一种预测事件执行人员的方法和设备

摘要

本申请公开了一种预测事件执行人员的方法和设备，涉及计算机软件领域，用于提升预测事件执行人员的准确性。该方法包括：获取目标事件的发生地点、发生时间和事件类型；根据事件类型获取行为特征模型，行为特征模型中包括事件类型的事件的一个或多个行为的用于表征行为发生地点与事件发生地点之间的位置关系的地点特征和用于表征行为发生时间与事件发生时间之间的先后关系的时间特征；基于目标事件的发生地点、发生时间和行为特征模型，获取目标事件的候选行为的候选地点范围和候选时间范围；其中，候选行为是一个或多个行为中的部分或全部；根据候选地点范围和候选时间范围，预测在候选时间范围内出现在候选地点范围内的目标事件的执行人员。

说明书

技术领域

本申请实施例涉及计算机软件领域，尤其涉及一种预测事件执行人员的方法和设备。

背景技术

当前，人员在事件中可能执行相同或相似的行为。因此，可以根据历史事件的信息构建历史事件的模型，其中可以包括历史事件发生的行为、时间和地点等特征，以及历史事件的执行人员。当发生新的事件需要获知该事件的执行人员时，基于新事件的特征与多个历史事件中的特征进行相似度的计算，确定与新事件相似度较高的历史事件，以及该历史事件的执行人员。根据该历史事件的执行人员的实时数据进一步确定是否为新事件的执行人员。

上述历史案件的模型是通过人工构建的方式定义每个事件的模型，而人工构建模型成本高。上述预测新事件的执行人员的方式，是通过模型间特征的相似度匹配进行预测，而每个事件的模型单独构建而成，独立性强，多个案件相似度计算复杂，计算效率低。并且，上述预测方式根据该历史执行人员的实时数据确定新事件的执行人员，极大的限制了新事件的执行人员的可选范围，方案匹配程度低，影响预测结果的准确。

发明内容

本申请实施例提供了一种预测事件执行人员的方法和设备，用于降低构建行为特征模型的成本，提高确定事件执行人员的效率，提升预测事件执行人员的准确性。

为达到上述目的，本申请实施例提供如下技术方案：

第一方面，提供了一种预测事件执行人员的方法，包括：获取目标事件的发生地点、目标事件的发生时间和目标事件的事件类型；根据事件类型获取行为特征模型，行为特征模型中包括事件类型的事件的一个或多个行为的地点特征和时间特征，地点特征用于表征行为发生地点与事件发生地点之间的位置关系，时间特征用于表征行为发生时间与事件发生时间之间的先后关系；基于目标事件的发生地点、目标事件的发生时间和行为特征模型，获取目标事件的候选行为的候选地点范围和候选时间范围；其中，候选行为是一个或多个行为中的部分或全部；根据候选地点范围和候选时间范围，预测目标事件的执行人员；预测得到的目标事件的执行人员是候选时间范围内出现在候选地点范围内的人员。

由于人工构建独立事件模型的成本高，模型间计算相似度复杂，计算效率低，并且基于历史事件的执行人员的人员轨迹匹配事件模型确定事件的执行人员的方式限制性强，从而影响预测事件执行人员的准确性。因此，使用本技术方案，根据目标事件的事件类型确定行为特征模型，基于目标事件的发生地点、发生时间实现自动化构建目标时间的候选行为的行为特征模型，有助于降低构建行为特征模型的成本；根据该候选行为的行为特征模型中的候选地点范围和候选时间范围，预测目标事件的执行人员，提高确定事件执行人员的效率，提升预测事件执行人员的准确性。

在一种可能的实现方式中，根据候选地点范围和候选时间范围，预测目标事件的执行人员，包括：获取满足候选时间范围和候选地点范围内的人员轨迹；基于人员轨迹，确定单个人员的候选行为匹配情况；其中，候选行为匹配情况包括候选行为匹配个数和候选行为的发生次数中至少之一；根据至少一个单个人员的候选行为匹配情况，输出执行结果；其中，执行结果用于预测目标事件的执行人员。

该种可能的实现方式，提供了根据候选地点范围和候选时间范围，预测目标事件的执行人员的具体实现方式，通过确定候选行为的匹配个数表示候选行为匹配情况，人员轨迹匹配候选行为个数和候选行为的发生次数能够表示该人员为该目标事件的执行人员的可能性。

