CN111629336A - 一种目标区域内人数确定方法、装置、设备及存储介质 - Google Patents
一种目标区域内人数确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111629336A CN111629336A CN202010506553.XA CN202010506553A CN111629336A CN 111629336 A CN111629336 A CN 111629336A CN 202010506553 A CN202010506553 A CN 202010506553A CN 111629336 A CN111629336 A CN 111629336A
- Authority
- CN
- China
- Prior art keywords
- target
- positioning
- target area
- determining
- people
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种目标区域内人数确定方法、装置、设备及存储介质,该方法包括:先获取发起定位请求的各用户设备的定位数据,根据目标区域的区域标识和各用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。如此提高目标区域人数准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种目标区域内人数确定方法、装置、设备及存储介质。
背景技术
目前,用户所使用的终端设备(如手机等终端设备)中通常安装有至少一款需求定位服务方面的应用程序(例如,地图软件、打车软件、聊天软件、资讯软件等应用程序),使得用户在终端设备上使用这些应用程序时能够触发定位服务,此时定位服务提供方能够获知用户的当前位置。
基于此可知,在一些情况(尤其是在用户量特别大的情况)下,定位服务提供方在收集到用户的定位数据之后,可以将目标区域内触发定位服务的终端设备数量,确定为该目标区域内人数。然而,因用户在终端设备上触发定位请求的时间不确定,导致基于目标区域内发起定位服务的终端设备数量确定的目标区域内人数与位于目标区域内的实际人数差距较大,从而导致上述提供的目标区域内人数确定方法的准确性较低。
发明内容
本申请实施例提供了一种目标区域内人数确定方法、装置、设备及存储介质,能够提高确定的目标区域人数准确性。
有鉴于此,本申请第一方面提供了一种目标区域内人数确定方法,包括:
获取发起定位请求的各用户设备的定位数据;
根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
根据所述目标设备集确定目标区域内人数。
本申请第二方面提供了一种目标区域内人数确定装置,包括:
获取单元,用于获取发起定位请求的各用户设备的定位数据;
第一确定单元,用于根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
第二确定单元,用于根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
第三确定单元,用于根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
第四确定单元,用于根据所述目标设备集确定目标区域内人数。
本申请第三方面提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行上述第一方面所述的目标区域内人数确定方法。
本申请第四方面提供了计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述第一方面所述的目标区域内人数确定方法。
本申请第五方面提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得所述计算机执行上述第一方面所述的目标区域内人数确定方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供的目标区域内人数确定方法中,先获取发起定位请求的各用户设备的定位数据,并根据目标区域的区域标识和各用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。可见,如此实现了基于定位数据确定目标区域人数的目的。还因目标定位模型是基于目标区域在当前时刻下的人群聚集状态确定的,使得利用该目标定位模型确定出的目标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基于该目标设备集确定的目标区域人数准确性较高。
附图说明
图1为12:00至24:00期间在体育馆内出现的发起定位请求的用户设备数量分布曲线示意图;
图2为基于图1使用均值滤波后的平滑分布曲线示意图;
图3为本申请实施例提供的目标区域内人数确定方法的应用场景示意图;
图4为本申请实施例提供的一种目标区域内人数确定方法的流程示意图;
图5为本申请实施例提供的定位点位于目标区域内的用户设备数量与基于定位点位于目标区域内的用户设备数量确定的目标区域内人数之间的对比示意图;
图6为本申请实施例提供的第一模型在确定关注设备在当前时刻下的定位结果所使用的判断原则示意图;
图7为本申请实施例提供的第二模型在确定关注设备在当前时刻下的定位结果所使用的判断原则示意图;
图8为本申请实施例提供的第三模型在确定关注设备在当前时刻下的定位结果所使用的判断原则示意图;
图9为本申请实施例提供的用于确定目标设备集中的用户设备个数所属的人数区间的流程示意图;
图10为本申请实施例提供的不同人数区间对应的扩样结果示意图;
图11为本申请实施例提供的人群数量的实时热力图;
图12为本申请实施例提供的人群数量的实时折线图;
图13为本申请实施例提供的用于确定目标区域内人数的***示意图;
图14为本申请实施例提供的图13所示***确定目标区域内人数的流程图;
图15为本申请实施例提供的一种目标区域内人数确定装置的结构示意图;
图16为本申请实施例提供的另一种目标区域内人数确定装置的结构示意图;
图17为本申请实施例提供的一种终端设备的结构示意图;
图18为本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
发明人在针对确定目标区域内人数研究中发现,可以根据目标区域内触发定位服务的用户设备(也就是,用户所使用的终端设备)数量来确定该目标区域内人数,其具体为将目标区域内发起定位服务的用户设备数量确定为该目标区域内人数。但是,因用户在用户设备上触发定位请求的时间不确定,导致基于目标区域内发起定位服务的用户设备数量确定的目标区域内人数与位于目标区域内的实际人数差距较大,从而导致上述提供的目标区域内人数确定方法的准确性较低。
为了便于理解发明人的上述发现,下面结合图1和图2进行说明。其中,图1为于12:00至24:00期间在体育馆内出现的发起定位请求的用户设备数量分布曲线示意图;图2为基于图1使用均值滤波后的平滑分布曲线示意图。需要说明的是,在图1所示的示意图和图2所示的示意图中,横轴表示的是时间time(时间为24小时制,精确到分钟,每个大格表示10分钟,每个小格表示5分钟);纵轴表示的是这一天中的每个时刻对应的体育馆内出现发起定位请求的用户设备数量user。
基于图1所示的用户设备数量分布曲线图可知,在19:25、20:25以及21:25这三个时间点下体育馆涌入了大量的用户。然而,实际情况为该体育馆内只有一场从19:30至21:30的球赛,使得该球赛引起了一场大约从18:30开始,直到21:33左右结束的人群聚集事件;而且,在该近3个小时的球赛期间,大多数观众都没有离场。可见,在19:30至21:30期间体育馆中的实际人数变化趋势应该是先大幅度增长然后保持不变,其与图1所示的用户设备数量的变化趋势存在差距,而且,该差距产生的原因是:因在正式比赛期间大多数观众都在专心关注比赛,导致只有较少的观众使用手机,从而导致只有较少的用户设备发起定位请求,故导致在正式比赛期间发起定位请求的用户设备数量较少;还因在20:25左右发生了球赛中场休息,使得大部分观众频繁使用用户设备来消磨时间,从而使得较大概率的用户设备发起定位请求,故导致在20:25左右发起定位请求的用户设备数量较大。基于此分析可知,直接将目标区域内发起定位服务的用户设备数量确定为该目标区域内人数是不准确的。
另外,为了克服图1对应的缺陷,发明人还发现:可以通过使用滑动窗口滤波的方式对图1中的分布曲线进行滑动窗口滤波,即将过往一段时间(例如,30分钟)的定位请求的用户数据先进行累加,然后对累加后的数据取平均值或中位数,进而得到一个较为平滑稳定的分布曲线。例如,如图2所示的对图1中示出的分布曲线进行了30分钟窗口的均值滤波后得到的平滑分布曲线。基于图2所示的分布曲线可知,曲线平滑后,比较容易获得一个稳定的阈值作为判定人群聚集事件的起止时间,但由于图1中的分布曲线显示的是21:45左右观众大多已经离场,而图2中的平滑分布曲线显示的是需要到22:20左右才有事件结束的趋势,因此,引入了较大的延时,导致计算出的目标区域内人数的明显晚于真实值的发生时间,具有很高的误判率。
