一種目標對象的異常概率分析方法及相關裝置與流程

2023-06-08 11:07:23

1.本技術涉及數據處理技術領域，尤其涉及一種目標對象的異常概率分析方法及相關裝置。


背景技術：

2.隨著網際網路技術的普及和發展，海量數據不斷從日常生活中湧出，進一步地，以數據分布式存儲和計算為基礎的大數據技術、數據挖掘、機器學習算法和人工智慧技術，為這些海量數據的應用提供了基礎條件和前提。
3.其中，隨著大數據技術的發展，以及基於海量數據的數據挖掘、機器學習算法和人工智慧技術在各領域的廣泛應用落地,各地公安機關也在大力開展大數據應用相關體系、機制、技術和技戰法模型等探索實踐。
4.目前，公安案件的偵察方式已逐漸步入大數據和信息化，各類警務數據和對象活動信息數據的採集、分析和研判已經成為公安信息化的重要基礎；其中，通過歷史異常對象數據和社會活動類數據相結合使用的方法，能夠有效破獲一些由歷史異常對象製造的案件，降低警力消耗。
5.示例性的，在實際場景中，獲取目標區域在檢測時段內的候選活躍歷史異常對象的人臉信息，其中，候選活躍歷史異常對象為有異常歷史行為的人員，再根據候選活躍歷史異常對象的人臉信息，以及在檢測時段內出入目標場所的對象抓拍數據，獲取檢測時段內，出入特定場所的目標活躍歷史異常對象的行為數據，從而當根據獲得的行為數據，確定目標活躍歷史異常對象為目標時間的異常目標對象時，向用戶終端發送目標活躍歷史異常對象的信息。
6.然而，採用上述的異常目標對象識別方法，會因僅對歷史異常對象在特定場所的出現的活躍程度來定位異常目標對象，從而導致實際目標對象不在定位的異常目標對象中，進而無法從定位的異常目標對象中，識別出實際目標對象。
7.因此，採用上述方式，異常目標對象的識別準確度較低。


技術實現要素：

8.本技術實施例提供了一種目標對象的異常概率分析方法及相關裝置，用以提高異常目標對象的識別準確度。
9.第一方面，本技術實施例提供了一種目標對象的異常概率分析方法，所述方法包括：
10.獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象；其中，目標對象出入目標場景的頻次滿足預設的出入頻次條件；
11.基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合；其中，特徵標籤集合包含的每個特徵標籤值表徵：相應行為特徵維度上，目標對象為異常目標對象的子概率；
12.基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
13.第二方面，本技術實施例還提供了一種目標對象的異常概率分析裝置，所述裝置包括：
14.獲取模塊，用於獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象；其中，目標對象出入目標場景的頻次滿足預設的出入頻次條件；
15.確定模塊，用於基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合；其中，特徵標籤集合包含的每個特徵標籤值表徵：相應行為特徵維度上，目標對象為異常目標對象的子概率；
16.處理模塊，用於基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
17.在一種可選的實施例中，在獲取目標事件所涉及目標場景中，數據採集設備及其採集到的目標對象時，所述獲取模塊具體用於：
18.從候選數據採集設備集群中，篩選出與目標事件所涉及目標場景的場景位置信息，滿足預設的位置偏差條件的目標數據採集設備；
19.從預設的歷史對象資料庫中，獲取對應目標事件的發生時間段設置的時間範圍內，目標數據採集設備採集到的目標對象。
20.在一種可選的實施例中，在基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合時，所述確定模塊具體用於：
21.基於預設的異常行為特徵分析規則，對目標對象的行為特徵數據進行分析，確定行為特徵數據歸屬的各個行為特徵區間；
22.分別確定對應各個行為特徵區間設置的特徵標籤值，並基於獲得的各個特徵標籤值，確定目標對象的特徵標籤集合。
23.在一種可選的實施例中，在基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率時，所述處理模塊具體用於：
24.分別確定對應各個特徵標籤值各自的標籤類型設置的特徵權重；
25.基於各個特徵標籤值及其各自對應的特徵權重，獲得目標對象為異常目標對象的異常概率。
26.在一種可選的實施例中，在分別確定對應各個特徵標籤值各自的標籤類型設置的特徵權重時，所述處理模塊具體用於：
27.從預設的系統資料庫中，篩選出滿足預設的事件偵破條件的歷史事件及其對應的實際目標對象；
28.基於實際目標對象關聯的行為特徵數據，以及預設的概率預測模型，確定各個標籤類型各自對應的特徵權重。
29.在一種可選的實施例中，所述處理模塊還用於：
30.若目標事件所涉及目標場景中，存在多個目標數據採集設備採集到的目標對象，則對多個目標對象的異常概率進行排序，獲得多個目標對象各自的概率排列順序；
31.基於獲得的多個概率排列順序，從多個目標對象中，篩選出滿足預設的異常概率條件的至少一個目標對象；
32.將至少一個目標對象添加至預設的目標對象集合中，並將目標對象集合作為目標事件的候選實際對象集合。
33.第三方面，本技術實施例還提出了一種電子設備，其包括處理器和存儲器，其中，所述存儲器存儲有程序代碼，當所述程序代碼被所述處理器執行時，使得所述處理器執行上述第一方面所述的目標對象的異常概率分析方法的步驟。
