校园师生活动轨迹生成、决策方法及系统与流程

本技术涉及校园安防管理，特别涉及一种校园内人员活动轨迹的生成及分析技术。

背景技术：

1、目前，校园安全管理主要依靠人工巡视、门禁系统和视频监控系统等传统安检手段来获取师生的活动数据。

2、然而，这些方法面临着诸多挑战，主要包括：

3、监控设备的有限性：当前的监控设备不能全面覆盖校园的每一个角落，导致无法获得师生的完整活动轨迹。这限制了管理人员对校园安全状况的全面了解和监控。

4、师生数量众多：现有的安全管理系统难以有效监控校园内众多的师生，尤其在面对大规模活动或紧急情况时，难以实时追踪和预防安全风险。

5、效率问题：在发生异常事件，如学生失联时，缺乏有效的机制来快速定位学生的具体位置。当前的处理方法需要人工查看大量监控视频，这不仅耗时耗力，而且效率低下。

6、因此，需要一种新的校园师生活动轨迹生成和决策技术，实现对师生活动轨迹的精确生成和实时监控，提高校园安全管理的效率和效果，使得管理人员可以更全面、直观地了解校园内的安全状况，及时预防和处理可能的安全风险。

技术实现思路

1、本技术的目的在于提供一种校园师生活动轨迹生成、决策方法及系统，以解决上述背景技术中提出的问题。

2、本技术公开了一种校园师生活动轨迹生成、决策方法，包含：

3、应用3d建模和数字孪生技术，搭建基于3d校园场景的可视化平台，用于后续步骤的轨迹和异常结果展示；

4、采集校园师生活动数据，并基于采集的数据生成轨迹点信息统计表；基于统计表中提取的人员肢体行为走向和行走时长设计轨迹预测模型，通过匹配所述人员肢体行为走向和行走时长生成多条轨迹路线，选择匹配度最高的一条作为最终预测轨迹，该预测轨迹用于后续异常度分析；

5、基于所述最终预测轨迹，构建异常评估模型，综合考虑时间、地点和行为异常指标，对各轨迹的异常度进行更新计算，获取异常分析结果，用于后续的异常防范和处理；

6、在所述可视化平台上集成展示所述异常分析结果。

7、在一个优选例中，所述基于统计表中提取的人员肢体行为走向和行走时长设计轨迹预测模型，通过匹配所述人员肢体行为走向和行走时长生成多条轨迹路线，选择匹配度最高的一条作为最终预测轨迹的步骤，进一步包含：考虑行为走向维度和行走时长维度设计所述轨迹预测模型，其中，所述行为走向维度根据人员面部方向、手部方向、足部方向等判断；所述行走时长维度根据行程距离和平均速度计算；基于所述行为走向维度和行走时长维度生成多条满足条件的轨迹路线；从多条轨迹中选取匹配度最高的一条作为最终预测轨迹。

8、在一个优选例中，所述轨迹预测模型的具体设计包含：

9、构建包含所有可能路线的行为走向预测集合m和行走时长预测集合n；

10、获取实际行为走向m和实际行走时长n；

11、将实际行为走向m与行为走向预测集合m中的各预测行为走向匹配,将实际行走时长n与行走时长预测集合n中的各预测时长匹配,生成匹配值y；

12、从各匹配值y中选择最大值,其对应轨迹路线为最终预测结果；其中，

13、所述轨迹预测模型采用以下公式表示：

14、x(n)＝{(m1、n1)，....(mk、nk)，....(mn、nn)}

15、

16、zmax＝max(y(1)，....y(k)，....y(n))

17、其中,x(n)为预测集合,mk和nk分别为第k条轨迹的行为走向预测和时长预测,m和n为实际行为走向和时长,y(k)为第k条轨迹的匹配值,α、β各维度影响程度因子,zmax为路线最大匹配值。

18、在一个优选例中，所述异常指标包含地点异常指标、时间异常指标和行为异常指标，并且,所述基于所述最终预测轨迹，构建异常评估模型的步骤具体包括:构建所述异常评估模型,其中,所述异常评估模型通过计算时间异常度、地点异常度和行为异常度,并根据各异常指标的异常程度和对应更新系数,确定轨迹的总体异常度,以识别出轨迹中的风险状况或异常事件。