针对上述发明人发现的技术问题以及背景技术部分介绍的技术问题,本申请实施例提供了一种目标区域内人数确定方法,能够基于发起定位请求的各用户设备的定位数据准确且实时地确定出目标区域内人数。
在本申请实施例中,目标区域内人数确定方法涉及人工智能领域中的大数据处理技术,大数据处理技术可通过机器学习技术实现,下面对机器学习技术进行说明。机器学习(ML,Machine Learning)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术。本发明实施例通过机器学习技术可对发起定位请求的大量的用户设备的定位数据进行分析处理,以确定位于目标区域内的实时人数,在定位服务方面的应用中具有非常高的应用价值。
另外,本申请实施例提供的目标区域内人数确定方法,具体可以包括:先获取发起定位请求的各用户设备的定位数据,并根据目标区域的区域标识和各用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。
可见,如此实现了基于定位数据确定目标区域人数的目的。还因目标定位模型是基于目标区域在当前时刻下的人群聚集状态确定的,使得利用该目标定位模型确定出的目标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基于该目标设备集确定的目标区域人数准确性较高。
应理解,本申请实施例提供的目标区域内人数确定方法可以应用于数据处理设备,如终端设备、服务器等;其中,终端设备具体可以为智能手机、计算机、个人数字助理(Personal Digital Assitant,PDA)、平板电脑等;服务器具体可以为应用服务器,也可以为Web服务器,在实际部署时,该服务器可以为独立服务器,也可以为集群服务器或者云服务器。
若本申请实施例提供的目标区域内人数确定方法由终端设备执行时,则终端设备可以基于获取到的发起定位请求的各用户设备的定位数据确定目标区域内人数,以使后续能够将该目标区域内人数进行显示。若本申请实施例提供的目标区域内人数确定方法由服务器执行时,则服务器可以先基于获取到的发起定位请求的各用户设备的定位数据确定目标区域内人数,再将该目标区域内人数发送给终端设备进行显示。
为了便于理解本申请实施例提供的技术方案,下面对本申请实施例提供的目标区域内人数确定方法应用于服务器为例,对本申请实施例提供的目标区域内人数确定方法适用的应用场景进行示例性介绍。
参见图3,图3为本申请实施例提供的目标区域内人数确定方法的应用场景示意图。如图3所示,该应用场景包括:服务器301、终端设备302和多个用户设备。其中,服务器301用于执行本申请实施例提供的目标区域内人数确定方法得到目标区域内人数,并将该目标区域内人数发送至终端设备进行显示。用户设备是指用户使用的终端设备,而且用户可以借助用户设备向服务器301发起定位请求。
当任一用户在用户设备上触发了定位请求之后,该用户设备将该定位请求发送至服务器301,以使服务301能够基于该定位请求确定该用户(也就是该用户设备)的定位数据,并将该定位数据反馈给该用户设备,以使该用户设备能够使用该定位数据执行相应的定位服务。基于此可知,服务器301能够实时地获取发起定位请求的各用户设备的定位数据,而且服务器301还能够先根据目标区域的区域标识和获取到的各用户设备的定位数据确定目标状态,并根据目标状态和第一映射关系确定目标定位模型;再根据目标定位模型和各用户设备的定位数据确定目标设备集,并根据目标设备集确定目标区域内人数,以便服务器301将该目标区域内人数发送给终端设备302进行显示,如此使得监控人员(例如,交警等)能够在终端设备302上准确地获知到目标区域中的人数。
应理解,在实际应用中,也可以将本申请实施例提供的目标区域内人数确定方法应用于终端设备,此时,在终端设备从服务器中获取到发起定位请求的各用户设备的定位数据之后,该终端设备先根据目标区域的区域标识和获取到的各用户设备的定位数据确定目标状态,并根据目标状态和第一映射关系确定目标定位模型;再根据目标定位模型和各用户设备的定位数据确定目标设备集,并根据目标设备集确定并显示目标区域内人数,以使相关人员(例如,交警等)能够在该终端设备上准确地获知到目标区域中的人数。
应理解,上述提供的两个应用场景仅为示例,在实际应用中,本申请实施例提供的目标区域内人数确定方法还可以应用于其他进行目标区域内人数确定的应用场景,在此不对本申请实施例提供的目标区域内人数确定方法做任何限定。
下面通过实施例对本申请提供的目标区域内人数确定方法进行介绍。
方法实施例
参见图4,图4为本申请实施例提供的一种目标区域内人数确定方法的流程示意图。为了便于描述,下述实施例仅以服务器为执行主体为例对该目标区域内人数确定方法进行介绍。如图4所示,该目标区域内人数确定方法包括S401-S405:
S401:获取发起定位请求的各用户设备的定位数据。
用户设备是指用户使用的终端设备(如手机等终端设备),而且本申请实施例不限定用户设备,可以是任一种终端设备。
本申请实施例不限定用户在用户设备上触发定位请求的实施方式,例如,用户可以在用户设备上使用预设应用程序时触发定位请求。其中,该预设应用程序是指具有用户位置信息调用需求的应用程序(如地图软件、打车软件、聊天软件、资讯软件等应用程序)。
定位数据用于表征用户所处的位置信息(也就是用户设备的定位信息);而且,本申请实施例不限定定位数据的内容,例如,定位数据可以包括时间戳、用户设备的设备标识、用户所处位置的经纬度坐标、定位精度、速度等信息。另外,本申请实施例不限定设备标识,例如设备标识可以为手机号码、国际移动设备识别码(International MobileEquipment Identity,IMEI)、MAC(Media Access Control)地址,或任何能区分不同用户设备的脱敏后的号码串。
基于上述内容可知,本申请实施例中,当用户在使用用户设备的过程中触发了定位请求之后,该用户设备将定位请求发送至提供定位服务器的服务器,以便该提供定位服务的服务器能够确定对应于该定位请求的定位数据,并将该定位数据发送给用户设备,以使该用户设备能够基于该定位数据执行相应的定位服务。另外,该提供定位服务的服务器还将该定位数据发送给执行目标区域内人数确定方法的服务器,以使该执行目标区域内人数确定方法的服务器能够基于该定位数据来确定目标区域内人数。
需要说明的是,本申请实施例不限定上述提供定位服务的服务器与上述执行目标区域内人数确定方法的服务器的关系,例如,上述提供定位服务的服务器与上述执行目标区域内人数确定方法的服务器可以是同一个服务器,也可以是不同的服务器。
S402:根据目标区域的区域标识和各用户设备的定位数据确定目标状态。
目标区域是指根据业务需求确定的具有人数监控需求的区域,而且本申请实施例不限定目标区域,例如,目标区域可以是大学体育馆、电影院或戏剧院等具有人数监控需求的场所。
区域标识用于唯一标记区域,也就是,目标区域的区域标识用于唯一标记目标区域。另外,本申请实施例不限定目标区域的区域标识的获取方式,例如,当本申请实施例提供的目标区域内人数确定方法应用于图1所示的应用场景时,上述监控人员可以在终端设备302上输入或选择目标区域的区域标识,以使该终端设备302将该目标区域的区域标识发送给服务器301,以便该服务器301能够确定该目标区域内人数。
目标状态用于表征在当前时刻下目标区域的人群聚集状态。其中,人群聚集状态用于表征一个区域内人群聚集情况,而且人群聚集状态可以包括人群未聚集状态、人群已聚集状态和人群散去状态。
人群未聚集状态是指未发生人群聚集事件时区域所处的状态;而且,人群未聚集状态通常发生在未检测到人群聚集事件发生的时间段内或者发生在人群聚集事件结束后的第一时长之后的时间段内。例如,人群未聚集状态通常发生在图5所示的普通时段。
需要说明的是,图5为本申请实施例提供的定位点位于目标区域内的用户设备数量与基于定位点位于目标区域内的用户设备数量确定的目标区域内人数之间的对比示意图。另外,图5中曲线“merge”为利用基于定位点位于目标区域内的用户设备数量确定的目标区域内人数的变化曲线;曲线“inAoi”为定位点位于目标区域内的用户设备数量的变化曲线。
人群已聚集状态是指发生人群聚集事件时区域所处的状态;而且,人群已聚集状态通常发生在检测到人群聚集事件开始至检测到人群聚集事件结束这一时间段内。例如,人群已聚集状态通常发生在图5所示的进行中时段。
人群散去状态是指聚集的人群进行散去时区域所处的状态;而且,人群散去状态的发生时间段是从检测到人群聚集事件结束时开始,并在检测到目标区域内发起定位请求的各用户设备数量小于2倍以往该时刻的正常值时结束。
另外,本申请实施例不限定目标状态的获取方式,例如,可以先利用申请号为201910898268.4,发明名称为“一种人群聚集事件的处理方法、装置及电子设备”中提供的人群聚集事件的处理方法来确定在当前时刻下目标区域是否发生人群聚集事件,再基于该确定结果来确定目标区域的人群聚集状态。
基于上述内容可知,本申请实施例中,在获取到发起定位请求的各用户设备的定位数据之后,可以根据目标区域的区域标识和各用户设备的定位数据确定目标状态,其具体为:先利用目标区域的区域标识和所述各用户设备的定位数据来确定目标区域在当前时刻下是否发生人群聚集事件,再基于该确定结果来确定目标区域的人群聚集状态,作为目标状态。
S403:根据目标状态和第一映射关系确定目标定位模型。