34.第四方面，本技術實施例還提出了一種計算機可讀存儲介質，其包括程序代碼，當所述程序代碼在電子設備上運行時，所述程序代碼用於使所述電子設備執行上述第一方面所述的目標對象的異常概率分析方法的步驟。
35.第五方面，本技術實施例還提供了一種電腦程式產品，所述電腦程式產品在被計算機調用時，使得所述計算機執行如第一方面所述的目標對象的異常概率分析方法步驟。
36.本技術有益效果如下：
37.在本技術實施例所提供的目標對象的異常概率分析方法中，獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象，再基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合，從而基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
38.採用這種方式，基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率，避免了相關技術中，僅對歷史異常對象在特定場所的出現的活躍程度來定位異常目標對象，從而導致實際目標對象不在定位的異常目標對象中，進而無法從定位的異常目標對象中，識別出實際目標對象的技術弊端，故而，提高了異常目標對象的識別準確度。
39.此外，本技術的其它特徵和優點將在隨後的說明書中闡述，並且，部分地從說明書中變得顯而易見，或者，通過實施本技術而了解。本技術的目的和其他優點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現和獲得。
附圖說明
40.為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域的普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。在附圖中：
41.圖1其為本技術實施例適用的系統架構的一個可選示意圖；
42.圖2其為本技術實施例提供的一種目標對象的異常概率分析方法的實施流程示意圖；
43.圖3其為本技術實施例提供的一種獲取目標對象的邏輯示意圖；
44.圖4其為本技術實施例提供的一種確定特徵標籤集的邏輯示意圖；
45.圖5其為本技術實施例提供的一種確定特徵權重的邏輯示意圖；
46.圖6其為本技術實施例提供的一種獲得候選實際對象集合的邏輯示意圖；
47.圖7其為本技術實施例提供的一種基於圖2的具體應用場景示意圖；
48.圖8其為本技術實施例提供的一種異常概率分析系統的結構示意圖；
49.圖9其為本技術實施例提供的一種獲得系統資料庫的邏輯示意圖；
50.圖10其為本技術實施例提供的一種構建小區盜竊案件與設備關聯信息表的邏輯示意圖；
51.圖11其為本技術實施例提供的一種獲取異常人員底庫信息數據的邏輯示意圖；
52.圖12a其為本技術實施例提供的一種確定案發期間出入案發小區的酒店、旅館住宿人員的邏輯示意圖；
53.圖12b其為本技術實施例提供的一種確定案發期間出入案發小區的歷史異常對象的邏輯示意圖；
54.圖12c其為本技術實施例提供的一種確定案發期間出入案發小區的流動人員的邏輯示意圖；
55.圖13其為本技術實施例提供的一種確定異常人員底庫標籤數據的邏輯示意圖；
56.圖14其為本技術實施例提供的一種目標對象的異常概率分析裝置的結構示意圖；
57.圖15示例性示出了本技術實施例提供的一種電子設備的結構示意圖。
具體實施方式
58.為使本技術實施例的目的、技術方案和優點更加清楚，下面將結合本技術實施例中的附圖，對本技術的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本技術技術方案的一部分實施例，而不是全部的實施例。基於本技術文件中記載的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬於本技術技術方案保護的範圍。
59.需要說明的是，在本技術的描述中「多個」理解為「至少兩個」。「和/或」，描述關聯對象的關聯關係，表示可以存在三種關係，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。a與b連接，可以表示：a與b直接連接和a與b通過c連接這兩種情況。另外，在本技術的描述中，「第一」、「第二」等詞彙，僅用於區分描述的目的，而不能理解為指示或暗示相對重要性，也不能理解為指示或暗示順序。
60.為了本領域技術人員理解，下面對本技術實施例的設計思想進行簡要介紹：
61.隨著網際網路技術的普及和發展，海量數據不斷從日常生活中湧出，進一步地，以數據分布式存儲和計算為基礎的大數據技術、數據挖掘、機器學習算法和人工智慧技術，為這些海量數據的應用提供了基礎條件和前提。
62.其中，隨著大數據技術的發展，以及基於海量數據的數據挖掘、機器學習算法和人工智慧技術在各領域的廣泛應用落地,各地公安機關也在大力開展大數據應用相關體系、機制、技術和技戰法模型等探索實踐。
63.然而，相關技術中，通常僅對歷史異常對象在特定場所的出現的活躍程度來定位異常目標對象，從而導致實際目標對象不在定位的異常目標對象中，進而無法從定位的異常目標對象中，識別出實際目標對象，即異常目標對象的識別準確度較低，是目前亟需解決的問題。
64.有鑑於此，本技術實施例中，為了提高異常目標對象的識別準確度，提出了一種目標對象的異常概率分析方法，具體包括：獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象，其中，目標對象出入目標場景的頻次滿足預設的出入頻次條件，
