反侦察意识增强的趋势。在这种情况下，如何全面、准确、有效的定位犯罪从员及其组织人员，并对相关涉案人员实施抓捕是办案民警面临的难题。怎样对已经掌握的犯罪嫌疑人的随行同伙进行有效的筛查甄别甚至追踪预警，是打击惩治违法犯罪工作中重要的一步。现有同行人员分析均是基于办案民警人工根据强关联的人际关系、活动轨迹数据进行研判，而面对城市级的海量数据，通过办案民警人工筛选甄别已经很难发现潜在同行关系人员，而基于人工数据的核查延迟对于犯罪团伙的管控抓捕也存在严重的滞后性。

综上，现有技术中缺乏一种能够全面、准确、有效的定位犯罪嫌疑人及其同行伴随人员的方法。

发明内容

有鉴于此，有必要提供一种基于活动轨迹定位同行伴随人员的方法、装置及设备，能够全面、准确、有效的定位犯罪嫌疑人及其同行伴随人员。

为了解决上述技术问题，一方面，本发明提供了一种基于活动轨迹定位同行伴随人员的方法，包括：

获取目标人物的铁路交通乘车信息，根据所述乘车信息确定目标人物的同车人员；

获取所述目标人物与同车人员的社会活动轨迹数据集，基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据；

根据所述关联社会活动数据中不同社会活动类型，基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重；

对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量；

根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数；

基于所述关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将所述概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

在一些可能实现的方式中，所述基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据，包括：

将所述社会活动轨迹数据集中目标人物的社会活动轨迹数据与同车人员的社会活动轨迹数据进行对比碰撞分析，根据碰撞分析结果得到所述目标人物与同车人员的关联社会活动数据。

在一些可能实现的方式中，所述根据所述关联社会活动数据中不同社会活动类型基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重，包括：

对所述关联社会活动数据进行分类，得到不同社会活动类型；

基于AHP层次分析法并结合专家评分对所述不同社会活动类型进行关系粘合度评分；

基于预设的关系粘合度权重赋予算法分别对所述不同社会活动类型的关系粘合度评分进行计算，分别得到不同社会活动类型的关系粘合度权重。

在一些可能实现的方式中，所述对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量，包括：

当所述不同社会活动类型中预设的社会活动动作出现时，对该社会活动类型对应的关系粘合度权重赋予正向的偏移量；

其中，所述偏移量的大小通过AHP层次分析法并结合专家评分计算得到。

在一些可能实现的方式中，所述不同社会活动的发生时间距离当前时间点越近，所述关系鲜活度系数越大。

在一些可能实现的方式中，所述预设的关系粘合度权重赋予算法，包括：

所述预设的关系粘合度权重赋予算法计算公式如下：

其中，j表示当前关系粘合度评分，m表示关系粘合度评分个数，W

在一些可能实现的方式中，所述预设的粘合度算法，包括：

所述预设的粘合度算法计算公式如下：

其中，n表示不同社会活动类型的数量，i表示当前社会活动类型，W

另一方面，本发明还提供了一种基于活动轨迹定位同行伴随人员的装置，包括：

人员确定模块，用于获取目标人物铁路交通乘车信息，根据所述乘车信息确定与目标人物的同车人员；

数据获取模块，用于获取所述目标人物与同车人员的社会活动轨迹数据集，基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据；

权重更新模块，用于根据所述关联社会活动数据中不同社会活动类型基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重；

偏移修正模块，用于对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量；

系数更新模块，用于根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数；

目标判定模块，基于所述关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将所述概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实现方式中所述的基于活动轨迹定位同行伴随人员的方法。

最后，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述实现方式中所述的基于活动轨迹定位同行伴随人员的方法。