第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系,而且各定位模型用于确定各用户设备是否定位至目标区域内。另外,本申请实施例不限定第一映射关系,例如,当人群聚集状态包括人群未聚集状态、人群已聚集状态和人群散去状态,且定位模型包括第一模型、第二模型和第三模型时,则第一映射关系可以包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应关系、人群散去状态与第三模型的对应关系。
另外,本申请实施例还提供了第一模型至第二模型的相关介绍,请参见下文。
目标定位模型是指用于确定在当前时刻下各用户设备是否定位至目标区域内的定位模型,而且目标定位模型是基于目标状态和第一映射关系确定的。也就是,目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内。
基于上述内容可知,本申请实施例中,在获取到在当前时刻下目标区域的人群聚集状态(也就是目标状态)之后,可以在第一映射关系中查找对应于目标状态的定位模型,确定为目标定位模型,其过程具体为:当第一映射关系包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应关系、人群散去状态与第三模型的对应关系时,若目标状态表征在当前时刻下目标区域处于人群未聚集状态,则将第一模型确定为目标定位模型;若目标状态表征在当前时刻下目标区域处于人群已聚集状态,则将第二模型确定为目标定位模型;若目标状态表征在当前时刻下目标区域处于人群散去状态,则将第三模型确定为目标定位模型。
S404:根据目标定位模型和各用户设备的定位数据确定目标设备集。
目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。也就是,目标设备集用于记录由目标定位模型确定的在当前时刻下位于目标区域内的各用户设备的设备标识。
另外,为了提高目标设备集的确定效率,可以在只判断预设时间段内定位至目标区域内的用户设备(例如,1天内经过目标区域内的用户设备)在当前时刻下的定位结果。基于此,本申请实施例还提供了S404的一种实施方式,在该实施方式中,S404具体可以包括S4041和S4042:
S4041:根据目标区域的区域标识和各用户设备的定位数据确定关注设备集。
关注设备集用于记录各关注设备的设备标识。
关注设备为在预设时间段内定位至目标区域内的用户设备。也就是,关注设备是指在预设时间段内经过目标区域内的用户设备。
预设时间段包括当前时刻及位于当前时刻之前的历史时间段。需要说明的是,本申请实施例不限定预设时间段,在一种可能的实施方式中,预设时间段可以是指从第一历史时间点到当前时刻之间的时间段。例如,假设当前时刻为2020年1月1日18:00,且第一历史时间点为2020年1月1日0:00。基于该假设可知,预设时间段可以为2020年1月1日0:00-18:00。
另外,本申请实施例不限定关注设备集的确定方式,例如,可以先利用申请号为201910898268.4,发明名称为“一种人群聚集事件的处理方法、装置及电子设备”中提供的确定关注列表的表示集合的任一实施方式进行实施。
基于上述内容可知,本申请实施例中,在获取到各用户设备的定位数据之后,可以从这些定位数据中分析出在预设时间段内经过目标区域的各用户设备,并将在预设时间段内经过目标区域的各用户设备的集合确定为关注设备集,以便后续能够基于这些关注设备集来确定在当前时刻下位于目标区域中的用户设备。
S4042:基于各用户设备的定位数据,利用目标定位模型从关注设备集中确定出目标设备集。
在本申请实施例中,当目标区域处于不同的人群聚集状态时,S4042应该采用不同的定位模型来确定目标设备集,故本申请实施例在上述第一映射关系的示例(也就是,第一映射关系包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应关系、人群散去状态与第三模型的对应关系)的基础上还提供了S4042的多种可能实施方式,下面分别进行介绍。
在第一种可能的实施方式中,若在当前时刻下目标区域的人群聚集状态(也就是,目标状态)为人群未聚集状态,则目标定位模型为第一模型,则S4042具体可以包括步骤11-步骤13:
步骤11:根据关注设备集和各用户设备的定位数据确定出关注信息集。
关注信息集用于记录各关注设备的定位信息。
定位信息用于表征关注设备的定位数据。另外,本申请实施例不限定定位信息,在一种可能的实施方式中,定位信息可以包括关注设备的设备标识、关注设备的最近一次定位时间戳和关注设备的最近一次定位的定位结果。其中,关注设备的最近一次定位时间戳用于表征关注设备在距离当前时刻最近一次发起定位请求的时间点。关注设备的最近一次定位的定位结果用于表征对应于关注设备在距离当前时刻最近一次发起定位请求的定位数据所表示定位地址(也就是,关注设备在距离当前时刻最近一次发起定位请求时关注设备所处的实际经纬度坐标地址)。
基于上述内容可知,本申请实施例中,在获取到关注设备集之后,先从各用户设备的定位数据中提取出关注设备集中各关注设备的定位数据,再对各关注设备的定位数据进行数据分析,确定出各关注设备的定位信息,最后,将各关注设备的定位信息的集合确定为关注信息集,以便后续能够基于该关注信息集确定各关注设备在当前时刻下的定位结果。
步骤12:将关注信息集输入至第一模型,得到第一模型输出的第一结果集。
第一模型用于将定位信息满足第一条件的关注设备的定位结果确定为位于目标区域内,并将定位信息不满足第一条件的关注设备的定位结果确定为位于目标区域外。
第一条件包括定位信息表征关注设备在当前时刻下的实际定位点位于目标区域内,或者定位信息表征关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内。可见,满足第一条件是指满足以下两个条件中的任一条件,该两个条件具体为:定位信息表征关注设备在当前时刻下的实际定位点位于目标区域内,或者定位信息表征关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内。
需要说明的是,在本申请实施例中,“距离当前时刻最近一次定位过程”是指响应于关注设备发起的最近一次定位请求的定位过程,而且“在距离当前时刻最近一次定位过程确定的历史定位结果”是指对应于关注设备发起的最近一次定位请求的定位数据所显示出的关注设备所处的定位地址。
基于上述内容可知,如图6所示,第一模型在确定关注设备在当前时刻下的定位结果所使用的判断原则具体包括以下两种情况:
①对于在当前时刻下发起定位请求的关注设备来说,可以利用对应于在当前时刻下发起定位请求的定位数据来确定该关注设备在当前时刻下的定位结果,该确定过程具体为:当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目标区域内(也就是,该关注设备的实际定位点位于目标区域内)时,则确定该关注设备位于目标区域内;当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目标区域外(也就是,该关注设备的实际定位点位于目标区域外)时,则确定该关注设备位于目标区域外,也就是,该关注设备不位于目标区域内。
②对于在当前时刻下没有发起定位请求的关注设备来说,可以利用对应于对应于距离当前时刻最近一次定位请求的定位数据来确定该关注设备在当前时刻下的定位结果,该确定过程具体为:当该关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长(也就是,图6中的MIN_STAY),而且该关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内时,则确定该关注设备位于目标区域内;当该关注设备的最近一次定位请求的发起时间与当前时刻的时间差大于或等于预设时长(也就是,图6中的MIN_STAY),或者该关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域外时,则确定该关注设备位于目标区域外,也就是,该关注设备不位于目标区域内。
需要说明的是,在图6中,“In”表示位于目标区域内;“Out”表示位于目标区域外;“AOI”表示目标区域。
第一结果集用于记录在当前时刻下各关注设备是否位于目标区域内。也就是,第一结果集用于记录利用第一模型确定的在当前时刻下各关注设备的定位结果。
基于上述内容可知,本申请实施例中,在获取到关注信息集之后,可以将关注信息集直接输入到第一模型中,以使第一模型能够基于上述判断原则来确定各关注设备在当前时刻下的定位结果,并输出包括各关注设备在当前时刻下的定位结果的第一结果集,以便后续能够从该第一结果集中确定出只包括在当前时刻下位于目标区域内的关注设备的目标设备集。
步骤13:从第一结果集中确定目标设备集。
本申请实施例中,可以从第一结果集中确定出目标设备集,其过程具体为:将第一结果集中对应定位结果表征在当前时刻下位于目标区域内的各关注设备的集合,确定为目标设备集,以使目标设备集中能够记录有在当前时刻下位于目标区域内的各关注设备的设备标识。