再基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合，其中，特徵標籤集合包含的每個特徵標籤值表徵：相應行為特徵維度上，目標對象為異常目標對象的子概率，從而基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
65.特別地，以下結合說明書附圖對本技術的優選實施例進行說明，應當理解，此處所描述的優選實施例僅用於說明和解釋本技術，並不用於限定本技術，並且在不衝突的情況下，本技術實施例及實施例中的特徵可以相互組合。
66.參閱圖1所示，其為本技術實施例提供的一種系統架構示意圖，該系統架構包括：目標終端101、伺服器102、數據採集設備103以及目標場景104。數據採集設備103安置在目標場景104中，可以記錄相應的目標對象，並且，可將獲得的目標對象相關信息發送至目標終端101；此外，目標終端101和伺服器102之間可通過通信網絡進行信息交互，其中，通信網絡採用的通信方式可包括：無線通信方式和有線通信方式。
67.示例性的，目標終端101可通過蜂窩移動通信技術接入網絡，與伺服器102進行通信，其中，所述蜂窩移動通信技術，比如，包括第五代移動通信(5th generation mobile networks，5g)技術。
68.可選的，目標終端101可通過短距離無線通信方式接入網絡，與伺服器102進行通信，其中，所述短距離無線通信方式，比如，包括無線保真(wireless fidelity，wi-fi)技術。
69.本技術實施例對上述系統架構中涉及的通信設備的數量不做任何限制，例如，可以更多數據採集設備，或者沒有數據採集設備，或者還包括其他網絡設備，如圖1所示，僅以目標終端101、伺服器102以及數據採集設備103為例進行描述，下面對上述各設備及其各自的功能進行簡要介紹。
70.目標終端101，是一種可以向用戶提供語音和/或數據連通性的設備，可以是支持有線和/或無線連接方式的設備。
71.示例性的，目標終端101包括但不限於：手機、平板電腦、筆記本電腦、掌上電腦、移動網際網路設備(mobile internet device，mid)、可穿戴設備，虛擬實境(virtual reality，vr)設備、增強現實(augmented reality，ar)設備、工業控制中的無線終端設備、無人駕駛中的無線終端設備、智能電網中的無線終端設備、運輸安全中的無線終端設備、智慧城市中的無線終端設備，或智慧家庭中的無線終端設備等。
72.此外，目標終端101上可以安裝有相關的客戶端，該客戶端可以是軟體，例如，應用程式(application，app)、瀏覽器、短視頻軟體等，也可以是網頁、小程序等。在本技術實施例中，目標終端101可用於向伺服器102發送數據採集設備103採集到的目標場景104中，目標對象及其相關信息。
73.伺服器102，可以是獨立的物理伺服器，也可以是多個物理伺服器構成的伺服器集群或者分布式系統，還可以是提供雲服務、雲資料庫、雲計算、雲函數、雲存儲、網絡服務、雲通信、中間件服務、域名服務、安全服務、內容分發網絡(content delivery network，cdn)、以及大數據和人工智慧平臺等基礎雲計算服務的雲伺服器。
74.值得提出的是，在本技術實施例中，伺服器102用於獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象，再基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合，從而基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象
為異常目標對象的異常概率。
75.數據採集設備103，是一種用於獲取數據，圖像或記錄影像的設備，包括但不限於：具有無線連接功能的手持式數據採集設備、頭戴式數據採集設備以及固定式數據採集設備等。
76.示例性的，數據採集設備可以是：攝像頭、攝像機、數位相機(digital still camera，dsc)、單鏡頭反光照相機(single lens reflex camera，slrc)，其他帶有拍照功能的數據採集設備(手機、平板電腦等)，視頻採集卡等。
77.此外，還需說明的是，上述目標場景104可以為任意一類場所，比如，醫院、銀行、小區、學校、旅店等，在本技術實施例中，為了便於描述與理解，目標場景可以為小區。
78.下面結合上述的系統架構，以及參考附圖來描述本技術示例性實施方式提供的目標對象的異常概率分析方法，需要注意的是，上述系統架構僅是為了便於理解本技術的精神和原理而示出，本技術的實施方式在此方面不受任何限制。
79.參閱圖2所示，其為本技術實施例提供的一種目標對象的異常概率分析方法的實施流程圖，執行主體以伺服器為例，該方法的具體實施流程如下：
80.s201：獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象。
81.其中，所述目標對象出入目標場景的頻次滿足預設的出入頻次條件，示例性的，上述預設的出入頻次條件為目標事件的發生時間段，出入上述目標場景的頻次大於預設的頻次閾值(比如，2次/半小時)。
82.需要說明的是，若相應目標對象滿足上述預設的出入頻次條件，則表徵上述目標對象在目標事件的發生時間段內，頻繁出入目標場景中。
83.s202：基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合。