在一种可能的实现方式中，行为特征模型还包括一个或多个行为的频次特征，频次特征用于表征行为发生次数；根据至少一个单个人员的候选行为匹配情况，输出执行结果，包括：当候选行为匹配情况包括候选行为的发生次数时，计算候选行为的发生次数与候选行为的频次特征的相似度，并基于相似度输出执行结果。

该种可能的实现方式，提供了行为特征模型中包括频次特征，候选行为的发生次数与频次特征之间的相似度能够表示该人员为该目标事件的执行人员的可能性，提升预测执行人员的准确度。

在一种可能的实现方式中，行为特征模型还包括一个或多个行为的时段特征，时段特征用于表征行为发生时间所处的时间范围；人员轨迹具体是候选时间范围的时段特征内，出现在候选地点范围内的人员轨迹。

该种可能的实现方式，提供了行为特征模型中还可以包括的时段特征，根据该时段特征，在预测目标事件的执行人员时，有助于筛选人员轨迹，减小计算负担。

在一种可能的实现方式中，该方法还包括：获取事件类型的历史事件的历史事件信息，历史事件信息中包括历史事件的事件发生地点、历史事件的事件发生时间和历史事件的行为信息，历史事件的行为信息包括历史事件中各个行为的行为名称、行为发生地点和行为发生时间；统计历史事件信息，生成行为特征模型。

该种可能的实现方式，提供了生成行为特征模型的具体实现方式，根据该生成行为特征模型的方式，能够实现自动化生成目标事件的候选行为特征模型，减少模型构建的成本。

在一种可能的实现方式中，统计历史事件信息，生成行为特征模型之前，该方法还包括：统计历史事件的各个行为的发生次数，确定发生次数大于预设阈值的行为作为候选历史行为；则统计历史事件信息，生成行为特征模型，包括：根据候选历史行为的候选历史事件信息，生成行为特征模型。

该种可能的实现方式，提供了生成行为特征模型中行为的选择，根据该方式生成的行为特征模型有助于提升候选行为与目标事件的匹配情况，提高预测执行人员的准确性。

第二方面，提供了一种计算机设备，包括：用于执行第一方面提供的任意一种方法的功能单元，各个功能单元所执行的动作通过硬件实现或通过硬件执行相应的软件实现。例如，计算机设备可以包括：获取单元和确定单元；获取单元，用于获取目标事件的发生地点、目标事件的发生时间和目标事件的事件类型；获取单元，还用于根据事件类型获取行为特征模型，行为特征模型中包括事件类型的事件的一个或多个行为的地点特征和时间特征，地点特征用于表征行为发生地点与事件发生地点之间的位置关系，时间特征用于表征行为发生时间与事件发生时间之间的先后关系；获取单元，还用于基于目标事件的发生地点、目标事件的发生时间和行为特征模型，获取目标事件的候选行为的候选地点范围和候选时间范围；其中，候选行为是一个或多个行为中的部分或全部；确定单元，用于根据候选地点范围和候选时间范围，预测目标事件的执行人员；预测得到的目标事件的执行人员是候选时间范围内出现在候选地点范围内的人员。

第三方面，提供了一种计算机设备，包括：处理器和存储器。处理器与存储器连接，存储器用于存储计算机执行指令，处理器执行存储器存储的计算机执行指令，从而实现第一方面提供的任意一种方法。

第四方面，提供了一种芯片，该芯片包括：处理器和接口电路；接口电路，用于接收代码指令并传输至处理器；处理器，用于运行代码指令以执行第一方面提供的任意一种方法。

第五方面，提供了一种计算机可读存储介质，包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行第一方面提供的任意一种方法。

第六方面，提供了一种计算机程序产品，包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行第一方面提供的任意一种方法。

第二方面至第六方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果，此处不再赘述。

附图说明

图1为本申请实施例提供的一种计算机设备的结构示意图；

图2为本申请实施例提供的一种预测事件执行人员的方法的流程示意图；

图3为本申请实施例提供的一种事件与行为的关系示意图；

图4为本申请实施例提供的一种预测事件执行人员的方法的模型示意图；

图5为本申请实施例提供的一种预测事件执行人员的方法的流程示意图；

图6为本申请实施例提供的一种预测事件执行人员的方法的模型输出示意图；

图7为本申请实施例提供的一种计算机设备的组成示意图。

具体实施方式

在本申请的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的位置关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”是指一个或多个，“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本申请中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

