1.一种动目标活动概率图谱构建及行为意图识别方法，其特征在于，包括如下步骤：
步骤1，构建动目标活动兴趣网格框架和概率图谱；
步骤2，构建动目标活动兴趣仓库、动目标活动概率图谱库；
步骤3，态势时空探索分析；
步骤4，基于动目标活动概率图谱进行动目标活动规律挖掘，构建动目标活动规律模型库，实现动目标识别、动目标行为识别和意图预测以及态势时空热点预测。
2.根据权利要求1所述的方法，其特征在于，步骤1包括如下步骤：
步骤1-1，构建动目标活动兴趣网格框架，将地球表面空间划分为地理大小一致的平面网格和立体网格；
步骤1-2，计算生成单目标活动兴趣网格：将数据采集系统获取的目标运动点迹信息转化为目标对兴趣网格中网格区域的兴趣度；
步骤1-3，计算动目标活动概率图谱。
3.根据权利要求2所述的方法，其特征在于，步骤1-1中，所述动目标活动兴趣网格框架包含网格框架和基本网格单元；
动目标活动兴趣网格框架依据地理要素，即经纬度和高度将地球上的空间进行离散化网格划分，此处采用四边形划分方法，设定经纬度的划分单位是1分，高度的划分单位是100米，在经纬度构成的二维平面上总共划分出(360×60)×(180×60)＝21600×10800＝
23328000个格子；高度以海平面为基础，每升高100米为一格；
动目标活动兴趣网格框架在应用时根据需要取二维或三维的网格，则动目标活动兴趣网格框架全体定义为G，如公式(1)所示：
G＝(gj,w,h)21600×10800  (1)
其中，gj,w,h代表一个基本兴趣网格单元，(j,w,h)是兴趣网格单元的三维编码，j∈[0,
21599]代表兴趣网格经度编码，w∈[0,10799]代表兴趣网格纬度编码，h为兴趣网格高度编码，通过对地理高度求整获得；兴趣网格框架的一部分定义为Gm,n：
Gm,n＝(gj,w,h)m×n  (2)
其中在三维情况下gj,w,h代表一个三维网格单元，是一个三维空间区域，以三元组(JD,WD,GD)表示，在二维情况下gj,w代表一个二维网格单元，是一个二维空间区域，以二元组(JD,WD)来表示，JD,WD分别代表网格单元的中心点经度和纬度，GD代表网格单元的海拔高度，在二维情况下GD默认为0，m∈[1,21600]，m代表经度方向跨越的基本网格数，n∈[1,
10800]，n代表纬度方向跨越的基本网格数，三维背景下兴趣网格单元gj,w,h和二维背景下兴趣网格单元gj,w被称为基本网格单元，由基本网格单元构成的格G、Gm,n被称为基本格。
4.根据权利要求3所述的方法，其特征在于，步骤1-2中，目标对兴趣网格中网格区域的兴趣度定义为一定时间周期内，目标在该网格中出现的时间总和，假设兴趣网格单元为gj,w,h，动目标为mt，时间周期c内，动目标mt在网格单元gj,w,h范围内共出现N次，第k次出现所停留的时间是LTk，则记动目标mt在时间周期c内对网格单元gj,w,h的兴趣度I(mt,gj,w,h,c)为：
其中，LTk的计算如下式所示：
LTk＝Tout-Tin   (4)
其中，Tin是动目标mt进入网格gj,w,h的时刻，Tout是动目标mt在网格单元gj,w,h的消失的时刻。
5.根据权利要求4所述的方法，其特征在于，步骤1-3包括：动目标活动概率图谱分为单目标活动概率图谱和多目标活动概率图谱，
单目标活动概率图谱定义：单个动目标活动概率图谱 表示时间周期c内动目标mt在兴趣网格Gm,n＝(gj,w,h)m×n上活动的兴趣概率表示，被定义为一个基本元素为五元组的二维矩阵
其中，JD，WD，GD分别是兴趣网格单元的中心点经度、纬度和海拔高度，在二维情况下GD为0，不代入计算；ST是动目标初次进入该网格的起始时间，定义为进入时刻到周期起始时刻的时间长度； 是一定时间周期c内目标mt在基本兴趣网格单元gj,w,h中活动的概率，被定义为
多目标活动概率图谱定义：多目标活动概率图谱表示时间周期c内一群组mtg包含的所有动目标在兴趣网格Gm,n＝(gj,w,h)m×n上活动的兴趣概率表示，一个群组的多个动目标活动形成的概率图谱 如下：
