[发明专利]一种基于类马尔可夫模型的多维特征动态异常积分模型

权利要求书

1.一种基于类马尔可夫模型的多维特征动态异常积分模型，其特征在于，在空间和时间特征基础上，分析目标状态信息，同时引入“人车状态”及“特定行为”两项约束条件，并通过特征异常值改进原马尔可夫模型转移概率矩阵的形式，所述方法的具体步骤如下：

步骤S1：获取人员与车辆的相关目标状态信息，包括车辆基本信息，人员基本信息、位置信息和时间信息；

步骤S2：对目标状态信息进行数据预处理，获得目标对象的移动轨迹点X＝{x₁，x₂，…，x_n}，n为当前移动轨迹点个数，目标对象的驻留点x_staiic＝{x₁，x₂，…x_m}，m为当前驻留点个数，移动轨迹点的位置信息L_move＝{l₁，l₂，…，l_n}，驻留点的位置信息L_static＝{l₁，l₂，…，l_m}，其中L_i＝(l_ix，l_im)表示经纬度信息，移动轨迹点的时间信息T_move＝{t₁，t₂，…，t_n}，驻留点位置的停留时间L_static＝{t₁，t₂，…，t_m}；

步骤S3：初始化各个节点的时间特征、空间特征、人车状态情况、特定行为特征下的异常值h₁＝0，h₂＝0，h₃＝0，h₄＝0；

步骤S4：根据步骤S1和S2获取的目标对象相关状态信息，进行时间特征分析、空间特征分析、人车状态情况分析和特定行为特征分析，更新各个节点不同特征下的异常值h＝{h₁，h₂，h₃，h₄}；

步骤S5：初始化类马尔可夫模型，定义状态空间为Ω＝{正常异常}，根据异常概率值进一步分为轻度异常，中度异常和重度异常；初始概率分布为S₀＝{s_t，s_f}，其中s_t，s_f分别表示状态空间初始正常的概率和异常的概率；通过S4更新的各个节点时间特征、空间特征、人车状态情况、特定行为特征下的异常值h＝{h₁，h₂，h₃，h₄}计算状态转移概率矩阵p_i；

步骤S6：通过类马尔可夫模型更新目标对象的异常值，即S_i＝S_i-1P_i，i≥2，S_i＝{s_t，s_f}表示目标对象在i轨迹点的异常概率分布，s_t表示正常的概率，s_f表示异常的概率。

2.根据权利要求1所述的基于类马尔可夫模型的多维特征动态异常积分模型，其特征在于：所述S1获取人员与车辆的相关目标状态信息的具体方式：

S1.1：获取车辆及人员在车管所、公安机关交通管理部门的登记信息；

S1.2：在道路、街景等场景通过车辆GPS获取车辆轨迹主要信息，摄像头、无线电警设备进行辅助信息抓取，在人难以到达的地方采用无人机进行搜索。