CN110580565B - 一种基于ai热度预测的公共人口疏导调度方法和*** - Google Patents
一种基于ai热度预测的公共人口疏导调度方法和*** Download PDFInfo
- Publication number
- CN110580565B CN110580565B CN201910448060.2A CN201910448060A CN110580565B CN 110580565 B CN110580565 B CN 110580565B CN 201910448060 A CN201910448060 A CN 201910448060A CN 110580565 B CN110580565 B CN 110580565B
- Authority
- CN
- China
- Prior art keywords
- current driving
- driving event
- content data
- dimension
- influence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000006185 dispersion Substances 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 107
- 230000002776 aggregation Effects 0.000 claims abstract description 38
- 238000004220 aggregation Methods 0.000 claims abstract description 38
- 238000013139 quantization Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003370 grooming effect Effects 0.000 description 16
- 230000008520 organization Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000009154 spontaneous behavior Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供的一种基于AI热度预测的公共人口疏导调度方法,包括:从公共数据源获取与当前驱动事件相关联的内容数据,根据内容数据统计与当前驱动事件对应的多个量化指标;根据内容数据确定当前驱动事件的热度的影响系数;对多个量化指标分别进行归一化处理;确定当前驱动事件的热度向量的正影响维度和负影响维度和附加维度,并整合为当前驱动事件的热度向量,利用预先训练好的神经网络模型对热度向量进行分析,确定当前驱动事件对应的人员聚集程度;根据人员聚集程度执行相应的公共人口疏导调度。本申请能够对由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度进行预测。
Description
技术领域
本申请涉及公共人口疏导调度技术领域,尤其涉及一种基于AI热度预测的公共人口疏导调度方法和***。
背景技术
公共人口疏导,就是当某个公共场所有可能呈现人员聚集的时候,采用限流、分流、开放备用场所和备用道路、增派警力等方式进行疏导调度,避免发生拥挤踩踏、人员大规模滞留等事件。
公共场所呈现人员聚集往往是由某种驱动事件导致的,比如举办体育比赛或者演唱会、某个明星见面会、某商场大力度促销、观看升旗、迎接跨年夜等传统习俗。这些驱动事件有的需要组织者向公安机关或者管理部门备案,但是有很多驱动事件没有备案的要求,或者是并没有组织者而属于群体性自发的行为,导致公安机关或者管理部门未及时掌握该驱动事件。另外有的驱动事件虽然公安机关或管理部门能够获知,但是其热度则难以提前预知,例如某明星举办粉丝见面会,备案信息填写安排粉丝入场500人,但是实际上由于该明星的号召力现场周边可能聚集数千甚至上万的粉丝,这使得公安机关或者管理部门难以完全***人员聚集的发生或者预测其规模,从而难以提前进行疏导调度预案。
发明内容
有鉴于此,本申请的目的在于提出一种基于AI热度预测的公共人口疏导调度方法和***,来解决现有技术中由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度难以***,从而影响对聚集人员进行疏导调度的技术问题。
基于上述目的,在本申请的第一个方面,提出了一种基于AI热度预测的公共人口疏导调度方法,包括:
从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标;
根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数;
对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据;
根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度;
根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;
将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;
根据所述人员聚集程度执行相应的公共人口疏导调度。
在一些实施例中,所述公共数据源包括:
微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种;
所述从公共数据源获取与所述当前驱动事件相关联的内容数据,包括:
在所述内容数据中基于关键词查找包括与所述当前驱动事件的相关联的关键词的内容数据作为有效内容数据,统计相应的微博转发量和/或引擎搜索量和/或论坛发帖量和/或网页浏览量作为量化指标。
在一些实施例中,所述根据所述内容数据确定所述当前驱动事件的热度的影响系数,包括:
