CN110309953B - 采用目标流动性分布预测的城市安防监控布局***及方法 - Google Patents
采用目标流动性分布预测的城市安防监控布局***及方法 Download PDFInfo
- Publication number
- CN110309953B CN110309953B CN201910453560.5A CN201910453560A CN110309953B CN 110309953 B CN110309953 B CN 110309953B CN 201910453560 A CN201910453560 A CN 201910453560A CN 110309953 B CN110309953 B CN 110309953B
- Authority
- CN
- China
- Prior art keywords
- target
- individual
- external
- flowing
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000009826 distribution Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 88
- 238000009434 installation Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 90
- 210000004027 cell Anatomy 0.000 description 23
- 238000007667 floating Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了采用目标流动性分布预测的城市安防监控布局***，该***将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型，然后基于各神经网络模型输出的各个体对相应外部流动目标的流动行为倾向度，预测出对设定区域内各外部流动目标产生流动行为的相应流动个体数量分布，最后筛选出流动个体数量达标的外部流动目标，并基于达标的外部流动目标生成相应城市区域的安防监控***布局方案。该***能够更为科学地及更为真实准确地对空间范围内人群流动性进行仿真，并在个体数量达标的起始目标‑外部流动目标组成的关联方之间安装监控***，优化了监控***的安装布局。
Description
技术领域
本发明涉及安防监控技术领域，特别涉及一种采用目标流动性分布预测的城市安防监控布局***，以及一种采用目标流动性分布预测的城市安防监控布局方法。
背景技术
目前面向人群的视频安防监控***在城市中得到广泛的安装和应用，不但可以采集清晰的视频图像，还可以配合人脸识别、行为识别等技术进行身份鉴定和异常报警，有利于维护社会治安、震慑打击犯罪、保障人民生命和财产安全。
关于安防监控***在城市中的布设问题，目前很多城市的经济和物资条件，还难以实现在城市的整个空间完全无死角无盲区的全覆盖，所以布设时既要考虑安防视频拍摄采集效果最大化，同时也要安防监控***避免布设过密过多，增大施工难度，造成资源浪费，所以需要考虑安防监控布局最优化的问题。
安防监控***的布局选点显然要考虑人群在城市范围的流动性规律。具体来说，在划定的空间范围(例如某个城区的行政区划范围内)预计安装预定数量(例如预计安装100台)的安防监控***，则应该布设在该空间范围当中人群流动性较大的地点，方可达到最优化的采集效果。
而对于空间范围内不同地点的人群流动性，目前主要依靠规划施工方的设计经验进行评估，缺少科学量化的分析方法。特别是，空间范围内各个地点的人群流动性不是一成不变的，我国目前很多城市处于高速发展期，人群流动性随着公共交通新路径和新站点的建设、商业服务配套的完善以及产业园区和居民社区分布的调整而持续发生改变，因此，需要加强对城市空间范围内人群流动性的预测分析，进而设计最优化的安防监控***布局方案。
发明内容
基于此，为了能够跟上城市设施更新速度较快的步伐，通过更科学的方法对空间范围内的人群流动性分布进行更准确更真实地预测，进而设计出最优化的安防监控***布局方案，本申请公开了以下技术方案。
作为本发明的第一方面，本发明公开了采用目标流动性分布预测的城市安防监控布局***，包括：
倾向度运算模块，用于将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型，得到各个体对相应外部流动目标的流动行为倾向度；
流动预测模块，用于基于所述流动行为倾向度预测出对所述设定区域内各外部流动目标产生流动行为的相应流动个体数量分布；
方案生成模块，用于筛选出流动个体数量达标的外部流动目标，并基于所述达标的外部流动目标生成相应城市区域的安防监控***布局方案；
其中，所述各类神经网络模型能够分别对应多种个人情况不同的个体，所述布局方案至少能够确定所述安防监控***的安装区域。
在一种可能的实施方式中，该***还包括：
流动目标筛选模块，用于从所述设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为所述外部流动目标；其中，
所述目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。
在一种可能的实施方式中，该***还包括：
特征建立模块，用于从城市设施中选取起始目标作为个体流动起始位置，并建立所述设定区域内的外部流动目标对个体的所述外部流动目标特征量。
在一种可能的实施方式中，所述外部流动目标特征量表示为：
其中，i＝[1，k]，k为所述设定区域内的外部流动目标数量，
为第i个所述外部流动目标对个体的影响因子，di是第i个所述外部流动目标与个体之间的路程距离，所述影响因子与di呈反比，βi为第i个所述外部流动目标自身具有的影响度数值，所述影响度数值与所述外部流动目标履行相应功能的能力呈正比。
在一种可能的实施方式中，该***还包括：
个体划分模块，用于按照个体的个人情况对个体的类型进行划分；
模型建立模块，用于依据所述个体划分模块划分出的个体类型作为模型类型建立所述个体流动行为神经网络模型，以使所述各类神经网络模型能够分别对应多种个人情况不同的个体；
其中，所述个人情况包括以下至少一项：年龄，工作状况，出行方式，收入水平，家庭状况，健康状况，消费需求水平。
在一种可能的实施方式中，该***还包括用于训练所述神经网络模型的模型训练模块，其中，所述模型训练模块包括：