基于上述步骤11至步骤13的相关内容可知,本申请实施例中,若当前时刻下目标区域的人群聚集状态为人群未聚集状态,则可以利用第一模型来确定目标设备集,而且该确定过程具体为:先确定各关注设备的定位信息,再根据该定位信息,并由第一模型按照上述介绍的判断原则来确定各关注设备在当前时刻下的定位结果,以便可以基于第一模型确定的各关注设备在当前时刻下的定位结果来确定目标设备集。如此能够提高目标设备集的准确性,从而有利于提高目标区域内人数的准确性。
在第二种可能的实施方式中,若在当前时刻下目标区域的人群聚集状态(也就是,目标状态)为人群已聚集状态,则目标定位模型为第二模型,则S4042具体可以包括步骤21-步骤24:
步骤21:获取历史定位结果集。
历史定位结果集用于记录关注设备集中至少一个关注设备在距离当前时刻最近一次定位过程确定的历史定位结果。本申请实施例不限定历史定位结果集,例如,历史定位结果集记录有上述位于当前时刻之前的历史时间段内定位至目标区域内的用户设备在距离当前时刻最近一次定位过程确定的历史定位结果。
需要说明的是,因关注设备集用于记录预设时间段内经过目标区域的累计用户,使得关注设备集不是一成不变的,而是随着时间不断地增加新经过目标区域的用户设备的设备标识,从而使得在当前时刻下存在新经过目标区域的用户设备时,该新经过目标区域的用户设备不存在历史定位结果,故使得历史定位结果集不包括该新经过目标区域的用户设备的历史定位结果。
步骤22:根据关注设备集和各用户设备的定位数据确定更新信息集。
更新信息集用于记录在当前时刻下发起定位请求的各关注设备的定位更新信息。其中,定位更新信息用于表征关注设备的在当前时刻下的定位数据。另外,本申请实施例不限定定位更新信息,在一种可能的实施方式中,定位更新信息可以包括关注设备的设备标识、关注设备的最近一次定位时间戳(也就是,当前时刻)和关注设备的最近一次定位的定位结果(也就是,当前时刻下的定位数据)。
本申请实施例中,在获取到关注设备集和各用户设备的定位数据之后,可以根据关注设备集和各用户设备的定位数据确定更新信息集,其过程具体为:对于关注设备集中的每一关注设备来说,可以利用该关注设备的定位数据来确定该关注设备是否在当前时刻下发起定位请求,并在确定该关注设备在当前时刻下发起定位请求时,生成该关注设备的定位更新信息并该关注设备的定位更新信息添加至更新信息集。
步骤23:将更新信息集和历史定位结果集输入第二模型,得到第二模型输出的第二结果集。
第二模型用于将定位更新信息及历史定位结果满足第二条件的关注设备的定位结果确定为位于目标区域内,并将定位更新信息及历史定位结果不满足第二条件的关注设备的定位结果确定为位于目标区域外。
第二条件包括定位更新信息表征关注设备在当前时刻下的实际定位点位于目标区域内,或者定位更新信息表征关注设备在当前时刻下未发起定位请求且历史定位结果表征关注设备在距离当前时刻最近一次定位过程定位至目标区域内。可见,满足第二条件是指满足以下两个条件中的任一条件,该两个条件具体为:定位更新信息表征关注设备在当前时刻下的实际定位点位于目标区域内,或者定位更新信息表征关注设备在当前时刻下未发起定位请求且历史定位结果表征关注设备在距离当前时刻最近一次定位过程定位至目标区域内。
基于上述内容可知,如图7所示,第二模型在确定关注设备在当前时刻下的定位结果所使用的判断原则具体包括以下两种情况:
①对于在当前时刻下发起定位请求的关注设备来说,可以利用对应于在当前时刻下发起定位请求的定位数据来确定该关注设备在当前时刻下的定位结果,该确定过程具体为:当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目标区域内(也就是,该关注设备的实际定位点位于目标区域内)时,则确定该关注设备位于目标区域内;当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目标区域外(也就是,该关注设备的实际定位点位于目标区域外)时,则确定该关注设备位于目标区域外,也就是,该关注设备不位于目标区域内。
②对于在当前时刻下没有发起定位请求的关注设备来说,可以利用对应于对应于距离当前时刻最近一次定位请求的定位数据来确定该关注设备在当前时刻下的定位结果,该确定过程具体为:当该关注设备在距离当前时刻最近一次定位过程定位至目标区域内时,则确定该关注设备位于目标区域内;当该关注设备在距离当前时刻最近一次定位过程定位至目标区域外时,则确定该关注设备位于目标区域外,也就是,该关注设备不位于目标区域内。
第二结果集用于记录在当前时刻下各关注设备是否位于目标区域内。也就是,第二结果集用于记录利用第二模型确定的在当前时刻下各关注设备的定位结果。
基于上述内容可知,本申请实施例中,在获取到更新信息集和历史定位结果集之后,可以将更新信息集和历史定位结果集直接输入到第二模型中,以使第二模型能够基于上述判断原则来确定各关注设备在当前时刻下的定位结果,并输出包括各关注设备在当前时刻下的定位结果的第二结果集,以便后续能够从该第二结果集中确定出只包括在当前时刻下位于目标区域内的关注设备的目标设备集。
步骤24:从第二结果集中确定目标设备集。
步骤24的具体实施方式类似于上文步骤13的具体实施方式,请参见上文。
基于上述步骤21至步骤24的相关内容可知,本申请实施例中,若当前时刻下目标区域的人群聚集状态为人群已聚集状态,则可以利用第二模型来确定目标设备集,而且该确定过程具体为:先确定更新信息集和历史定位结果集,再根据更新信息集和历史定位结果集,并由第二模型按照上述介绍的判断原则来确定各关注设备在当前时刻下的定位结果,以便可以基于第二模型确定的各关注设备在当前时刻下的定位结果来确定目标设备集。如此能够提高目标设备集的准确性,从而有利于提高目标区域内人数的准确性。
在第三种可能的实施方式中,若在当前时刻下目标区域的人群聚集状态(也就是,目标状态)为人群散去状态,则目标定位模型为第三模型,则S4042具体可以包括步骤31-步骤33:
步骤31:根据关注设备集和各用户设备的定位数据确定目标信息集。
目标信息集用于记录在当前时刻下实际定位至目标区域内的各关注设备的设备标识。
步骤32:将目标信息集和关注设备集输入第三模型,得到第三模型输出的第三结果集。
第三模型用于将设备标识属于目标信息集与关注设备集交集的关注设备的定位结果确定为位于目标区域内,并将设备标识不属于目标信息集与关注设备集交集的关注设备的定位结果确定为位于目标区域外。
基于上述内容可知,如图8所示,第一模型在确定关注设备在当前时刻下的定位结果所使用的判断原则具体为:当关注设备在当前时刻下发起定位请求,而且对应于该在当前时刻下发起的定位请求的定位数据显示出该关注设备位于目标区域内(也就是,该关注设备的实际定位点位于目标区域内)时,才会确定该关注设备位于目标区域内。然而,对于处于其他情况的关注设备来说,均确定为该关注设备位于目标区域外,也就是,该关注设备不位于目标区域内。
第三结果集用于记录在当前时刻下各关注设备是否位于目标区域内。也就是,第三结果集用于记录利用第三模型确定的在当前时刻下各关注设备的定位结果。
基于上述内容可知,本申请实施例中,在获取到目标信息集之后,可以将目标信息集和关注设备集直接输入到第三模型中,以使第三模型能够基于上述判断原则来确定各关注设备在当前时刻下的定位结果,并输出包括各关注设备在当前时刻下的定位结果的第三结果集,以便后续能够从该第三结果集中确定出只包括在当前时刻下位于目标区域内的关注设备的目标设备集。
步骤33:从第三结果集中确定目标设备集。
步骤33的具体实施方式类似于上文步骤13的具体实施方式,请参见上文。
基于上述步骤11至步骤13的相关内容可知,本申请实施例中,若当前时刻下目标区域的人群聚集状态为人群散去状态,则可以利用第三模型来确定目标设备集,而且该确定过程具体为:先确定目标信息集,再根据该目标信息集,并由第三模型按照上述介绍的判断原则来确定各关注设备在当前时刻下的定位结果,以便可以基于第三模型确定的各关注设备在当前时刻下的定位结果来确定目标设备集。如此能够提高目标设备集的准确性,从而有利于提高目标区域内人数的准确性。
基于上述S404的相关内容可知,本申请实施例中,在获取到目标定位模型之后,可以利用目标定位模型对各用户设备的定位数据进行分析处理确定出目标设备集,以使目标设备集能够准确地记录有在当前时刻下位于目标区域内的各用户设备的设备标识,以便后续能够基于该目标设备集进行目标区域内人数的确定。
S405:根据目标设备集确定目标区域内人数。
本申请实施例不限定根据目标设备集确定目标区域内人数的具体实施方式,例如,可以直接将目标设备集中的用户设备个数确定为目标区域内人数,也可以将目标设备集中的用户设备个数与预设倍数的乘积确定为目标区域内人数。
另外,为了提高目标区域内人数的准确性,可以基于目标设备集中的用户设备个数所属的人数区间来确定上述预设倍数。基于此,本申请实施例还提供了S405的一种可能的实施方式,其具体可以包括S4051-S4053:
S4051:将目标设备集中的用户设备个数确定为初始人数。
S4052:根据初始人数与第二映射关系确定目标系数。
第二映射关系用于记录各人数区间与各扩样系数之间的对应关系。
另外,本申请实施例不限定第二映射关系的构建过程,在一种可能的实施方式中,可以利用大数据处理技术针对目标区域内的历史人数数据进行线性处理来确定各人数区间与各扩样系数之间的对应关系,并基于该对应关系生成第二映射关系。
为了便于理解上述第二映射关系的构建过程,下面结合三个人数区间及其对应的扩样系数的确定过程为例进行说明。
