CN111400424B - 基于gis的人员异常聚集自动识别方法及装置 - Google Patents
基于gis的人员异常聚集自动识别方法及装置 Download PDFInfo
- Publication number
- CN111400424B CN111400424B CN202010185801.5A CN202010185801A CN111400424B CN 111400424 B CN111400424 B CN 111400424B CN 202010185801 A CN202010185801 A CN 202010185801A CN 111400424 B CN111400424 B CN 111400424B
- Authority
- CN
- China
- Prior art keywords
- personnel
- real
- position data
- time position
- identification information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于GIS的人员异常聚集自动识别方法及装置,其中,该方法包括:根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;提取当前人员实时位置数据,并计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合,并确定潜在人员聚集集合;针对每一个潜在人员聚集集合,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;逐一对比任意两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库,以自动化进行异常聚集的识别,省时省力。
Description
技术领域
本发明涉及人员异常聚集判别技术领域,具体而言,涉及基于GIS的人员异常聚集自动识别方法及装置。
背景技术
随着地理科学、计算机技术、遥感技术和信息科学的发展,诞生了一门新的学科,就是地理信息***(Geographic Information System),它用于输入、存储、查询、分析和显示地理数据。几乎人类的所有活动都发生在地球上,都与地球表面位置息息相关,所以我们人类的所有活动轨迹都可以通过GIS数据呈现出来。随着安防技术的发展和人们对社会安全的重视,伴随着网络数据对各个领域全方位的介入,数据获取方式的多元化,人们的活动轨迹数据可以轻易获取到。
传统的方式中,想要发现一队异常聚集的人群,通常采集特定区域的所有人员所有活动轨迹,然后通过标准地址服务进行标准地址转换,然后把这些出行的轨迹点打到GIS地图上,通过收集某个范围内的位置点数量进行判断,如果观察到某一个范围内的实时轨迹点分布比较密集,就需要对这个区域内的所有人员进行识别,然后再度去查找这部分特定人员的历史轨迹信息,查看是否还有类似的重复情况,如果发现重复人员记录就可以进行信息预警。
但是在上述预警过程中,将出行的轨迹点达到GIS地图上后,判断某个位置行动点的数量,实时轨迹点分布密集程度等均需要人工研判,这不光需要耗费研判人员的精力;而且,在研判过程中只能在人员已经聚集,并且聚集很明显时才能被发现。一旦发生情况,只能用作事后取证,缺乏对数据的实时分析和识别,不具备对未知异常的情况提供预警的功能。此外,在大型安保等活动期间,需要相关部门对这些场所进行无间断的监控,对于人力、物力资源是很大的浪费。同时,长时间的人员监控会出现视觉疲劳,容易出现漏网等情况。
发明内容
有鉴于此,本申请的目的在于提供一种基于GIS的人员异常聚集自动识别方法,以自动化进行异常聚集的识别,省时省力。
第一方面,本申请提供了一种基于GIS的人员异常聚集自动识别方法,包括:
根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
逐一对比任意两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
结合第一方面,本申请提供了第一方面的第一种可能的实施方式,其中,所述计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合,包括:
将提取的处于当前判别时间阈值内的人员实时位置数据依据单位判别时间划分为多个单位时间人员的实时位置数据集合;
针对每一所述单位时间人员的实时位置数据集合,计算任意两单位时间人员实时位置数据间的距离;
提取距离处于预设的人员聚集距离阈值内的人员数据,同时根据人员聚集距离阈值将提取出的人员实时位置数据划分为多个人员集合;
计算各所述人员集合中所述人员实时位置数据的条数,提取条数处于预设人员聚集数量阈值内的潜在人员聚集集合。
结合第一方面,本申请提供了第一方面的第二种可能的实施方式,其中,所述提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据,包括:
提取所述人员位置数据库中处于预设监测范围内的人员实时位置数据;
提取所述人员实时位置数据处于当前判别时间阈值内的当前人员实时位置数据。
结合第一方面,本申请提供了第一方面的第三种可能的实施方式,其中,所述针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库,包括:
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的实时位置信息;
提取各所述实时位置信息中所述潜在人员标识信息相匹配的该集合该判别时间阈值人员实时位置数据,建立人员位置数据库。
第二方面,本申请还提供了一种基于GIS的人员异常聚集自动识别方法,包括:
根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
提取所述人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
逐一对比任意两相邻判别时间对应的两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
第三方面,本申请还提供了一种基于GIS的人员异常聚集自动识别装置,包括:
数据库建立模块,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块,用于提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
潜在人员聚集集合运算模块,用于计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块,用于针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块,用于提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块,用于逐一对比任意两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
第四方面,本申请还提供了一种基于GIS的人员异常聚集自动识别装置,包括:
