CN116091279A - 一种基于大数据的智慧社区管理方法及*** - Google Patents
一种基于大数据的智慧社区管理方法及*** Download PDFInfo
- Publication number
- CN116091279A CN116091279A CN202211672726.0A CN202211672726A CN116091279A CN 116091279 A CN116091279 A CN 116091279A CN 202211672726 A CN202211672726 A CN 202211672726A CN 116091279 A CN116091279 A CN 116091279A
- Authority
- CN
- China
- Prior art keywords
- information
- community
- personnel
- risk
- event
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims description 68
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 230000005541 medical transmission Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的智慧社区管理方法及***，应用于数据处理技术领域，该方法包括：基于社区信息，进行社区环境信息源、社区人员信息源采集。根据社区环境信息源进行风险事件识别分析，确定环境风险事件信息。基于环境风险事件信息，提取风险事件特征，并进行人员特征转换，确定人员特征信息。对社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集。根据人员特征信息，获得风险匹配人员信息。基于风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。解决了现有技术中智慧社区对风险事件的应对方式智能化程度较低，对于风险事件的管理方案无法进行自动获取，且管理方案存在针对性较低的技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种基于大数据的智慧社区管理方法及***。
背景技术
智慧社区是利用各类智能技术，将社区内的安防以及各类服务进行整合，以提高社区内居民的幸福指数。然而在现有技术中智慧社区在遇到突发风险事件时，需要管理人员识别风险事件并制定对应的管理方案，且对于社区内活动人群采用统一的方式进行管理，管理方案的制定智能化程度较低，且针对性不强。
因此，在现有技术中智慧社区对风险事件的应对方式智能化程度较低，对于风险事件的管理方案无法进行自动获取，且管理方案存在针对性不强的技术问题。
发明内容
本申请通过提供一种基于大数据的智慧社区管理方法及***，解决了在现有技术中智慧社区对风险事件的应对方式智能化程度较低，对于风险事件的管理方案无法进行自动获取，且管理方案存在针对性较低的技术问题。
本申请提供一种基于大数据的智慧社区管理方法，包括：基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
本申请还提供了一种基于大数据的智慧社区管理***，包括：信息采集模块，用于基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；风险事件信息获取模块，用于根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；人员特征信息获取模块，用于基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；社区人员特征集获取模块，用于对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；风险匹配人员信息获取模块，用于根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；维护记录模块，用于基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的一种基于大数据的智慧社区管理方法。
本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时,实现本申请实施例提供的一种基于大数据的智慧社区管理方法。
拟通过本申请提出的一种基于大数据的智慧社区管理方法及***，通过对环境信息源进行风险事件识别分析，确定环境风险事件信息。并根据环境风险事件信息确定人员特征信息，并获取社区人员特征集。匹配对应的风险匹配人员信息，并针对风险匹配人员信息进行针对性的管理。实现的对风险事件的智能化识别，提高了智慧社区对风险事件的应对方式智能化程度，并实现了自动化获取针对性更强的风险事件管理方案。解决了现有技术中智慧社区对风险事件的应对方式智能化程度较低，对于风险事件的管理方案无法进行自动获取，且管理方案存在针对性较低的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请实施例提供的一种基于大数据的智慧社区管理方法的流程示意图；
图2为本申请实施例提供的一种基于大数据的智慧社区管理方法获取社区人员信息源的流程示意图；
图3为本申请实施例提供的一种基于大数据的智慧社区管理方法获取人员特征信息的流程示意图；
图4为本申请实施例提供的一种基于大数据的智慧社区管理方法的***的结构示意图；