本申请实施例提供了一种预测事件执行人员的方法，可应用于计算机设备。本申请实施例对计算机设备的具体形式不作任何限制。例如，计算机设备具体可以是终端装置，也可以是网络设备。其中，终端装置可以被称为：终端、用户设备(user equipment，UE)、终端设备、接入终端、用户单元、用户站、移动站、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置等。终端装置具体可以是手机、增强现实(augmentedreality，AR)设备、虚拟现实(virtual reality，VR)设备、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等。网络设备具体可以是服务器等。其中，服务器可以是一个物理或逻辑服务器，也可以是有两个或两个以上分担不同职责的物理或逻辑服务器、相互协同来实现服务器的各项功能。

在硬件实现上，上述计算机设备可以通过如图1所示的计算机设备实现。如图1所示，为本申请实施例提供的一种计算机设备10的硬件结构示意图。计算机设备10可以用于实现上述计算机设备的功能。

图1所示的计算机设备10可以包括：处理器101、存储器102、通信接口103以及总线104。处理器101、存储器102以及通信接口103之间可以通过总线104连接。

处理器101是计算机设备10的控制中心，可以是一个通用中央处理单元(centralprocessing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。

作为示例，处理器101可以包括一个或多个CPU，例如图1中所示的CPU 0和CPU 1。

存储器102可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

一种可能的实现方式中，存储器102可以独立于处理器101存在。存储器102可以通过总线104与处理器101相连接，用于存储数据、指令或者程序代码。处理器101调用并执行存储器102中存储的指令或程序代码时，能够实现本申请实施例提供的预测事件执行人员的方法。

另一种可能的实现方式中，存储器102也可以和处理器101集成在一起。

通信接口103，用于计算机设备10与其他设备通过通信网络连接，该通信网络可以是以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口103可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。

总线104，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图1中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

需要指出的是，图1中示出的结构并不构成对计算机设备10的限定，除图1所示部件之外，计算机设备10可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

为了使得本申请实施例更加清楚，以下对与本申请实施例相关的概念和部分内容作简单介绍。

1、人员轨迹

人员轨迹，是指经过人员聚类得到的由人体特征构成的数据与人员身份关联后的数据信息。例如，人员轨迹包括人员身份、人体特征以及采集人体特征的时间、地点等数据信息。人员聚类，是指由摄像机或摄像头采集到的人脸、人体躯干特征等人体特征，通过聚类的方式，将相似度较高的特征确定为一个人员的过程。

2、语义识别技术

语义识别技术，是指计算机设备通过识别人类自然语言，并将人类自然语言转换为计算机设备能够读取的机器语言的技术，也可以称为自然语言处理(natural languageprocessing，NLP)。

如图2所示，为本申请提供的一种预测事件执行人员的方法的流程图。该方法包括：

S201、计算机设备获取目标事件的发生地点、目标事件的发生时间和目标事件的事件类型。

目标事件，是指事件发生的部分信息为已知的事件。该已知的部分信息可以包括目标事件的发生地点、目标事件的发生时间和目标事件的事件类型。

需要说明的是，计算机设备可以通过语义识别技术，根据输入的文字信息，自动识别获取目标事件的发生地点、目标事件发生时间和目标事件的事件类型。

S202、计算机设备根据目标事件的事件类型获取行为特征模型。

事件中包含一个或多个行为，执行人员通过执行一个或多个行为构成事件。

本申请中，行为特征模型与事件类型一一对应，事件类型相同的事件均有可能发生该事件类型的行为特征模型中的行为。计算机设备通过目标事件的事件类型对应的行为特征模型，预测该目标事件中的候选行为。因此，基于事件类型的行为特征模型的适用范围广，通用性强。

可选的，计算机设备根据语义识别技术获取事件类型，通过用户输入的事件信息进行识别，根据事件类型与行为特征模型的对应关系，获取行为特征模型。

可选的，计算机设备设置事件类型的选项，用户通过选择事件类型选项，再根据事件类型与行为特征模型的对应关系调用行为特征模型。

行为特征模型，是指由一个或多个行为的特征构成的模型。其中，行为特征模型中包括一个或多个行为的地点特征和时间特征。其中，每个行为对应一组地点特征和时间特征。地点特征用于表征行为发生地点与事件发生地点之间的位置关系，时间特征用于表征行为发生时间与事件发生时间之间的先后关系。

需要说明的是，执行人员在执行行为时会产生行为信息，行为信息包括行为名称、行为发生时间和行为发生地点。因此，当一个行为产生时，对应产生行为信息，而当行为构成事件时，对应产生事件信息，事件信息包括事件名称、事件发生时间和事件发生地点。如图3所示，事件1中包含三个行为，分别为行为A、行为B和行为C，三个行为分别对应各自的行为信息，包括行为发生地点、行为发生时间。