统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数,根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。
在一些实施例中,还包括:
预先建立正影响词词库和负影响词词库,所述正影响词词库包括生活用语和网络用语中常见的正面评价词,所述负影响词词库包括生活用语和网络用语中常见的负面评价词。
在一些实施例中,所述统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,包括:
所述统计所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量和包括所述负影响词词库中的负影响词在内的内容数据的数量。
在一些实施例中,所述根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度,包括:
将数量化后的所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量与所述正影响系的乘积确定为所述当前驱动事件的热度向量的正影响维度,将数量化后的所述内容数据中的包括所述负影响词词库中的负影响词在内的内容数据的数量与所述负影响系的乘积确定为所述当前驱动事件的热度向量的负影响维度。
在一些实施例中,所述根据所述当前驱动事件的周围环境的天气和所述当前驱动事件的位置信息确定所述当前驱动事件的热度向量的附加维度,包括:
根据预先设定的映射规则将所述当前驱动事件的周围环境的天气映射为对应的数值,作为所述当前驱动事件的热度向量的天气维度;
根据预先设定的映射规则将所述当前驱动事件的位置坐标到预先设定的参照坐标之间的距离映射为对应的数值,作为所述当前驱动事件的热度向量的位置维度。
基于上述目的,在本申请的第二个方面,还提出了一种基于AI热度预测的公共人口疏导调度***,包括:
内容数据获取模块,用于从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标;
影响系数确定模块,用于根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数;
归一化处理模块,用于对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据;
影响维度确定模块,用于根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度;
附加维度确定模块,用于根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;
热度向量分析模块,用于将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;
疏导调度模块,用于根据所述人员聚集程度执行相应的公共人口疏导调度。
在一些实施例中,所述影响系数确定模块,具体用于:
统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数,根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。
在一些实施例中,还包括:
存储模块,用于对预先建立的正影响词词库和负影响词词库进行存储。
本申请实施例提供的一种基于AI热度预测的公共人口疏导调度方法和***,其中方法包括:从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标;根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数;对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据;根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度;根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;根据所述人员聚集程度执行相应的公共人口疏导调度。本申请实施例的基于GIS空间大数据分析的安防设备智慧选址方法和***,能够对由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度进行预测,从而有利于对聚集人员进行疏导调度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例一的基于AI热度预测的公共人口疏导调度方法的流程图;
图2是本申请实施例二的基于AI热度预测的公共人口疏导调度方法的流程图;
图3是本申请实施例三的基于AI热度预测的公共人口疏导调度***的功能结构图;
图4是本申请实施例四的基于AI热度预测的公共人口疏导调度***的功能结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,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。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,是本申请实施例一的基于AI热度预测的公共人口疏导调度方法的流程图。从图1中可以看出,作为本申请的一个实施例,所述基于AI热度预测的公共人口疏导调度方法,可以包括以下步骤:
S101:从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标。