19、在一个优选例中，所述地点异常指标包括:当天出现在禁止区域的次数；当天出现在无权限区域的次数；当天出现在不应该出现的区域的次数；

20、所述时间异常指标包括:某段轨迹的耗时是否超过预设阈值；在危险地点的停留时间是否超过预设阈值；

21、所述行为异常指标包括:当天违规行为的次数；当天考勤异常行为的次数。

22、在一个优选例中，所述方法还包括：构建所述异常指标之间的关联图，当多个关联异常指标出现在同一轨迹分段时，更新所述异常指标的异常度，所述异常指标的异常度用于确定轨迹正常、风险和异常，其中，当异常度低于第一阈值时，判定轨迹正常；当异常度介于第一阈值和第二阈值时，判定轨迹存在风险；当异常度高于第二阈值时，判定轨迹异常。

23、在一个优选例中，所述方法还包含：

24、构建异常指标关联图，并基于所述关联图计算各异常指标的更新概率，其中，更新概率高于预设阈值时，设置对应异常指标的更新系数为1；更新概率低于预设阈值时，设置对应异常指标的更新系数为0；

25、根据各异常指标的更新系数，对异常指标的异常度进行更新，其中，更新系数为1时，使用新获取的轨迹数据重新计算异常度，更新系数为0时，维持原异常度不变。

26、在一个优选例中，所述异常分析结果包含每个异常指标的异常度值和确定的异常级别。

27、本技术还公开了一种校园师生活动轨迹生成、决策系统，包含：

28、可视化平台构建模块，用于应用3d建模和数字孪生技术，搭建基于3d校园场景的可视化平台，用于后续步骤的轨迹和异常结果展示；

29、轨迹预测模块，用于采集校园师生活动数据，并基于采集的数据生成轨迹点信息统计表；基于统计表中提取的人员肢体行为走向和行走时长设计轨迹预测模型，通过匹配所述人员肢体行为走向和行走时长生成多条轨迹路线，选择匹配度最高的一条作为最终预测轨迹，该预测轨迹用于后续异常度分析；

30、异常评估模块，用于基于所述最终预测轨迹，构建异常评估模型，综合考虑时间、地点和行为异常指标，对各轨迹的异常度进行更新计算，获取异常分析结果，用于后续的异常防范和处理；

31、结果展示模块，用于在所述可视化平台上集成展示所述异常分析结果。

32、本技术实施方式中，首先，本技术成功开发出一套系统，能够预测并生成师生在校园内的活动轨迹，并对这些轨迹进行异常度分析。这些轨迹及其异常度分析结果会在一个3d校园界面中展示，这样的可视化手段使得安全数据更加全面、智能化并且人性化。通过在3d界面中展示这些数据，管理人员能够更全面和直观地掌握校园内师生的流动情况和任何潜在的异常行为，从而有效地防范校园安全风险并快速处理异常事件。总结来说，本技术通过结合轨迹预测、异常度分析和3d可视化技术，极大地提高了校园安全管理的效率和效果，使得管理人员能够更有效地监控和维护校园安全。

33、进一步的，本技术提出了一种针对校园环境的师生活动轨迹预测模型。该模型通过考虑两个关键维度——肢体行为的方向和行走的时长——来进行轨迹预测。这种方法提供了一种有效的轨迹预测手段，不仅使轨迹预测更加智能化，还避免了进行繁琐的计算，如排列组合计算各个轨迹点之间的所有可能路径，从而显著减少了计算量。通过简化轨迹预测过程，本技术提高了整个系统的运行效率，使得轨迹分析和预测既智能又灵活。

34、进一步的，本技术成功开发了一个异常评估模型，该模型综合考虑了时间、地点和行为三个关键异常指标。这种多维度的分析方法提升了对轨迹异常的全面判断能力，使得模型能够更精确地识别出潜在的风险和异常行为。通过整合多个异常指标，该评估模型能够进行深入的多维度分析，提高异常判定的准确性。这样的综合分析有助于管理员全面理解校园内的安全状况，从而更有效地进行风险防范和异常处理。特别值得一提的是，模型考虑了异常指标之间的相互关系，允许这些关联因素不断影响轨迹异常度的计算和异常指标的判定。这意味着轨迹异常度可以根据新的数据不断更新，从而提升了异常判定的动态准确性。通过持续更新轨迹异常度，并准确判定异常指标，管理员可以更清晰地识别具体的异常情况，实现更针对性的防范措施和及时的异常处理，极大地提高了校园安全管理的效率和效果。总体而言，通过构建这种异常评估模型，本技术不仅增强了校园安全监控的全面性和准确性，还提高了管理人员在异常情况发生时的响应速度和处理能力。

35、本技术的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本技术所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本技术上述
技术实现要素：
中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征a+b+c，在另一个例子中公开了特征a+b+d+e，而特征c和d是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征e技术上可以与特征c相组合，则，a+b+c+d的方案因技术不可行而应当不被视为已经记载，而a+b+c+e的方案应当视为已经被记载。