图5为本发明实施例提供的一种基于大数据的智慧社区管理方法的***电子设备的结构示意图。
附图标记说明：信息采集模块11，风险事件信息获取模块12，人员特征信息获取模块13，社区人员特征集获取模块14，风险匹配人员信息获取模块15，维护记录模块16。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了一种基于大数据的智慧社区管理方法，包括：
S10：基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；
S20：根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；
具体的，智慧社区是利用各类智能技术，将社区内的安防以及各类服务进行整合，以提高社区内居民的幸福指数。在实现智慧社区管理时，基于社区位置、社区属性等社区信息，利用大数据进行社区内环境信息、社区人员信息采集，其中社区内环境包括社区内的经济环境信息、疾病环境信息、空气环境信息。社区人员信息源记录与社区内人员相关的各类数据，包括人员大数据记录信息、社区人员属性标记。根据社区环境信息源进行环境风险事件识别分析，获取社区环境中的经济风险事件、疾病传播风险事件、空气质量风险事件，并确定对应风险事件的特征、时间以及对应的风险程度，进而确定环境风险事件信息。
如图2所示，本申请实施例提供的方法S10还包括：
S11：根据所述社区信息，确定社区位置信息、社区属性信息；
S12：根据所述社区位置信息，通过大数据进行社区所在地相关环境信息提取，获得社区环境信息，所述社区环境信息包括经济环境信息、疾病环境信息、空气环境信息，将所述经济环境信息、疾病环境信息、空气环境信息作为所述社区环境信息源；
S13：根据所述社区属性信息，确定社区人员属性标记；
S14：基于所述社区信息、所述社区人员属性标记，获得社区人员登记信息，并基于所述社区人员登记信息，通过大数据进行人员行程轨迹、购买记录、就诊记录提取，获得人员大数据记录信息；
S15：将所述人员大数据记录信息、社区人员属性标记，作为所述社区人员信息源。
具体的，根据社区信息，确定社区位置信息、社区属性信息，其中社区属性信息为社区具体类别，如居民社区、工业社区、商业社区等。随后，根据社区位置信息，通过大数据进行社区所在地相关环境信息提取，获得社区环境信息，所述社区环境信息包括经济环境信息、疾病环境信息、空气环境信息，将所述经济环境信息、疾病环境信息、空气环境信息作为所述社区环境信息源，其中社区内经济环境包括社区内居民各类物品的物价信息以及对应物品的库存信息，疾病环境包括社区内流行的疾病信息，如流感等，空气环境为社区内的空气质量信息。进一步，根据社区属性信息，确定社区人员属性标记，其中人员属性包括社区内人员的具体属性，如常住居民、社区服务人员、临时社区人员等。进一步，基于所述社区信息、所述社区人员属性标记，获得社区人员登记信息，社区人员登记信息中包括在社区内部活动的所有人员，可以利用社区内活动人员的移动设备进行采集识别，或在社区出入口设置登记设备进行人员登记。基于社区人员登记信息，通过大数据进行人员行程轨迹、购买记录、就诊记录提取，获得人员大数据记录信息。将所述人员大数据记录信息、社区人员属性标记，作为所述社区人员信息源。通过获取社区人员信息源以及社区环境信息源便于后续对数据进行进一步分析。
本申请实施例提供的方法S20还包括：
S21：根据所述社区环境信息源中经济环境信息，进行民生经济事件特征识别提取，获得民生经济风险事件；
S22：根据所述社区环境信息源中疾病环境信息，进行疾病传播事件特征识别提取，获得疾病传播风险事件；
S23：根据所述社区环境信息源中空气环境信息，进行空气质量风险事件特征识别提取，获得空气质量风险事件；
S24：将所述民生经济风险事件、疾病传播风险事件、空气质量风险事件，作为所述环境风险事件信息，所述环境风险事件信息包括事件特征、风险事件时间、风险事件程度。
具体的，根据社区环境信息源中经济环境信息，进行民生经济事件特征识别提取，提取经济环境信息中存在异常的信息，如某一物品对应物品的库存持续降低，则说明该物品可能存在短期短缺的风险，则对应进行物资库存进行预警。若某一物品价格大幅升高，则可以对该物品进行异常提醒，获得民生经济风险事件。根据疾病环境信息，进行疾病传播事件特征识别提取，提取疾病环境中流行数量较多的疾病数据，并判断其传播能力，获取疾病传播风险事件。根据空气环境信息，进行空气质量事件特征识别提取，提取其中空气质量较差或空气污染严重的情况，获得空气质量风险事件。最后，将民生经济风险事件、疾病传播风险事件、空气质量风险事件，作为所述环境风险事件信息，在环境风险事件信息包括风险事件特征、风险事件时间、风险事件程度，其中事件特征为具体事件的特征情况如具***置以及事件内容，风险事件时间为风险事件发生的具体时间，如空气质量较差的具体时间，风险事件程度为对应风险事件的严重程度，具体程度可以根据事件的具体情况进行设定。
S30：基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；
S40：对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；
S50：根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；
S60：基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