在本实施例中,当即将发生驱动事件时,可以从公共数据源获取与即将发生的驱动事件即当前驱动事件相关联的内容数据。本实施中的驱动事件例如可以是举办体育比赛或者演唱会、某个明星见面会、某商场大力度促销、观看升旗、迎接跨年夜等传统习俗,通常情况下,驱动事件会导致人员聚集,从而增加发生拥挤踩踏的风险,进而造成人员大规模滞留。本实施中的公共数据源通常是指公众能够从中获取信息的数据源,例如可以是微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种。具体地,可以在所述内容数据中基于关键词查找包括与所述当前驱动事件的相关联的关键词的内容数据作为有效内容数据,统计相应的微博转发量和/或引擎搜索量和/或论坛发帖量和/或网页浏览量作为量化指标。例如,关键词可以为周杰伦AND演唱会,XX广场And跨年夜,或者也可以为XX商场and促销,则可以将覆盖上述关键词的内容数据作为有效内容数据。当前驱动事件在发生前,通常会通过公共数据源发送一些***息,例如举办体育比赛或者演唱会的时间或地点,或者明星见面会的时间或地点,再或者观看升旗、迎接跨年夜等传统习俗的时间或地点等,同时,在公共数据源上会显示与当前驱动事件相关联的内容数据,例如微博转发、引擎搜索、论坛发帖或者网页浏览等,
因此可以对与当前驱动事件相关联的内容数据进行统计,进而确定与所述当前驱动事件对应的多个量化指标,例如微博转发量、引擎搜索量、论坛发帖量或网页浏览量等。
S102:根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数。
量化指标只能表明驱动事件在网上受到关注的高低,但是与热度不完全对应,需要针对与驱动事件关联的内容数据,确定驱动事件热度的影响系数。因此,在统计与所述当前驱动事件对应的多个量化指标后,可以根据与当前驱动事件相关联的内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数。具体地,用户转发微博或者通过引擎搜索或者在论坛发帖或者浏览网页的过程中,往往会伴随着对当前驱动事件的一些评价,这些评价中有些是正面的评价,有些是负面的评价,有些是中性的评价,其中,正面的评价会对由当前驱动事件引起的人员聚集的数量产生正面的影响,负面的评价会对由当前驱动事件引起的人员聚集的数量产生负面的影响,而中性的评价则不会对由当前驱动事件引起的人员聚集的数量产生影响,因此,可以统计正面的评价所针对的内容数据的数据量,并将正面的评价所针对的内容数据占全部内容数据的比例作为正影响系数,统计负面的评价所针对的内容数据的数据量,并将负面的评价所针对的内容数据占全部内容数据的比例作为负影响系数。
S103:对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据。
在本实施例中,由于与当前驱动事件相关联的内容数据的表现方式不同,因此,与所述当前驱动事件对应的多个量化指标的统计量也不相同,例如微博的转发量的数量级可能以“万”来计数,而论坛的发帖量可能以“百”来计数,这些量化指标不在同一个数量级,难以反映出当前驱动事件的热度,因此,可以对所述多个量化指标分别进行归一化处理,将每个量化指标转化为一个归一化分值,分值的范围例如可以是0-100分,对于微博的转发量,可以以“万”来计数,取微博的转发量的计数量作为微博的转发量的分值,将超过100的数值视为100,这样,例如微博的转发量为834673,以“万”来计数则为83.4673万,四舍五入,为83万,则对应的分数为83分。而对于论坛的发帖量,可以以“百”来计数,取论坛的发帖量的计数量作为论坛的发帖量的分值,将超过100的数值视为100,这样,例如论坛的发帖量3467,以“百”来计数则为34.67百,四舍五入,为35万,则对应的分数为35分。同理,可以按照上述方法将引擎搜索量或网页浏览量转化为同样的归一化分值。
S104:根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度。
在确定了所述当前驱动事件的热度的正影响系数和负影响系数,以及与所述当前驱动事件对应的多个量化指标的归一化分值后,可以将当前驱动事件的热度的正影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的正影响维度,将当前驱动事件的热度的负影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的负影响维度。
S105:根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度。
在本实施例中,在确定了所述当前驱动事件的热度向量的正影响维度和负影响维度后,可以进一步结合所述当前驱动事件发生地的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度。具体地,可以将所述当前驱动事件发生地当天的周围天气情况映射为对应的数值作为所述当前驱动事件的热度向量的周围环境信息维度,所述当前驱动事件发生地当天的周围天气情况可以通过相关渠道获取,例如智能手机上的天气预报等,映射关系可以为:晴天对应的数值为100,阴天对应的数值为80,雾霾天对应的数值为60,雨雪天对应的数值为40,其他恶劣天气(例如暴雨、雷阵雨等)对应的数值为20。并且,可以将所述当前驱动事件发生地距离预先设定的参照坐标的距离作为所述当前驱动事件的热度向量的位置信息维度,这里的距离可以以“百米”为单位,所述当前驱动事件发生地距离预先设定的参照坐标的距离可以通过相关渠道获取,例如智能手机上的地图功能等,例如,所述当前驱动事件发生地在北京市,则可以将所述当前驱动事件发生地距离王府井广场的距离作为所述当前驱动事件的热度向量的位置信息维度,或者也可以将将所述当前驱动事件发生地距离清华大学的距离作为所述当前驱动事件的热度向量的位置信息维度,这里的王府井广场和清华大学即为预先设定的参照坐标。
S106:将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。