可选的，通常以事件中的某个行为定义该事件，如图3所示，由行为A定义事件1，则行为A发生地点即为事件1发生地点A1，行为A发生时间即为事件1发生时间A2。

当事件由执行人员执行一个行为构成时，事件信息中的发生时间和发生地点与行为信息中的发生时间和发生地点相同。而当事件由执行人员执行多个行为构成时，事件信息中的发生时间和发生地点与多个行为分别的发生时间和发生地点之间存在一定的关系，如事件发生地点与行为发生地点之间的关系可以称为位置关系，事件发生时间与行为发生时间之间的关系可以通过先后关系来表示。

需要说明的是，当多个行为构成一个事件时，且该事件由多个行为中的一个行为来定义，则事件发生时间与行为发生时间的先后关系可以理解为某个行为发生时间与其他行为发生时间之间的先后关系；事件发生地点与行为发生地点的位置关系可以理解为某个行为发生地点与其他行为发生地点之间的位置关系。如图3所示，事件发生时间与行为发生时间的先后关系可以理解为行为A发生时间A1与行为B、行为C发生时间B1、C1之间的先后关系；事件发生地点与行为发生地点的位置关系可以理解为行为A发生地点A2与行为B、行为C发生地点B2、C2之间的位置关系。

可选的，事件发生地点与行为发生地点之间的位置关系通过距离来表示，如多个行为发生地点分别与事件发生地点之间的距离。事件发生时间与行为发生时间之间的先后关系可以理解为，多个行为发生时间分别在事件发生时间之前或之后，或者，多个行为发生时间分别在事件发生时间之前的x天或之后的y个小时，其中，时间度量单位可以根据实际情况进行选择。

S203、计算机设备基于目标事件的发生地点、目标事件的发生时间和行为特征模型，获取目标事件的候选行为的候选地点范围和候选时间范围。

根据步骤S202中获取的行为特征模型，计算机设备确定该行为特征模型中一个或多个行为的发生地点分别与事件发生地点的位置关系，以及一个或多个行为的发生时间分别与事件发生时间的先后关系。将目标事件的发生地点和目标事件的发生时间输入该行为特征模型中，则计算机设备能够得到与该目标事件的发生地点和该目标事件的发生时间存在位置关系和先后关系对应的候选地点范围和候选时间范围，以及分别对应的候选行为。其中，候选行为是一个或多个行为中的部分或全部。

如图4所示，将目标事件的发生地点和目标事件的发生时间作为行为特征模型的输入，得到行为A，以及行为A与目标事件的发生地点的位置关系A’作为候选地点范围，行为A与目标事件的发生时间的先后关系A”作为候选时间范围；还可以得到行为B以及行为B的候选地点范围和候选时间范围、行为C以及行为C的候选地点范围和候选时间范围。

示例性的，行为特征模型中表示行为A通常在该事件类型中的事件前5个小时发生，行为B通常在该事件类型中的事件后3天发生，则当目标事件发生时间为2021年9月1日凌晨1点时，得到行为A的候选时间范围为2021年9月1日凌晨1点前5个小时，行为B的候选时间范围为2021年9月1日凌晨1点后三天。又如，行为A发生地点通常距离该事件类型中的事件发生地点500米，行为B发生地点通常距离该事件类型中的事件发生地点2千米，则当目标事件发生地点为地址D时，得到行为A的候选地点范围为以地址D为中心，距离中心500米以内，行为B的候选地点范围以地址D为中心，距离中心2千米以内。

S204、计算机设备根据候选地点范围和候选时间范围，预测目标事件的执行人员。

其中，预测得到的目标事件的执行人员是该候选时间范围内出现在该候选地点范围内的人员。

步骤S204在具体实现时，可以包括以下步骤S204a-S204c：

S204a、获取满足候选时间范围内和候选地点范围内的人员轨迹。

具体地，计算机设备判断处于候选地点范围和候选时间范围内的人员轨迹。其中，人员轨迹中包含的人体特征具有对应的采集时间和采集地点，计算机设备可以根据人员轨迹的采集时间和采集地点确定是否在候选地点范围和候选时间范围内。人员轨迹中还包括人员身份，当确定人员处于候选地点范围和候选时间范围内时，计算机设备确定该人员轨迹的人员身份可能执行该候选地点范围和候选时间范围对应的候选行为。