84.其中，特徵標籤集合包含的每個特徵標籤值表徵：相應行為特徵維度上，目標對象為異常目標對象的子概率，此外，上述行為特徵數據也可稱之為人員信息數據。
85.示例性的，假定目標事件為小區盜竊事件，目標場景為小區，則目標對象關聯的行為特徵數據包括但不限於如下行為特徵：在案發期間頻繁出入小區，是否在酒店、旅館住宿；在案發期間頻繁出入小區，是否具有異常歷史行為；在案發期間頻繁出入小區，是否屬於本轄區的流動人員。
86.需要說明的是，上述目標對象的行為特徵數據與目標對象犯案的可能性有一定的關聯性，有助於對異常目標對象的識別，即在案發期間頻繁出入小區，但是在酒店、旅館住宿的目標對象，其在案發期間出入小區合理性更低，犯小區盜竊案件的概率更大；在案發期間頻繁出入小區，具有異常歷史行為的目標對象，犯小區盜竊案件的概率更大；在案發期間頻繁出入小區，屬於本轄區的流動人員的目標對象，犯小區盜竊案件的概率更大。
87.進一步地，若目標對象的行為特徵數據表徵：目標對象在酒店、旅館住宿，則相應的特徵標籤可為：是酒店、旅館住宿，其對應的特徵標籤值為1；反之，相應的特徵標籤可為：否酒店、旅館住宿，其對應的特徵標籤值為0。
88.同理，若目標對象的行為特徵數據表徵：目標對象具有異常歷史行為，則相應的特徵標籤可為：是歷史異常對象，其對應的特徵標籤值為1；反之，相應的特徵標籤可為：否歷史異常對象，其對應的特徵標籤值為0；若目標對象的行為特徵數據表徵：目標對象屬於本
轄區的流動人員，則相應的特徵標籤可為：是本轄區的流動人員，其對應的特徵標籤值為1；反之，相應的特徵標籤可為：否本轄區的流動人員，其對應的特徵標籤值為0。
89.s203：基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
90.其中，若目標對象為異常對象的異常概率越大，則表明目標對象為目標事件對應的實際目標對象的概率越大；反之，亦然。
91.示例性的，仍以目標事件為小區盜竊事件，目標場景為小區為例，若伺服器基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率越大，則表明目標對象越可能為該目標事件對應的實際目標對象。
92.在一種優選的實施例中，參閱圖3所示，在執行步驟s201時，伺服器可以從候選數據採集設備集群中，篩選出與目標事件所涉及目標場景的場景位置信息，滿足預設的位置偏差條件的目標數據採集設備，便可從預設的歷史對象資料庫中，獲取對應目標事件的發生時間段設置的時間範圍內，目標數據採集設備採集到的目標對象。
93.可選的，在上述根據目標場景的場景位置信息，滿足預設的位置偏差條件的目標數據採集設備的過程中，可以是根據目標場景的經緯度信息與目標數據採集設備的經緯度信息，以及預設的經緯度偏差範圍(即預設的位置偏差條件)，從候選數據採集設備中，來篩選目標數據採集設備的。
94.在一種優選的實施例中，參閱圖4所示，在執行步驟s202時，伺服器在獲取到目標數據採集設備採集到的目標對象之後，便可基於預設的異常行為特徵分析規則，對目標對象的行為特徵數據進行分析，確定行為特徵數據歸屬的各個行為特徵區間，分別確定對應所述各個行為特徵區間設置的特徵標籤值，並基於獲得的各個特徵標籤值，確定目標對象的特徵標籤集合。
95.示例性的，在上述小區盜竊的目標事件中，上述預設的異常行為特徵分析規則包括但不限於以下三條規則：
96.1、在案發期間頻繁出入小區，但是在酒店、旅館住宿的人員，其在案發期間出入小區合理性更低，犯小區盜竊案件的概率更大。
97.2、在案發期間頻繁出入小區，具有異常歷史行為，犯小區盜竊案件的概率更大。
98.3、在案發期間頻繁出入小區，屬於本轄區的流動人員，犯小區盜竊案件的概率更大。
99.故而，若僅以上述3種規則為例，則相應的行為特徵區間及其各自對應的特徵標籤值如表1所示：
100.表1
101.[0102][0103]
進而，基於上述表格，記錄的行為特徵區間及其各自對應的特徵標籤值，伺服器在分別確定目標對象的行為特徵數據對應的各個特徵標籤值，並基於獲得的各個特徵標籤值之後，確定目標對象的特徵標籤集合。
[0104]
例如，假定目標對象的行為特徵數據為：酒店、旅館住宿的人員，沒有異常歷史行為，且屬於本轄區的流動人員，則相應的特徵標籤集合包含的各特徵標籤值為：1、0和1。
[0105]
在一種優選的實施例中，在執行步驟s203時，伺服器在獲得目標對象的特徵標籤集合之後，便可分別確定對應各個特徵標籤值各自的標籤類型設置的特徵權重，從而基於各個特徵標籤值及其各自對應的特徵權重，獲得目標對象為異常目標對象的異常概率，可選的，上述目標對象為異常目標對象的異常概率計算公式具體如下：
[0106][0107]
其中，q為異常概率，ai為第i個特徵標籤值，ki為第i個特徵標籤值ai對應的特徵權重。
[0108]
示例性的，若上述行為特徵數據為：酒店、旅館住宿的人員，沒有異常歷史行為，且屬於本轄區的流動人員的目標對象，對應的特徵標籤集合包含的各特徵標籤值為：1、0和1，依次記作：a1、a2和a3，則上述的異常概率計算公式可具體表示如下：q＝k1a1+k2a2+k3a3。
[0109]
在一種可能的實現方式中，參閱圖5所示，伺服器可以採取如下的特徵權重獲取方式，確定各個特徵標籤值各自的特徵權重：從預設的系統資料庫中，篩選出滿足預設的事件偵破條件的歷史事件及其對應的實際目標對象，從而基於實際目標對象關聯的行為特徵數據，以及預設的概率預測模型，確定各個標籤類型各自對應的特徵權重。
[0110]
需要說明的是，伺服器基於上述方式，對上述預設的概率預測模型進行反覆訓練，在一定程度上，提高了上述預設的概率預測模型，獲得相應的特徵標籤(值)對應的特徵權重的準確性。