作为示例,假设第二映射关系包括第一区间[0,TH0)与第一扩样系数r0之间的对应关系、第二区间[TH0,TH1)与第二扩样系数r1之间的对应关系、以及第三区间[TH1,TH2)与第三扩样系数r2之间的对应关系。基于上述假设可知,当一条历史数据中记录有目标区域在目标时刻下的实际人数为x,且利用目标区域内人数确定方法确定的目标区域内人数为y,则上述区间参数(也就是TH0、TH1和TH2)与扩样系数(也就是r0、r1和r2)可以利用公式(1)至(3)确定。
r1=(r2*TH1+b2-r0*TH0)/(TH1-TH0) (2)
b1=(TH0*TH1*(r0-r2)-b2*TH0)/(TH1-TH0) (3)
需要说明的是,为了保证输入x为0时,输出y也为0,所以b0=0;为了保证各个阶段的连续性,可以利用公式(2)确定r1,并利用公式(3)确定b1。
S4053:将初始人数和目标系数的乘积确定为目标区域内人数。
基于上述S4051至S4053的相关内容可知,本申请实施例中在获取到目标设备集之后,可以基于目标设备集中的用户设备个数确定目标区域内人数,该过程具体为可以为:先判断目标设备集中的用户设备个数所属的人数区间(如采用图9所示的判断流程进行判断),再从第二映射关系中查找对应于目标设备集中的用户设备个数所属的人数区间的扩样系数,作为目标系数;最后将目标设备集中的用户设备个数和目标系数的乘积确定为目标区域内人数。如此能够有效地提高目标区域内人数的准确性。
需要说明的是,在图9中,“UV”用于表示目标设备集中的用户设备个数;而且,阶段0的扩样系数是指上文的第一扩样系数r0,阶段1的扩样系数是指上文的第一扩样系数r1,阶段2的扩样系数是指上文的第一扩样系数r2。,例如,在图10所示的目标区域内人数变化趋势图中,“无活动的UV范围”就是指上文的阶段0;“活动开始之前和结束之后的过渡期的UV范围”就是指上文的阶段1;“活动进行中的UV范围”就是指上文的阶段2。
基于上述S405的相关内容可知,本申请实施例中,在获取到目标设备集之后,可以根据目标设备集中的用户设备个数确定目标区域内人数,以使确定的目标区域内人数能够有效地表征出在当前时刻下目标区域内的实际人数。
另外,在获取到目标区域内人数之后,可以将目标区域人数显示给预设领域(例如,警务部门、交通管制部门等具有人群数量监控需求的部门)的监控人员进行查看。基于此,本申请实施例还提供了目标区域内人数确定方法的一种实施方式,在该实施方式中,目标区域内人数确定方法除了包括上述步骤S401-S405以外,还包括S406:
S406:将目标区域人数发送至显示设备,以使显示设备按照预设显示方式对目标区域人数进行显示。
预设显示方式可以预先设定;而且,本申请实施例不限定预设显示方式,例如,预设显示方式可以为包括人群数量的实时热力图(如图11所示)和/或人群数量的实时折线图(如图12所示)。
基于上述S401至S406的相关内容可知,本申请实施例提供的目标区域内人数确定方法中,先获取发起定位请求的各用户设备的定位数据,并根据目标区域的区域标识和各用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。
可见,如此实现了基于定位数据确定目标区域人数的目的。还因目标定位模型是基于目标区域在当前时刻下的人群聚集状态确定的,使得利用该目标定位模型确定出的目标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基于该目标设备集确定的目标区域人数准确性较高。
场景实施例
场景实施例是对方法实施例提供的目标区域内人数确定方法的示例性介绍,为了简要起见,场景实施例中与方法实施例中部分内容相同,在此不再赘述,该内容相同的部分的技术详情请参照方法实施例中的相关内容。
为了便于进一步理解本申请实施例提供的目标区域内人数确定方法,场景实施例将结合图13和图14对本申请实施例提供的目标区域内人数确定方法进行整体介绍。其中,图13为本申请实施例提供的用于确定目标区域内人数的***示意图;图14为本申请实施例提供的图13所示***确定目标区域内人数的流程图。
如图13所示,本申请实施例提供的用于确定目标区域内人数的***包括定位信息更新模块(也就是图13中的Location Update模块)、人群聚集状态检测模块(也就是图13中的Event Detect模块)、区域内人数确定模块(也就是图13中的Stay UV Estimate模块)和区域内停留人群信息存储模块(也就是,图13中的Stay Map模块)。
定位信息更新模块用于接收发起定位请求的各用户设备的实时定位数据流Realtime_Traffic、目标区域的区域标识AOI_ID以及定位周期Update_Time(也就是执行目标区域内人数确定方法的周期,例如,Update_Time可以为10分钟、1分钟、10秒钟等),并基于该Realtime_Traffic确定用于记录在当前时刻下发起定位请求并实际定位至目标区域内的用户设备集合In_ID_map(也就是上文的目标信息集)、用于记录在当前时刻下发起定位请求并实际定位至目标区域内的用户设备数量inAoi_UV、以及用于记录在当前时刻下发起定位请求并实际定位至目标区域内的各关注设备定位信息的集合Update_ID_list。需要说明的是,定位信息更新模块可以通过执行上述S401来进行实施。
人群聚集状态检测模块用于根据定位信息更新模块提供的信息来确定在当前时刻下目标区域的人群聚集状态Context(t)。需要说明的是,人群聚集状态检测模块可以相当于申请号为201910898268.4,发明名称为“一种人群聚集事件的处理方法、装置及电子设备”中提供的事件检测模块。需要说明的是,人群聚集状态检测模块可以通过执行上述S402来进行实施。
区域内停留人群信息存储模块用于存储利用本申请实施例提供的目标区域内人数确定方法确定出的目标设备集中各用户设备定位信息集合Est_Stay_ID_list,而且还用于将确定出的Est_Stay_ID_list反馈给区域内人数确定模块,以使区域内人数确定模块利用该接收的Est_Stay_ID_list进行下一轮目标区域内人数的确定过程。也就是,区域内停留人群信息存储模块用于向区域内人数确定模块提供Est_Stay_ID_list(t-1),以使区域内人数确定模块基于给Est_Stay_ID_list(t-1)确定Est_Stay_ID_list(t)。其中,Est_Stay_ID_list(t-1)表示在第t-1时刻下的确定出的目标设备集中各用户设备定位信息集合;Est_Stay_ID_list(t)表示在第t时刻下的确定出的目标设备集中各用户设备定位信息集合。
区域内人数确定模块用于根据输入的In_ID_map、Update_ID_list、Context(t)和Est_Stay_ID_list(t-1)确定在当前时刻下各用户设备的定位结果,并基于该定位结果生成用于记录在当前时刻下目标设备集中各用户设备定位信息集合Est_Stay_ID_list(t)、用于记录定位结果显示出在当前时刻下定位至目标区域内的用户设备的设备标识集合Est_In_ID_map;用于记录定位结果显示出在当前时刻下定位至目标区域外的用户设备的设备标识集合Est_Out_ID_map。需要说明的是,区域内人数确定模块可以通过执行上述S403至S405来进行实施。
基于图13以及上述内容可知,图13的所示***的输入数据包括AOI_ID、Realtime_Traffic以及Update_Time;而且图13的所示***的输出数据包括Est_Stay_ID_list、Est_Out_ID_map和Est_In_ID_map。
另外,如图14所示,本申请实施例提供的利用图13所示***确定目标区域内人数的流程具体包括S1401-S1405:
S1401:Location Update模块根据接收到的Realtime_Traffic以及AOI_ID,将按照Update_Time来确定In_ID_map和Update_ID_list,并将In_ID_map和Update_ID_list发送给Stay UV Estimate模块。
S1402:Event Detect模块根据Location Update模块发送给Event Detect模块的信息(例如,inAoi_UV)来确定Context(t),并将Context(t)发送给Stay UV Estimate模块。
S1403:Stay UV Estimate模块根据接收到的In_ID_map、Update_ID_list、Context(t)和Est_Stay_ID_list(t-1),确定Est_Stay_ID_list(t)、Est_In_ID_map和Est_Out_ID_map。
S1404:Stay UV Estimate模块将Est_Stay_ID_list(t)反馈给Stay Map模块进行存储,以使Stay Map模块能够在下一时刻将Est_Stay_ID_list(t)发送给Stay UVEstimate模块,以便Stay UV Estimate模块基于该Est_Stay_ID_list(t)确定下一时刻的Est_Stay_ID_list(t+1)。
S1405:Stay UV Estimate模块将Est_Stay_ID_list(t)、Est_In_ID_map和Est_Out_ID_map发送至显示设备,以使该显示设备能够显示目标区域内人数。
