[发明专利]一种目标的运动范围预测方法及装置

说明书

技术领域

本发明涉及机器学习技术领域，具体而言，涉及一种目标的运动范围预测方法及装置。

背景技术

现今犯罪目标的反侦查意识逐年增强，面对警方的严密布控，嫌疑人在任何有风吹草动的情况下，第一时间均会选择望风而逃。面临犯罪目标的逃离，警方需要第一时间(如20分钟内)准确的划定嫌疑人逃跑范围，在范围内大量布控，对犯罪目标实施抓捕。

相关技术中提供了一种基于社会科学的目标逃跑范围预测方法，该方法主要利用专家在社会学、心理学等方面的相关经验，综合考虑路网、天气、时间等多个现场环境因素，以及犯罪目标的犯罪心理形成和犯罪行为发生的规律，预测与划定犯罪目标可能逃跑的范围。

发明人在研究中发现，基于社会科学的目标逃跑范围预测方法主要以专家经验为主，由于无法较好的综合评估各种影响逃跑范围的因素，导致范围预测的准确度较低，而较低准确率的范围预测将导致后续浪费更多的人力物力去围捕犯罪目标。

发明内容

有鉴于此，本发明的目的在于提供一种目标的运动范围预测方法及装置，利用机器学习技术实现对目标的运动范围预测，预测准确度较高，且省时省力，实用性较佳。

第一方面，本发明实施例提供了一种目标的运动范围预测方法，所述方法包括：

获取设置在实际区域内可供目标选择的各个路径的环境属性信息和第一路径长度信息；

利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，所述多元线性回归函数的自变量为所述环境属性信息，所述多元线性回归函数的因变量为所述第一路径长度信息；

根据各个所述第二路径长度信息、所述目标的运动起点位置和运动总时间，确定所述目标对应的各个运动终点位置，所述运动总时间为所述目标由所述运动起点位置运动到所述运动终点位置所占用的时间；

根据各个所述运动终点位置得到所述目标的运动预测范围。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解之前，还包括：

根据有效关联规则对所述环境属性信息进行约简，得到约简后的环境属性信息，所述有效关联规则是提升度符合预设阈值的由所述环境属性信息推导出所述第一路径长度信息的关联规则。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述利用粒子群方法对根据所述环境属性信息和所述第一路径长度信息构建的多元线性回归函数进行迭代求解，得到每个路径对应的第二路径长度信息，包括：

对所述粒子群方法中的所有粒子均进行初始化，并确定所有所述粒子的适应度函数，所述适应度函数为所述多元线性回归函数中的目标函数，每个所述粒子均为所述多元线性回归函数中的一个回归参数；

根据所述适应度函数更新所述粒子的速度和位置；

对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解；

基于所述最优解得到对应的最优回归参数，所述最优回归参数为所有所述回归参数中的一个；

将所述最优回归参数和所述路径的所述环境属性信息均代入所述多元线性回归函数，得到所述路径对应的第二路径长度信息。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述适应度函数更新所述粒子的速度和位置，包括：

根据所述适应度函数计算对应的哨兵函数，并根据所述哨兵函数计算得到所述粒子的哨兵值，所述哨兵函数由所述适应度函数、适应度平均值和规范化函数确定，所述规范化函数由所述适应度函数和最大适应度值确定；

判断所述哨兵值是否符合预设阈值，若否，根据惯性权重和学习因子更新所述粒子的速度和位置，所述惯性权重由所述哨兵值、预设最小惯性权重和预设最大惯性权重确定，所述学习因子由所述哨兵值、预设起始学习因子和预设结束学习因子确定。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述对更新的所述速度和位置进行多次迭代处理，得到对应于所述适应度函数的最优解，包括：

利用禁忌搜索方法在当前次迭代得到的全局最优解的预设范围内搜索新解；