S204b、计算机设备基于至少一个人员的人员轨迹，确定单个人员的候选行为匹配情况；其中，候选行为匹配情况包括候选行为匹配个数和候选行为的发生次数中至少之一。

可选的，根据上述步骤S204a中确定处于一个或多个行为的候选地点范围和候选时间范围的人员轨迹后，根据多条人员轨迹中的人员身份确定该人员匹配的候选行为个数。示例性的，人员轨迹a处于行为A的候选地点范围和候选时间范围内，人员轨迹b处于行为B的候选地点范围和候选时间范围内，且人员轨迹a和人员轨迹b对应的人员身份为人员M，则人员M匹配的候选行为个数为2。

可选的，计算机设备根据多条人员轨迹中的人员身份确定该人员匹配的候选行为的发生次数。示例性的，人员轨迹a处于行为A的候选地点范围和候选时间范围内，人员轨迹c处于行为A的候选地点范围和候选时间范围内，且人员轨迹a和人员轨迹c对应的人员身份为人员M，则人员M匹配的候选行为A的发生次数为两次。

S204c、根据至少一个单个人员的候选行为匹配情况，输出执行结果；其中，该执行结果用于预测目标事件的执行人员。

根据上述步骤S204c确定存在人员轨迹的候选行为，以及候选行为匹配情况。具体地，根据人员身份进行排序，输出执行结果。当候选行为匹配情况包括候选行为匹配个数时，示例性的，人员M具备2个候选行为，人员N具备1个候选行为。该排序通常采用由大到小的顺序进行输出，候选行为匹配个数越多，则表示该人员为该事件的执行人员的可能性越大。

可选的，计算机设备结合人员满足候选行为的个数以及每个候选行为的发生次数，根据人员身份进行排序，输出执行结果。其中，候选行为匹配情况可以通过积分制的形式表示。

一种可能的实现方式，计算机设备确定候选行为的个数以及候选行为的发生次数，将二者的和作为对应人员的积分，将积分进行排序，输出人员以及对应的积分结果。积分越高，则表示该人员为该事件的执行人员的可能性越大。

另一种可能的实现方式，计算机设备确定候选行为的个数以及候选行为的发生次数，将二者的加权和作为对应人员的积分，将积分进行排序，输出人员以及对应的积分结果。其中，候选行为的个数以及候选行为的发生次数的权重可以进行设定，例如，人员匹配一个候选行为则记录10分，在该候选行为发生一次则记录1分。或者，不同的候选行为的权重也不同，例如，人员匹配行为A则记录10分，行为A发生一次则记录1分，人员匹配行为B则记录20分，行为B发生一次则记录2分。以上仅作为示例，具体实现时可以进行不同的设置。

通过上述步骤S201-S204，根据目标事件的事件类型确定行为特征模型，基于目标事件的发生地点、发生时间实现自动化构建针对事件的候选行为的行为特征模型，并利用该候选行为的行为特征模型中的候选地点范围和候选时间范围，与人员轨迹匹配，输出该事件的执行人员的可能性排序，有助于提升确定事件执行人员的效率。

上述步骤S203中的地点特征和时间特征是基于行为特征模型的生成过程而确定的，行为特征模型的生成可以参考图5所示的步骤S501-S502：

S501、计算机设备获取事件类型的历史事件的历史事件信息，该历史事件信息中包括历史事件的事件发生地点、历史事件的事件发生时间和历史事件的行为信息，该历史事件的行为信息包括历史事件的各个行为的行为名称、行为发生地点和行为发生时间。

历史事件，是指事件发生的全部信息为已知的事件。该全部信息可以包括历史事件的事件发生地点、历史事件的事件发生时间、历史事件的事件类型和历史事件的行为信息。

其中，历史事件的行为信息是指历史事件中发生的一个或多个行为的特征信息，包括历史事件的一个或多个行为的行为名称、行为发生地点和行为发生时间。

需要说明的是，计算机设备获取历史事件信息的方式与上述获取目标事件信息的方式相同，本申请不再赘述。

S502、计算机设备统计历史事件信息，生成行为特征模型。

行为特征模型由一个或多个行为的时间特征和地点特征构成。计算机设备基于历史事件信息中的事件发生地点与历史事件中一个或多个行为的行为发生地点之间的关系生成地点特征，基于事件发生时间与行为发生时间之间的关系生成时间特征。