[0111]
進一步地，參閱圖6所示，在一種可能的實現方式中，若目標事件所涉及目標場景中，存在多個目標數據採集設備採集到的目標對象，則伺服器可對獲得的多個目標對象的異常概率進行排序，從而獲得多個目標對象各自的概率排列順序；接著，基於獲得的多個概率排列順序，從多個目標對象中，篩選出滿足預設的異常概率條件的至少一個目標對象；最終，將至少一個目標對象添加至預設的目標對象集合中，並將目標對象集合作為目標事件的候選實際對象集合，節省了後續確定目標事件對應的實際目標對象所需的時間，從而提高了實際目標對象的識別效率。
[0112]
示例性的，假定目標事件所涉及目標場景中，存在5個目標數據採集設備採集到的
目標對象，且上述5個目標對象各自的異常概率和概率排列順序，如表2所示：
[0113]
表2
[0114]
目標對象tar.obj1tar.obj2tar.obj3tar.obj4tar.obj5異常概率76.5％88.1％2.5％15.8％92.7％概率排列順序32541
[0115]
故而，假定上述預設的異常概率條件為：異常概率前三的目標對象，則伺服器可基於上述表格記載的5個目標對象各自的異常概率的概率排列順序，從上述5個目標對象中，篩選出滿足預設的異常概率條件的至少一個目標對象，即目標對象tar.obj1、目標對象tar.obj2和目標對象tar.obj5，從而將目標對象tar.obj1、目標對象tar.obj2和目標對象tar.obj5添加至預設的目標對象集合中，並將目標對象集合作為目標事件的候選實際對象集合。
[0116]
在一種可選的實現方式中，若目標事件所涉及目標場景中，存在多個目標數據採集設備採集到的目標對象，則伺服器在獲得多個目標對象的異常概率之後，可結合預設的異常概率閾值，從多個目標對象中，篩選出滿足預設的異常概率條件的至少一個目標對象，從而將至少一個目標對象添加至預設的目標對象集合中，並將目標對象集合作為目標事件的候選實際對象集合。
[0117]
基於上述s201～s203的目標對象的異常概率分析方法步驟，參閱圖7所示，伺服器獲取目標事件tar.event所涉及目標場景goal.scene中，目標數據採集設備tar.data.dev及其採集到的目標對象tar.object，再基於目標對象tar.object關聯的行為特徵數據behavi.char.data，確定目標對象tar.object的特徵標籤集合feature.tag.set，從而基於特徵標籤集合feature.tag.set包含的各個特徵標籤值(比如，1、0和1)，獲得目標對象tar.object為異常目標對象exce.tar.object的異常概率，比如為98.5％。
[0118]
在一種可選的實現方式中，以小區盜竊事件為例，即目標場景為小區，參閱圖8所示，本技術實施例提供了一種伺服器的系統構架示意圖，該系統架構包括：數據採集模塊801、異常人員底庫模塊802、概率模型訓練模塊803以及概率模型應用模塊804，用以實現上述目標對象的異常概率分析方法，下面對上述各模塊及其各自的功能進行簡要介紹：
[0119]
s1.數據採集模塊801，其主要功能是構建一個系統資料庫,將需要的業務數據存儲在該系統資料庫中備用。
[0120]
需要說明的是，隨著物聯網、移動網際網路等新型技術的發展和應用，各地公安機關也在大力開展大數據應用相關體系、機制、技術和技戰法模型的探索實踐，積累了海量的應用數據，包括轄區人口信息、案件信息數據、歷史異常對象信息數據、人臉抓拍軌跡數據等。
[0121]
故而，如圖9所示，在公安機關授權後，伺服器便可將案件信息數據、歷史異常對象名單、酒店、旅館入住登記數據、轄區常住人口信息、轄區暫住人口信息、人臉抓拍記錄、設備信息記錄等業務數據接入系統資料庫待用。
[0122]
s2.異常人員底庫模塊802，其主要功能是利用數據採集模塊801的系統資料庫包含的各個數據，構建一個異常人員底庫。
[0123]
具體的，如圖10所示，伺服器通過異常人員底庫模塊802，從系統資料庫的案件信息數據中，篩選出案件類型為盜竊案件的數據集，對該數據集通過案發地點欄位篩選出案發地點為小區的數據集，得到小區盜竊案件信息數據，小區盜竊案件信息數據集為盜竊案
件的數據集的子集。
[0124]
其中，小區盜竊案件信息數據，通過案發地點(小區場景)的經緯度信息，可以和抓拍設備(數據採集設備)經緯度信息進行匹配關聯，從而可得到每起小區盜竊案件和案發小區附近的抓拍設備關聯的關係數據，即小區盜竊案件與設備關聯信息表。
[0125]
進一步地，如圖11所示，小區盜竊案件與設備關聯信息表與資料庫接入的人臉抓拍記錄數據，通過案發時間和設備編號欄位進行關聯，關聯規則可以為：人臉抓拍記錄的抓拍設備編號和小區盜竊案發地附近的抓拍設備編號相同，人臉抓拍記錄的抓拍時間在對應小區盜竊案件案發時間設置的時間範圍(即時間窗口長度，比如，當天)內的人臉抓拍數據，需要說明的是，對應小區盜竊案件案發時間設置的時間範圍，可以根據實際情況進行適當調整。
[0126]
需要說明的是，上述關聯得到每個小區盜竊案件關聯出的人臉抓拍記錄中識別出的人員信息數據，就是異常人員底庫信息數據，其中，異常人員底庫信息數據包含：小區盜竊案件數據中的案件編號、案發時間和案發地點欄位，以及人臉抓拍記錄數據中的抓拍時間和對象標識信息欄位，示例性的，對象標識信息可以為公民身份號碼。
[0127]
s3.概率模型訓練模塊803，主要用於概率模型(即預設的概率預測模型)的訓練，包括：特徵工程、獲取訓練集以及訓練模型三個步驟，具體如下：
[0128]
s31：特徵工程。
[0129]
s311：特徵規則的設計
[0130]
