一种行为轨迹预测方法、装置、电子设备及存储介质

摘要

本发明提供了一种行为轨迹预测方法、装置、电子设备及存储介质，其方法包括：获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型用于更新初始权重值得到目标权重值；根据不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至综合轨迹分析预测模型，得到预测轨迹信息。本发明提供的行为轨迹预测方法能够对目标的多维轨迹数据进行融合和分析，通过对目标的行为特征分析、预测目标的行为轨迹。

权利要求

1.一种行为轨迹预测方法，其特征在于，包括：

获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息；

根据人类活动行为特征建立不同行为特征分类的计算模型，包括：

根据人类常驻地行为特征，将所述目标人物的所有轨迹信息进行分析统计，形成地址全局集合，建立自然地址算子计算模型；

根据人类活动轨迹进行会固定在某一个时间段的特征，将所述目标人物的所有轨迹信息以小时为维度，划分24小时内的轨迹分布情况，形成第一地址集合和小时的对应关系，建立小时算子计算模型；

根据人类每周工作生活周期规律，将所述目标人物的所有轨迹信息以每星期的每个周天为维度，划分7天内的每小时的轨迹分布情况，形成第二地址集合和周天的对应关系，建立自然周天算子计算模型；

根据人类每月工作生活周期规律，将所述目标人物的所有轨迹信息以每月的每个月天为维度，划分当月每天内的每小时的轨迹分布情况，形成第三地址集合和月天的对应关系，建立自然月天算子计算模型；

根据人类每日作息生活周期规律，将所述目标人物的所有轨迹信息以每天的昼夜为维度，划分白天或黑夜的轨迹分布情况，形成第四地址集合和昼夜的对应关系，建立昼夜算子计算模型；

根据人类假期工作日生活规律，将所述目标人物的所有轨迹信息以工作日和休息日为维度，划分工作日和休息日每小时的轨迹分布情况，形成第五地址集合和工作日与休息日的对应关系，建立工作日假期算子计算模型；

其中，所述第一地址集合、第二地址集合、第三地址集合、第四地址集合和第五地址集合均为所述地址全局集合的子集。

2.根据权利要求1所述的行为轨迹预测方法，其特征在于，所述确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库，包括：获取所述初始轨迹数据库中与目标人物真实身份信息存在关联关系的部分轨迹数据类型构建初始轨迹真实关系库；

获取所述初始轨迹数据库中任一轨迹数据，将所述任一轨迹数据与初始轨迹真实关系库进行对比；

当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息存在对应关系时，则直接比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库；

当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息不存在对应关系时，获取所述初始轨迹数据库中所述任一轨迹数据的特征出现的历史数据的时间集合；

获取所述初始轨迹真实关系库中任一轨迹数据类型在初始轨迹数据库中的历史数据集合；

根据所述时间集合中各时间范围获取各时间范围内所述历史数据集合的子集合；

依次统计所述各时间范围内所述历史数据集合的子集合中出现唯一值的次数，计算关联百分比，当所述关联百分比大于设定阈值时关系匹配成功，通过所述任一轨迹数据与所述任一轨迹数据类型的关系能够与目标人物真实身份信息产生关联关系；

将所述任一轨迹数据与所述任一轨迹数据类型的关系存入目标轨迹真实关系库，比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库。

3.根据权利要求1所述的行为轨迹预测方法，其特征在于，得到所述机器学习预测模型，包括：基于所述不同行为特征分类的计算模型分类依据划分所述目标轨迹数据库的数据，并进行预处理后得到样本集；

基于多元线性回归算法构建机器学习模型，并以所述样本集迭代训练得到所述机器学习预测模型。

4.根据权利要求1所述的行为轨迹预测方法，其特征在于，所述实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息，包括：实时获取轨迹预测任务，所述轨迹预测任务包括目标人物的轨迹信息数据及预测任务时间；

将所述目标人物的轨迹信息数据及预测任务时间分别输入所述不同行为特征分类的统计模型，分别得到不同行为特征分类的统计模型的统计结果；

所述综合轨迹分析预测模型获取所述不同行为特征分类的统计模型的统计结果以及对应的目标权重值，基于预设的预测算法对目标人物行为轨迹进行计算，得到预测任务时间内目标人物行为预测轨迹。

5.根据权利要求4所述的行为轨迹预测方法，其特征在于，所述基于预设的预测算法对目标人物行为轨迹进行计算，得到预测任务时间内目标人物行为预测轨迹，包括：基于预设的预测算法对目标人物行为轨迹进行计算，以百分比展示，具体计算公式如下：ψA＝P1：AQ1+P2：AQ2+P3：AQ3+P4：AQ4+P5：AQ5+P6：AQ6其中，A为预测任务时间，P1：A、P2：A、P3：A、P4：A、P5：A、P6：A为不同行为特征分类的计算模型的计算结果，Q1、Q2、Q3、Q4、Q5、Q6为不同行为特征分类的计算模型的目标权重值。