可选的，分别统计一个事件类型中，至少一个历史事件中一个或多个行为的行为发生时间与历史事件发生时间的关系，该关系可以通过时间的先后以及时间长度进行衡量。

一种可能的实现方式，选取时间长度重复率最高的关系作为时间特征。示例性的，假设一个事件类型中的历史事件1、历史事件2和历史事件3都存在行为A，其中，历史事件1中行为A的行为发生时间在历史事件1发生时间前1天，历史事件2中行为A的行为发生时间在历史事件2发生时间前1天，历史事件3中行为A的行为发生时间在历史事件3发生时间前2天，由于历史事件1和历史事件2中的行为A都发生分别在历史事件发生时间前1天，则可以根据重复率将时间特征确定为事件发生时间的前1天。根据重复率确定时间特征对应获取人员轨迹与该候选行为匹配的可能性更高。

另一种可能的实现方式，选取时间长度最长的关系作为时间特征。仍以上述示例为例，由于历史事件3的行为A发生时间距离历史事件1发生时间的时间长度为2天，大于历史事件1和历史事件2的行为A的时间长度，因此，计算机设备将时间特征确定为事件发生时间的前2天。

可选的，分别统计一个事件类型中，至少一个历史事件中一个或多个行为的行为发生地点与历史事件发生地点的关系，该关系可以通过行为发生地点与历史事件发生地点之间的距离进行衡量。

一种可能的实现方式，选取距离重复率最高的关系作为地点特征。示例性的，假设一个事件类型中的历史事件1、历史事件2和历史事件3都存在行为A，其中，历史事件1中行为A的行为发生地点与历史事件1发生地点的距离为500米，历史事件2中行为A的行为发生地点与历史事件2发生地点的距离为500米，历史事件3中行为A的行为发生地点与历史事件3发生地点的距离为2千米，由于历史事件1和历史事件2中的行为A分别与历史事件发生地点的距离都为500米，则可以根据重复率将地点特征确定与事件发生地点的距离为500米的范围内。

另一种可能的实现方式，选取距离最远的关系作为地点特征。仍以上述示例为例，由于历史事件3的行为A发生地点与历史事件3发生地点的距离为2千米，大于历史事件1和历史事件2的行为A分别与历史事件发生地点的距离，因此，计算机设备将地点特征确定与事件发生地点的距离2千米的范围内。

根据重复率确定时间特征和地点特征对应获取人员轨迹与该候选行为匹配的可能性更高，根据时间长度和地点距离确定时间特征和地点特征对应获取人员轨迹的数量可能更多，与该候选行为匹配的人员轨迹更广泛，有助于避免遗漏执行人员的人员轨迹。

通过上述步骤S501-S502生成与事件类型对应的行为特征模型，其中包括一个或多个行为的地点特征和时间特征，根据该行为特征模型能够确定该事件类型中的事件可能发生的候选行为，便于后续预测该事件类型中的事件的执行人员。

可选的，步骤S502中，计算机设备统计一个事件类型中，至少一个历史事件中各个行为的发生次数，基于该发生次数确定频次特征。根据该频次特征，结合时间特征和地点特征构成行为特征模型。具体地，计算机设备通过统计行为的发生次数的重复率确定频次特征。示例性的，假设一个事件类型中的历史事件1、历史事件2和历史事件3都存在行为A，其中，历史事件1中行为A的行为发生次数为3次，历史事件2中行为A的行为发生次数为3次，历史事件3中行为A的行为发生次数为5次，由于历史事件1和历史事件2中的行为A的行为发生次数都为3次，则可以根据重复率将频次特征确定为3次。

需要说明的是，计算机设备可以根据历史事件的各个行为的发生次数确定该事件类型下的一个或多个历史事件的候选历史行为。其中，候选历史行为是指一个或多个历史事件中发生某个行为的次数大于预设阈值的行为。当满足该预设阈值时，计算机设备可以将该候选历史行为确定为该事件类型的行为特征模型中的行为，即上述表述中行为特征模型中的一个或多个行为中的任意一个。

候选历史行为的确定方式包括以下步骤S11-S14：

S11、计算机设备确定历史事件的各个行为的发生次数。

其中，该排序是以行为为粒度，统计一个或多个事件，各个行为发生的次数。示例性的，假设一个事件类型中的历史事件1、历史事件2和历史事件3都存在行为A，其中，历史事件1中行为A的行为发生次数为3次，历史事件2中行为A的行为发生次数为3次，历史事件3中行为A的行为发生次数为5次，则行为A在该事件类型中共发生11次。

S12、计算机设备确定历史事件的各个行为的平均发生次数。

如步骤S11确定该事件类型中行为发生次数的方式，假设该事件类型中包括发生11次的行为A，发生15次的行为B和发生10次的行为C，则计算平均发生次数为12次。

S13、计算机设备将该一个或多个行为的发生次数进行排序，并确定大于平均发生次数的行为以及该行为的方差。

如步骤S12中所示的示例，其中，大于平均发生次数的行为为行为B的15次，其对应的方差为9。

S14、计算机设备确定候选历史行为。

当存在多个大于平均次数的行为时，计算机设备可以通过比较方差，确定方差大于预设阈值的行为为候选历史行为。

需要说明的是，步骤S14中预设阈值可以根据行为特征模型中所需的行为个数确定，本申请不作限制。

通过上述步骤S11-S14确定候选历史行为，并基于候选历史行为对应行为信息生成行为特征模型。

如图6所示，计算机设备根据上述步骤生成的行为特征模型，其中包括历史事件1至历史事件n的行为信息，结合历史事件1至历史事件n的事件信息生成行为特征模型，根据上述步骤S11-S14确定的候选历史行为包括行为A和行为B，根据行为A和行为B对应的行为信息生成行为特征模型。

可选的，计算机设备根据该包含频次特征的行为特征模型在执行步骤S204b时，当计算机设备根据至少一个人员的候选行为匹配情况中包括候选行为的匹配次数时，还可以考虑行为特征模型中的频次特征。

具体地，计算机设备根据人员轨迹确定候选行为的个数及候选行为的发生次数，再根据候选行为的发生次数与该候选行为的频次特征之间的相似度，确定该候选行为的发生次数对应的积分。相似度越高，对应的积分越多。该相似度是指候选行为发生次数与频次特征之间的接近程度。

示例性的，当行为A的频次特征为3次，行为B频次特征为5次时，若目标事件1中的行为A发生次数为4次，目标事件1中的行为B发生次数为5次，则目标事件1中行为A发生次数与频次特征之间的相似度为1-|4-3|/3*100％＝66.7％，行为B发生次数与频次特征之间的相似度为100％，则行为B发生次数的积分可以为10，行为A的发生次数的积分可以为6.67。

可选的，步骤S501中，计算机设备统计一个事件类型中，至少一个历史事件中一个或多个行为的发生时段，基于该发生时段确定时段特征。根据该时段特征，结合时间特征和地点特征构成行为特征模型。时段特征用于表示发生行为可能性较高的时段。其中，时段可以按照不同时长进行划分，如将24小时划分为4个时段，每个时段之间间隔6个小时，如下表1所示，包括四个时段名称及对应的时段范围。

表1、一种划分时段可能的实现方式

需要说明的是，时段的划分可以根据不同事件类型以及不同行为进行考虑，本申请对此不作限制。

通过上述时段的划分，计算机设备结合步骤S501中的历史事件的一个或多个行为的行为发生时间，确定一个或多个行为的时段特征。具体地，计算机设备统计历史事件中一个或多个行为的发生次数，确定该发生次数对应的行为发生时间，根据行为发生时间所属的时段确定包含发生次数最多的时段，将该包含发生次数最多的时段确定为该行为的时段特征。其中，该时段特征小于上述候选时间范围。

示例性的，行为A在该事件类型中共发生11次，其中，行为A发生在早晨的发生次数为2，在中午的发生次数为0，在晚间的发生次数为3，在深夜的发生次数为6，则可以确定该行为A的时段特征为深夜。

可选的，计算机设备根据该包含时段特征的行为特征模型在执行步骤S204之前，当计算机设备判断处于候选地点范围和候选时间范围内的人员轨迹时，还可以考虑行为特征模型中一个或多个行为的时段特征。具体地，计算机设备根据人员轨迹的采集时间所处的时段，若该人员轨迹的采集时间所处的时段属于该行为特征模型中的任意一个行为的时段特征对应的时段范围时，再执行上述步骤S204。

需要说明的是，上述频次特征和时段特征也可以都包含在行为特征模型中，计算机设备利用行为特征模型中的特征预测事件的执行人员。可以理解的是，行为特征模型中的特征用于表示一个或多个行为的特征，行为特征模型中的特征越多，符合特征对应范围的人员轨迹越少，相应地，符合所有特征对应范围的人员轨迹为该目标事件的执行人员的可能性越大，即该行为特征模型所确定的事件的执行人员准确性越高。

上述主要从方法的角度对本申请实施例的方案进行了介绍。可以理解的是，计算机设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和软件模块中的至少一个。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对计算机设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

示例性的，图7示出了上述实施例中所涉及的计算机设备(记为计算机设备70)的一种可能的结构示意图，该计算机设备70包括获取单元701和确定单元702。获取单元701，用于获取目标事件的发生地点、目标事件的发生时间和目标事件的事件类型；根据事件类型获取行为特征模型，行为特征模型中包括事件类型的事件的一个或多个行为的地点特征和时间特征，地点特征用于表征行为发生地点与事件发生地点之间的位置关系，时间特征用于表征行为发生时间与事件发生时间之间的先后关系；基于目标事件的发生地点、目标事件的发生时间和行为特征模型，获取目标事件的候选行为的候选地点范围和候选时间范围；其中，候选行为是一个或多个行为中的部分或全部。例如，图2所示的步骤S201-S203。确定单元702，用于根据候选地点范围和候选时间范围，预测目标事件的执行人员；预测得到的目标事件的执行人员是候选时间范围内出现在候选地点范围内的人员。例如，图2所示的步骤S204。

可选的，确定单元702，具体用于获取满足候选时间范围和候选地点范围内的人员轨迹；基于人员轨迹，确定单个人员的候选行为匹配情况；其中，候选行为匹配情况包括候选行为匹配个数和候选行为的发生次数中至少之一；根据至少一个单个人员的候选行为匹配情况，输出执行结果；其中，执行结果用于预测目标事件的执行人员。

可选的，行为特征模型还包括一个或多个行为的频次特征，频次特征用于表征行为发生次数；所述确定单元，具体用于当候选行为匹配情况包括候选行为的发生次数时，计算候选行为的发生次数与候选行为的频次特征的相似度，并基于相似度输出执行结果。

可选的，行为特征模型还包括一个或多个行为的时段特征，时段特征用于表征行为发生时间所处的时间范围；人员轨迹具体是候选时间范围的时段特征内，出现在候选地点范围内的人员轨迹。

可选的，该计算机设备还包括：统计单元703，用于获取事件类型的历史事件的历史事件信息，历史事件信息中包括历史事件的事件发生地点、历史事件的事件发生时间和历史事件的行为信息，历史事件的行为信息包括历史事件中各个行为的行为名称、行为发生地点和行为发生时间；统计历史事件信息，生成行为特征模型。例如，图5所示的步骤S501-S502。

可选的，统计单元703，具体用于统计历史事件的各个行为的发生次数，确定发生次数大于预设阈值的行为作为候选历史行为；根据候选历史行为的候选历史事件信息，生成行为特征模型。

可选的，计算机设备70中还包括存储单元704。存储单元704用于存储计算机执行指令，计算机设备中的其他单元可以根据存储单元704中存储的计算机执行指令执行相应的动作。

关于上述可选方式的具体描述可以参见前述的方法实施例，此处不再赘述。此外，上述提供的任一种计算机设备70的解释以及有益效果的描述均可参考上述对应的方法实施例，不再赘述。

作为示例，结合图1，计算机设备70中的获取单元701、确定单元702、统计单元703和存储单元704中的部分或全部实现的功能可以通过图1中的处理器101执行图1中的存储器102中的程序代码实现。获取单元701还可以通过图1中的通信接口103中的接收单元实现。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行上文提供的任一种计算机设备所执行的方法。

关于上述提供的任一种计算机可读存储介质中相关内容的解释及有益效果的描述，均可以参考上述对应的实施例，此处不再赘述。

本申请实施例还提供了一种芯片。该芯片中集成了用于实现上述计算机设备70的功能的控制电路和一个或者多个端口。可选的，该芯片支持的功能可以参考上文，此处不再赘述。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可通过程序来指令相关的硬件完成。所述的程序可以存储于一种计算机可读存储介质中。上述提到的存储介质可以是只读存储器，随机接入存储器等。上述处理单元或处理器可以是中央处理器，通用处理器、特定集成电路(application specific integrated circuit，ASIC)、微处理器(digital signal processor，DSP)，现场可编程门阵列(field programmable gatearray，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。

本申请实施例还提供了一种包含指令的计算机程序产品，当该指令在计算机上运行时，使得计算机执行上述实施例中的任意一种方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如SSD)等。

应注意，本申请实施例提供的上述用于存储计算机指令或者计算机程序的器件，例如但不限于，上述存储器、计算机可读存储介质和通信芯片等，均具有非易失性(non-transitory)。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。