在确定了所述当前驱动事件的热度向量的正影响维度、负影响维度和附加维度(周围环境信息维度和位置信息维度)后,可以将上述维度整合为所述当前驱动事件的热度向量。例如,对应微博转发量、引擎搜索量、论坛发帖量或网页浏览量等的正影响维度的取值分别为35,47,26,63,对应微博转发量、引擎搜索量、论坛发帖量或网页浏览量等的负影响维度的取值为27,24,18,15,周围环境信息维度的取值为84,位置信息维度的取值为65,则整合成的热度向量为(35,47,26,63,27,24,18,15,84,65),然后利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。本实施例中的神经网络模型可以是通过事先收集了一些已经举办完成的驱动事件的热度向量和对应的人员聚集程度作为样本,然后利用BP神经网络,将样本的热度向量作为输入、对应的人员聚集程度作为输出,对BP神经网络进行训练,生成的神经网络模型,利用生成的神经网络模型,将当前驱动事件的热度向量作为输入,可以输出当前驱动事件对应的人员聚集程度。
S107:根据所述人员聚集程度执行相应的公共人口疏导调度。
在确定了当前驱动事件对应的人员聚集程度后,可以采取相应的疏导调度措施,以对当前驱动事件引起的聚集的人口进行疏导调度。本实施例的疏导调度措施可以是现有技术中的疏导调度措施,这里不再一一列举。
本申请实施例的基于GIS空间大数据分析的安防设备智慧选址方法,能够对由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度进行预测,从而有利于对聚集人员进行疏导调度。
如图2所示,是本申请实施例二的基于AI热度预测的公共人口疏导调度方法的流程图。从图中可以看出,本实施例的基于AI热度预测的公共人口疏导调度方法,可以包括以下步骤:
S201:预先建立正影响词词库和负影响词词库,所述正影响词词库包括生活用语和网络用语中常见的正面评价词,所述负影响词词库包括生活用语和网络用语中常见的负面评价词。
在本实施例中,可以预先建立正影响词词库和负影响词词库,所述正影响词词库包括生活用语和网络用语中常见的正面评价词,所述负影响词词库包括生活用语和网络用语中常见的负面评价词。所述正影响词词库和所述负影响词词库可以是两个词库,也可是存储在同一词库中的两个文件。
S202:从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标。
在本实施例中,当即将发生驱动事件时,可以从公共数据源获取与即将发生的驱动事件即当前驱动事件相关联的内容数据。本实施中的公共数据源通常是指公众能够从中获取信息的数据源,例如可以是微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种。当前驱动事件在发生前,通常会通过公共数据源发送一些***息,例如举办体育比赛或者演唱会的时间或地点,或者明星见面会的时间或地点,再或者观看升旗、迎接跨年夜等传统习俗的时间或地点等,同时,在公共数据源上会显示与当前驱动事件相关联的内容数据,例如微博转发、引擎搜索、论坛发帖或者网页浏览等,因此可以对与当前驱动事件相关联的内容数据进行统计,进而确定与所述当前驱动事件对应的多个量化指标,例如微博转发量、引擎搜索量、论坛发帖量或网页浏览量等。
S203:统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数,根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。
S204:对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据。
S205:将数量化后的所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量与所述正影响系的乘积确定为所述当前驱动事件的热度向量的正影响维度,将数量化后的所述内容数据中的包括所述负影响词词库中的负影响词在内的内容数据的数量与所述负影响系的乘积确定为所述当前驱动事件的热度向量的负影响维度。
S206:根据预先设定的映射规则将所述当前驱动事件的周围环境的天气映射为对应的数值,作为所述当前驱动事件的热度向量的天气维度;根据预先设定的映射规则将所述当前驱动事件的位置坐标到预先设定的参照坐标之间的距离映射为对应的数值,作为所述当前驱动事件的热度向量的位置维度。
S207:将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。
S208:根据所述人员聚集程度执行相应的公共人口疏导调度。
关于步骤S203到步骤S208的详细过程参见实施例一,这里不再详细赘述。
本申请实施例的基于GIS空间大数据分析的安防设备智慧选址方法,能够对由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度进行预测,从而有利于对聚集人员进行疏导调度。
如图3所示,是本申请实施例三的基于AI热度预测的公共人口疏导调度***的功能结构图。本实施例的基于AI热度预测的公共人口疏导调度***,可以包括:
内容数据获取模块301,用于从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标。
具体地,当即将发生驱动事件时,所述内容数据获取模块301可以从公共数据源获取与即将发生的驱动事件即当前驱动事件相关联的内容数据。本实施中的驱动事件例如可以是举办体育比赛或者演唱会、某个明星见面会、某商场大力度促销、观看升旗、迎接跨年夜等传统习俗,通常情况下,驱动事件会导致人员聚集,从而增加发生拥挤踩踏的风险,进而造成人员大规模滞留。本实施中的公共数据源通常是指公众能够从中获取信息的数据源,例如可以是微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种。当前驱动事件在发生前,通常会通过公共数据源发送一些***息,例如举办体育比赛或者演唱会的时间或地点,或者明星见面会的时间或地点,再或者观看升旗、迎接跨年夜等传统习俗的时间或地点等,同时,在公共数据源上会显示与当前驱动事件相关联的内容数据,例如微博转发、引擎搜索、论坛发帖或者网页浏览等,因此可以对与当前驱动事件相关联的内容数据进行统计,进而确定与所述当前驱动事件对应的多个量化指标,例如微博转发量、引擎搜索量、论坛发帖量或网页浏览量等。
影响系数确定模块302,用于根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数。