是一定时间周期c内群组mtg中的动目标在基本兴趣网格单元gj,w,h中活动的概率，被定义为
其中，mti∈mtg，gj,w,h∈Gm,n，因此， 又叫做群组mtg在兴趣网格单元
gj,w,h中活动的概率。
6.根据权利要求5所述的方法，其特征在于，步骤2中，所述动目标活动兴趣仓库用于保存步骤1-2计算得到的单目标活动兴趣网格，动目标活动兴趣仓库的逻辑模型为多维模型，多维模型包含度量和维、属性，动目标活动兴趣多维模型的度量为目标在基本网格单元内的存续时间，维包含地理维度、目标组织维度、目标种类维度和目标行为维度；所述动目标活动兴趣仓库的物理模型包含事实表和维度表两类表，事实表存储目标活动关联维度标识和目标活动度量数据，维度表存储维度层次数据。
7.根据权利要求6所述的方法，其特征在于，步骤2中，所述动目标活动概率图谱库用于存储步骤1-3得到的动目标活动概率图谱，所保存的动目标活动概率图谱除了包含动目标活动概率图谱信息还包含动目标标识信息、动目标活动行为类型信息和动目标活动任务类型。
8.根据权利要求7所述的方法，其特征在于，步骤3包括如下步骤：
步骤3-1，态势动目标联机分析，包含动目标活动多维模型构建、联机分析服务和联机分析可视化展现；
动目标活动多维模型定义为MTMDS：
MTMDS＝(T，GG，MTG，UI，MTT|MTI)(9)
其中，MTMDS有两部分组成，其中一部分是维度，包括：时间维T，地理空间网格维GG，动目标组织维MTG，用户兴趣维UI，动目标类型维MTT；另外一部分是度量，包括动目标兴趣度MTI；
所述联机分析是基于动目标活动多维数据模型，针对用户对动目标活动分析操作需求，构建动目标活动多维立方体，提供钻取、切片、切块以及旋转操作，满足用户随机从不同视角和不同粒度层次来查询动目标活动兴趣数据进行探索性分析的需求；
所述联机分析可视化展现，是针对用户对动目标活动分析结果的可视化展现需求，将用户探索分析结果在地理信息系统和报表系统中展示；
步骤3-2，态势时空热点挖掘：针对动目标活动形成的实时兴趣仓库，根据用户设定的指标要求，进行热点计算，并对结果进行告警展现。
9.根据权利要求8所述的方法，其特征在于，步骤4中，所述动目标活动规律模型库用于保存通过训练学习得到的关于动目标识别、动目标行为类型识别和动目标活动行为意图识别的深度神经网络模型，步骤4包括如下步骤：
步骤4-1，动目标活动规律挖掘：以动目标活动兴趣网格数据和动目标活动概率图谱数据为基础进行清洗形成样本数据；构建机器学习模型，包括概率模型和深度学习模型，并实现模型训练程序，包括动目标识别模型、动目标行为类型识别模型、动目标活动行为意图识别模型和态势时空热点预测模型；将样本数据输入模型训练程序，对模型进行训练，并将训练结果保存在动目标活动规律模型库中；
步骤4-2，生成目标实时概率图谱：根据公式(1)、(2)、(3)、(4)、(5)实时构建动目标活动兴趣网格和实时生成当前目标活动的概率图谱；
步骤4-3，使用态势动目标联机分析部分动目标活动兴趣仓库中的目标活动兴趣网格为基础构建态势数据仓库多维模型，构建态势联机分析服务；
步骤4-4，使用态势时空热点挖掘部分根据用户设置的指标，计算不同粒度层次的态势时空热点区域；
步骤4-5，使用目标实时概率图谱将接收到的态势目标航迹数据转换为目标实时概率图谱；
步骤4-6，调用动目标识别深度神经网络模型，对目标实时概率图谱进行分类操作，识别出当前态势目标，确认后，调用动目标活动行为类型识别深度神经网络模型，识别出动目标当前行为的类型，确认后，调用动目标活动行为意图预测深度神经网络模型对当前目标活动的行为意图进行预测，确定其下一个目的区域和行为类型，如果目标行为出现异常，则开始告警；对区域热点的预测，调用区域热点预测深度神经网络模型预测区域热度，根据趋势阈值预测下一周期的态势时空热点发生的时间和区域。
10.根据权利要求9所述的方法，其特征在于，步骤4-1包括如下步骤：
步骤4-1-1，动目标识别，步骤4-1-1具体包括如下步骤：
步骤4-1-1-1，样本数据准备：
样本数据包含由动目标mt的一次态势活动概率图谱 和动目标的标识IDmt组成的一个二维数组，其中 如公式(5)所示；
假设共收集到S次mt活动数据，则样本数据表示为SAMPLES：
SAMPLES＝((MTAPGmt|IDmt))S×1   (10)
其中，i∈[1,S]，在使用深度神经网络模型进行训练时，S代表共有S个样本，S×1表示样本是一个S行1列的输入向量，三维情况下，输入的概率图谱数据 是一个m×n×5的长方体矩阵，二维情况下，输入的概率图谱数据 是一个m×n×4的长方体矩阵，由公式(2)和(5)知，其中m×n表示由兴趣网格Gm,n生成的二维矩阵，5和4分别代表三维和二维情况下兴趣网格单元中的要素个数，即三维情况是：JD，WD，GD，ST， 二维情况是：
JD，WD，ST，
步骤4-1-1-2，深度神经网络模型设计：使用Google的Inception-ResNet-v2模型；
步骤4-1-1-3，训练与测试：分两种方法：
第一种，带交叉验证集：
将原始样本数据集按照6:2:2的比例随机分割成训练集、交叉验证集和测试集三部分，先使用训练集进行模型训练，然后使用交叉验证集进行调整，以提高参数，最后使用测试集，测试模型的准确性；
第二种，不带交叉验证集：
将原始样本数据集按照7:3的比例随机分割成训练集和测试集两部分，先使用训练集进行模型训练，再使用测试集，测试模型的准确性；
步骤4-1-2，动目标行为类型识别：根据动目标活动的活动兴趣概率图谱和行为类型来识别动目标，步骤4-1-2具体包括如下步骤：
步骤4-1-2-1，样本数据准备：包含一段时间内一动目标多次态势活动概率图谱和该动目标的标识信息外，每次态势活动的兴趣网格单元需要用该动目标活动的行为类型进行标注；
样本数据包含由动目标mt的一次态势活动概率图谱 和和动目标的行为类型组成的一个二维数组，其中 和如公式(5)所示；
从态势活动概率图谱 和中提取动目标活动类型训练样本数据SAMPLES作为训练LSTM深度序列模型的样本数据，如公式(11)所示：
其中(JD，WD，GD， )是兴趣网格单元gj,w,h上面的概率图谱要素， 是动目标在兴趣网格单元gj,w,h上面的行为类型，样本数量为S；
步骤4-1-2-2，深度神经网络模型：使用LSTM序列预测模型；
步骤4-1-2-3，训练与测试：方法同步骤4-1-1-3；
步骤4-1-3，动目标行为意图识别：根据动目标活动的活动兴趣概率图谱来识别动目标下一个目的位置、时间和行为类型，步骤4-1-3具体包括如下步骤：
步骤4-1-3-1，样本数据准备，包括两个步骤：
步骤4-1-3-1-1，对从动目标活动航迹信息中构造的概率图谱 进行多层池化操作，生成由不同粒度层次的动目标活动概率图谱构成的集合 L∈[1，2，
3，…]，其中，L表示池化的粒度，当L＝1时，动目标活动概率图谱为基于基本格构成的概率图谱，当L>1时，动目标活动概率图谱为基本格池化后形成的粗粒度抽象格构成的概率图谱；
步骤4-1-3-1-2，针对不同粒度层次的动目标活动概率图谱依据目标运动的先后时间ST从概率图谱中提取兴趣网格单元序列作为训练LSTM深度序列模型的样本数据SAMPLES，如公式(12)所示：
其中 代表序列中的当前兴趣网格单元， 代表序列中的前一个兴趣网格单元，是前一个兴趣网格单元的概率图谱，是输
入向量， 是当前兴趣网格单元的概率图谱，是输出要
素，样本数量为S；
步骤4-1-3-2，深度神经网络模型：使用LSTM序列预测模型；
步骤4-1-3-3，训练与测试：方法同步骤4-1-1-3；
步骤4-1-4，态势时空热点预测，根据区域内多目标活动概率图谱信息预测下一周期的态势时空热点发生的时间和区域；
态势时空热点内涵如下：态势时空的状态有冷热之分，其热度随其中动目标活动的频繁程度而变化，并基于动目标活动的概率分布来进行度量；与日常状况相比，当态势时空的热度超过一个阈值时，则称其为一个热点事件；态势时空中有多个群组在活动，当多群组同一时间在一区域出现高频活动，则认为是一个典型的态势时空热点事件，该区域称为态势时空的一个热点；