样本确定单元，用于确定出若干种个人情况不完全相同的若干个体作为个体样本；
数据采集单元，用于采集所述样本确定单元确定的所述个体样本的实际流动行为，并算出与所述实际流动行为相应的所述外部流动目标特征量；
模型训练单元，用于将所述数据采集单元算出的所述外部流动目标特征量输入所述神经网络模型，基于所述神经网络模型输出的流动行为倾向度与所述数据采集单元采集的相应所述样本个体的实际流动行为之间的匹配程度，调整所述神经网络模型的神经元参数，直至所述匹配程度满足要求。
在一种可能的实施方式中，所述个体流动行为神经网络模型采用BP神经网络模型。
在一种可能的实施方式中，所述方案生成模块利用个体数量阈值或个体数量排名或个体数量占比阈值筛选所述达标的外部流动目标。
在一种可能的实施方式中，所述布局方案还包括所述安防监控***的安装数量，所述安装数量至少依据各所述达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定。
在一种可能的实施方式中，所述方案生成模块至少结合所述设定区域的地图信息确定所述布局方案中的所述安装区域。
在一种可能的实施方式中，该***还包括：
预测数据整合模块，用于将所述流动预测模块在多个不同情景下生成的所述相应流动个体数量分布进行整合，得到整体数量分布；其中，
区分所述情景是否不同的因素包括：个体流向，和/或所述设定区域的范围。
作为本发明的第二方面，本发明公开了采用目标流动性分布预测的城市安防监控布局方法，包括：
将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型；
基于各所述神经网络模型输出的各个体对相应外部流动目标的流动行为倾向度，预测出对所述设定区域内各外部流动目标产生流动行为的相应流动个体数量分布；
筛选出流动个体数量达标的外部流动目标，并基于所述达标的外部流动目标生成相应城市区域的安防监控***布局方案；
其中，所述各类神经网络模型能够分别对应多种个人情况不同的个体，所述布局方案至少能够确定所述安防监控***的安装区域。
在一种可能的实施方式中，该方法还包括：
从所述设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为所述外部流动目标；其中，
所述目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。
在一种可能的实施方式中，该方法还包括：
从城市设施中选取起始目标作为个体流动起始位置，并建立所述设定区域内的外部流动目标对个体的所述外部流动目标特征量。
在一种可能的实施方式中，所述外部流动目标特征量表示为：
在一种可能的实施方式中，该方法还包括：
按照个体的个人情况对个体的类型进行划分；
依据所述划分出的个体类型作为模型类型建立所述个体流动行为神经网络模型，以使所述各类神经网络模型能够分别对应多种个人情况不同的个体；
其中，所述个人情况包括以下至少一项：年龄，工作状况，出行方式，收入水平，家庭状况，健康状况，消费需求水平。
在一种可能的实施方式中，该方法还包括：
训练所述神经网络模型，其中，所述训练所述神经网络模型包括：
确定出若干种个人情况不完全相同的若干个体作为个体样本；
采集所述样本确定单元确定的所述个体样本的实际流动行为，并算出与所述实际流动行为相应的所述外部流动目标特征量；
将所述数据采集单元算出的所述外部流动目标特征量输入所述神经网络模型，基于所述神经网络模型输出的流动行为倾向度与所述数据采集单元采集的相应所述样本个体的实际流动行为之间的匹配程度，调整所述神经网络模型的神经元参数，直至所述匹配程度满足要求。
在一种可能的实施方式中，所述个体流动行为神经网络模型采用BP神经网络模型。
在一种可能的实施方式中，利用个体数量阈值或个体数量排名或个体数量占比阈值筛选所述达标的外部流动目标。
在一种可能的实施方式中，所述布局方案还包括所述安防监控方法的安装数量，所述安装数量至少依据各所述达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定。
在一种可能的实施方式中，结合所述设定区域的地图信息确定所述布局方案中的所述安装区域。
在一种可能的实施方式中，该方法还包括：
将在多个不同情景下生成的所述相应流动个体数量分布进行整合，得到整体数量分布，并基于所述整体数量分布筛选所述达标的外部流动目标；其中，
区分所述情景是否不同的因素包括：个体流向，和/或所述设定区域的范围。
本申请公开的城市安防监控布局***实施例及方法实施例，通过神经网络模型计算区域内个体的流动行为倾向度，据此预测出向各个外部流动目标流动的个体数量，能够更为科学地及更为真实准确地对空间范围内人群流动性进行仿真，并在个体数量达标的起始目标-外部流动目标组成的关联方之间安装监控***，能够适应城市高速发展带来的城市要素高变化性，优化了监控***的安装布局，既能保证监控效果最大化，又能节约成本。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
图1是本申请公开的城市安防监控布局***第一实施例的结构框图。
图2是个体流动行为神经网络模型的输入输出关系图。
图3是本申请公开的城市安防监控布局方法第一实施例的流程示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。
下面参考图1-图2详细描述本发明公开的采用目标流动性分布预测的城市安防监控布局***第一实施例。
如图1-图2所示，本实施例公开的城市安防监控布局***主要包括：倾向度运算模块、流动预测模块和方案生成模块。
倾向度运算模块用于将外部流动目标特征量输入各类个体流动行为神经网络模型，得到各个体对相应外部流动目标的流动行为倾向度。在进行城市安防监控布局之前，需要预先设定一个设定区域作为安装视频监控***的城市空间范围。本申请将城市空间范围内的人群流动性理解为：每个人物个体在自身内因和外部流动目标的刺激下会形成在一定城市空间范围内的流动行为，而海量个体的流动行为汇集形成了宏观上的人群流动性。
外部流动目标(也称为流动目标)指的是能够对人员个体在出行等一些体现流动行为的方面产生一定影响的城市要素、城市单位和城市设施，而外部流动目标特征量能够反映上述设定区域内的各外部流动目标在流动上对个体的影响程度，通常通过各外部流动目标的类型和数量等数据得到。