基于上述图13所示的***以及图14所示的流程图可知,本申请实施例中,可以利用上述目标区域内人数确定方法对实时定位数据流进行大数据分析,确定出目标区域内的实时人数。
基于上述提供的目标区域内人数确定方法的相关内容,本申请实施例还提供了对应的目标区域内人数确定装置,以使得上述提供的目标区域内人数确定方法在实际中得以应用和实现。
装置实施例
需要说明的是,本实施例提供的目标区域内人数确定装置的技术详情可以参照上述提供的目标区域内人数确定方法。
参见图15,该图为本申请实施例提供的一种目标区域内人数确定装置的结构示意图。
本申请实施例提供的目标区域内人数确定装置1500,包括:
获取单元1501,用于获取发起定位请求的各用户设备的定位数据;
第一确定单元1502,用于根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
第二确定单元1503,用于根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
第三确定单元1504,用于根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
第四确定单元1505,用于根据所述目标设备集确定目标区域内人数。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,所述第三确定单元1504,具体用于:
根据所述目标区域的区域标识和所述各用户设备的定位数据确定关注设备集;其中,所述关注设备集用于记录各关注设备的设备标识;所述关注设备为在预设时间段内定位至所述目标区域内的用户设备;所述预设时间段包括当前时刻及位于当前时刻之前的历史时间段;
基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,所述第三确定单元1504,具体用于:当所述目标定位模型为第一模型时,根据所述关注设备集和所述各用户设备的定位数据确定出关注信息集;其中,所述关注信息集用于记录各关注设备的定位信息;
将所述关注信息集输入至所述第一模型,得到所述第一模型输出的第一结果集;其中,所述第一结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第一模型用于将所述定位信息满足第一条件的关注设备的定位结果确定为位于目标区域内,并将所述定位信息不满足第一条件的关注设备的定位结果确定为位于目标区域外;所述第一条件包括所述定位信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位信息表征所述关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且所述关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内;
从所述第一结果集中确定所述目标设备集。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,所述第三确定单元1504,具体用于:当所述目标定位模型为第二模型时,获取历史定位结果集;其中,所述历史定位结果集用于记录所述关注设备集中至少一个关注设备在距离当前时刻最近一次定位过程确定的历史定位结果;
根据所述关注设备集和所述各用户设备的定位数据确定更新信息集;其中,所述更新信息集用于记录在当前时刻下发起定位请求的各关注设备的定位更新信息;
将所述更新信息集和所述历史定位结果集输入所述第二模型,得到所述第二模型输出的第二结果集;其中,所述第二结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第二模型用于将所述定位更新信息及所述历史定位结果满足第二条件的关注设备的定位结果确定为位于目标区域内,并将所述定位更新信息及所述历史定位结果不满足第二条件的关注设备的定位结果确定为位于目标区域外;所述第二条件包括所述定位更新信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位更新信息表征所述关注设备在当前时刻下未发起定位请求且所述历史定位结果表征所述关注设备在距离当前时刻最近一次定位过程定位至目标区域内;
从所述第二结果集中确定所述目标设备集。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,所述第三确定单元1504,具体用于:当所述目标定位模型为第三模型时,根据所述关注设备集和所述各用户设备的定位数据确定目标信息集;其中,所述目标信息集用于记录在当前时刻下实际定位至目标区域内的各关注设备的设备标识;
将所述目标信息集和所述关注设备集输入所述第三模型,得到所述第三模型输出的第三结果集;其中,所述第三结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第三模型用于将所述设备标识属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域内,并将所述设备标识不属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域外;
从所述第三结果集中确定所述目标设备集。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,所述第四确定单元1505,具体用于:
将所述目标设备集中的用户设备个数确定为初始人数;
根据所述初始人数与所述第二映射关系确定目标系数;其中,所述第二映射关系用于记录各人数区间与各扩样系数之间的对应关系;
将所述初始人数和所述目标系数的乘积确定为目标区域内人数。
可选的,在图15所示的目标区域内人数确定装置1500的基础上,如图16所示,所述目标区域内人数确定装置1500还包括:
显示单元1506,用于将所述目标区域人数发送至显示设备,以使所述显示设备按照预设显示方式对所述目标区域人数进行显示。
基于上述提供的目标区域内人数确定装置1500的相关内容可知,本申请实施例中,先获取发起定位请求的各用户设备的定位数据,并根据目标区域的区域标识和各用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。可见,如此实现了基于定位数据确定目标区域人数的目的。还因目标定位模型是基于目标区域在当前时刻下的人群聚集状态确定的,使得利用该目标定位模型确定出的目标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基于该目标设备集确定的目标区域人数准确性较高。
本申请实施例还提供了一种用于确定目标区域内人数的终端设备和服务器,下面将从硬件实体化的角度对本申请实施例提供的用于确定目标区域内人数的终端设备和服务器进行介绍。
参见图17,为本申请实施例提供的一种终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文缩写:PDA)、销售终端(英文全称:Point of Sales,英文缩写:POS)、车载电脑等任意终端设备,以终端为平板电脑为例:
图17示出的是与本申请实施例提供的终端相关的平板电脑的部分结构的框图。参考图17,平板电脑包括:射频(英文全称:Radio Frequency,英文缩写:RF)电路1710、存储器1720、输入单元1730、显示单元1740、传感器1750、音频电路1760、无线保真(英文全称:wireless fidelity,英文缩写:WiFi)模块1770、处理器1780、以及电源1790等部件。本领域技术人员可以理解,图17中示出的平板电脑结构并不构成对平板电脑的限定,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。
存储器1720可用于存储软件程序以及模块,处理器1780通过运行存储在存储器1720的软件程序以及模块,从而执行平板电脑的各种功能应用以及数据处理。存储器1720可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据平板电脑的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1720可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1780是平板电脑的控制中心,利用各种接口和线路连接整个平板电脑的各个部分,通过运行或执行存储在存储器1720内的软件程序和/或模块,以及调用存储在存储器1720内的数据,执行平板电脑的各种功能和处理数据,从而对平板电脑进行整体监控。可选的,处理器1780可包括一个或多个处理单元;优选的,处理器1780可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1780中。
在本申请实施例中,该终端所包括的处理器1780还具有以下功能:
获取发起定位请求的各用户设备的定位数据;
根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
根据所述目标设备集确定目标区域内人数。
可选的,所述处理器1780还用于执行本申请实施例提供的目标区域内人数确定方法的任意一种实现方式的步骤。
本申请实施例还提供了一种服务器,图18是本申请实施例提供的一种服务器的结构示意图,该服务器1800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(central processing units,CPU)1822(例如,一个或一个以上处理器)和存储器1832,一个或一个以上存储应用程序1842或数据1844的存储介质1830(例如一个或一个以上海量存储设备)。其中,存储器1832和存储介质1830可以是短暂存储或持久存储。存储在存储介质1830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1822可以设置为与存储介质1830通信,在服务器1800上执行存储介质1830中的一系列指令操作。
服务器1800还可以包括一个或一个以上电源1826,一个或一个以上有线或无线网络接口1850,一个或一个以上输入输出接口1858,和/或,一个或一个以上操作***1841,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图18所示的服务器结构。
其中,CPU 1822用于执行如下步骤:
获取发起定位请求的各用户设备的定位数据;
根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
根据所述目标设备集确定目标区域内人数。
可选的,CPU 1822还可以用于执行本申请实施例中目标区域内人数确定方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行前述各个实施例所述的一种目标区域内人数确定方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例所述的一种目标区域内人数确定方法中的任意一种实施方式。
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***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。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。
所述集成的单元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全部或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所述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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种目标区域内人数确定方法,其特征在于,包括:
获取发起定位请求的各用户设备的定位数据;
根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
根据所述目标设备集确定目标区域内人数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集,具体为:
根据所述目标区域的区域标识和所述各用户设备的定位数据确定关注设备集;其中,所述关注设备集用于记录各关注设备的设备标识;所述关注设备为在预设时间段内定位至所述目标区域内的用户设备;所述预设时间段包括当前时刻及位于当前时刻之前的历史时间段;
基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集。
3.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第一模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
根据所述关注设备集和所述各用户设备的定位数据确定出关注信息集;其中,所述关注信息集用于记录各关注设备的定位信息;
将所述关注信息集输入至所述第一模型,得到所述第一模型输出的第一结果集;其中,所述第一结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第一模型用于将所述定位信息满足第一条件的关注设备的定位结果确定为位于目标区域内,并将所述定位信息不满足第一条件的关注设备的定位结果确定为位于目标区域外;所述第一条件包括所述定位信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位信息表征所述关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且所述关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内;
从所述第一结果集中确定所述目标设备集。
4.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第二模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
获取历史定位结果集;其中,所述历史定位结果集用于记录所述关注设备集中至少一个关注设备在距离当前时刻最近一次定位过程确定的历史定位结果;
根据所述关注设备集和所述各用户设备的定位数据确定更新信息集;其中,所述更新信息集用于记录在当前时刻下发起定位请求的各关注设备的定位更新信息;
将所述更新信息集和所述历史定位结果集输入所述第二模型,得到所述第二模型输出的第二结果集;其中,所述第二结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第二模型用于将所述定位更新信息及所述历史定位结果满足第二条件的关注设备的定位结果确定为位于目标区域内,并将所述定位更新信息及所述历史定位结果不满足第二条件的关注设备的定位结果确定为位于目标区域外;所述第二条件包括所述定位更新信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位更新信息表征所述关注设备在当前时刻下未发起定位请求且所述历史定位结果表征所述关注设备在距离当前时刻最近一次定位过程定位至目标区域内;
从所述第二结果集中确定所述目标设备集。
5.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第三模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
根据所述关注设备集和所述各用户设备的定位数据确定目标信息集;其中,所述目标信息集用于记录在当前时刻下实际定位至目标区域内的各关注设备的设备标识;
将所述目标信息集和所述关注设备集输入所述第三模型,得到所述第三模型输出的第三结果集;其中,所述第三结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第三模型用于将所述设备标识属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域内,并将所述设备标识不属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域外;
从所述第三结果集中确定所述目标设备集。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标设备集确定目标区域内人数,具体为:
将所述目标设备集中的用户设备个数确定为初始人数;
根据所述初始人数与第二映射关系确定目标系数;其中,所述第二映射关系用于记录各人数区间与各扩样系数之间的对应关系;
将所述初始人数和所述目标系数的乘积确定为目标区域内人数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标区域人数发送至显示设备,以使所述显示设备按照预设显示方式对所述目标区域人数进行显示。
8.一种目标区域内人数确定装置,其特征在于,包括:
获取单元,用于获取发起定位请求的各用户设备的定位数据;
第一确定单元,用于根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态;
第二确定单元,用于根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系用于记录各人群聚集状态与各定位模型之间的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
第三确定单元,用于根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识;
第四确定单元,用于根据所述目标设备集确定目标区域内人数。
9.一种设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506553.XA CN111629336B (zh) | 2020-06-05 | 2020-06-05 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506553.XA CN111629336B (zh) | 2020-06-05 | 2020-06-05 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111629336A true CN111629336A (zh) | 2020-09-04 |
CN111629336B CN111629336B (zh) | 2021-04-27 |
Family
ID=72260947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010506553.XA Active CN111629336B (zh) | 2020-06-05 | 2020-06-05 | 一种目标区域内人数确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111629336B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633249A (zh) * | 2021-01-05 | 2021-04-09 | 北华航天工业学院 | 一种基于轻型深度学习框架的嵌入式人流量检测方法 |
CN113807260A (zh) * | 2021-09-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9171461B1 (en) * | 2013-03-07 | 2015-10-27 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
CN105488120A (zh) * | 2015-11-23 | 2016-04-13 | 上海川昱信息科技有限公司 | 基于手机大数据实时采集人口空间分布与大客流预警方法 |
CN106792517A (zh) * | 2016-12-05 | 2017-05-31 | 武汉大学 | 基于手机位置时空转移概率的基站服务人数时序预测方法 |
CN108009688A (zh) * | 2017-12-15 | 2018-05-08 | 东软集团股份有限公司 | 聚集事件预测方法、装置及设备 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
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 |
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
US10631123B2 (en) * | 2014-09-24 | 2020-04-21 | James Thomas O'Keeffe | System and method for user profile enabled smart building control |
-
2020
- 2020-06-05 CN CN202010506553.XA patent/CN111629336B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9171461B1 (en) * | 2013-03-07 | 2015-10-27 | Steve Dabell | Method and apparatus for providing estimated patrol properties and historic patrol records |
US10631123B2 (en) * | 2014-09-24 | 2020-04-21 | James Thomas O'Keeffe | System and method for user profile enabled smart building control |
CN105488120A (zh) * | 2015-11-23 | 2016-04-13 | 上海川昱信息科技有限公司 | 基于手机大数据实时采集人口空间分布与大客流预警方法 |
CN106792517A (zh) * | 2016-12-05 | 2017-05-31 | 武汉大学 | 基于手机位置时空转移概率的基站服务人数时序预测方法 |
CN108009688A (zh) * | 2017-12-15 | 2018-05-08 | 东软集团股份有限公司 | 聚集事件预测方法、装置及设备 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
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 |
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633249A (zh) * | 2021-01-05 | 2021-04-09 | 北华航天工业学院 | 一种基于轻型深度学习框架的嵌入式人流量检测方法 |
CN113807260A (zh) * | 2021-09-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN113807260B (zh) * | 2021-09-17 | 2022-07-12 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111629336B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2014259819B2 (en) | Battery drain analysis and prediction for wireless devices | |
Calabrese et al. | The geography of taste: analyzing cell-phone mobility and social events | |
CN104091276B (zh) | 在线分析点击流数据的方法和相关装置及*** | |
CN111629336B (zh) | 一种目标区域内人数确定方法、装置、设备及存储介质 | |
US20180144476A1 (en) | Cascaded-time-scale background modeling | |
Chen et al. | Constructing and comparing user mobility profiles | |
BR112017014024B1 (pt) | Método de estimativa de um número de pessoas reunidas em uma área de interesse, e, sistema. | |
CN112822504B (zh) | 直播间封面更新方法、装置、电子设备及存储介质 | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
US9699603B2 (en) | Utilizing mobile wireless devices to analyze movement of crowds | |
CN109960969A (zh) | 移动路线生成的方法、装置及*** | |
CN112419120B (zh) | 群体性聚集事件预警方法、装置、***和电子设备 | |
CN111654823A (zh) | 一种信息推送的方法及装置 | |
Wirz et al. | Towards an online detection of pedestrian flocks in urban canyons by smoothed spatio-temporal clustering of GPS trajectories | |
US11418701B2 (en) | Method and system for auto-setting video content analysis modules | |
CN112785351A (zh) | 金融网点监控方法及装置 | |
JP2020502833A (ja) | 帯域幅が限られたネットワークを介した送信のために高忠実度モーションデータを圧縮するシステムおよび方法 | |
CN110781743A (zh) | 一种人群聚集事件的处理方法、装置及电子设备 | |
CN110473278B (zh) | 场景可视化方法、装置、设备及计算机可读存储介质 | |
CN112465565A (zh) | 一种基于机器学习的用户画像预测的方法及装置 | |
WO2023045434A1 (zh) | 访问检测方法、***及装置 | |
CN110636363A (zh) | 多媒体信息播放方法及装置、电子设备和存储介质 | |
CN112437332B (zh) | 一种目标多媒体信息的播放方法和装置 | |
CN111008611B (zh) | 排队时长的确定方法及装置、存储介质、电子装置 | |
CN111382626B (zh) | 视频中违规图像的检测方法、装置、设备及存储介质 |
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 |