采用上述实施例的有益效果是：本发明提供的基于活动轨迹定位同行伴随人员，通过获取目标人物铁路交通乘车信息，并确定目标人物与同车人员的关联社会活动数据，再根据预设的算法针对不同社会活动确定关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数，并根据粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，通过多维度数据支撑及不同社会活动关联系数的确定能够全面、准确、有效的定位犯罪从员及其组织人员，为警力的精确部署及防止违法犯罪人员继续逃窜有着重要的指导意义。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于活动轨迹定位同行伴随人员的方法的一实施例流程示意图；

图2为本发明提供的列车座次一实施例的示意图；

图3为本发明提供的图1中步骤S103一实施例的流程示意图；

图4为本发明提供的基于活动轨迹定位同行伴随人员的装置一实施例的方法流程图；

图5为本发明提供的电子设备一实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

在实施例描述之前，对相关词语进行释义：

常住人口库：常住人口库主要是基于公安机关通过常住人口信息采集子系统收集录入了常住居民的身份信息(主要包含了姓名、性别、年龄、身份证号、户籍地等)从而建立的专题数据库。

涉案人员库：涉案人员库主要是由公安机关组织建立，汇集了各个警种在日常处警、办案过程中收集到的涉案人员相关信息，并通过信息采集系统进行收集录入形成的专题库。

社会活动轨迹：描述个体在现实社会中行为的一种集合，其中个体的行为包括但不限于乘车、住宿、上网、核酸检测等。

活动轨迹专题库：活动轨迹专题库主要是基于公安机关与社会各部门单位信息采集系统收录的社会活动数据，从而建立的人员活动轨迹专题库(例如铁路订票信息、闸机进站信息、旅店住宿信息、社保信息、核酸检测信息、网吧上网信息)，反映了社会人员的活动轨迹开始时间、结束时间、轨迹发生地点等信息。

基于上述技术名词的描述，在现有技术中由于面对海量的数据采用人工筛选甄别的方法定位犯罪嫌疑人及其同行伴随人员效率低下且准确度无法保证，因此本发明旨在提出一种能够全面、准确、有效的定位犯罪嫌疑人及其同行伴随人员的方法。

以下分别对具体实施例进行详细说明：

本发明实施例提供了一种基于活动轨迹定位同行伴随人员的方法、装置及设备，以下分别进行说明。

如图1所示，图1为本发明提供的基于活动轨迹定位同行伴随人员的方法的一个实施例流程示意图，该基于活动轨迹定位同行伴随人员的方法包括：

S101、获取目标人物的铁路交通乘车信息，根据所述乘车信息确定目标人物的同车人员；

S102、获取所述目标人物与同车人员的社会活动轨迹数据集，基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据；

S103、根据所述关联社会活动数据中不同社会活动类型，基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重；

S104、对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量；

S105、根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数；

S106、基于所述关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将所述概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

与现有技术相比，本发明实施例提供的基于活动轨迹定位同行伴随人员的方法，通过获取目标人物铁路交通乘车信息，并确定目标人物与同车人员的关联社会活动数据，再根据预设的算法针对不同社会活动确定关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数，并根据粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，通过多维度数据支撑及不同社会活动关联系数的确定能够全面、准确、有效的定位犯罪从员及其组织人员，有利于办案民警有针对性的对高风险等级人员及同乘车人员进行进一步的研判分析以及后续展开的布控工作，可以极大降低人工筛查的时间成本，对应警力的精确部署及防止违法犯罪人员继续逃窜有着重要的指导意义。

在本发明的具体的实施例中，步骤S101中，通过分析目标人员的铁路交通乘车信息，可以从人员活动轨迹专题库中对当日该次列车乘车人员及对应的座位、始发地、目的地、闸机编号、闸机进站时间等结构化数据进行提取，根据乘车信息确定与目标人物的同车人员，假设当前存在疑似嫌疑人一，于2020年8月1日乘坐G0101次高铁从武汉到昆明，那么根据相关检索条件我们从活动轨迹专题库的结构化数据中可以提取嫌疑人一的同乘车人员，如表1所示，表1为乘车信息表；