伺服器設計一些與異常人員犯案可能性有一定關聯性的業務規則(即預設的異常行為特徵分析規則)，包括但不限於以下三條規則：
[0131]
1、在案發期間頻繁出入小區，但是在酒店、旅館住宿的人員，其在案發期間出入小區合理性更低，犯小區盜竊案件的概率更大。
[0132]
2、在案發期間頻繁出入小區，具有異常歷史行為，犯小區盜竊案件的概率更大。
[0133]
3、在案發期間頻繁出入小區，屬於本轄區的流動人員，犯小區盜竊案件的概率更大。
[0134]
s312：特徵規則的計算和量化。
[0135]
基於以上特徵規則，可以從業務數據中，提煉出以下用於模型訓練的業務特徵：
[0136]
a.案發期間出入案發小區的酒店、旅館住宿人員。
[0137]
參閱圖12a所示，伺服器將通過異常人員底庫模塊802，得到的異常人員底庫信息數據，與系統資料庫接入的酒店、旅館入住登記數據，通過案發時間和對象標識信息欄位進行關聯，其中，關聯規則可以為：酒店、旅館入住登記數據中，對象標識信息與盜竊案件異常人員底庫信息表中的底庫人員對象標識信息一致，且該人員在酒店、旅館登記中登記時間處於對應案件案發時間的前後幾天(具體時間窗口長度，可根據實際情況進行調整)，從而得到在案發時間，出入案發小區，且住宿於酒店、旅館的人員數據。
[0138]
b.案發期間出入案發小區的歷史異常對象。
[0139]
參閱圖12b所示，伺服器將通過異常人員底庫模塊802，得到的異常人員底庫信息數據，與系統資料庫接入的歷史異常對象名單，通過對象標識信息欄位進行關聯，從盜竊案件異常人員底庫信息數據中，篩選出在案發期間出入案發小區的歷史異常對象信息數據。
[0140]
c.案發期間出入案發小區的流動人員。
[0141]
參閱圖12c所示，伺服器將通過異常人員底庫模塊802，得到的異常人員底庫信息數據，與系統資料庫接入的轄區常住人口信息和轄區暫住人口信息，通過對象標識信息欄位進行關聯，從盜竊案件異常人員底庫信息數據中，篩選出既不屬於本轄區常住人口，又不屬於本轄區暫住人口的數據，從而得到在案發期間出入案發小區的流動人員信息數據。
[0142]
可見，基於上述s31的特徵工程，伺服器可以從異常人員底庫信息數據中，分別通過「案發期間出入案發小區的酒店、旅館住宿人員」、「案發期間出入案發小區的歷史異常對象」和「案發期間出入案發小區的流動人員」三種業務規則，分別得到命中上述三種業務規則各自對應的人員信息數據，即「案發期間出入案發小區的酒店、旅館住宿人員信息數據」、「案發期間出入案發小區的歷史異常對象信息數據」和「案發期間出入案發小區的流動人員信息數據」。
[0143]
進一步地，參閱圖13所示，伺服器可將通過異常人員底庫模塊802，得到的異常人員底庫信息數據，與上述三種業務規則各自對應的人員信息數據，通過案件編號和對象標識信息欄位進行關聯，獲得相應的異常人員底庫標籤數據，其中，異常人員底庫標籤數據包括「是否酒店旅館住宿」，「是否歷史異常對象」和「是否流動人員」三個標籤欄位(即特徵標籤)，並且，分別記錄異常人員底庫信息數據與上述三種業務規則對應的關聯結果，如果異常人員底庫信息數據中的人員命中某一業務規則，對應標籤列(即特徵標籤值)取值為1，反之，相應的標籤列(特徵標籤值)取值為0。
[0144]
s32：獲取訓練集。
[0145]
示例性的，伺服器在執行步驟s32時，將數據採集模塊801，得到的系統資料庫中的案件信息數據，通過案件類型欄位篩選出盜竊案件，並通過是否偵破欄位，篩選出已偵破小區盜竊案件數據；接著，將獲得的已偵破小區盜竊案件數據，與s31獲得的異常人員底庫標籤數據通過案件編號欄位進行關聯篩選，得到已偵破案件底庫標籤數據；最終，將獲得的已偵破案件底庫標籤數據與已偵破盜竊案件數據，通過案件編號欄位和對象標識信息欄位進行關聯標記，從而得到訓練數據集。
[0146]
其中，伺服器可將通過是否異常人員欄位，從訓練數據集中，篩選出標記為異常人員的數據，作為正樣本，並統計得到正樣本數據量為m1；同理，可將通過是否異常人員欄位，從訓練數據集中，篩選出標記為非異常人員的數據，作為負樣本，並統計得到負樣本數據量為m2。
[0147]
s33：訓練模型。
[0148]
示例性的，伺服器在執行步驟s33時，服務在獲得的正樣本集合和負樣本集合之後，將正樣本集合和負樣本集合進行合併作為新的訓練集，以「是否酒店旅館住宿」，「是否歷史異常對象」和「是否流動人員」三個標籤欄位(特徵標籤)為特徵列，以「是否犯罪異常人員」欄位為標籤列，用邏輯回歸模型進行訓練，從而得到「是否酒店旅館住宿」，「是否歷史異常對象」和「是否流動人員」三個特徵列的權重值分別為k1、k2和k3。
[0149]
進一步地，若假設新的訓練集中，樣本i中「是否酒店旅館住宿」，「是否歷史異常對象」和「是否流動人員」三個標籤欄位值分別為ai1、ai2和ai3，則樣本i為案件異常人員的異常概率可採用如下公式獲得：
[0150]
qi＝k1
×ai
1+k2
×ai
2+k3
×ai3[0151]
s4.概率模型應用模塊804，主要用於執行如下的方法步驟：
[0152]
s41：篩選對應待偵破案件對應的待篩查人員，並計算相應的異常概率。
[0153]
示例性的，在執行步驟s41時，伺服器響應於用戶可輸入未偵破盜竊案件編號，從而根據該未偵破盜竊案件編號，從異常人員底庫標籤數據中，篩選出對應的待篩查人員標籤數據，進而根據獲得的待篩查人員標籤數據，以及上述s33中訓練模型的異常概率計算公式，計算每個待篩查異常人員數據為該案件異常人員的異常概率。
[0154]
s42：排序輸出結果。
[0155]