流动目标通常伴随于与城市规划、城市建设及城市运行相关联的城市基础设施和公共服务设施的建设而产生。例如，某行政区X目前开通有一个地铁站和一座机场，同时还辖有一个科技园区，则上述地铁站、机场、科技园区就是该区域内流动目标的一部分，这些流动目标具有能够周期性甚至全天候地吸引数量不可忽视甚至较为庞大的人员个体的能力，上述设定区域内的人员会根据自身需要而去往(也就是流动)到某一流动目标处以实现自身目的，例如为了出差或旅游而去机场，为了上班而去地铁站和科技园区等。
人员个体的流动行为是由于自身内因为了适应流动目标变化而产生的在一定城市空间范围内流动的行为，也就是说，内因决定了人员个体对流动目标刺激的响应。而具有不同内因的个体受流动目标的影响是不同的，当某个城市区域的交通条件、就业项目和商业环境等城市生态项不同时，该城市区域的人员流动行为也会有相应的不同。以上述城市区域具有的交通条件为例，例如某一类个体更愿意坐地铁出行，因此如果设定区域内具有地铁站则会对该类个体的流动行为产生较大影响，而设定区域内具有的公交站点则对该类个体的流动行为无显著影响。相反的，另一类个体可能更愿意坐公交出行，则设定区域内具有的公交站点会对该类个体的流动行为产生较大影响，而设定区域内具有的地铁站则对该类个体的流动行为无显著影响。因此面对地铁站和公交站流动目标时，前一类个体的流动行为更可能是倾向的，而后一类个体的流动行为更可能是不倾向的。
再以上述城市区域具有的商业条件为例，例如某一类个体(通常是资产富裕的个体)可能会因为高档美食街区、购物中心等的存在而向这些符合其注重高品质生活追求和消费需求的流动目标流动，出入这些高消费场所；另一类个体(通常是资产较少的个体)可能会因为平价菜市场和流动摊铺的存在而向这些符合其注重高性价比生活追求和消费需求的流动目标流动，出入这些低消费场所。上述的生活追求和消费需求就是个体内因在影响个体流动行为上的一种反映。
由上可知，不同个体在面对同样的流动目标时所选择的流动行为是不同，其原因就是因为各个体的内因不同。因此，在利用该***进行流动性分布预测时，需要考虑多种不同类型的个体，以在预测个体的流动行为时能够将更多类型的个体纳入样本范围，最终增加流动行分布预测结果的准确性。
相应的，由于不同个体的内因的差异，所产生的流动行为变化也是多样的，难以用一个单一的个体行为模型来表示，因此本***预先建立有多类个体流动行为神经网络模型(以下也称为神经网络模型)，各类神经网络模型分别对应多种个人情况不同的个体，每类神经网络模型对应某种特定类型的个体，并反映出该特定类型个体的内因，例如反映出收入水平等。
在具备了能够对多种不同个体进行流动行为预测的各类个体流动行为神经网络模型，以及预先采集的设定区域内的流动目标特征量之后，将上述特征量输入到各类神经网络模型中，并得到各类神经网络模型的输出，也就是得到不同个体对于当前的各个参与运算的流动目标的流动行为倾向度。流动行为倾向度代表了个体对于流动目标的选择态度，倾向度越高，表明该流动个体对该流动目标的选择态度越积极，也就是说在选择的时候，该流动目标的优先级越高，该流动个体流动到该流动目标的几率越高。
由此可知，个体流动行为神经网络模型是一个多输入多输出的模型，可以采用多层神经网络模型。神经网络模型的输入是多维度向量“外部流动目标特征量”，其中维度的数量和流动目标的数量相关，神经网络模型的输出是个体对第1至第m个流动目标的流动行为倾向度组成的一个m维向量。
具体的，假设当前需要对D市d1行政区进行安防监控***布局，则需要对d1行政区进行目标流动性分布预测。如图2所示，假设d1行政区内当前具有m＝50个流动目标，然后放入一定数量和类型的所述“个体流动行为神经网络模型”，其中放入个体的类型和数量以及放入位置可以基于抽样调查的结果实现，以尽量使选取的个体具有一定代表性，能够与上述设定区域的真实情况相匹配。
例如根据对该设定区域内的个体进行抽样调查，根据调查结果将个体分为n＝24种不同类型，并通过抽样方式从d1行政区内选取共计20000名个体作为数据样本，其中有1000名属于第1类个体，有600名属于第2类个体……，有300名属于第24类个体，然后倾向度运算模块将相应的20000个神经网络模型放入d1行政区，并输入外部流动目标特征量进行运算。
可以理解的是，由于安装建设安防监控***需要一定时间，因此倾向度运算模块在d1行政区内选取流动目标时，除了当前已经存在的流动目标以外，也可以选取规划中或者正在兴建的流动目标，比如预计3个月后正式开放运行的地铁站，或者预计1个月后正式开业的大型购物中心。
运算完成后得到流动行为倾向度，例如第1类神经网络模型对第1类流动目标的流动行为倾向度是90，第1类神经网络模型对第2类流动目标的流动行为倾向度是50，第2类神经网络模型对第1类社区的流动行为倾向度是60等等，后续依此类推，得到50×24种类型的流动行为倾向度，最终经过统计共得到50×20000个流动行为倾向度。
流动预测模块用于基于各神经网络模型输出的各个体对相应外部流动目标的流动行为倾向度，预测出对设定区域内各外部流动目标产生流动行为的相应流动个体数量分布。
得到流动行为倾向度后，对每个流动行为倾向度的大小是否满足相应的流动行为阈值进行判断。当第i类神经网络模型(i＝[1，24])对第j个流动目标(j＝[1，50])的流动行为倾向度满足倾向度阈值时，则表明第i类神经网络模型对应类型的个体会被预测为实际产生向第j个流动目标流动的行为，而在流动行为倾向度不满足倾向度阈值时则表明不会实际产生相应的流动行为。例如第1类神经网络模型对应的是月薪过万的本地青年个体，共计1000名，第9个流动目标为某高档购物中心，第1类个体对第9个流动目标的流动行为倾向度为85，大于倾向度阈值的70，则该1000名个体会被预测为出入(也就是流动于)该高档购物中心。
通过遍历24类神经网络模型对50个流动目标的流动行为倾向度，可以预测出各类个体中的各个体对各外部流动目标的流动行为对应关系，也就是预测出24类神经网络模型对应的个体中，哪类个体会被预测为向哪个流动目标产生流动行为，以得到对d1行政区的流动性分布预测数据。例如上述20000名个体均位于某小区内，其中第1、3、9类个体(共计5000名)被预测为流动于该小区与P地铁站(第1个流动目标)之间，第2、3、6、7类个体(共计9000名)被预测为流动于该小区与Q购物中心站(第2个流动目标)之间，等等。
方案生成模块用于依据流动预测模块预测出的流动个体数量筛选出流动个体数量达标的外部流动目标，并基于达标的外部流动目标生成相应城市区域的安防监控***布局方案。