量化指标只能表明驱动事件在网上受到关注的高低,但是与热度不完全对应,需要针对与驱动事件关联的内容数据,确定驱动事件热度的影响系数。因此,在统计与所述当前驱动事件对应的多个量化指标后,可以根据与当前驱动事件相关联的内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数。具体地,用户转发微博或者通过引擎搜索或者在论坛发帖或者浏览网页的过程中,往往会伴随着对当前驱动事件的一些评价,这些评价中有些是正面的评价,有些是负面的评价,有些是中性的评价,其中,正面的评价会对由当前驱动事件引起的人员聚集的数量产生正面的影响,负面的评价会对由当前驱动事件引起的人员聚集的数量产生负面的影响,而中性的评价则不会对由当前驱动事件引起的人员聚集的数量产生影响,因此,可以统计正面的评价所针对的内容数据的数据量,并将正面的评价所针对的内容数据占全部内容数据的比例作为正影响系数,统计负面的评价所针对的内容数据的数据量,并将负面的评价所针对的内容数据占全部内容数据的比例作为负影响系数。
归一化处理模块303,用于对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据。
在本实施例中,由于与当前驱动事件相关联的内容数据的表现方式不同,因此,与所述当前驱动事件对应的多个量化指标的统计量也不相同,例如微博的转发量的数量级可能以“万”来计数,而论坛的发帖量可能以“百”来计数,这些量化指标不在同一个数量级,难以反映出当前驱动事件的热度,因此,可以对所述多个量化指标分别进行归一化处理,将每个量化指标转化为一个归一化分值,分值的范围例如可以是0-100分,对于微博的转发量,可以以“万”来计数,取微博的转发量的计数量作为微博的转发量的分值,将超过100的数值视为100,这样,例如微博的转发量为834673,以“万”来计数则为83.4673万,四舍五入,为83万,则对应的分数为83分。而对于论坛的发帖量,可以以“百”来计数,取论坛的发帖量的计数量作为论坛的发帖量的分值,将超过100的数值视为100,这样,例如论坛的发帖量3467,以“百”来计数则为34.67百,四舍五入,为35万,则对应的分数为35分。同理,可以按照上述方法将引擎搜索量或网页浏览量转化为同样的归一化分值。
影响维度确定模块304,用于根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度。
在确定了所述当前驱动事件的热度的正影响系数和负影响系数,以及与所述当前驱动事件对应的多个量化指标的归一化分值后,可以将当前驱动事件的热度的正影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的正影响维度,将当前驱动事件的热度的负影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的负影响维度。
附加维度确定模块305,用于根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度。
在本实施例中,在确定了所述当前驱动事件的热度向量的正影响维度和负影响维度后,可以进一步结合所述当前驱动事件发生地的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度。具体地,可以将所述当前驱动事件发生地当天的周围天气情况映射为对应的数值作为所述当前驱动事件的热度向量的周围环境信息维度,所述当前驱动事件发生地当天的周围天气情况可以通过相关渠道获取,例如智能手机上的天气预报等,映射关系可以为:晴天对应的数值为100,阴天对应的数值为80,雾霾天对应的数值为60,雨雪天对应的数值为40,其他恶劣天气(例如暴雨、雷阵雨等)对应的数值为20。并且,可以将所述当前驱动事件发生地距离预先设定的参照坐标的距离作为所述当前驱动事件的热度向量的位置信息维度,这里的距离可以以“百米”为单位,所述当前驱动事件发生地距离预先设定的参照坐标的距离可以通过相关渠道获取,例如智能手机上的地图功能等,例如,所述当前驱动事件发生地在北京市,则可以将所述当前驱动事件发生地距离王府井广场的距离作为所述当前驱动事件的热度向量的位置信息维度,或者也可以将将所述当前驱动事件发生地距离清华大学的距离作为所述当前驱动事件的热度向量的位置信息维度,这里的王府井广场和清华大学即为预先设定的参照坐标。
热度向量分析模块306,用于将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。
在确定了所述当前驱动事件的热度向量的正影响维度、负影响维度和附加维度(周围环境信息维度和位置信息维度)后,可以将上述维度整合为所述当前驱动事件的热度向量。例如,对应微博转发量、引擎搜索量、论坛发帖量或网页浏览量等的正影响维度的取值分别为35,47,26,63,对应微博转发量、引擎搜索量、论坛发帖量或网页浏览量等的负影响维度的取值为27,24,18,15,周围环境信息维度的取值为84,位置信息维度的取值为65,则整合成的热度向量为(35,47,26,63,27,24,18,15,84,65),然后利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。本实施例中的神经网络模型可以是通过事先收集了一些已经举办完成的驱动事件的热度向量和对应的人员聚集程度作为样本,然后利用BP神经网络,将样本的热度向量作为输入、对应的人员聚集程度作为输出,对BP神经网络进行训练,生成的神经网络模型,利用生成的神经网络模型,将当前驱动事件的热度向量作为输入,可以输出当前驱动事件对应的人员聚集程度。
疏导调度模块307,用于根据所述人员聚集程度执行相应的公共人口疏导调度。
在确定了当前驱动事件对应的人员聚集程度后,可以采取相应的疏导调度措施,以对当前驱动事件引起的聚集的人口进行疏导调度。本实施例的疏导调度措施可以是现有技术中的疏导调度措施,这里不再一一列举。
