[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

说明书

本发明公开一种基于类马尔可夫模型的多维特征动态异常积分模型，涉及行为分析和概率论技术领域。本发明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，对马尔可夫模型进行改进，根据异常特征动态更新类马尔可夫模型的转移概率矩阵，对目标对象异常值进行预测。不同于马尔可夫模型状态转移概率矩阵是不变的，本发明(类马尔可夫模型)是通过各个节点的目标状态信息计算出的空间特征、时间特征、人车状态情况、特定行为特征对转移概率矩阵进行更新，同时也保留了先前位置节点的特征信息；可以更加准确的判断目标对象的异常情况。

技术领域

本发明涉及一种基于类马尔可夫模型的多维特征动态异常积分模型，涉及大数据，行为预测和概率论等技术领域。

背景技术

马尔可夫模型是一种统计模型，它是根据历史数据，预测等时间间隔点上的各类人员分布状况，推测未来人员变动的趋势，而在实际预测时，由于受各种因素的影响，变动趋势是很难准确确定出来的，因此会影响到预测结果的准确性。

绕关避卡等违法行为是一个复杂的过程，由于人员在驾驶过程中各个因素随时间和空间在不断的变化，因此通过常规的马尔可夫模型很难准确的预测出目标对象的异常值，如何提高目标对象的异常值检测的准确率是急需解决的技术问题。

发明内容

本发明要解决的技术问题是如何提高马尔可夫模型对目标对象的异常值检测的准确率。

本发明的目的在于提供一种基于类马尔可夫模型的多维特征动态异常积分模型，在空间和时间特征基础上，分析目标状态信息，同时创新性的引入“人车状态”及“特定行为”两项约束条件，同时提出的类马尔可夫模型改变了马尔可夫模型转移概率矩阵的形式，提高对目标对象的异常值检测的准确率。

本发明所述马尔可夫模型为S_i＝S_i-1P_i，S_i为当前状态，S_i-1为上一个状态，P_i为状态转移概率矩阵，第一次状态变化以后P_i为定值。

本发明所述类马尔可夫模型为S_i＝S_i-1P_i，S_i为当前状态，S_i-1为上一个状态，P_i为状态转移概率矩阵，随着时间和状态的变化P_i在不断的变化。

为了实现上述发明目的，本发明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_static＝{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}。