从上述小区到各个流动目标之间，都会分布有个体的流动数量，这些流动数量有多有少，因此需要利用预先设定的标准判断出流动数量达标的流动目标，并只针对达标的流动目标来进行监控***布局，在监控***数量有限时实现物尽其用，使监控效果最大化，或者在监控***数量很富裕时，实现物得其所，降低整体成本。判断是否达标的标准一般依据预测的流动个体数量，数量较多的关联方之中的流动目标更容易被判断为达标流动目标，因为个体流量越大，监控效果越好。
布局方案至少能够确定安防监控***的安装区域。例如在起始目标与达标流动目标之间的某位置处安装监控***。方案生成模块至少结合设定区域的地图信息确定布局方案中的安装区域。例如，获取到起始目标与被判定为达标流动目标的购物中心之间的地图信息，包括导航信息等，然后从中选取高速路、主干道、大型十字路口等更容易被选择的路径，并在该路径的合适区域处安装监控***，以提高监控效果。
该***通过神经网络模型计算区域内个体的流动行为倾向度，据此预测出向各个外部流动目标流动的个体数量，能够更为科学地及更为真实准确地对空间范围内人群流动性进行仿真，并在个体数量达标的起始目标-外部流动目标组成的关联方之间安装监控***，能够适应城市高速发展带来的城市要素高变化性，优化了监控***的安装布局，既能保证监控效果最大化，又能节约成本。
对于位置偏僻的公交站、冷清的小超市等城市设施来说，由于其吸流能力较差，在这些设施附近安装监控***所起到的监控效果很小，因此在一种实施方式中，该***还包括流动目标筛选模块，流动目标筛选模块用于从上述设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为外部流动目标。
在特征建立模块建立外部流动目标特征量之前，先要通过流动目标筛选模块从d1行政区内的各个目标组成的目标集合中，依据目标类型要求和规模要求筛选出能够周期性甚至全天候地吸引数量不可忽视甚至较为庞大的人员个体的流动目标，作为符合要求的流动目标。其中，目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。也就是说，要求外部流动目标必须是上述目标类型中的一种，上述目标类型所涵盖的设施都是可能吸引大量个体前往的设施，例如交通设施中的地铁站和高铁站，医疗设施中的大型综合性三甲医院，住宅设施中的住宅小区，商业及服务设施中的购物中心、商务办公中心、美食城、公园、电影院、工厂等，教育设施中的大学城。
由于同目标类型中的设施，其规模也有大有小，公交枢纽旁的地铁站规模通常较大，吸流能力很强，而偏远郊区处的公交站则规模很小，吸流能力极弱，因此满足目标类型后，还需要符合规模要求，例如日均人流吞吐量能达到1000人，或者该设施在城市内的影响力较大等。规模要求可以随着在实施该方法时选取的设定区域大小来定，通常区域面积越大，规模要求就会越高。
通过从设定区域中的各城市要素、城市设施、城市单位中筛选出个体流动性可能较强的设施作为外部流动目标，使得最终生成的布局方案更贴近于实施者的意图，变相提高了监控***的监控效果。
在一种实施方式中，该***还包括特征建立模块，特征建立模块用于从城市设施中选取起始目标作为个体流动起始位置，并建立设定区域内的外部流动目标对个体的外部流动目标特征量。
起始目标是个体流动的出发位置，d1行政区内的外部流动目标作为个体流动的目的位置，从起始目标到某一外部流动目标完成个体流动过程。选取起始目标后，在特征建立模块建立外部流动目标特征量时，是以个体在该起始目标位置处为前提建立的特征量。
起始目标可以从d1行政区内的一些城市设施中选择，例如从经过流动目标筛选模块筛选出来的符合要求的外部流动目标中选取，此时的外部流动目标特征量为d1行政区内剩余外部流动目标对起始目标的特征量。
起始目标也可以从d1行政区外选择，但通常也会是吸流能力较强的城市设施，此时的外部流动目标特征量为d1行政区内所有外部流动目标对起始目标的特征量。
特征建立模块将外部流动目标特征量表示为：
其中，i＝[1，k]，k为设定区域内的外部流动目标数量。若特征建立模块选取的起始目标是位于d1行政区之外的某个城市设施，则k相当于d1行政区内的流动目标总数量m，若特征建立模块选取的起始目标是d1行政区内的某外部流动目标，则k相当于d1行政区内的剩余流动目标数量m-1。
βi为第i个外部流动目标自身具有的影响度数值，影响度数值与外部流动目标履行相应功能的能力呈正比。例如，对于地铁站来说，其地铁线路越长、中转站越多，其延伸范围就越大，相当于其履行能够载人到达某位置的能力就越强，因此其影响度数值就会越大；反之则越小。对于购物中心来说，其停车场越大，入驻商家的数量及涵盖类型越多，商品性价比越高，其影响度数值就会越大；反之则越小。
通过将路程距离、履行相应功能的能力作为考虑因素加入到外部流动目标特征量的运算过程中，使得最终的预测结果更加准确并贴近真实。
在一种实施方式中，本***还包括个体划分模块和模型建立模块。个体划分模块用于按照个体的个人情况对个体的类型进行划分。
在倾向度运算模块将外部流动目标特征量输入各类个体流动行为神经网络模型之前，需要预先建立能够分别对应多种个人情况不同的个体的神经网络模型。因此通过个体划分模块对起始目标处的个体进行划分，也就是利用内因的不同进行个体类型的区分。划分项包括以下至少一项：年龄，工作状况，出行方式，收入水平，家庭状况，健康状况，消费需求水平。最终得到的多种贴近于现实人群类型的个体。得到的个体类型的数量为采用的划分项中每一项的划分档数量之积，例如年龄从12岁到50岁分为4档，收入水平按平均月收入分为3档，消费需求水平按平均月消费额分为3档，共计n＝24种不同类型的个体。
个体流动行为神经网络模型的类型通常会较多，而对于设定区域的范围来说，通常只会用到部分类型的神经网络模型，例如d1行政区为一线城市的热点区域，并且主要以新兴科技产业园区为主，则年龄通常较年轻，收入水平和消费需求水平通常较高，因此高龄类和低收入低消费类类型的神经网络模型被放入该设定区域的数量会很少，甚至不放入，以贴近于真实情况。
模型建立模块用于依据个体划分模块划分出的个体类型作为模型类型建立个体流动行为神经网络模型，以使各类神经网络模型能够分别对应多种个人情况不同的个体。
通过按照个体的真实生活情况对个体进行类型划分，使得预测的流动结果更贴近于真实情况。
在模型建立模块建立了多种类型的个体流动行为神经网络模型之后，还需要采集真实人员个体流动行为的真实样本，以样本训练该模型，使得该模型所产生的流动行为倾向度的输出与真实流动人口个体的真实行为最大化匹配，因此在一种实施方式中，该***还包括用于训练神经网络模型的模型训练模块。模型训练模块包括样本确定单元、数据采集单元和模型训练单元。
样本确定单元用于确定出若干种个人情况不完全相同的若干个体作为个体样本。具体来说，可以收集例如10000个人员作为样本，这些样本覆盖不同的个人情况，例如覆盖不同的年龄、工作状况、出行方式、收入水平、家庭状况、健康状况和消费需求水平，这些个人情况的要素分别对应于若干类别的神经网络模型。
数据采集单元用于采集样本确定单元确定的个体样本的实际流动行为，例如对若干个体的行程进行追踪，并算出与实际流动行为相应的外部流动目标特征量，例如以个体的住处为起始位置，计算个体一段时间内去过的外部流动目标，并通过特征建立模块计算这些外部流动目标对应的特征量。
模型训练单元用于将数据采集单元算出的外部流动目标特征量输入神经网络模型，基于神经网络模型输出的流动行为倾向度与数据采集单元采集的相应样本个体的实际流动行为之间的匹配程度，调整神经网络模型的神经元参数，直至匹配程度满足要求。
个体流动行为神经网络模型可以采用BP神经网络模型。BP神经网络模型的核心是BP算法，BP算法计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。
在特征建立模块建立神经网络模型时，以及在模型训练模块训练神经网络模型时，都是不涉及具体城市空间的场景的，而只是建立和训练一个通用模型，例如单独对于某个模型来说，其对距离其3公里之外的某地铁站的倾向度是80，此时并不考虑该模型的所在位置(也就是个体的起始位置)，也不考虑该3公里外的地铁站的具体所在位置。只有将神经网络模型投入到实际的城市区域中并通过该***进行个体流动性分布预测时，才会反映出该城市区域内各大型城市设施的刺激该神经网络模型带来的影响，进而根据该影响实现预测。
在一种实施方式中，方案生成模块利用预设的个体数量阈值或个体数量占比阈值，或利用个体数量排名从各外部流动目标中筛选达标的外部流动目标。
个体数量阈值是以绝对数值的方式来衡量流动目标是否达标的标准。例如个体数量阈值被设为8000，流动于小区与P地铁站之间的个体预计为5000名，流动于小区与Q购物中心站之间的个体预计为9000名，则生成的布局方案中不会在小区与P地铁站之间安装监控***，但会在小区与Q购物中心之间安装监控***。此种方式适用于只对流动体量到达一定程度并必须要对该体量的流动个体进行监控时使用，根据衡量结果的不同，可能没有任一路径之间需要安装监控***，也可能所有路径均需要安装监控***。
个体数量排名则是以比较相对大小的方式衡量流动目标是否达标的标准。例如共有5个流动目标，而相应的监控***只配备有3套，因此可以选小区与这5个流动目标中被预测流动个体数量最高的前3个作为达标的流动目标，而无论该前3个的流动个体数量具体是多少，并将3套监控***分别安装于小区与达标流动目标的路径之间。此种方式适用于无论如何都需要安装监控***时，选择其中最重要的路径进行安装。
个体数量占比阈值则是处于上述两种方式之间，既可以偏向绝对衡量，也可以偏向相对比较，而偏向的决定因素就是个体数量占比阈值的大小。例如个体数量占比阈值被设为30％，流动于小区与P地铁站之间的个体与采样个体总量之比为5000/(5000+9000+8000)＝22.7％，流动于小区与Q购物中心之间的个体与采样个体总量之比为9000/(5000+9000+8000)＝40.9％，流动于小区与R办公大厦之间的个体与采样个体总量之比为9000/(5000+9000+8000)＝36.4％，则生成的布局方案中只会在小区与Q购物中心以及小区与R办公大厦之间安装监控***。
在一种实施方式中，布局方案还包括安防监控***的安装数量，安装数量至少依据各达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定。在可供安装的监控***数量较为有限的情况下，在通过个体数量阈值和个体数量排名来确定达标外部流动目标时，监控***的安装数量相当于依据相应流动个体数量来确定，在通过个体数量占比阈值来确定达标外部流动目标时，监控***的安装数量相当于依据相应流动个体数量占比来确定。
为了能够在设定区域内进行更复杂更详细的个体流动性预测，在一种实施方式中，该***还包括预测数据整合模块，预测数据整合模块用于将流动预测模块在多个不同情景下生成的相应流动个体数量分布进行整合，得到整体数量分布。
也就是说，在通过方案生成模块生成了一个关于某位于设定区域内并且是外部流动目标的起始目标A的布局方案后，还可以继续实施该***，并最终通过方案生成模块生成了一个区域范围更大和/或具有不同流动方向的布局方案，实现更加综合地、多角度地观测一块城市区域的个体流动分布，使得最终的整体布局方案更加宏观，考量因素更加全面，进而使得监控***的安装更加合理和优化。
区分情景是否不同的因素包括：个体流向，和/或设定区域的范围。
在情景包括个体流向时，假设流动目标筛选模块判断出设定区域内有5个外部流动目标，其中有一个小区、一个商务中心和一个大学城，其余两个为地铁站和购物中心，则可以分别以小区、商务中心和大学城为起始目标实施三次个体流动性分布预测，分别得到三次的流动个体数量分布，然后将关联方相同的预测数量进行累加。例如以小区为起始目标，在过程中依据早晨的采样标准放入相应数量和类型的神经网络模型，算出从小区出发流动到商务中心的人数共计有6000人，而以商务中心为起始目标，在过程中依据傍晚的采样标准放入相应数量和类型的神经网络模型，算出从商务中心出发流动到小区的人数共计有7000人。在方案生成模块判断达标外部流动目标时，依据的个体流动数量是累加值6000+7000，或者平均值(6000+7000)/2，具体依据累加至还是平均值或其他运算方式算出来的值取决于其他关联方在计算时依据的运算方式，若小区-商务中心的关联方采用累加值，则其他关联方也采用累加值。
通过这种方式可以均衡一下预测过程中产生的误差，使得预测结果更接近于真实情况。
在情景包括设定区域的范围时，假设第一次实施该***进行预测时的设定区域为以起始目标A为圆心的半径5公里范围，包括A-G七个外部流动目标，第二次实施该***进行预测时的设定区域以起始目标B为圆心的半径5公里范围，包括A-C、H-M九个外部流动目标，第三次实施该***进行预测时的设定区域以起始目标C为圆心的半径5公里范围，包括A-C、N-R八个外部流动目标。相当于以A、B、C三个流动目标形成的三角区域整体作为一个起始目标，针对该三角区域与外界一定范围之间进行的流动预测，并生成相应的监控***布局方案。可以理解的是，该过程中每次实施时选取的设定区域虽然范围均不相同，但均要有一定的区域范围交集，而各次实施时的设定区域的并集则为进行监控***布局的整体城市空间范围。
通过这种方式可以对设定区域的范围以及观测的重点进行针对性地定制，能够更有针对性地进行监控***的布局。
下面参考图3详细描述本发明公开的采用目标流动性分布预测的城市安防监控布局方法第一实施例，本实施例是实施前述城市安防监控布局***第一实施例公开的城市安防监控布局***的方法。
如图3所示，本实施例公开的城市安防监控布局***主要包括以下步骤：
步骤100，将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型，得到各个体对相应外部流动目标的流动行为倾向度。其中，各类神经网络模型能够分别对应多种个人情况不同的个体。
步骤200，基于各神经网络模型输出的各个体对相应外部流动目标的流动行为倾向度，预测出对设定区域内各外部流动目标产生流动行为的相应流动个体数量分布。
步骤300，从各外部流动目标中筛选出流动个体数量达标的外部流动目标，并基于达标的外部流动目标生成相应城市区域的安防监控***布局方案。其中，布局方案至少能够确定安防监控***的安装区域。
在一种实施方式中，该方法还包括：
步骤A1：在步骤100之前，从设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为外部流动目标。其中，目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。
在一种实施方式中，该方法还包括：
步骤A2：在步骤A1之后以及步骤100之前，从城市设施中选取起始目标作为个体流动起始位置，并建立设定区域内的外部流动目标对个体的外部流动目标特征量。
在一种实施方式中，外部流动目标特征量表示为：
其中，i＝[1，k]，k为设定区域内的外部流动目标数量，
为第i个外部流动目标对个体的影响因子，di是第i个外部流动目标与个体之间的路程距离，影响因子与di呈反比，βi为第i个外部流动目标自身具有的影响度数值，影响度数值与外部流动目标履行相应功能的能力呈正比。
在一种实施方式中，该方法还包括：
步骤B1：在步骤100之前，按照个体的个人情况对个体的类型进行划分，依据划分出的个体类型作为模型类型建立个体流动行为神经网络模型，以使各类神经网络模型能够分别对应多种个人情况不同的个体。其中，个人情况包括以下至少一项：年龄，工作状况，出行方式，收入水平，家庭状况，健康状况，消费需求水平。
在一种实施方式中，该方法还包括：
步骤B2：在步骤B1之后以及步骤100之前，训练神经网络模型。
其中，训练神经网络模型包括：
确定出若干种个人情况不完全相同的若干个体作为个体样本。
采集样本确定单元确定的个体样本的实际流动行为，并算出与实际流动行为相应的外部流动目标特征量。
将数据采集单元算出的外部流动目标特征量输入神经网络模型，基于神经网络模型输出的流动行为倾向度与数据采集单元采集的相应样本个体的实际流动行为之间的匹配程度，调整神经网络模型的神经元参数，直至匹配程度满足要求。
在一种实施方式中，个体流动行为神经网络模型采用BP神经网络模型。
在一种实施方式中，利用个体数量阈值或个体数量排名或个体数量占比阈值筛选达标的外部流动目标。
在一种实施方式中，布局方案还包括安防监控方法的安装数量，安装数量至少依据各达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定。
在一种实施方式中，结合设定区域的地图信息确定布局方案中的安装区域。
在一种实施方式中，该方法还包括：
步骤C：在步骤200之后，将在多个不同情景下生成的相应流动个体数量分布进行整合，得到整体数量分布，并在步骤300中基于整体数量分布筛选达标的外部流动目标。其中，区分情景是否不同的因素包括：个体流向，和/或设定区域的范围。
需要说明的是：所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。
本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个***中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种采用目标流动性分布预测的城市安防监控布局***，其特征在于，包括：
倾向度运算模块，用于将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型，得到各个体对相应外部流动目标的流动行为倾向度；
流动预测模块，用于基于所述流动行为倾向度预测出对所述设定区域内各外部流动目标产生流动行为的相应流动个体数量分布；
方案生成模块，用于筛选出流动个体数量达标的外部流动目标，并基于所述达标的外部流动目标以及起始目标生成相应城市区域的安防监控***布局方案；
其中，所述各类神经网络模型能够分别对应多种个人情况不同的个体，所述布局方案至少能够确定所述安防监控***的安装区域；
该***还包括：特征建立模块，用于从城市设施中选取起始目标作为个体流动起始位置，并建立所述设定区域内的外部流动目标对个体的所述外部流动目标特征量；
所述方案生成模块利用个体数量阈值或个体数量排名或个体数量占比阈值筛选所述达标的外部流动目标；
所述布局方案还包括所述安防监控***的安装数量，所述安装数量至少依据各所述达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定；
所述方案生成模块至少结合所述设定区域的地图信息确定所述布局方案中的所述安装区域。
2.如权利要求1所述的***，其特征在于，该***还包括：
流动目标筛选模块，用于从所述设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为所述外部流动目标；其中，
所述目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。
3.如权利要求1所述的***，其特征在于，所述外部流动目标特征量表示为：
其中，i=[1，k]，k为所述设定区域内的外部流动目标数量，
为第i个所述外部流动目标对个体的影响因子，
是第i个所述外部流动目标与个体之间的路程距离，所述影响因子与
呈反比，
为第i个所述外部流动目标自身具有的影响度数值，所述影响度数值与所述外部流动目标履行相应功能的能力呈正比。
4.如权利要求1所述的***，其特征在于，该***还包括：
预测数据整合模块，用于将所述流动预测模块在多个不同情景下生成的所述相应流动个体数量分布进行整合，得到整体数量分布；其中，
区分所述情景是否不同的因素包括：个体流向，和/或所述设定区域的范围。
5.一种采用目标流动性分布预测的城市安防监控布局方法，其特征在于，包括：
将能够反映设定区域内的外部流动目标在流动上对个体影响程度的外部流动目标特征量输入各类个体流动行为神经网络模型，得到各个体对相应外部流动目标的流动行为倾向度；
基于所述流动行为倾向度预测出对所述设定区域内各外部流动目标产生流动行为的相应流动个体数量分布；
筛选出流动个体数量达标的外部流动目标，并基于所述达标的外部流动目标以及起始目标生成相应城市区域的安防监控***布局方案；
其中，所述各类神经网络模型能够分别对应多种个人情况不同的个体，所述布局方案至少能够确定所述安防监控***的安装区域；并且，
该方法还包括：从城市设施中选取起始目标作为个体流动起始位置，并建立所述设定区域内的外部流动目标对个体的所述外部流动目标特征量；另外，
利用个体数量阈值或个体数量排名或个体数量占比阈值筛选所述达标的外部流动目标；
所述布局方案还包括所述安防监控方法的安装数量，所述安装数量至少依据各所述达标外部流动目标的相应流动个体数量或相应流动个体数量占比确定；
结合所述设定区域的地图信息确定所述布局方案中的所述安装区域。
6.如权利要求5所述的方法，其特征在于，该方法还包括：
从所述设定区域内所有的城市设施中筛选出符合目标类型中的任一项并符合规模要求的城市设施作为所述外部流动目标；其中，
所述目标类型包括以下至少一项：交通设施，医疗设施，住宅设施，商业及服务设施，教育设施。
7.如权利要求5所述的方法，其特征在于，所述外部流动目标特征量表示为：
其中，i=[1，k]，k为所述设定区域内的外部流动目标数量，
8.如权利要求5所述的方法，其特征在于，该方法还包括：
将在多个不同情景下生成的所述相应流动个体数量分布进行整合，得到整体数量分布，并基于所述整体数量分布筛选所述达标的外部流动目标；其中，
区分所述情景是否不同的因素包括：个体流向，和/或所述设定区域的范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910453560.5A CN110309953B (zh) | 2019-05-28 | 2019-05-28 | 采用目标流动性分布预测的城市安防监控布局***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910453560.5A CN110309953B (zh) | 2019-05-28 | 2019-05-28 | 采用目标流动性分布预测的城市安防监控布局***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110309953A CN110309953A (zh) | 2019-10-08 |
| CN110309953B true CN110309953B (zh) | 2020-06-26 |
Family
ID=68075095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910453560.5A Active CN110309953B (zh) | 2019-05-28 | 2019-05-28 | 采用目标流动性分布预测的城市安防监控布局***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309953B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112218046B (zh) * | 2020-09-27 | 2023-10-24 | 杭州海康威视***技术有限公司 | 对象监控方法及装置 |
| CN115174608A (zh) * | 2022-05-25 | 2022-10-11 | 安徽超清科技股份有限公司 | 一种基于物联网的智慧城市安防监控*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097222A (zh) * | 2016-06-12 | 2016-11-09 | 河南理工大学 | 顾及用户特征的公共设施空间可达性分析方法及装置 |
| CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
| CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
| EP3486769A1 (en) * | 2017-11-20 | 2019-05-22 | Guangdong OPPO Mobile Telecommunications Corp., Ltd. | Method for preloading application, terminal device, and medium |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102332122A (zh) * | 2011-10-18 | 2012-01-25 | 东南大学 | 城市公共自行车租赁点布局优化方法 |
| KR101830522B1 (ko) * | 2016-08-22 | 2018-02-21 | 가톨릭대학교 산학협력단 | 빅 데이터를 이용한 예측 대상 지역의 범죄 발생 예측 방법 |
| CN108021980B (zh) * | 2017-12-15 | 2020-04-17 | 中国科学院地理科学与资源研究所 | 一种基于手机数据的精细尺度城市人群数量预测方法 |
| CN109376935B (zh) * | 2018-10-31 | 2021-07-02 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
| CN109740292A (zh) * | 2019-01-30 | 2019-05-10 | 中国测绘科学研究院 | 一种基于多智能体的城市人口空间分布估算方法及装置 |
-
2019
- 2019-05-28 CN CN201910453560.5A patent/CN110309953B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106097222A (zh) * | 2016-06-12 | 2016-11-09 | 河南理工大学 | 顾及用户特征的公共设施空间可达性分析方法及装置 |
| CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
| EP3486769A1 (en) * | 2017-11-20 | 2019-05-22 | Guangdong OPPO Mobile Telecommunications Corp., Ltd. | Method for preloading application, terminal device, and medium |
| CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110309953A (zh) | 2019-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vlahogianni et al. | A real-time parking prediction system for smart cities | |
| Zhong et al. | Inferring building functions from a probabilistic model using public transportation data | |
| AU2005232219B2 (en) | Forecasting based on geospatial modeling | |
| US7801842B2 (en) | Method and system for spatial behavior modification based on geospatial modeling | |
| Huang et al. | A mobility network approach to identify and anticipate large crowd gatherings | |
| US7571146B2 (en) | Event, threat and result change detection system and method | |
| CN114897444B (zh) | 一种城市分区域内服务设施需求识别方法及*** | |
| US20160125307A1 (en) | Air quality inference using multiple data sources | |
| Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
| Le Bescond et al. | Open-source modeling chain for the dynamic assessment of road traffic noise exposure | |
| Chen et al. | Multi-step prediction of experienced travel times using agent-based modeling | |
| Abenoza et al. | What is the role of weather, built-environment and accessibility geographical characteristics in influencing travelers’ experience? | |
| Lu et al. | Activity-based air pollution exposure assessment: differences between homemakers and cycling commuters | |
| CN110309953B (zh) | 采用目标流动性分布预测的城市安防监控布局***及方法 | |
| Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
| Liu et al. | Short-term online taxi-hailing demand prediction based on the multimode traffic data in metro station areas | |
| Beura et al. | Defining Bicycle Levels of Service Criteria Using Levenberg–Marquardt and Self-organizing Map Algorithms | |
| Kaziyeva et al. | Large-scale agent-based simulation model of pedestrian traffic flows | |
| Wang | Improved annual average daily traffic (AADT) estimation for local roads using parcel-level travel demand modeling | |
| Huang et al. | Understanding spatio-temporal mobility patterns for seniors, child/student and adult using smart card data | |
| Xia | Modelling the spatial-temporal movement of tourists | |
| Jonker | Modelling the trip length distribution of shopping trips from GPS data | |
| Borhani et al. | Soft computing modelling of urban evolution: Tehran metropolis | |
| Jena et al. | Assessment of service quality at unsignalized intersections using traffic simulation and computational intelligence | |
| Berres et al. | Generating traffic-based building occupancy schedules in Chattanooga, Tennessee from a grid of traffic sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |