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,…,xn},n为当前移动轨迹点个数,目标对象的驻留点xstaiic={x1,x2,…xm},m为当前驻留点个数,移动轨迹点的位置信息Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中Li=(lix,lim)表示经纬度信息,移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={t1,t2,…,tm};
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={st,sf},其中st,sf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pi;
步骤S6:通过类马尔可夫模型更新目标对象的异常值,即Si=Si‑1Pi,i≥2,Si={st,sf}表示目标对象在i轨迹点的异常概率分布,st表示正常的概率,sf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。
3.根据权利要求2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S2对目标状态信息进行数据处理的具体步骤如下:设定时间间隙Δt=10分钟,Δt内的平均速度为 s表示目标在时间间隙Δt内的位移;将目标动态轨迹分为两类进行抽样,首先间隔每Δt进行目标状态信息采样,提取运动点xmove,得到目标对象的移动轨迹点X={xmove}={x1,x2,…,xn},n为当前移动轨迹点个数;
在Δt内,平均速度v<Vmin的点集合xstatic={x1,x2,…xm}定义为目标对象的驻留点,m为当前判定为驻留点的个数,Vmin为自定义的速度标准;
根据S1.2获取移动轨迹点的位置信息Lmove={l1,l2,…,ln},驻留点的位置信息Lstatic={l1,l2,…,lm},其中li=(lix,liy)表示经纬度信息,获取移动轨迹点的时间信息Tmove={t1,t2,…,tn},驻留点位置的停留时间Lstatic={l1,l2,…,lm}。
4.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S4对目标对象相关状态信息,进行空间特征分析、时间特征分析、人车状态情况分析和特定行为特征分析,更新各个特征值下的异常值h1,h2,h3,h4的具体步骤如下:根据S2获取的目标对象的移动轨迹点X={x1,x2,…,xn},若识别出目标轨迹靠近敏感地带,则增加空间特征的异常值h1;
根据S2获取的目标对象的驻留点xstatic={x1,x2,…xm}信息,若目标对象在边境点、无人区、偏僻地带多次停留,则增加空间特征的异常值h1和特定行为异常值h4;
根据S2获取的移动轨迹点的时间信息为Tmove={t1,t2,…,tn},若外出时间在凌晨或夜晚,根据不同时间对时间特征异常指数h2进行更新;
根据S2获取的驻留点位置的停留时间Lstatic={l1,l2,…,lma},对停留时间超过一定值,则对时间特征异常指数h2进行更新;
通过车辆及手机GPS,获取车辆和人的状态,用电子监控等设备进行信息补充,若人车分离或发现驾驶车辆与登记车辆则对人车状态异常值h3进行更新。
5.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,步骤S5中所述状态转移概率矩阵pi, hj为第j个异常特征的异常值,wj为该异常特征的占比权重,