表1乘车信息表

再根据乘车信息表将乘车信息绘制为列车座次图，如图2所示，图2为本发明提供的列车座次一实施例的示意图，根据列车座次表能确定嫌疑人所在车厢的人员分布情况，为后续警方的布控工作提供基础。

进一步的，在本发明的具体的实施例中，步骤S102中，根据乘车信息表获取常住人口库、活动轨迹专题库及涉案人员库中目标人物与同车人员的社会活动轨迹数据，并对数据进行实时比对碰撞分析，根据碰撞分析结果得到目标人物与同车人员的关联社会活动数据，包括：同学关系、同事关系、同上网、同乘车、同住宿等信息。

本发明实施例通过获取目标人物与同车人员的海量活动轨迹数据，并通过比对碰撞分析得到关联社会活动数据，为后续的目标人物同行伴随人员的确定通过数据基础。

进一步的，在本发明的一些的实施例中，如图3所示，图3为本发明提供的图1中步骤S103一实施例的流程示意图，步骤S103包括：

S301、对所述关联社会活动数据进行分类，得到不同社会活动类型；

S301、基于AHP层次分析法并结合专家评分对所述不同社会活动类型进行关系粘合度评分；

S301、基于预设的关系粘合度权重赋予算法分别对所述不同社会活动类型的关系粘合度评分进行计算，分别得到不同社会活动类型的关系粘合度权重。

在本方发明具体的实施例中，通过对关联社会活动数据进行分类，得到不同社会活动类型，例如：旅店住宿信息、铁路订票信息和核酸检测信息等，基于AHP层次分析法并结合专家评分对所述不同社会活动类型进行关系粘合度评分，利用数字大小的相对性，数字越大越重要权重会越高。

通过业务或技术专家提供的相对重要性评分，最终通过计算(去掉最高评分以及最低评分)得到每个社会活动类型的关系粘合度权重。

关系粘合度权重赋予算法计算公式如下：

其中，j表示当前关系粘合度评分，m表示关系粘合度评分个数，W

由于不同数据来源反映出的人员关系种类不同，关系粘合度也同样有所差异。同时，共同进行的社会活动频率也同样需要纳入参考范畴，它同样影响着关系双方的关系粘合程度。实例中以旅店住宿信息、铁路订票信息以及核酸检测信息进行举例，如表2所示，表2为关系粘合度权重表，随着纬度及数据的丰富，评分会更加趋近于真实状态，评分区间限定为，W

表2关系粘合度权重表

需要说明的是，步骤S104中的关系粘合度权重偏移量也采用同样的方式进行确定，当不同社会活动类型中预设的社会活动动作出现时，对该社会活动类型对应的关系粘合度权重赋予正向的偏移量；

在实际案例及生活场景中，如果按照单一维度数据对结果进行判定，容易造成预期结果与实际结果产生较大偏差，而我们则可以通过不同数据维度以及数据出现频次对预期结果进行修正，让其逐步趋近于实际结果，对满足预设条件的社会活动类型进行加权。那么需要设定一个规则即偏移量对设定的权重评分进行修正，修正后的值最高为10，溢出自动修正为10，即修正后关系粘合度权重偏移量

表3关系粘合度权重表偏移量表

进一步地，在本发明具体的实施例中，步骤S105中，根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数，社会活动发生时间通常决定了人员某一时间范围内的关系鲜活程度，而早期(时间距今10年以上)的数据对当前关系的参考价值就远小于近期的活动数据，那么我们根据最近的社会活动的发生时间对关系鲜活程度进行评分[1,10]，其参考值如表4所示，表4为关系鲜活程度评分表。

表4关系鲜活程度评分表

本发明实施例通过为不同的社会活动类型分别赋予关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数，提高了轨迹数据的置信度，保障后续目标人物的同行伴随人员的判断的准确性。

进一步地，在本发明具体的实施例中，步骤S106中，基于关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

所述预设的粘合度算法计算公式如下：

其中，n表示不同社会活动类型的数量，i表示当前社会活动类型，W

通过数据比对碰撞及计算，可以得到整车人员与目标人物(即涉案嫌疑人)之间的同行概率，确定目标人物的同行伴随人员，并在列车座次图中进行标记预警，给民警或业务相关方在进行人员排查时的优先级提供参考，极大程度的降低排查难度以及能够优先对重点人员进行身份核实与确认，更有效率的对重点人员实施下一步的布控和抓捕。

本发明实施例通过粘合度算法及得到的关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数能够快速确定嫌疑人同车人员社会关系及与嫌疑人同行概率，协助民警及业务相关方能够最大程度收缩排查范围从而更快的锁定相关可能涉案人员。

为了更好实施本发明实施例中的基于活动轨迹定位同行伴随人员的方法，在基于活动轨迹定位同行伴随人员的方法的基础之上，对应的，本发明实施例还提供了一种基于活动轨迹定位同行伴随人员的装置，如图4所示，基于活动轨迹定位同行伴随人员的装置400包括：

人员确定模块401，用于获取目标人物铁路交通乘车信息，根据所述乘车信息确定与目标人物的同车人员；

数据获取模块402，用于获取所述目标人物与同车人员的社会活动轨迹数据集，基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据；

权重更新模块403，用于根据所述关联社会活动数据中不同社会活动类型基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重；

偏移修正模块404，用于对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量；

系数更新模块405，用于根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数；

目标判定模块406，基于所述关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将所述概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

如图5所示，本发明还相应提供了一种电子设备500。该电子设备500包括处理器501、存储器502及显示器503。图5仅示出了电子设备500的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

处理器501在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如本发明中的基于活动轨迹定位同行伴随人员的方法。

在一些实施例中，处理器501可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器501可为本地的或远程的。在一些实施例中，处理器501可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。

存储器502在一些实施例中可以是电子设备500的内部存储单元，例如电子设备500的硬盘或内存。存储器502在另一些实施例中也可以是电子设备500的外部存储设备，例如电子设备500上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

进一步地，存储器502还可既包括电子设备500的内部储存单元也包括外部存储设备。存储器502用于存储安装电子设备500的应用软件及各类数据。

显示器503在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器503用于显示在电子设备500的信息以及用于显示可视化的用户界面。电子设备500的部件501-503通过系统总线相互通信。

在一实施例中，当处理器501执行存储器502中的基于活动轨迹定位同行伴随人员的程序时，可实现以下步骤：

获取目标人物铁路交通乘车信息，根据所述乘车信息确定与目标人物的同车人员；

获取所述目标人物与同车人员的社会活动轨迹数据集，基于所述社会活动轨迹数据集得到目标人物与同车人员的关联社会活动数据；

根据所述关联社会活动数据中不同社会活动类型基于预设的关系粘合度权重赋予算法分别赋予对应的关系粘合度权重；

对所述不同社会活动类型中满足预设条件的社会活动类型赋予对应的关系粘合度权重偏移量；

根据不同社会活动的发生时间分别为对应的不同社会活动类型赋予对应的关系鲜活度系数；

基于所述关系粘合度权重、关系粘合度权重偏移量、关系鲜活度系数及预设的粘合度算法分别计算每个同车人员为目标人物同行伴随人员的概率，将所述概率大于设定阈值的同车人员判定为目标人物的同行伴随人员。

应当理解的是：处理器501在执行存储器502中的基于活动轨迹定位同行伴随人员的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。

进一步地，本发明实施例对提及的电子设备500的类型不做具体限定，电子设备500可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备500也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。

相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于活动轨迹定位同行伴随人员的方法中的步骤或功能。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上对本发明所提供的基于活动轨迹定位同行伴随人员的方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。