由态势时空热点内涵，定义态势时空热点出现的条件：
在多群组情况下，根据参与热点的群组的数量不同，态势时空热点HS定义为一个集合{HS1,HS2,…,HSN},其中，HS1代表单个群组活动的热点，HS2代表包含两个群组活动的热点，HSN代表包含N个群组活动的热点；
1 2 N
给定阈值集合{α,α,…,α}，假设群组的活动是独立的，则k个群组在给定周期c内，k∈[1,2,…,N]，在兴趣网格单元gj,w,h上同时出现的概率 为:
如果：
则称在周期c，在兴趣网格单元gj,w,h上出现了一个k群组热点事件 兴趣网格单元gj,w,h是一个热点单元，其热度为
本步骤中包括区域热度和热度阈值的计算：
计算方法(1)：区域热度即群组活动概率计算：假设动目标群组集合为MTG,总共包含N个群组，其中第i个群组为mtgi∈MTG，i∈[1,2,…,N]，由多目标概率图谱的定义公式(7)知，群组mtgi在兴趣网格Gm,n上，时间周期c内，在兴趣网格单元gj,w,h上的活动概率图谱为：
其中，由公式(8)知，群组mtgi在兴趣网格单元gj,w,h上活动的概率
为：
计算方法(2)：阈值αk的取值，阈值的取舍由判断的方法来定，此处采用趋势指标来判断区域热度的变化，假定在同一时间周期c内，区域兴趣网格单元gj,w,h的态势时空热度即热度 服从均值为 方差为 的正态分布，则当
时，判定该周期c内，该地域处于正常的热度，当
时，判定该地域过冷，当 时，判定该地域过
热，出现k群组热点事件，因此，根据公式(17)计算出热度上界值
具体包括如下步骤：
步骤4-1-4-1，区域热度预测：
步骤4-1-4-1-1，样本数据准备：
假定当前时间周期为c，时间段(T，T+Δt)∈c，现在需要预测时间段(T，T+Δt),兴趣网格区域Gm,n上是否出现热点，其中T为起始时刻，Δt是时间间隔，则由公式(15)，以Δt为小周期，分别对(T-SΔtΔt,T-(SΔt-1)Δt),…,(T-2Δt,T-Δt),(T-Δt,T)共SΔt个时间片，对兴趣网格Gm,n环比构建动目标活动兴趣概率图谱，同时，依据公式(13)针对多群组动目标计算兴趣网格热度，得到兴趣网格单元 上，从时刻T开始，倒推SΔt个Δt上的热度样本序列 为：
其中，i∈[1,2,…,SΔt]，SΔt代表样本的数量，SΔt×1表示由SΔt个样本构成的SΔt行1列的输入向量；
根据上面方法对兴趣网格Gm,n上的每个兴趣网格单元构建样本序列，最后得到样本矩阵 为：
其中，m×n表示共有m×n个样本序列构成m行n列的样本序列矩阵，c是时间周期，k是群组个数；
步骤4-1-4-1-2，区域热度深度神经网络模型设计：
假设当前时间周期为c0，阈值计算取从当前时间前一个周期c1往后倒推Sc个时间周期序列 根据公式(19)获取训练样本数据，使用LSTM序列预测模型对样本数据中的每一个兴趣单元上的序列进行训练，得到区域热度预测的深度神经网络模型；
步骤4-1-4-1-3，训练与测试：方法同步骤4-1-1-3；
步骤4-1-4-2，阈值计算：
假设当前时间周期为c1，阈值计算取从当前时间周期c1往后倒推Sc个时间周期序列则称时间片序列(Ti，Ti+Δt)∈ci，i∈[1,2,…,S]，依据该时间片序列计算同比的兴趣网格热度序列：先依据公式(16)计算各个群组的活动概率，再依据公式(13)计算兴趣网格单元上的热度，从而形成一个兴趣网格单元gj,w,h上的热度序列数组：
求得该组热度数据的均值和方差分别为 对
都求得均值和方差，形成矩阵 从而根据公式(17)计
算得出阈值矩阵
步骤4-1-4-3，热点判断：
如式(18)，(19)所示，将当前时间周期的兴趣网格热度序列数据代入区域热度神经网络深度模型进行计算得到一个预测值，依据计算方法(2)中给出的判断方法判断在未来的Δt时间内区域网格兴趣单元是否是热点。