本申请实施例的基于GIS空间大数据分析的安防设备智慧选址***,能够对由驱动事件导致的公共场所的人员聚集的发生以及聚集的程度进行预测,从而有利于对聚集人员进行疏导调度。
图4是本申请实施例四的基于AI热度预测的公共人口疏导调度***的功能结构图。本实施例的基于AI热度预测的公共人口疏导调度***,可以包括:
内容数据获取模块401,用于从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标。
影响系数确定模块402,用于根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数。
归一化处理模块403,用于对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据。
影响维度确定模块404,用于根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度。
附加维度确定模块405,用于根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度。
热度向量分析模块406,用于将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度。
疏导调度模块407,用于根据所述人员聚集程度执行相应的公共人口疏导调度。
关于上述模块的具体工作原理参见实施例三,这里不再重复赘述,此外,本申请实施例还包括:
存储模块408,用于对预先建立的正影响词词库和负影响词词库进行存储。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于AI热度预测的公共人口疏导调度方法,其特征在于,包括:
从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标;
根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数;统计正面的评价所针对的内容数据的数据量,并将正面的评价所针对的内容数据占全部内容数据的比例作为正影响系数,统计负面的评价所针对的内容数据的数据量,并将负面的评价所针对的内容数据占全部内容数据的比例作为负影响系数;
对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据;对所述多个量化指标分别进行归一化处理,将每个量化指标转化为一个归一化分值,分值的范围0-100分;
根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度;在确定了所述当前驱动事件的热度的正影响系数和负影响系数,以及与所述当前驱动事件对应的多个量化指标的归一化分值后,将当前驱动事件的热度的正影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的正影响维度,将当前驱动事件的热度的负影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的负影响维度;
根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;在确定了所述当前驱动事件的热度向量的正影响维度和负影响维度后,进一步结合所述当前驱动事件发生地的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;
将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;在确定了所述当前驱动事件的热度向量的正影响维度、负影响维度和附加维度后,将上述维度整合为所述当前驱动事件的热度向量;然后利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;神经网络模型是通过事先收集的已经举办完成的驱动事件的热度向量和对应的人员聚集程度作为样本,然后利用BP神经网络,将样本的热度向量作为输入、对应的人员聚集程度作为输出,对BP神经网络进行训练,生成的神经网络模型,利用生成的神经网络模型,将当前驱动事件的热度向量作为输入,输出当前驱动事件对应的人员聚集程度;
根据所述人员聚集程度执行相应的公共人口疏导调度。
2.根据权利要求1所述的方法,其特征在于,所述公共数据源包括:
微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种;
所述从公共数据源获取与所述当前驱动事件相关联的内容数据,包括:
在所述内容数据中基于关键词查找包括与所述当前驱动事件的相关联的关键词的内容数据作为有效内容数据,统计相应的微博转发量和/或引擎搜索量和/或论坛发帖量和/或网页浏览量作为量化指标;将覆盖关键词的内容数据作为有效内容数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述内容数据确定所述当前驱动事件的热度的影响系数,包括:
统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数,根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。
4.根据权利要求3所述的方法,其特征在于,还包括:
预先建立正影响词词库和负影响词词库,所述正影响词词库和所述负影响词词库是两个词库,或者是存储在同一词库中的两个文件;所述正影响词词库包括生活用语和网络用语中常见的正面评价词,所述负影响词词库包括生活用语和网络用语中常见的负面评价词。
5.根据权利要求4所述的方法,其特征在于,所述统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,包括:
所述统计所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量和包括所述负影响词词库中的负影响词在内的内容数据的数量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度,包括:
将数量化后的所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量与所述正影响系的乘积确定为所述当前驱动事件的热度向量的正影响维度,将数量化后的所述内容数据中的包括所述负影响词词库中的负影响词在内的内容数据的数量与所述负影响系的乘积确定为所述当前驱动事件的热度向量的负影响维度。
7.根据权利要求6所述的方法,其特征在于,所述根据所述当前驱动事件的周围环境的天气和所述当前驱动事件的位置信息确定所述当前驱动事件的热度向量的附加维度,包括:
根据预先设定的映射规则将所述当前驱动事件的周围环境的天气映射为对应的数值,作为所述当前驱动事件的热度向量的天气维度;
根据预先设定的映射规则将所述当前驱动事件的位置坐标到预先设定的参照坐标之间的距离映射为对应的数值,作为所述当前驱动事件的热度向量的位置维度。
8.一种基于AI热度预测的公共人口疏导调度***,其特征在于,包括:
内容数据获取模块,用于从公共数据源获取与当前驱动事件相关联的内容数据,根据所述内容数据统计与所述当前驱动事件对应的多个量化指标;
所述公共数据源包括:
微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种;
所述从公共数据源获取与所述当前驱动事件相关联的内容数据,包括:
在所述内容数据中基于关键词查找包括与所述当前驱动事件的相关联的关键词的内容数据作为有效内容数据,统计相应的微博转发量和/或引擎搜索量和/或论坛发帖量和/或网页浏览量作为量化指标;将覆盖关键词的内容数据作为有效内容数据;
影响系数确定模块,用于根据所述内容数据确定所述当前驱动事件的热度的影响系数,所述影响系数包括正影响系数和负影响系数;统计正面的评价所针对的内容数据的数据量,并将正面的评价所针对的内容数据占全部内容数据的比例作为正影响系数,统计负面的评价所针对的内容数据的数据量,并将负面的评价所针对的内容数据占全部内容数据的比例作为负影响系数;
归一化处理模块,用于对所述多个量化指标分别进行归一化处理,将所述多个量化指标量化为同一数量级的指标数据;对所述多个量化指标分别进行归一化处理,将每个量化指标转化为一个归一化分值,分值的范围0-100分;
影响维度确定模块,用于根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度;在确定了所述当前驱动事件的热度的正影响系数和负影响系数,以及与所述当前驱动事件对应的多个量化指标的归一化分值后,将当前驱动事件的热度的正影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的正影响维度,将当前驱动事件的热度的负影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的负影响维度;
附加维度确定模块,用于根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;在确定了所述当前驱动事件的热度向量的正影响维度和负影响维度后,进一步结合所述当前驱动事件发生地的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度;
热度向量分析模块,用于将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量,利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;在确定了所述当前驱动事件的热度向量的正影响维度、负影响维度和附加维度后,将上述维度整合为所述当前驱动事件的热度向量;然后利用预先训练好的神经网络模型对所述热度向量进行分析,确定所述当前驱动事件对应的人员聚集程度;神经网络模型是通过事先收集的已经举办完成的驱动事件的热度向量和对应的人员聚集程度作为样本,然后利用BP神经网络,将样本的热度向量作为输入、对应的人员聚集程度作为输出,对BP神经网络进行训练,生成的神经网络模型,利用生成的神经网络模型,将当前驱动事件的热度向量作为输入,输出当前驱动事件对应的人员聚集程度;
疏导调度模块,用于根据所述人员聚集程度执行相应的公共人口疏导调度。
9.根据权利要求8所述的***,其特征在于,所述影响系数确定模块,具体用于:
统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量,根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数,根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。
10.根据权利要求9所述的***,其特征在于,还包括:
存储模块,用于对预先建立的正影响词词库和负影响词词库进行存储;所述正影响词词库和所述负影响词词库是两个词库,或者是存储在同一词库中的两个文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448060.2A CN110580565B (zh) | 2019-05-27 | 2019-05-27 | 一种基于ai热度预测的公共人口疏导调度方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448060.2A CN110580565B (zh) | 2019-05-27 | 2019-05-27 | 一种基于ai热度预测的公共人口疏导调度方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580565A CN110580565A (zh) | 2019-12-17 |
CN110580565B true CN110580565B (zh) | 2020-10-27 |
Family