6.一种行为轨迹预测装置，其特征在于，包括：

数据获取模块，用于获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

数据关联模块，用于确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

模型构建模块，用于根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

轨迹预测模块，用于根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息；

所述模型构建模块，还用于根据人类常驻地行为特征，将所述目标人物的所有轨迹信息进行分析统计，形成地址全局集合，建立自然地址算子计算模型；

根据人类活动轨迹进行会固定在某一个时间段的特征，将所述目标人物的所有轨迹信息以小时为维度，划分24小时内的轨迹分布情况，形成第一地址集合和小时的对应关系，建立小时算子计算模型；

根据人类每周工作生活周期规律，将所述目标人物的所有轨迹信息以每星期的每个周天为维度，划分7天内的每小时的轨迹分布情况，形成第二地址集合和周天的对应关系，建立自然周天算子计算模型；

根据人类每月工作生活周期规律，将所述目标人物的所有轨迹信息以每月的每个月天为维度，划分当月每天内的每小时的轨迹分布情况，形成第三地址集合和月天的对应关系，建立自然月天算子计算模型；

根据人类每日作息生活周期规律，将所述目标人物的所有轨迹信息以每天的昼夜为维度，划分白天或黑夜的轨迹分布情况，形成第四地址集合和昼夜的对应关系，建立昼夜算子计算模型；

根据人类假期工作日生活规律，将所述目标人物的所有轨迹信息以工作日和休息日为维度，划分工作日和休息日每小时的轨迹分布情况，形成第五地址集合和工作日与休息日的对应关系，建立工作日假期算子计算模型；

其中，所述第一地址集合、第二地址集合、第三地址集合、第四地址集合和第五地址集合均为所述地址全局集合的子集。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时，实现根据权利要求1至5任一项所述的行为轨迹预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现根据权利要求1至5任一项所述的行为轨迹预测方法。

说明书

一种行为轨迹预测方法、装置、电子设备及存储介质

技术领域

[0001] 本发明涉及行为轨迹预测技术领域，具体涉及一种行为轨迹预测方法、装置、电子设备及存储介质。

背景技术

[0002] 近年来，随着移动互联网快速发展，公安各级部门按照“急用快上、边建边用”的建设思路，已快速形成了WIFI轨迹系统、IMSI轨迹系统、人脸轨迹系统和基站轨迹系统等多个系统。在众多的系统发挥重要作用的同时，垃圾数据堆积、系统关联应用繁杂、任务操作繁琐、数据资源实战应用效率低等一系列问题开始显现，特别是缺乏各种多维轨迹的对应关系，导致各警种各部门间各自掌握了大量的数据资源，难以实现各类轨迹数据的关联，严重制约了公安机关数据资源实战效能的发挥。同时，面对信息化革命，目标轨迹综合分析以及轨迹预测成为提升公安机关办案的关键要素。

[0003] 目前，针对轨迹类的犯罪，办案民警通常在事后，通过汇集多个数据源进行人工排查，难以根据大数据分析进行目标的示踪预警和轨迹预测。

[0004] 因此，急需提出一种能够对目标的多维轨迹数据进行融合和分析的轨迹预测方法，通过对目标的行为特征分析、预测目标的行为轨迹。

发明内容

[0005] 有鉴于此，有必要提供一种行为轨迹预测方法、装置、电子设备及存储介质，能够对目标的多维轨迹数据进行融合和分析，通过对目标的行为特征分析、预测目标的行为轨迹。

[0006] 为了解决上述技术问题，一方面，本发明提供了一种行为轨迹预测方法，包括：

[0007] 获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

[0008] 确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

[0009] 根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

[0010] 根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息。

[0011] 在一些可能实现的方式中，所述确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库，包括：

[0012] 获取所述初始轨迹数据库中与目标人物真实身份信息存在关联关系的部分轨迹数据类型构建初始轨迹真实关系库；

[0013] 获取所述初始轨迹数据库中任一轨迹数据，将所述任一轨迹数据与初始轨迹真实关系库进行对比；

[0014] 当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息存在对应关系时，则直接比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库；

[0015] 当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息不存在对应关系时，获取所述初始轨迹数据库中所述任一轨迹数据的特征出现的历史数据的时间集合；

[0016] 获取所述初始轨迹真实关系库中任一轨迹数据类型在初始轨迹数据库中的历史数据集合；

[0017] 根据所述时间集合中各时间范围获取各时间范围内所述历史数据集合的子集合；

[0018] 依次统计所述各时间范围内所述历史数据集合的子集合中出现唯一值的次数，计算关联百分比，当所述关联百分比大于设定阈值时关系匹配成功，通过所述任一轨迹数据与所述任一轨迹数据类型的关系能够与目标人物真实身份信息产生关联关系；

[0019] 将所述任一轨迹数据与所述任一轨迹数据类型的关系存入目标轨迹真实关系库，比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库。

[0020] 在一些可能实现的方式中，所述根据人类活动行为特征建立不同行为特征分类的计算模型，包括：

[0021] 根据人类常驻地行为特征，将所述目标人物的所有轨迹信息进行分析统计，形成地址全局集合，建立自然地址算子计算模型；

[0022] 根据人类活动轨迹进行会固定在某一个时间段的特征，将所述目标人物的所有轨迹信息以小时为维度，划分24小时内的轨迹分布情况，形成第一地址集合和小时的对应关系，建立小时算子计算模型；

[0023] 根据人类每周工作生活周期规律，将所述目标人物的所有轨迹信息以每星期的每个周天为维度，划分7天内的每小时的轨迹分布情况，形成第二地址集合和周天的对应关系，建立自然周天算子计算模型；

[0024] 根据人类每月工作生活周期规律，将所述目标人物的所有轨迹信息以每月的每个月天为维度，划分当月每天内的每小时的轨迹分布情况，形成第三地址集合和月天的对应关系，建立自然月天算子计算模型；

[0025] 根据人类每日作息生活周期规律，将所述目标人物的所有轨迹信息以每天的昼夜为维度，划分白天或黑夜的轨迹分布情况，形成第四地址集合和昼夜的对应关系，建立昼夜算子计算模型；

[0026] 根据人类假期工作日生活规律，将所述目标人物的所有轨迹信息以工作日和休息日为维度，划分工作日和休息日每小时的轨迹分布情况，形成第五地址集合和工作日与休息日的对应关系，建立工作日假期算子计算模型。

[0027] 在一些可能实现的方式中，所述第一地址集合、第二地址集合、第三地址集合、第四地址集合和第五地址集合均为所述地址全局集合的子集。

[0028] 在一些可能实现的方式中，得到所述机器学习预测模型，包括：

[0029] 基于所述不同行为特征分类的计算模型分类依据划分所述目标轨迹数据库的数据，并进行预处理后得到样本集；

[0030] 基于多元线性回归算法构建机器学习模型，并以所述样本集迭代训练得到所述机器学习预测模型。

[0031] 在一些可能实现的方式中，所述实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息，包括：

[0032] 实时获取轨迹预测任务，所述轨迹预测任务包括目标人物的轨迹信息数据及预测任务时间；

[0033] 将所述目标人物的轨迹信息数据及预测任务时间分别输入所述不同行为特征分类的统计模型，分别得到不同行为特征分类的统计模型的统计结果；

[0034] 所述综合轨迹分析预测模型获取所述不同行为特征分类的统计模型的统计结果以及对应的目标权重值，基于预设的预测算法对目标人物行为轨迹进行计算，得到预测任务时间内目标人物行为预测轨迹。

[0035] 在一些可能实现的方式中，所述基于预设的预测算法对目标人物行为轨迹进行计算，得到预测任务时间内目标人物行为预测轨迹，包括：

[0036] 基于预设的预测算法对目标人物行为轨迹进行计算，以百分比展示，具体计算公式如下：

[0037]

[0038] 其中，A为预测任务时间， 为不同行为特征分类的计算模型的计算结果， 为不同行为特征分类的计算模型的目标权
重值。

[0039] 另一方面，本发明还提供了一种行为轨迹预测装置，包括：

[0040] 数据获取模块，用于获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

[0041] 数据关联模块，用于确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

[0042] 模型构建模块，用于根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

[0043] 轨迹预测模块，用于根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息。

[0044] 另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实现方式中所述的行为轨迹预测方法。

[0045] 最后，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述实现方式中所述的行为轨迹预测方法。

[0046] 采用上述实施例的有益效果是：本发明提供的行为轨迹预测方法，一方面通过采集多维轨迹数据，相比现有技术方案主要对某一维度的数据进行分析，本发明提供的方案具有多个维度数据作为轨迹预测的基础，解决了轨迹覆盖不全面的问题。

[0047] 另一方面，通过确定多维轨迹数据与目标人物真实身份的关系关联，使得目标轨迹数据库中的数据均能实现目标人物真实身份的落地，显著提高了通过各种轨迹信息对目标人物身份确定的效率。

[0048] 最后，通过建立的不同行为特征分类的计算模型对不同维度的特征分别进行统计分析，以及建立机器学习模型根据机器学习模型的预测结果对不同行为特征分类的计算模型的权值值不断更新，使得最终的得到综合轨迹分析预测模型的预测准确率进一步提高，相比单一的统计计算模型或机器学习模型无法兼顾预测结果的准确性及与原数据的关联性，本发明提供的行为轨迹预测方法采用两者结合的方式，在保证预测结果与原数据具有关联性的前提下，进一步提高了预测结果的准确性。

附图说明

[0049] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0050] 图1为本发明提供的行为轨迹预测方法的一个实施例流程示意图；

[0051] 图2为本发明提供的图1中步骤S102一实施例的流程示意图；

[0052] 图3为本发明提供的行为轨迹预测一实施例的流程示意图；

[0053] 图4为本发明提供的行为轨迹预测装置一实施例的结构示意图；

[0054] 图5为本发明提供的电子设备一实施例的结构示意图。

具体实施方式

[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

[0057] 附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。

[0058] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0059] 在实施例描述之前，对相关词语进行释义：

[0060] IMSI：国际移动用户识别码（英语：IMSI，International Mobile Subscriber Identity），是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码。手机将IMSI存储于一个64比特的字段发送给网络。IMSI可以用来在归属位置寄存器（HLR，Home Location Register）或拜访位置寄存器（VLR，Visitor Location Register）中查询用户的信息。为了避免被监听者识别并追踪特定的用户，大部分情形下手机和网络之间的通信会使用随机产生的临时移动用户识别码（TMSI，Temporary Mobile Subscriber Identity）代替IMSI。

[0061] MAC：MAC地址（英语：Media Access Control Address），直译为媒体存取控制位址，也称为局域网地址（LAN Address），MAC位址，以太网地址（Ethernet Address）或物理地址（Physical Address），它是一个用来确认网络设备位置的位址。

[0062] IMEI：国际移动设备识别码（International Mobile Equipment Identity，IMEI），即通常所说的手机序列号、手机“串号”，用于在移动电话网络中识别每一部独立的手机等移动通信设备，相当于移动电话的身份证。序列号共有15 17位数字，前8位（TAC）是~型号核准号码（早期为6位），是区分手机品牌和型号的编码。

[0063] WIFI：移动热点，是Wi‑Fi联盟制造商的商标作为产品的品牌认证，是一个创建于IEEE 802.11标准的无线局域网技术。

[0064] APP：手机软件，主要指安装在智能手机上的软件，完善原始系统的不足与个性化。使手机完善其功能，为用户提供更丰富的使用体验的主要手段。

[0065] 真实身份：统指可以落地人身份的信息，一般是身份证信息。

[0066] 虚拟身份:统指APP上的虚拟注册信息，例如APP的昵称等，无法确定具体人的身份信息。

[0067] 基于上述技术名词的描述，现有技术中对多维轨迹数据进行分析预测难以实现多维轨迹数据之间的关联，对于轨迹的预测仅仅结合时间来进行分析，未综合考虑到月周期、周周期、以及昼夜等维度，数据预测不准确。本发明旨在提出一种能对轨迹数据进行关联分析，并结合时空等多方面维度对轨迹特征进行行为分析来预测目标未来的活动轨迹的行为轨迹预测方法。

[0068] 以下分别对具体实施例进行详细说明：

[0069] 本发明实施例提供了一种行为轨迹预测方法、装置、电子设备及存储介质，以下分别进行说明。

[0070] 如图1所示，图1为本发明提供的行为轨迹预测方法的一个实施例流程示意图，行为轨迹预测方法包括：

[0071] S101、获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

[0072] S102、确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

[0073] S103、根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

[0074] S104、根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息。

[0075] 与现有技术相比，本发明实施例提供的行为轨迹预测方法，一方面通过采集多维轨迹数据，解决了轨迹覆盖不全面的问题。另一方面，通过确定多维轨迹数据与目标人物真实身份的关系关联，使得目标轨迹数据库中的数据均能实现目标人物真实身份的落地，显著提高了通过各种轨迹信息对目标人物身份确定的效率。最后，通过建立的不同行为特征分类的计算模型对不同维度的特征分别进行统计分析，以及建立机器学习模型根据机器学习模型的预测结果对不同行为特征分类的计算模型的权值值不断更新，使得最终的得到综合轨迹分析预测模型的预测准确率进一步提高，相比单一的统计计算模型或机器学习模型无法兼顾预测结果的准确性及与原数据的关联性，本发明提供的行为轨迹预测方法采用两者结合的方式，在保证预测结果与原数据具有关联性的前提下，进一步提高了预测结果的准确性。

[0076] 在本发明具体的实施例中，步骤S101中轨迹数据的获取综合考虑L1目前公安领域数据来源，实现了对多维轨迹数据[D1，D2，D3，D4，D5，D6，D7，D8]的采集，包括手机IMSI轨迹数据D1、手机MAC轨迹数据D2、手机IMEI轨迹数据D3、车牌轨迹数据D4、人脸轨迹数据D5、视频轨迹数据D6、出行（公交地铁）轨迹数据D7、APP应用轨迹数据，D8的综合采集，轨迹信息数据如表1所示：

[0077] 表一轨迹信息数据表

[0078] 序号 数据类型 数据字段D1 手机IMSI轨迹数据 轨迹类型，手机IMSI标识，GPS经纬度信息，采集时间 D2 手机MAC轨迹数据 轨迹类型，手机MAC标识，GPS经纬度信息，采集时间
D3 手机IMEI轨迹数据 轨迹类型，手机IMEI标识，GPS经纬度信息，采集时间 D4 车牌轨迹数据 轨迹类型，车牌，车主信息，GPS经纬度信息，采集时间
D5 人脸轨迹数据 轨迹类型，人脸特征码，人脸图片，GPS经纬度信息，采集时间 D6 视频轨迹数据 轨迹类型，视频人脸信息，人脸特征，GPS经纬度信息，采集时间 D7 出行（公交地铁）轨迹数据 轨迹类型，身份信息，采集点GPS经纬度信息，采集时间 D8 APP应用轨迹数据 轨迹类型，手机IMSI标识，APP类型，虚拟身份，GPS经纬度信息，采集时间 [0079] 本发明实施例通过获取多维度的轨迹数据信息，保证了数据的丰富性，实现轨迹信息全覆盖，并为轨迹预测提供了全面的轨迹信息数据，使轨迹预测结果的准确性有了初步保证。

[0080] 进一步地，在本发明的一些实施例中，如图2所示，图2为本发明提供的图1中步骤S102一实施例的流程示意图，步骤S102包括：

[0081] S201、获取所述初始轨迹数据库中与目标人物真实身份信息存在关联关系的部分轨迹数据类型构建初始轨迹真实关系库；

[0082] S202、获取所述初始轨迹数据库中任一轨迹数据，将所述任一轨迹数据与初始轨迹真实关系库进行对比；

[0083] S203、当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息存在对应关系时，则直接比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库；

[0084] S204、当所述任一轨迹数据在初始轨迹真实关系库中与目标人物真实身份信息不存在对应关系时，获取所述初始轨迹数据库中所述任一轨迹数据的特征出现的历史数据的时间集合；

[0085] S205、获取所述初始轨迹真实关系库中任一轨迹数据类型在初始轨迹数据库中的历史数据集合；

[0086] S206、根据所述时间集合中各时间范围获取各时间范围内所述历史数据集合的子集合；

[0087] S207、依次统计所述各时间范围内所述历史数据集合的子集合中出现唯一值的次数，计算关联百分比，当所述关联百分比大于设定预值时关系匹配成功，通过所述任一轨迹数据与所述任一轨迹数据类型的关系能够与目标人物真实身份信息产生关联关系；

[0088] S208、将所述任一轨迹数据与所述任一轨迹数据类型的关系存入目标轨迹真实关系库，比对出目标人物真实身份信息，并将所述任一轨迹数据进行标准化处理后存入目标轨迹数据库。

[0089] 在本发明具体的实施例中，由于初始轨迹数据库中存在部分能直接关联目标人物真实身份信息的轨迹信息数据：身份证和手机IMSI关联的信息，通过手机IMSI能够直接确定目标人物的身份证信息，但初始轨迹数据库中的大部分信息和目标人物的真实身份信息没有直接关联，因此需要对初始轨迹数据库中不能直接关联目标人物真实身份信息的部分轨迹信息进行处理，使其能够关联到目标人物真实身份信息，对初始轨迹数据库中未关联目标人物真实身份信息的数据进行数据身份落地，形成完整的轨迹信息，并进行标准化处理，得到目标轨迹数据库。

[0090] 对于初始轨迹数据库中不存在的关联关系，借助时空轨迹碰撞算法对历史数据进行碰撞分析，最终形成身份关联表[身份证信息、人脸信息、IMSI信息、MAC信息、IMEI信息，车牌信息，虚拟身份]的落地，例如：初始轨迹数据库中中存在身份证和手机IMSI关联的信息，但是不存在身份证和人脸的对应关系，这个时候就需要借助轨迹时空碰撞算法关联实现人脸数据的关联。通过碰撞对比在同一个位置，同一个时间范围的数据集合，找到人脸和手机IMSI的对应关系，最终将人脸数据和身份证信息推算出来，实现真实身份的落地。人脸和手机IMSI数据为例，轨迹时空碰撞关联和身份落地算法如下：

[0091] 获取初始轨迹数据库中与目标人物真实身份信息存在关联关系的部分轨迹数据类型构建初始轨迹真实关系库；

[0092] 获取初始轨迹数据库中人脸数据，将人脸数据与初始轨迹真实关系库进行对比；

[0093] 当人脸数据在初始轨迹真实关系库中与目标人物真实身份信息存在对应关系时，则直接比对出目标人物真实身份信息，并将人脸数据进行标准化处理后存入目标轨迹数据库；

[0094] 人脸数据在初始轨迹真实关系库中与目标人物真实身份信息不存在对应关系时，获取初始轨迹数据库中人脸数据的特征出现的历史数据的时间集合A[A1，A2...An]，其中n>0；

[0095] 获取初始轨迹真实关系库中手机IMSI轨迹数据类型在初始轨迹数据库中的历史数据集合C1[C11，C12，C13...C1k]（k≤n）；

[0096] 根据时间集合A中各时间范围获取各时间范围内所述历史数据集合的子集合；

[0097] 依次统计各时间范围内历史数据集合C1的子集合中出现唯一值NC1的次数，计算关联百分比：

[0098]

[0099] 考虑到采集率的问题，当关联百分比大于70%时关系匹配成功，通过人脸数据与手机IMSI轨迹数据类型的关系能够与目标人物真实身份信息产生关联关系，其中k为历史数据集合的元素数量；

[0100] 将人脸数据与手机IMSI轨迹数据类型的关系存入目标轨迹真实关系库，比对出目标人物真实身份信息，并将人脸数据进行标准化处理后存入目标轨迹数据库。

[0101] 将所有采集的数据进行标准化和关联后，最终形成目标轨迹数据库，包括轨迹信息表[身份信息，数据来源，采集时间，经度，维度，误差范围]。

[0102] 本发明实施例通过利用时空轨迹碰撞算法使轨迹数据库中所有数据完成与目标人物真实身份信息的关联，并进行标准化处理，为行为轨迹预测提供数据基础，进一步提高了轨迹预测结果的准确性。

[0103] 进一步地，在本发明的一些实施例中，根据人类活动行为特征建立不同行为特征分类的计算模型，包括：

[0104] 根据人类常驻地行为特征，将所述目标人物的所有轨迹信息进行分析统计，形成地址全局集合，建立自然地址算子计算模型T1；

[0105] 根据人类活动轨迹进行会固定在某一个时间段的特征，将所述目标人物的所有轨迹信息以小时为维度，划分24小时内的轨迹分布情况，形成第一地址集合和小时的对应关系，建立小时算子计算模型T2；

[0106] 根据人类每周工作生活周期规律，将所述目标人物的所有轨迹信息以每星期的每个周天为维度，划分7天内的每小时的轨迹分布情况，形成第二地址集合和周天的对应关系，建立自然周天算子计算模型T3；

[0107] 根据人类每月工作生活周期规律，将所述目标人物的所有轨迹信息以每月的每个月天为维度，划分31天内的每小时的轨迹分布情况，形成第三地址集合和月天的对应关系，建立自然月天算子计算模型T4；

[0108] 根据人类每日作息生活周期规律，将所述目标人物的所有轨迹信息以每天的昼夜为维度，划分白天或黑夜的轨迹分布情况，形成第四地址集合和昼夜的对应关系，建立昼夜算子计算模型T5；

[0109] 根据人类假期工作日生活规律，将所述目标人物的所有轨迹信息以工作日和休息日为维度，划分工作日和休息日每小时的轨迹分布情况，形成第五地址集合和工作日与休息日的对应关系，建立工作日假期算子计算模型T6。

[0110] 需要说明的是，第一地址集合、第二地址集合、第三地址集合、第四地址集合和第五地址集合均为所述地址全局集合的子集。

[0111] 在本发明具体的实施例中，根据人类活动行为特征建立轨迹预测算子，包括小时算子、地址算子，周天算子、月天算子、昼夜算子和工作日假日算子对轨迹信息进行分类处理。

[0112] 轨迹信息内的数据会根据算法模型及不同的行为场景维度来计算一个地址在在该行为特征维度下出现概率，最终形成单模型的预测，各模型的信息如下：

[0113] 自然地址算子计算模型T1，根据人类常驻地行为将目标的所有轨迹信息进行分析，形成地址全局集合[A1...An]（1≤n），计算出地址A（k 1≤k≤n）目标人物出现的概率P1:k:N:N，其中，N表示Null，即该维度不存在，地址全局集合中各地址目标人物出现的概率表如表2所示：

[0114] 表2地址全局集合中各地址目标人物出现的概率表

[0115] 序号 地址 行为维度 小时[1...24] 概率1 A1 Null Null P1:1:N:N
2 A2 Null Null P1:2:N:N
3 A3 Null Null P1:3:N:N
4 A4 Null Null P1:4:N:N
... ... ... ... ...
n An Null Null P1:n:N:N

[0116] 小时算子计算模型T2，由于人类活动轨迹进行会固定在某一个时间段，因此将目标的所有轨迹信息以小时为维度，划分24小时内的轨迹分布情况，形成地址集合[A1...An]（1≤n）和小时[1...24]对应的关系，计算出地址A（k 1≤k≤n）特定小时x内目标人物出现的概率P1:k:x，地址全局集合中各地址在特定小时内目标人物出现的概率表如表3所示：

[0117] 表3地址全局集合中各地址在特定小时内目标人物出现的概率表

[0118]序号 地址 行为维度 小时[1...24] 概率
1 A1 Null 1 P2:1:N:1
2 A1 Null 2 P2:1:N:2
3 A2 Null 1 P2:2:N:1
4 A3 Null 1 P2:3:N:1
... ... ... ... ...
n An Null h P2:n:N:h

[0119] 自然周天算子计算模型T3，根据人类工作生活周期规律，以周星期第几日为维度，划分7天内的每小时的轨迹分布情况，形成地址集合[A1...An]（1≤n）和周天h[1...7]对应的关系，计算出地址A（k 1≤k≤n）特定星期h内目标出现的概率P3:k:x:h，地址全局集合中各地址在特定周天内各小时目标人物出现的概率表如表4所示：

[0120] 表4地址全局集合中各地址在特定周天内各小时目标人物出现的概率表

[0121] 序号 地址 星期维度[1...7] 小时[1...24] 概率1 A1 1 1 P3:1:1:1
2 A1 2 2 P3:1:2:2
3 A2 1 1 P3:2:1:1
4 A3 1 1 P3:3:1:1
... ... ... ... ...
n An x h P3:n:x:h

[0122] 自然月天算子计算模型T4，根据人类工作生活周期规律，以每月第几日为维度，划分31天内的每小时轨迹分布情况，形成地址集合[A1...An]（1≤n）和月天j[1...31]对应的关系，计算出地址A（k 1≤k≤n）特定月天j（1≤j≤31）内目标出现的概率P4:k:x:j，地址全局集合中各地址在特定月天内各小时目标人物出现的概率表如表5所示：

[0123] 表5地址全局集合中各地址在特定月天内各小时目标人物出现的概率表

[0124]序号 地址 月天维度[1...31] 小时[1...24] 概率
1 A1 1 1 P4:1:1:1
2 A1 2 2 P4:1:2:2
3 A2 1 1 P4:2:1:1
4 A3 1 1 P4:3:1:1
... ... ... ... ...
n An x h P4:n:x:j

[0125] 昼夜算子计算模型T5，根据人类作息生活周期规律，以昼夜为维度，划分白天（7‑19时）或黑夜（19时‑7时）轨迹分布情况，形成地址集合[A1...An]（1≤n）和昼夜[1，2]对应的关系，计算出地址A（k 1≤k≤n）白天或黑夜[1，2]内目标出现的概率P5:k:x:N，地址全局集合中各地址在白天或黑夜内目标人物出现的概率表如表6所示：

[0126] 表6 地址全局集合中各地址在白天或黑夜内目标人物出现的概率表

[0127] 序号 地址 昼夜[1，2] 小时[1...24] 概率1 A1 1 Null P5:1:1:N
2 A1 2 Null P5:1:2:N
3 A2 1 Null P5:2:1:N
4 A3 1 Null P5:3:1:N
... ... ... ... ...
n An x Null P5:n:x:N

[0128] 工作日假期算子计算模型T6，根据人类工作生活周期规律，以工作日[星期一，星期二，星期三，星期四，星期五]和假期周末[星期六，星期日]划分没小时轨迹分布情况，形成地址集合[A1...An]（1≤n）和工作日假期f[1，2]对应的关系，计算出地址A（k 1≤k≤n）工作日或假日f[1，2]内目标出现的概率P5:k:x:f，地址全局集合中各地址在工作或休息日内各小时目标人物出现的概率表如表7所示：

[0129] 表7 地址全局集合中各地址在工作或休息日内各小时目标人物出现的概率表[0130] 序号 地址 工作日[1，2] 小时[1...24] 概率1 A1 1 1 P6:1:1:1
2 A1 2 2 P6:1:2:2
3 A2 1 1 P6:2:1:1
4 A3 1 1 P6:3:1:1
... ... ... ... ...
n An x h P6:n:x:f

[0131] 需要说明的是，本方发明实施例中涉及的不同行为特征分类的计算模型均基于统计学统计不同维度下特时间目标人物在不同地点出现的概率，并根据概率大小进行排序展示，由于单一的统计计算模型得到的数据结果虽然能反应轨迹数据与目标人物未来轨迹之间的关系，但最终的预测结果可能存在较大偏差，因此本发明实施例还提供了机器学习模型，用于对基于统计学建立的多个不同行为特征分类的计算模型进行权重值的赋予及权重值的更新，使得得到的预测结果的准确性得到提升，同时也解决了通过机器学习模型得到的预测结果由于忽略了数据之间的关联而具有不可解释性的问题，兼顾预测结果的准确性以及与原数据的关联性，更加利于公安部门对目标人物的预测行为轨迹进行研判。

[0132] 进一步地，在本发明的一些实施例中，建立机器学习模型的基本步骤如下：

[0133] 基于所述不同行为特征分类的计算模型分类依据划分所述目标数据库的数据，并进行预处理后得到样本集；

[0134] 基于多元线性回归算法构建机器学习模型，并以所述样本集迭代训练得到所述机器学习预测模型。

[0135] 在本发明具体的实施例中，机器学习预测模型，以目标轨迹数据库的数据为基础进行预处理后得到样本集，根据不同算子模型的行为分类统计对样本集进行分类并训练得到机器学习预测结果，机器学习预测模型根据预测结果和不同行为特征分类的计算模型的计算结果重新分配初始权重值，直到机器学习预测模型收敛时，得到不同算子模型的目标权重值。

[0136] 本发明实施例一方面利用不同行为特征分类的计算模型的行为分类统计加上机器学习算法，可以在精准维度数据之上做机器学习，机器学习对细分维度的学习会减少学习周期，减少服务器资源的投入，另一方面由于采用统计计算模型和机器学习模型相结合的方法，兼顾了预测结果的准确性及与原数据的关联性，在保证预测结果与原数据具有关联性的前提下，进一步提高了预测结果的准确性。

[0137] 进一步地，在本发明的一些实施例中，根据得到的不同行为特征分类的计算模型的统计结果和目标权重值，建立综合轨迹分析预测模型，并利用综合轨迹分析预测模型对目标人物行为轨迹进行预测，如图3所示，图3为本发明提供的行为轨迹预测一实施例的流程示意图，对目标人物的行为轨迹预测包括：

[0138] S301、实时获取轨迹预测任务，所述轨迹预测任务包括目标人物的轨迹信息数据及预测任务时间；

[0139] S301、将所述目标人物的轨迹信息数据及预测任务时间分别输入所述不同行为特征分类的统计模型，分别得到不同行为特征分类的统计模型的统计结果；

[0140] S301、所述综合轨迹分析预测模型获取所述不同行为特征分类的统计模型的统计结果以及对应的目标权重值，基于预设的预测算法对目标人物行为轨迹进行计算，得到预测任务时间内目标人物行为预测轨迹。

[0141] 在本发明具体的实施例中，基于预设的预测算法对目标人物运动轨迹进行计算，得到预测任务时间内目标人物运动预测轨迹，包括：

[0142] 基于预设的预测算法对目标人物运动轨迹进行计算，以百分比展示，具体计算公式如下：

[0143]

[0144] 其中，A为预测任务时间， 为不同行为特征分类的计算模型的计算结果， 为不同行为特征分类的计算模型的目标权
重值。需要说明的是，轨迹预测任务会通过综合轨迹分析预测模型计算出未来一段时间的目标可能出现的位置信息，并以准确率百分比的方式提供给用户进行数据研判，其中预测时间必须大于当前时间，最低预测精度为小时；根据输入的日期进行计算出相应因子的维度，确定周天、月天、昼夜、节假日等行为维度，抽取相应的地址概率数据进行计算；计算结果按照精准度降序提供给用户进行数据研判。

[0145] 本发明实施例提供的行为轨迹预测方法一方面通过采集多维轨迹数据，相比现有技术方案主要对某一维度的数据进行分析，本发明提供的方案具有多个维度数据作为轨迹预测的基础，解决了轨迹覆盖不全面的问题。

[0146] 另一方面，通过确定多维轨迹数据与目标人物真实身份的关系关联，使得目标轨迹数据库中的数据均能实现目标人物真实身份的落地，显著提高了通过各种轨迹信息对目标人物身份确定的效率。

[0147] 最后，通过建立的不同行为特征分类的计算模型对不同维度的特征分别进行统计分析，以及建立机器学习模型根据机器学习模型的预测结果对不同行为特征分类的计算模型的权值值不断更新，使得最终的得到综合轨迹分析预测模型的预测准确率进一步提高，相比单一的统计计算模型或机器学习模型无法兼顾预测结果的准确性及与原数据的关联性，本发明提供的行为轨迹预测方法采用两者结合的方式，在保证预测结果与原数据具有关联性的前提下，进一步提高了预测结果的准确性。

[0148] 为了更好实施本发明实施例中的行为轨迹预测方法，在行为轨迹预测方法的基础之上，对应的，本发明实施例还提供了一种行为轨迹预测装置，如图4所示，行为轨迹预测装置400包括：

[0149] 数据获取模块401，用于获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

[0150] 数据关联模块402，用于确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

[0151] 模型构建模块403，用于根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

[0152] 轨迹预测模块404，用于根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息。

[0153] 上述实施例提供的行为轨迹预测装置400可实现上述行为轨迹预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于行为轨迹预测实施例中的相应内容，此处不再赘述。

[0154] 如图5所示，本发明还相应提供了一种电子设备500。该电子设备500包括处理器501、存储器502及显示器503。图5仅示出了电子设备500的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

[0155] 处理器501在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如本发明中的行为轨迹预测方法。

[0156] 在一些实施例中，处理器501可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器501可为本地的或远程的。在一些实施例中，处理器501可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。

[0157] 存储器502在一些实施例中可以是电子设备500的内部存储单元，例如电子设备500的硬盘或内存。存储器502在另一些实施例中也可以是电子设备500的外部存储设备，例如电子设备500上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。

[0158] 进一步地，存储器502还可既包括电子设备500的内部储存单元也包括外部存储设备。存储器502用于存储安装电子设备500的应用软件及各类数据。

[0159] 显示器503在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light‑Emitting Diode，有机发光二极管）触摸器等。显示器503用于显示在电子设备500的信息以及用于显示可视化的用户界面。电子设备500的部件501‑503通过系统总线相互通信。

[0160] 在一实施例中，当处理器501执行存储器502中的行为轨迹预测程序时，可实现以下步骤：

[0161] 获取目标人物的多维轨迹信息数据，构建初始轨迹数据库；

[0162] 确定所述初始轨迹数据库中数据与目标人物真实身份信息的关联关系，建立目标轨迹数据库；

[0163] 根据人类活动行为特征建立不同行为特征分类的计算模型，并分别设定初始权重值，同时建立机器学习预测模型，以所述目标轨迹数据库的数据为基础分别得到不同行为特征分类下的计算结果及机器学习预测结果，所述机器学习预测模型根据所述预测结果和计算结果重新分配所述初始权重值，直到所述机器学习预测模型收敛时，得到不同行为特征分类的计算模型的目标权重值；

[0164] 根据所述不同行为特征分类的计算模型及其对应的目标权重值建立综合轨迹分析预测模型，实时获取轨迹预测任务，输入至所述综合轨迹分析预测模型，得到预测轨迹信息。

[0165] 应当理解的是：处理器501在执行存储器502中的行为轨迹预测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。

[0166] 进一步地，本发明实施例对提及的电子设备500的类型不做具体限定，电子设备500可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备500也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。

[0167] 相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的行为轨迹预测方法中的步骤或功能。

[0168] 本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

[0169] 以上对本发明所提供的一种行为轨迹预测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。