示例性的，在執行步驟s42時，伺服器在獲得各個待篩查異常人員數據各自的異常概率之後，便可基於獲得的各個異常概率，作為後續確定實際目標對象的一個依據，即可以將異常概率值最大的topn人員數據，用於進一步研判。
[0156]
顯然，基於上述的方法步驟，提供一種將小區盜竊案件信息和人臉抓拍數據進行關聯分析，得到滿足案件辦案時空條件的異常人員底庫信息數據，進而通過是否為歷史異常對象，是否酒店、旅館住宿，是否為流動人口等規則進行算法模型訓練,建立一個計算異常人員的異常概率分析的系統。
[0157]
綜上所述，在本技術實施例所提供的目標對象的異常概率分析方法中，獲取目標事件所涉及目標場景中，目標數據採集設備及其採集到的目標對象，其中，目標對象出入目標場景的頻次滿足預設的出入頻次條件，再基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合，其中，特徵標籤集合包含的每個特徵標籤值表徵：相應行為特徵維度上，目標對象為異常目標對象的子概率，從而基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率。
[0158]
採用這種方式，基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率，避免了相關技術中，僅對歷史異常對象在特定場所的出現的活躍程度來定位異常目標對象，從而導致實際目標對象不在定位的異常目標對象中，進而無法從定位的異常目標對象中，識別出實際目標對象的技術弊端，故而，提高了異常目標對象的識別準確度。
[0159]
進一步地，基於相同的技術構思，本技術實施例提供了一種目標對象的異常概率分析裝置，該目標對象的異常概率分析裝置用以實現本技術實施例的上述方法流程。參閱圖14所示，該目標對象的異常概率分析裝置包括：獲取模塊1401、確定模塊1402以及處理模塊1403，其中：
[0160]
在一種可選的實施例中，在獲取目標事件所涉及目標場景中，數據採集設備及其採集到的目標對象時，所述獲取模塊1401具體用於：
[0161]
從候選數據採集設備集群中，篩選出與目標事件所涉及目標場景的場景位置信息，滿足預設的位置偏差條件的目標數據採集設備；
[0162]
從預設的歷史對象資料庫中，獲取對應目標事件的發生時間段設置的時間範圍內，目標數據採集設備採集到的目標對象。
[0163]
在一種可選的實施例中，在基於目標對象關聯的行為特徵數據，確定目標對象的特徵標籤集合時，所述確定模塊1402具體用於：
[0164]
基於預設的異常行為特徵分析規則，對目標對象的行為特徵數據進行分析，確定行為特徵數據歸屬的各個行為特徵區間；
[0165]
分別確定對應各個行為特徵區間設置的特徵標籤值，並基於獲得的各個特徵標籤
值，確定目標對象的特徵標籤集合。
[0166]
在一種可選的實施例中，在基於特徵標籤集合包含的各個特徵標籤值，獲得目標對象為異常目標對象的異常概率時，所述處理模塊1403具體用於：
[0167]
分別確定對應各個特徵標籤值各自的標籤類型設置的特徵權重；
[0168]
基於各個特徵標籤值及其各自對應的特徵權重，獲得目標對象為異常目標對象的異常概率。
[0169]
在一種可選的實施例中，在分別確定對應各個特徵標籤值各自的標籤類型設置的特徵權重時，所述處理模塊1403具體用於：
[0170]
從預設的系統資料庫中，篩選出滿足預設的事件偵破條件的歷史事件及其對應的實際目標對象；
[0171]
基於實際目標對象關聯的行為特徵數據，以及預設的概率預測模型，確定各個標籤類型各自對應的特徵權重。
[0172]
在一種可選的實施例中，所述處理模塊1403還用於：
[0173]
若目標事件所涉及目標場景中，存在多個目標數據採集設備採集到的目標對象，則對多個目標對象的異常概率進行排序，獲得多個目標對象各自的概率排列順序；
[0174]
基於獲得的多個概率排列順序，從多個目標對象中，篩選出滿足預設的異常概率條件的至少一個目標對象；
[0175]
將至少一個目標對象添加至預設的目標對象集合中，並將目標對象集合作為目標事件的候選實際對象集合。
[0176]
基於相同的技術構思，本技術實施例還提供了一種電子設備，該電子設備可實現本技術上述實施例提供的目標對象的異常概率分析方法流程。在一種實施例中，該電子設備可以是伺服器，也可以是終端設備或其他電子設備。如圖15所示，該電子設備可包括：
[0177]
至少一個處理器1501，以及與至少一個處理器1501連接的存儲器1502，本技術實施例中不限定處理器1501與存儲器1502之間的具體連接介質，圖15中是以處理器1501和存儲器1502之間通過總線1500連接為例。總線1500在圖15中以粗線表示，其它部件之間的連接方式，僅是進行示意性說明，並不引以為限。總線1500可以分為地址總線、數據總線、控制總線等，為便於表示，圖15中僅用一條粗線表示，但並不表示僅有一根總線或一種類型的總線。或者，處理器1501也可以稱為控制器，對於名稱不做限制。
[0178]
在本技術實施例中，存儲器1502存儲有可被至少一個處理器1501執行的指令，至少一個處理器1501通過執行存儲器1502存儲的指令，可以執行前文論述的一種目標對象的異常概率分析方法。處理器1501可以實現圖14所示的裝置中各個模塊的功能。
[0179]
其中，處理器1501是該裝置的控制中心，可以利用各種接口和線路連接整個該控制設備的各個部分，通過運行或執行存儲在存儲器1502內的指令以及調用存儲在存儲器1502內的數據，該裝置的各種功能和處理數據，從而對該裝置進行整體監控。
[0180]