数据库建立模块,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块,用于提取所述人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
潜在人员聚集集合运算模块,用于计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块,用于针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块,用于提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块,用于逐一对比任意两相邻判别时间对应的两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
第五方面,本申请还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面及其各种可能的实施方式、以及第二方面中任一所述的基于GIS的人员异常聚集自动识别方法的步骤。
第六方面,本申请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,该计算机程序被处理器运行时执行如第一方面及其各种可能的实施方式、以及第二方面任一所述的基于GIS的人员异常聚集自动识别方法的步骤。
本申请提供的基于GIS的人员异常聚集自动识别方案,其首先根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库,并提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;然后计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;再者,针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库,并针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;最后逐一对比任意两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。由于建立的异常聚集人员标识库是通过时间纬度、空间纬度计算出来的,这时标识库中的数据能够表征一个群体同一天同时出现在同一地点的异常聚集的人员信息,这实现了对异常聚集的自动识别,避免了人工参与,省时省力。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1示出了本申请实施例一所提供的一种基于GIS的人员异常聚集自动识别方法的流程图;
图2示出了本申请实施例一所提供的另一种基于GIS的人员异常聚集自动识别方法的流程图;
图3示出了本申请实施例一所提供的另一种基于GIS的人员异常聚集自动识别方法的流程图;
图4示出了本申请实施例一所提供的另一种基于GIS的人员异常聚集自动识别方法的流程图;
图5示出了本申请实施例二所提供的一种基于GIS的人员异常聚集自动识别装置的结构示意图;
图6示出了本申请实施例二所提供的另一种基于GIS的人员异常聚集自动识别装置的结构示意图;
图7示出了本申请实施例三所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到在预警过程中,将出行的轨迹点达到地理信息***(GeographicInformation System,GIS)地图上后,判断某个位置行动点的数量,实时轨迹点分布密集程度等均需要人工研判,这不光需要耗费研判人员的精力;而且,在研判过程中只能在人员已经聚集,并且聚集很明显时才能被发现。一旦发生情况,只能用作事后取证,缺乏对数据的实时分析和识别,不具备对未知异常的情况提供预警的功能。此外,在大型安保等活动期间,需要相关部门对这些场所进行无间断的监控,对于人力、物力资源是很大的浪费。同时,长时间的人员监控会出现视觉疲劳,容易出现漏网等情况。基于此,本申请实施例提供了一种基于GIS的人员异常聚集自动识别方法及装置,下面通过实施例进行描述。
实施例一
如图1所示,为本申请实施例提供的一种基于GIS的人员异常聚集自动识别方法的流程图,该方法具体包括如下步骤:
S101、根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
S102、提取人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
S103、计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
S104、针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
S105、针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
S106、提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
S107、逐一对比任意两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
本申请实施例中,首先根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库,并提取人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;然后计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;再者,针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库,并针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;最后逐一对比任意两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。由于建立的异常聚集人员标识库是通过时间纬度、空间纬度计算出来的,这时标识库中的数据能够表征一个群体同一天同时出现在同一地点的异常聚集的人员信息,这实现了对异常聚集的自动识别,避免了人工参与,省时省力。
本申请实施例中,如图2所示,可以按照如下步骤确定潜在人员聚集集合:
S201、将提取的处于当前判别时间阈值内的人员实时位置数据依据单位判别时间划分为多个单位时间人员的实时位置数据集合;
S202、针对每一单位时间人员的实时位置数据集合,计算任意两单位时间人员实时位置数据间的距离;
S203、提取距离处于预设的人员聚集距离阈值内的人员数据,同时根据人员聚集距离阈值将提取出的人员实时位置数据划分为多个人员集合;
S204、计算各人员集合中人员实时位置数据的条数,提取条数处于预设人员聚集数量阈值内的潜在人员聚集集合。
这里,首先可以将提取的处于当前判别时间阈值内的人员实时位置数据依据单位判别时间划分为多个单位时间人员的实时位置数据集合,而后针对每一单位时间人员的实时位置数据集合,计算任意两单位时间人员实时位置数据间的距离,并提取距离处于预设的人员聚集距离阈值内的人员数据,同时根据人员聚集距离阈值将提取出的人员实时位置数据划分为多个人员集合,最后计算各人员集合中人员实时位置数据的条数,提取条数处于预设人员聚集数量阈值内的潜在人员聚集集合,从而实现潜在人员聚集集合的确定。