具体的，基于环境风险事件信息，提取风险事件特征，利用风险事件特征将其转化非具体的人员特征，使得可以根据风险事件特征确定最终影响的人员的具体特征，进而确定人员特征信息。进一步的，对社区人员信息源按照预设维度进行多元特征提取，其中预设维度包括出行维度、诊疗维度等，获得社区人员特征集，在社区人员特征集中包含社区内人员的各类生活特征，包括出行特征、诊疗特征等。进一步的，根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息，其中风险匹配人员通过社区人员特征集中的信息进行获取，如对社区人员特征集进行遍历比对，确定社区人员的身体健康状况，确定社区人员中健康状况较差的社区人员，并根据对应的健康状况获得风险匹配人员信息，在风险人员确定时根据当前发生的事件特征对社区人员特征集进行遍历，筛选出其中包含某些特征的社区人员，可以为符合全部风险人员特征和符合部分风险人员特征。最后，基于风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。即向风险匹配人员提供对应的人员维护服务，并进行维护跟踪，并记录风险事件维护服务记录，将对应风险匹配人员服务记录至事件跟踪管理库，完成事件跟踪管理库的构建。
如图3所示，本申请实施例提供的方法S30还包括：
S31：根据所述环境风险事件信息，提取风险事件影响目标；
S32：根据所述风险事件影响目标进行目标特征提取，确定目标特征信息，将所述目标特征信息作为所述风险事件特征；
S33：基于所述目标特征信息，进行风险人群分析，确定风险人群信息；
S34：基于所述目标特征信息、所述风险人群信息进行支持度分析，获得所述人员特征信息。
具体的，根据环境风险事件信息，提取其中风险事件影响目标，其中影响目标为影响的对象，以环境风险信息中空气质量风险为例，其影响目标为社区内部空气质量。随后，根据风险事件影响目标进行目标特征提取，确定目标特征信息，其中目标特征为风险事件影响目标的具体特征，如空气质量的具体范围，质量等级等，将目标特征信息作为所述风险事件特征。基于目标特征信息，进行风险人群分析，在进行风险人群分析时，需要结合具体的事件特征进行分析，以空气质量风险为例，在空气质量较差时对社区内人员的影响较大，则对应的风险人群为社区内活动的人员。进一步的将目标特征信息、所述风险人群信息进行支持度分析，分析目标特征信息和风险人群信息中体现的特征的关联程度，如空气污染对社区内活动的人员中包含老年特征、肺部病理特征、幼年特征的人员关联影响较大，则根据对应的支持度排序获取对应的风险人群特征，进而获得所述人员特征信息。实现了根据环境风险事件信息确定具体的影响人员特征。
本申请实施例提供的方法S40还包括：
S41：根据所述社区人员信息源中人员行程轨迹，进行行程轨迹端点、出行频率分析，确定出行轨迹特征；
S42：根据所述社区人员信息中购买记录，进行食物、药物购买渠道、购买频率分析，确定人员购买结构特征；
S43：根据所述社区人员信息中就诊记录，进行人员身体状态特征分析提取，确定人员身体健康特征；
S44：基于所述出行轨迹特征、人员购买结构特征、人员身体健康特征，确定所述社区人员特征集。
具体的，根据社区人员信息源中人员行程轨迹，进行行程轨迹端点即出行轨迹的起始点和终止点、出行频率分析，确定出行轨迹特征。通过分析人员的出行频率和轨迹，可以获取人员的社交范围和社区活动范围。随后，根据社区人员信息中购买记录，进行食物、药物购买渠道、购买频率分析，确定人员购买结构特征，便于获取各社区人员的购买***台进行购买，或者有没有长期购买药物，具有慢性病，需要常用药物这些特征。进一步，根据所述社区人员信息中就诊记录，进行人员身体状态特征分析提取，确定人员身体健康特征，进行社区内人员的健康情况获取。最后，根据社区内人员的出行轨迹特征、人员购买结构特征、人员身体健康特征，确定所述社区人员特征集。通过获取社区人员特征集，使得***可以清楚的获取社区内人员的各类情况，便于后续对社区人员特征集进行进一步分析。
本申请实施例提供的方法S60还包括：
S61：根据所述风险匹配人员信息，确定匹配特征信息，并基于所述匹配特征信息及对应的匹配度，对风险匹配人员进行等级划分，获得匹配人员等级；
S62：基于所述匹配人员等级，确定跟踪管理信息，基于所述跟踪管理信息对风险匹配人员进行分级管理，实时记录跟踪信息，构建所述事件跟踪管理库，将所述事件跟踪管理库存储至智慧社区管理平台进行数据管理。
具体的，根据风险匹配人员信息，确定匹配特征信息，其中，匹配特征信息为风险匹配人员信息中符合风险人员筛选条件的特征。根据匹配特征信息和风险人员筛选条件中的特征进行比例获取，获取匹配特征信息和风险人员筛选条件的匹配程度，匹配特征信息占风险人员筛选条件中的特征比例越高，则对应的风险匹配人员等级越高，反之风险匹配人员等级越低。完成对风险匹配人员进行等级划分，获得匹配人员等级。进一步，根据匹配人员等级，确定跟踪管理信息，不同等级对应不同的跟踪管理信息，基于所述跟踪管理信息对风险匹配人员进行分级管理。其中跟踪管理信息为针对风险匹配人员的具体跟踪服务管理条件，具体的跟踪内容以及服务内容可以根据实际情况进行设定，不同的匹配人员等级设置不同等级的跟踪内容。实时记录跟踪信息以及服务信息，构建事件跟踪管理库，事件跟踪管理库中记录不同匹配人员的实时跟踪内容记录服务记录，并将事件跟踪管理库存储至智慧社区管理平台进行数据管理。
本申请实施例提供的方法S60还包括：
S63：获得独居老人社区信息，所述独居老人社区信息包括人员年龄信息、人员住址信息；
S64：根据所述风险匹配人员信息、所述独居老人社区信息，确定风险独居老人信息；
S65：设定独居老人跟踪特征要求，基于所述独居老人跟踪特征要求对所述风险独居老人信息进行实时跟踪遍历，所述独居老人跟踪特征要求包括大数据购物特征要求、电表跟踪记录特征要求、监控出行特征要求；
S66：当存在异常遍历结果时，发送预警信息至智慧社区管理平台或获得关联社区人员进行关联社区平台群信息发送。
具体的，获取独居老人社区信息，所述独居老人社区信息包括人员年龄信息、人员住址信息。根据所述风险匹配人员信息、所述独居老人社区信息，确定风险独居老人信息，其中风险独居老人信息为在当前事件下存在风险的独居老人。设置独居老人跟踪特征要求，基于独居老人跟踪特征要求对风险独居老人信息进行实时跟踪遍历，即实时跟踪遍历独居老人跟踪特征要求信息，其中独居老人跟踪特征要求包括大数据购物特征要求、电表跟踪记录特征要求、监控出行特征要求。大数据购物特征要求为独居老人的购物特征如购物方式、购物频率等。电表跟踪记录特征要求为独居老人的用电情况记录，当用电持续无变动时则可以进行上门服务，监控出行特征要求为老人的出行记录特征。当存在异常遍历结果时，即购物特征要求、电表跟踪记录特征要求、监控出行特征要求与平时的数据不符，则老人可能存在异常情况，则发送预警信息至智慧社区管理平台或获得关联社区人员进行关联社区平台群信息发送。即可以给工作人员反馈或获得关联社区人员，如邻居，所在楼宇的楼管等进行信息发送或者微信群进行预警信息发送，便于工作人员及时确认独居老人情况，便于及时进行处理，避免采用统一的管理方案进行管理，提高了风险事件的管理方案针对性和灵活性，进一步提高了智慧社区对风险事件应对方式智能化程度。
本发明实施例所提供的技术方案，基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源。根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息。基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息。对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集。根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息。基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。实现的对风险事件的智能化识别，提高了智慧社区对风险事件的应对方式智能化程度，并实现了自动化获取针对性更强的风险事件管理方案。解决了现有技术中智慧社区对风险事件的应对方式智能化程度较低，对于风险事件的管理方案无法进行自动获取，且管理方案存在针对性较低的技术问题。
实施例二
基于与前述实施例中一种基于大数据的智慧社区管理方法同样发明构思，本发明还提供了一种基于大数据的智慧社区管理方法的***，***可以由硬件和/或软件的方式来实现，一般可集成于电子设备中,用于执行本发明任意实施例所提供的方法。如图4所示，所述***包括：
信息采集模块11，用于基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；
风险事件信息获取模块12，用于根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；
人员特征信息获取模块13，用于基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；
社区人员特征集获取模块14，用于对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；
风险匹配人员信息获取模块15，用于根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；
维护记录模块16，用于基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
进一步地，所述信息采集模块11还用于：
根据所述社区信息，确定社区位置信息、社区属性信息；
根据所述社区位置信息，通过大数据进行社区所在地相关环境信息提取，获得社区环境信息，所述社区环境信息包括经济环境信息、疾病环境信息、空气环境信息，将所述经济环境信息、疾病环境信息、空气环境信息作为所述社区环境信息源；
根据所述社区属性信息，确定社区人员属性标记；
基于所述社区信息、所述社区人员属性标记，获得社区人员登记信息，并基于所述社区人员登记信息，通过大数据进行人员行程轨迹、购买记录、就诊记录提取，获得人员大数据记录信息；
将所述人员大数据记录信息、社区人员属性标记，作为所述社区人员信息源。
进一步地，所述风险事件信息获取模块12还用于：
根据所述社区环境信息源中经济环境信息，进行民生经济事件特征识别提取，获得民生经济风险事件；
根据所述社区环境信息源中疾病环境信息，进行疾病传播事件特征识别提取，获得疾病传播风险事件；
根据所述社区环境信息源中空气环境信息，进行空气质量事件特征识别提取，获得空气质量风险事件；
将所述民生经济风险事件、疾病传播风险事件、空气质量风险事件，作为所述环境风险事件信息，所述环境风险事件信息包括事件特征、风险事件时间、风险事件程度。
进一步地，所述人员特征信息获取模块13还用于：
根据所述环境风险事件信息，提取风险事件影响目标；
根据所述风险事件影响目标进行目标特征提取，确定目标特征信息，将所述目标特征信息作为所述风险事件特征；
基于所述目标特征信息，进行风险人群分析，确定风险人群信息；
基于所述目标特征信息、所述风险人群信息进行支持度分析，获得所述人员特征信息。
进一步地，所述社区人员特征集获取模块14还用于：
根据所述社区人员信息源中人员行程轨迹，进行行程轨迹端点、出行频率分析，确定出行轨迹特征；
根据所述社区人员信息中购买记录，进行食物、药物购买渠道、购买频率分析，确定人员购买结构特征；
根据所述社区人员信息中就诊记录，进行人员身体状态特征分析提取，确定人员身体健康特征；
基于所述出行轨迹特征、人员购买结构特征、人员身体健康特征，确定所述社区人员特征集。
进一步地，所述维护记录模块16还用于：
根据所述风险匹配人员信息，确定匹配特征信息，并基于所述匹配特征信息及对应的匹配度，对风险匹配人员进行等级划分，获得匹配人员等级；
基于所述匹配人员等级，确定跟踪管理信息，基于所述跟踪管理信息对风险匹配人员进行分级管理，实时记录跟踪信息，构建所述事件跟踪管理库，将所述事件跟踪管理库存储至智慧社区管理平台进行数据管理。
进一步地，所述维护记录模块16还用于：
获得独居老人社区信息，所述独居老人社区信息包括人员年龄信息、人员住址信息；
根据所述风险匹配人员信息、所述独居老人社区信息，确定风险独居老人信息；
设定独居老人跟踪特征要求，基于所述独居老人跟踪特征要求对所述风险独居老人信息进行实时跟踪遍历，所述独居老人跟踪特征要求包括大数据购物特征要求、电表跟踪记录特征要求、监控出行特征要求；
当存在异常遍历结果时，发送预警信息至智慧社区管理平台或获得关联社区人员进行关联社区平台群信息发送。
本发明实施例所提供的一种基于大数据的智慧社区管理***可执行本发明任意实施例所提供的一种基于大数据的智慧社区管理***方法，具备执行方法相应的功能模块和有益效果。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种基于大数据的智慧社区管理方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述一种基于大数据的智慧社区管理方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于大数据的智慧社区管理方法，其特征在于，所述方法包括：
基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；
根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；
基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；
对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；
根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；
基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
2.如权利要求1所述的方法，其特征在于，所述基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源，包括：
根据所述社区信息，确定社区位置信息、社区属性信息；
根据所述社区位置信息，通过大数据进行社区所在地相关环境信息提取，获得社区环境信息，所述社区环境信息包括经济环境信息、疾病环境信息、空气环境信息，将所述经济环境信息、疾病环境信息、空气环境信息作为所述社区环境信息源；
根据所述社区属性信息，确定社区人员属性标记；
基于所述社区信息、所述社区人员属性标记，获得社区人员登记信息，并基于所述社区人员登记信息，通过大数据进行人员行程轨迹、购买记录、就诊记录提取，获得人员大数据记录信息；
将所述人员大数据记录信息、社区人员属性标记，作为所述社区人员信息源。
3.如权利要求2所述的方法，其特征在于，根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息，包括：
根据所述社区环境信息源中经济环境信息，进行民生经济事件特征识别提取，获得民生经济风险事件；
根据所述社区环境信息源中疾病环境信息，进行疾病传播事件特征识别提取，获得疾病传播风险事件；
根据所述社区环境信息源中空气环境信息，进行空气质量事件特征识别提取，获得空气质量风险事件；
将所述民生经济风险事件、疾病传播风险事件、空气质量风险事件，作为所述环境风险事件信息，所述环境风险事件信息包括事件特征、风险事件时间、风险事件程度。
4.如权利要求1所述的方法，其特征在于，基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息，包括：
根据所述环境风险事件信息，提取风险事件影响目标；
根据所述风险事件影响目标进行目标特征提取，确定目标特征信息，将所述目标特征信息作为所述风险事件特征；
基于所述目标特征信息，进行风险人群分析，确定风险人群信息；
基于所述目标特征信息、所述风险人群信息进行支持度分析，获得所述人员特征信息。
5.如权利要求2所述的方法，其特征在于，对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集，包括：
根据所述社区人员信息源中人员行程轨迹，进行行程轨迹端点、出行频率分析，确定出行轨迹特征；
根据所述社区人员信息中购买记录，进行食物、药物购买渠道、购买频率分析，确定人员购买结构特征；
根据所述社区人员信息中就诊记录，进行人员身体状态特征分析提取，确定人员身体健康特征；
基于所述出行轨迹特征、人员购买结构特征、人员身体健康特征，确定所述社区人员特征集。
6.如权利要求1所述的方法，其特征在于，基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库，包括：
根据所述风险匹配人员信息，确定匹配特征信息，并基于所述匹配特征信息及对应的匹配度，对风险匹配人员进行等级划分，获得匹配人员等级；
基于所述匹配人员等级，确定跟踪管理信息，基于所述跟踪管理信息对风险匹配人员进行分级管理，实时记录跟踪信息，构建所述事件跟踪管理库，将所述事件跟踪管理库存储至智慧社区管理平台进行数据管理。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得独居老人社区信息，所述独居老人社区信息包括人员年龄信息、人员住址信息；
根据所述风险匹配人员信息、所述独居老人社区信息，确定风险独居老人信息；
设定独居老人跟踪特征要求，基于所述独居老人跟踪特征要求对所述风险独居老人信息进行实时跟踪遍历，所述独居老人跟踪特征要求包括大数据购物特征要求、电表跟踪记录特征要求、监控出行特征要求；
当存在异常遍历结果时，发送预警信息至智慧社区管理平台或获得关联社区人员进行关联社区平台群信息发送。
8.一种基于大数据的智慧社区管理***，其特征在于，所述***包括：
信息采集模块，用于基于社区信息，通过大数据进行社区环境信息、社区人员信息采集，获得社区环境信息源、社区人员信息源；
风险事件信息获取模块，用于根据所述社区环境信息源进行风险事件识别分析，确定环境风险事件信息；
人员特征信息获取模块，用于基于所述环境风险事件信息，提取风险事件特征，根据所述风险事件特征进行人员特征转换，确定人员特征信息；
社区人员特征集获取模块，用于对所述社区人员信息源按照预设维度进行多元特征提取，获得社区人员特征集；
风险匹配人员信息获取模块，用于根据所述人员特征信息，对所述社区人员特征集进行遍历比对，获得风险匹配人员信息；
维护记录模块，用于基于所述风险匹配人员信息进行定向人员维护，进行维护跟踪，构建事件跟踪管理库。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的一种基于大数据的智慧社区管理方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的一种基于大数据的智慧社区管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211672726.0A CN116091279A (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的智慧社区管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211672726.0A CN116091279A (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的智慧社区管理方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116091279A true CN116091279A (zh) | 2023-05-09 |
Family
ID=86209574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211672726.0A Pending CN116091279A (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的智慧社区管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091279A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433037A (zh) * | 2023-06-15 | 2023-07-14 | 安徽嘉拓信息科技有限公司 | 一种基于数字孪生的ai视频融合智慧管控*** |
| CN117079351A (zh) * | 2023-10-12 | 2023-11-17 | 成都崇信大数据服务有限公司 | 一种重点区域人员行为分析方法及*** |
-
2022
- 2022-12-26 CN CN202211672726.0A patent/CN116091279A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433037A (zh) * | 2023-06-15 | 2023-07-14 | 安徽嘉拓信息科技有限公司 | 一种基于数字孪生的ai视频融合智慧管控*** |
| CN116433037B (zh) * | 2023-06-15 | 2023-09-22 | 安徽嘉拓信息科技有限公司 | 一种基于数字孪生的ai视频融合智慧管控*** |
| CN117079351A (zh) * | 2023-10-12 | 2023-11-17 | 成都崇信大数据服务有限公司 | 一种重点区域人员行为分析方法及*** |
| CN117079351B (zh) * | 2023-10-12 | 2024-01-30 | 成都崇信大数据服务有限公司 | 一种重点区域人员行为分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhong et al. | Revealing centrality in the spatial structure of cities from human activity patterns | |
| Horner et al. | Excess commuting and the modifiable areal unit problem | |
| CN116091279A (zh) | 一种基于大数据的智慧社区管理方法及*** | |
| Fotheringham | Modelling hierarchical destination choice | |
| Bracken et al. | The generation of spatial population distributions from census centroid data | |
| Trasberg et al. | Spatial and social disparities in the decline of activities during the COVID-19 lockdown in Greater London | |
| Michalak | GIS in land use change analysis: integration of remotely sensed data into GIS | |
| AU2014374029B2 (en) | A multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships | |
| CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
| Chen et al. | A practical approach to determining critical macroeconomic factors in air-traffic volume based on K-means clustering and decision-tree classification | |
| Maenner et al. | Comparison of 2 case definitions for ascertaining the prevalence of autism spectrum disorder among 8-year-old children | |
| Zhu | Estimating the activity types of transit travelers using smart card transaction data: a case study of Singapore | |
| Wang et al. | Role of urban big data in travel behavior research | |
| CN110033191B (zh) | 一种商业人工智能的分析方法及*** | |
| Folino et al. | A recommendation engine for disease prediction | |
| Xie et al. | A two-stage method for improving discrimination and variable selection in DEA models | |
| CN109446278A (zh) | 一种基于区块链的大数据管理平台*** | |
| Reiffer et al. | Representation of work-related trip patterns in household and commercial travel surveys | |
| Zhang et al. | Dynamic time warp-based clustering: Application of machine learning algorithms to simulation input modelling | |
| Yang et al. | Random forest model for trip end identification using cellular phone and points of interest data | |
| Zhang et al. | Understanding street-level urban vibrancy via spatial-temporal Wi-Fi data analytics: Case LivingLine Shanghai | |
| Ke et al. | Subarea partition based on correlation analysis with edge-elimination strategy using automatic license plate recognition data | |
| Kiran et al. | Crime data anlysis using machine learning | |
| Narasimhulu et al. | A novel sampling-based visual topic models with computational intelligence for big social health data clustering | |
| Pan et al. | National-Level Multimodal Origin–Destination Estimation Based on Passively Collected Location Data and Machine Learning Methods |
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 |