在一種可能的設計中，處理器1501可包括一個或多個處理單元，處理器1501可集成應用處理器和調製解調處理器，其中，應用處理器主要處理作業系統、用戶界面和應用程式等，調製解調處理器主要處理無線通信。可以理解的是，上述調製解調處理器也可以不集成到處理器1501中。在一些實施例中，處理器1501和存儲器1502可以在同一晶片上實現，在一些實施例中，它們也可以在獨立的晶片上分別實現。
[0181]
處理器1501可以是通用處理器，例如cpu、數位訊號處理器、專用集成電路、現場可編程門陣列或者其他可編程邏輯器件、分立門或者電晶體邏輯器件、分立硬體組件，可以實現或者執行本技術實施例中公開的各方法、步驟及邏輯框圖。通用處理器可以是微處理器或者任何常規的處理器等。結合本技術實施例所公開的一種目標對象的異常概率分析方法的步驟可以直接體現為硬體處理器執行完成，或者用處理器中的硬體及軟體模塊組合執行完成。
[0182]
存儲器1502作為一種非易失性計算機可讀存儲介質，可用於存儲非易失性軟體程序、非易失性計算機可執行程序以及模塊。存儲器1502可以包括至少一種類型的存儲介質，例如可以包括快閃記憶體、硬碟、多媒體卡、卡型存儲器、隨機訪問存儲器(random access memory，ram)、靜態隨機訪問存儲器(static random access memory，sram)、可編程只讀存儲器(programmable read only memory，prom)、只讀存儲器(read only memory，rom)、帶電可擦除可編程只讀存儲器(electrically erasable programmable read-only memory，eeprom)、磁性存儲器、磁碟、光碟等等。存儲器1502是能夠用於攜帶或存儲具有指令或數據結構形式的期望的程序代碼並能夠由計算機存取的任何其他介質，但不限於此。本技術實施例中的存儲器1502還可以是電路或者其它任意能夠實現存儲功能的裝置，用於存儲程序指令和/或數據。
[0183]
通過對處理器1501進行設計編程，可以將前述實施例中介紹的一種目標對象的異常概率分析方法所對應的代碼固化到晶片內，從而使晶片在運行時能夠執行圖2所示的實施例的一種目標對象的異常概率分析方法的步驟。如何對處理器1501進行設計編程為本領域技術人員所公知的技術，這裡不再贅述。
[0184]
基於同一發明構思，本技術實施例還提供一種存儲介質，該存儲介質存儲有計算機指令，當該計算機指令在計算機上運行時，使得計算機執行前文論述的一種目標對象的異常概率分析方法。
[0185]
在一些可能的實施方式中，本技術還提供了一種目標對象的異常概率分析方法的各個方面還可以實現為一種程序產品的形式，其包括程序代碼，當程序產品在裝置上運行時，程序代碼用於使該控制設備執行本說明書上述描述的根據本技術各種示例性實施方式的一種目標對象的異常概率分析方法中的步驟。
[0186]
應當注意，儘管在上文詳細描述中提及了裝置的若干單元或子單元，但是這種劃分僅僅是示例性的並非強制性的。實際上，根據本技術的實施方式，上文描述的兩個或更多單元的特徵和功能可以在一個單元中具體化。反之，上文描述的一個單元的特徵和功能可以進一步劃分為由多個單元來具體化。
[0187]
此外，儘管在附圖中以特定順序描述了本技術方法的操作，但是，這並非要求或者暗示必須按照該特定順序來執行這些操作，或是必須執行全部所示的操作才能實現期望的結果。附加地或備選地，可以省略某些步驟，將多個步驟合併為一個步驟執行，和/或將一個步驟分解為多個步驟執行。
[0188]
本領域內的技術人員應明白，本技術的實施例可提供為方法、系統、或電腦程式產品。因此，本技術可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本技術可採用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限於磁碟存儲器、cd-rom、光學存儲器等)上實施的電腦程式產
品的形式。
[0189]
本技術是參照根據本技術實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些電腦程式指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個伺服器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0190]
可使用一種或多種程序設計語言的任意組合來編寫用於執行本技術操作的程序代碼，程序設計語言包括面向對象的程序設計語言，諸如java、c++等，還包括常規的過程式程序設計語言，諸如「c」語言或類似的程序設計語言。程序代碼可以完全地在用戶計算裝置上執行、部分地在用戶設備上執行、作為一個獨立的軟體包執行、部分在用戶計算裝置上部分在遠程計算裝置上執行、或者完全在遠程計算裝置或伺服器上執行。
[0191]
在涉及遠程計算裝置的情形中，遠程計算裝置可以通過任意種類的網絡包括區域網(lan)或廣域網(wan)連接到用戶計算裝置，或者，可以連接到外部計算裝置(例如，利用網際網路服務提供商來通過網際網路連接)。
[0192]
這些電腦程式指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
[0193]
這些電腦程式指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
[0194]
顯然，本領域的技術人員可以對本技術進行各種改動和變型而不脫離本技術的精神和範圍。這樣，倘若本技術的這些修改和變型屬於本技術權利要求及其等同技術的範圍之內，則本技術也意圖包含這些改動和變型在內。