本申请实施例中,还可以按照如下步骤提取当前人员实时位置数据:
步骤一、提取人员位置数据库中处于预设监测范围内的人员实时位置数据;
步骤二、提取人员实时位置数据处于当前判别时间阈值内的当前人员实时位置数据。
这里,在提取出预设检测范围内的人员实时位置数据之后,即可以提取人员实时位置数据处于当前判别时间阈值内的当前人员实时位置数据。
其中,上述预设监测范围可以是圆形范围,也可以是多边形范围。针对圆形范围:通过计算圆心到活动点的距离,映射到平面上就是计算两点之间的距离,运用数据公式计算出该点是否在圆内,也就代表当前人员是否触网。针对多边形范围而言:针对多边形区域,取多边形任意一个边,做活动点的水平延长线,计算和当前边的交点个数,奇数表示点在多边形里面,表示触网,反之亦然。
本申请实施例中,考虑到人员位置数据库的建立对后续进行异常聚集识别的影响,接下来通过图3所示的实现人员位置数据库的建立过程进行具体说明。
S301、针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的实时位置信息;
S302、提取各实时位置信息中潜在人员标识信息相匹配的该集合该判别时间阈值人员实时位置数据,建立人员位置数据库。
这里,针对每一个潜在人员聚集集合,可以根据该集合中人员实时位置数据对应的潜在人员标识信息,以确定第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的实时位置信息,最后可以提取各实时位置信息中潜在人员标识信息相匹配的该集合该判别时间阈值人员实时位置数据,以建立人员位置数据库。
本申请实施例还提供了另外一种基于GIS的人员异常聚集自动识别方法,如图4所示,上述识别方法具体包括如下步骤:
S401、根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
S402、提取人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
S403、计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
S404、针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
S405、针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
S406、提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
S407、逐一对比任意两相邻判别时间对应的两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
本申请实施例中,首先根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库,并提取人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;然后计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;再者,针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库,并针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;最后逐一对比任意两相邻判别时间对应的两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。由于建立的异常聚集人员标识库是通过时间纬度、空间纬度计算出来的,这时标识库中的数据能够表征一个群体同一天同时出现在同一地点的异常聚集的人员信息,这实现了对异常聚集的自动识别,避免了人工参与,省时省力。
实施例二
基于同一发明构思,本申请实施例提供了一种与基于GIS的人员异常聚集自动识别方法对应的基于GIS的人员异常聚集自动识别装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于GIS的人员异常聚集自动识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图5所示,本申请实施例所提供的基于GIS的人员异常聚集自动识别装置,包括:
数据库建立模块501,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块502,用于提取人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
潜在人员聚集集合运算模块503,用于计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块504,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块505,用于针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块506,用于提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块507,用于逐一对比任意两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
在一种实施方式中,潜在人员聚集集合运算模块503,用于按照如下步骤确定潜在人员聚集集合:
将提取的处于当前判别时间阈值内的人员实时位置数据依据单位判别时间划分为多个单位时间人员的实时位置数据集合;
针对每一单位时间人员的实时位置数据集合,计算任意两单位时间人员实时位置数据间的距离;
提取距离处于预设的人员聚集距离阈值内的人员数据,同时根据人员聚集距离阈值将提取出的人员实时位置数据划分为多个人员集合;
计算各人员集合中人员实时位置数据的条数,提取条数处于预设人员聚集数量阈值内的潜在人员聚集集合。
在一种实施方式中,当前人员数据提取模块502,用于按照如下步骤提取当前人员实时位置数据:
提取人员位置数据库中处于预设监测范围内的人员实时位置数据;
提取人员实时位置数据处于当前判别时间阈值内的当前人员实时位置数据。
在一种实施方式中,人员数据提取模块504,用于按照如下步骤确定人员位置数据库:
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的实时位置信息;
提取各实时位置信息中潜在人员标识信息相匹配的该集合该判别时间阈值人员实时位置数据,建立人员位置数据库。
本申请实施例还提供了一种GIS的人员异常聚集自动识别装置,如图6所示,该装置具体包括:
数据库建立模块601,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块602,用于提取人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
潜在人员聚集集合运算模块603,用于计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块604,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各人员实时位置数据对应的潜在人员标识信息,提取人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块605,用于针对每一人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块606,用于提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块607,用于逐一对比任意两相邻判别时间对应的两人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
实施例三
如图7所示,为本申请实施例所提供的一种电子设备的结构示意图,该电子设备包括:处理器701、存储器702和总线703,存储器702存储执行指令,当电子设备运行时,处理器701与存储器702之间通过总线703通信,处理器701执行存储器702中存储的基于GIS的人员异常聚集自动识别方法。
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,该计算机程序被处理器701运行时执行基于GIS的人员异常聚集自动识别方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于GIS的人员异常聚集自动识别方法,从而解决人工研判所存在的人力物力浪费的问题,进而达到自动化进行异常聚集的识别,省时省力的效果。
本申请实施例所提供的信息传输方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于GIS的人员异常聚集自动识别方法,其特征在于,包括:
根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
逐一对比任意两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
2.根据权利要求1所述的方法,其特征在于,所述计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合,包括:
将提取的处于当前判别时间阈值内的人员实时位置数据依据单位判别时间划分为多个单位时间人员的实时位置数据集合;
针对每一所述单位时间人员的实时位置数据集合,计算任意两单位时间人员实时位置数据间的距离;
提取距离处于预设的人员聚集距离阈值内的人员数据,同时根据人员聚集距离阈值将提取出的人员实时位置数据划分为多个人员集合;
计算各所述人员集合中所述人员实时位置数据的条数,提取条数处于预设人员聚集数量阈值内的潜在人员聚集集合。
3.根据权利要求1所述的方法,其特征在于,所述提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据,包括:
提取所述人员位置数据库中处于预设监测范围内的人员实时位置数据;
提取所述人员实时位置数据处于当前判别时间阈值内的当前人员实时位置数据。
4.根据权利要求1所述的方法,其特征在于,所述针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库,包括:
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的实时位置信息;
提取各所述实时位置信息中所述潜在人员标识信息相匹配的该集合该各个预判别时间阈值人员实时位置数据,建立人员位置数据库。
5.一种基于GIS的人员异常聚集自动识别方法,其特征在于,包括:
根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
提取所述人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
逐一对比任意两相邻判别时间对应的两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
6.一种基于GIS的人员异常聚集自动识别装置,其特征在于,包括:
数据库建立模块,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块,用于提取所述人员位置数据库中处于当前判别时间阈值内的当前人员实时位置数据;
潜在人员聚集集合运算模块,用于计算提取的当前人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的当前人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块,用于针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块,用于提取距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块,用于逐一对比任意两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
7.一种基于GIS的人员异常聚集自动识别装置,其特征在于,包括:
数据库建立模块,用于根据人员标识信息和实时位置建立人员实时位置数据,存入人员位置数据库;
当前人员数据提取模块,用于提取所述人员位置数据库中处于当前判别时间阈值内的人员实时位置数据;
潜在人员聚集集合运算模块,用于计算提取的人员实时位置数据之间的距离,根据距离和预设的人员聚集距离阈值将提取的人员实时位置数据划分为多个人员集合;提取各人员集合中人员实时位置数据的条数处于预设人员聚集数量阈值的潜在人员聚集集合;
人员数据提取模块,用于针对每一个潜在人员聚集集合,根据该潜在人员聚集集合中各所述人员实时位置数据对应的潜在人员标识信息,提取所述人员位置数据库中第一预设判别时间阈值至第二预设判别时间阈值之间各个预设判别时间阈值对应的,各所述潜在人员标识信息对应的人员实时位置数据,根据提取的人员实时位置数据对应的预设判别时间阈值建立对应的人员位置数据库;
人员距离运算模块,用于针对每一所述人员位置数据库,逐一提取各单位判别时间相对应的人员实时位置数据,计算提取的人员实时位置数据中任意两人员实时位置数据间的距离;
标识信息关系运算模块,用于提取计算的距离处于预设的人员聚集距离阈值内的聚集人员实时位置数据,提取各聚集人员实时位置数据对应的潜在人员标识信息,建立存储有对应潜在人员标识信息及标识信息间对应关系的人员标识信息库;
异常聚集提取模块,用于逐一对比任意两相邻判别时间对应的两所述人员标识信息库,提取标识信息间对应关系相匹配的各人员标识信息,建立异常聚集人员标识信息库。
8.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的基于GIS的人员异常聚集自动识别方法的步骤。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一项所述的基于GIS的人员异常聚集自动识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185801.5A CN111400424B (zh) | 2020-03-17 | 2020-03-17 | 基于gis的人员异常聚集自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185801.5A CN111400424B (zh) | 2020-03-17 | 2020-03-17 | 基于gis的人员异常聚集自动识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400424A CN111400424A (zh) | 2020-07-10 |
CN111400424B true CN111400424B (zh) | 2023-05-05 |
Family
ID=71432550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185801.5A Active CN111400424B (zh) | 2020-03-17 | 2020-03-17 | 基于gis的人员异常聚集自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400424B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724426A (zh) * | 2021-06-24 | 2021-11-30 | 储信(北京)科技发展有限公司 | 一种多维度安保规则配置预警的方法 |
CN117111565B (zh) * | 2023-09-19 | 2024-03-08 | 南通森萱药业有限公司 | 一种苯乙基酯生产车间安全在线可视化智能监控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
CN103227821A (zh) * | 2013-04-03 | 2013-07-31 | 腾讯科技(深圳)有限公司 | 一种目标用户位置数据的处理方法及装置 |
CN108053610A (zh) * | 2018-01-16 | 2018-05-18 | 山东万博科技股份有限公司 | 一种被监控者异常行为分析模型的建立方法 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
KR20190126282A (ko) * | 2017-03-17 | 2019-11-11 | 가부시키가이샤 에바라 세이사꾸쇼 | 정보 처리 장치, 정보 처리 시스템, 정보 처리 방법, 프로그램, 기판 처리 장치, 기준 데이터 결정 장치 및 기준 데이터 결정 방법 |
CN110781743A (zh) * | 2019-09-23 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种人群聚集事件的处理方法、装置及电子设备 |
-
2020
- 2020-03-17 CN CN202010185801.5A patent/CN111400424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
CN103227821A (zh) * | 2013-04-03 | 2013-07-31 | 腾讯科技(深圳)有限公司 | 一种目标用户位置数据的处理方法及装置 |
KR20190126282A (ko) * | 2017-03-17 | 2019-11-11 | 가부시키가이샤 에바라 세이사꾸쇼 | 정보 처리 장치, 정보 처리 시스템, 정보 처리 방법, 프로그램, 기판 처리 장치, 기준 데이터 결정 장치 및 기준 데이터 결정 방법 |
CN108053610A (zh) * | 2018-01-16 | 2018-05-18 | 山东万博科技股份有限公司 | 一种被监控者异常行为分析模型的建立方法 |
CN109858365A (zh) * | 2018-12-28 | 2019-06-07 | 深圳云天励飞技术有限公司 | 一种特殊人群聚集行为分析方法、装置及电子设备 |
CN110781743A (zh) * | 2019-09-23 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种人群聚集事件的处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111400424A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152893B (zh) | 一种森林防灾方法及*** | |
CN111400424B (zh) | 基于gis的人员异常聚集自动识别方法及装置 | |
CN110222959B (zh) | 一种基于大数据的城市就业可达性测算方法及*** | |
CN111784966A (zh) | 一种基于机器学习的人员管控的方法及*** | |
CN111950470A (zh) | 一种智能监控方法、装置、计算机设备及存储介质 | |
CN111076096B (zh) | 燃气管网泄漏识别方法和装置 | |
CN103954277B (zh) | 检测兴趣点位置的方法及装置 | |
CN108875806A (zh) | 基于时空数据的虚假林火热点挖掘方法 | |
CN106651004A (zh) | 一种基于降雨洪灾时空数据库的洪灾预测方法 | |
CN115375522A (zh) | 智慧城市碳中和数据分析*** | |
CN114124576B (zh) | 一种基于知识图谱的诈骗网站关联方法及*** | |
CN108876440B (zh) | 区域划分方法和服务器 | |
CN116523312A (zh) | 一种智慧城市数据管理方法及*** | |
CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN111308241A (zh) | 基于gis平台的防雷设施在线安全监测方法及装置 | |
CN116911055B (zh) | 一种基于数字孪生的智慧城市规划治理*** | |
CN103235753A (zh) | 一种信息服务器监测方法及装置 | |
CN110162444A (zh) | 一种***性能监测方法及平台 | |
CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
CN115757836A (zh) | 基于知识图谱的产品碳足迹分析*** | |
CN114897345A (zh) | 一种基于员工数据自动生成指标分的方法及装置 | |
Munasinghe | Spatial Analysis of Urban Road Traffic Accidents Using GIS | |
CN113553315A (zh) | 基于gis的针对地域的电网统计专业指标展示方法及*** | |
CN113191712A (zh) | 超范围揽件行为的识别方法、装置、设备及存储介质 | |
CN110108609A (zh) | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及*** |
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 |