ID=68810989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910448060.2A Active CN110580565B (zh) | 2019-05-27 | 2019-05-27 | 一种基于ai热度预测的公共人口疏导调度方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580565B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832912A (zh) * | 2017-10-09 | 2018-03-23 | 中国电子科技集团公司第二十八研究所 | 一种密集人群风险分析方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933093B (zh) * | 2015-05-19 | 2018-08-07 | 武汉泰迪智慧科技有限公司 | 基于大数据的地区舆情监控及决策辅助***和方法 |
CN108133291B (zh) * | 2017-12-22 | 2021-05-11 | 北京交通大学 | 一种社会事件与客运交通需求之间的相关性分析方法 |
-
2019
- 2019-05-27 CN CN201910448060.2A patent/CN110580565B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832912A (zh) * | 2017-10-09 | 2018-03-23 | 中国电子科技集团公司第二十八研究所 | 一种密集人群风险分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110580565A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
Chen et al. | Crime prediction using Twitter sentiment and weather | |
CN107577688B (zh) | 基于媒体信息采集的原创文章影响力分析*** | |
CN111242493B (zh) | 一种街道品质评价方法、装置、***及存储介质 | |
CN110704572B (zh) | 疑似非法集资风险的预警方法、装置、设备和存储介质 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN108595582B (zh) | 一种基于社会信号的灾害性气象热点事件识别方法 | |
CN106095939B (zh) | 账户权限的获取方法和装置 | |
CN113378668A (zh) | 积水类别的确定方法、装置、设备及存储介质 | |
CN109902129A (zh) | 基于大数据分析的保险代理人归类方法及相关设备 | |
CN110580565B (zh) | 一种基于ai热度预测的公共人口疏导调度方法和*** | |
CN116384844B (zh) | 基于地理信息云平台的决策方法及装置 | |
CN117291428A (zh) | 一种基于企业管理app的数据后台管理*** | |
CN112527861A (zh) | 一种基于大数据实时分析的人员画像分析方法 | |
Ramírez et al. | Accident risk detection in urban trees using machine learning and fuzzy logic | |
CN107801418B (zh) | 利用地图检索记录的流动人口推算装置及方法 | |
CN115858598A (zh) | 基于企业大数据的目标信息筛选匹配方法及相关设备 | |
KR20120069206A (ko) | 유사 특허 분석맵 정보 제공 방법 및 그 시스템 | |
CN114817518A (zh) | 基于大数据档案识别的证照办理方法、***及介质 | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
Martinig | Habitat suitability modeling for mink passage activity: A cautionary tale | |
CN113888600A (zh) | 轨迹确定方法、装置、电子设备及计算机可读存储介质 | |
Loman et al. | Landscape capability predicts upland game bird abundance and occurrence | |
CN113971213A (zh) | 智慧城市管理公共信息共享*** | |
Bessa | Transportation management in an era of big data: from data to knowledge |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200916 Address after: 200232 floor 18, building 2, No. 277, Longlan Road, Xuhui District, Shanghai Applicant after: LIGHT CONTROLS TESILIAN (SHANGHAI) INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100027 West Tower 11 floor, Kai Hao building, 8 Xinyuan South Road, Chaoyang District, Beijing. Applicant before: Terminus(Beijing) Technology Co.,Ltd. Applicant before: LIGHT CONTROLS TESILIAN (SHANGHAI) INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |