CN116129356B - 一种监控数据分析方法及*** - Google Patents
一种监控数据分析方法及*** Download PDFInfo
- Publication number
- CN116129356B CN116129356B CN202310101667.XA CN202310101667A CN116129356B CN 116129356 B CN116129356 B CN 116129356B CN 202310101667 A CN202310101667 A CN 202310101667A CN 116129356 B CN116129356 B CN 116129356B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- index
- data set
- abnormal
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 679
- 238000007405 data analysis Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000004458 analytical method Methods 0.000 claims abstract description 85
- 230000005856 abnormality Effects 0.000 claims description 140
- 238000013507 mapping Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 abstract description 3
- 235000013305 food Nutrition 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种监控数据分析方法及***，涉及数据处理领域，其中，所述方法包括：构建智能监控分析平台，智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；通过监测规划单元，获得监测规划方案；将监测规划方案传输至监测数据采集单元，获得监控图像数据集；将监控图像数据集输入监测数据分析单元，获得异常监测结果；监测预警单元包括监测预警约束条件，判断异常监测结果是否满足监测预警约束条件；如果异常监测结果满足监测预警约束条件，获得预警信号，根据预警信号对目标场所进行预警。解决了现有技术中针对监控数据的异常分析精准性不足，进而造成监控预警效果不佳的技术问题。
Description
技术领域
本发明涉及数据处理领域，具体地，涉及一种监控数据分析方法及***。
背景技术
企业、银行、学校、医院、商场等场所都安装着各种形式的监控***。监控数据分析对于监控***具有重要影响。传统的监控数据分析主要依靠人工对监控***的显示器进行监视。然而，长时间的监视容易造成视觉疲劳和注意力下降，以致出现报警不准、误报漏报等现象。研究设计一种对监控数据进行优化分析的方法，具有十分重要的现实意义。
现有技术中，存在针对监控数据的异常分析精准性不足，进而造成监控预警效果不佳的技术问题。
发明内容
本申请提供了一种监控数据分析方法及***。解决了现有技术中针对监控数据的异常分析精准性不足，进而造成监控预警效果不佳的技术问题。达到了通过对监控数据进行准确、全面的异常分析，提高监控数据的异常分析的精准性，提升监控预警质量，提高监控预警的及时性、合理性的技术效果。
鉴于上述问题，本申请提供了一种监控数据分析方法及***。
第一方面，本申请提供了一种监控数据分析方法，其中，所述方法应用于一种监控数据分析***，所述方法包括：构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警。
第二方面，本申请还提供了一种监控数据分析***，其中，所述***包括：平台构建模块，所述平台构建模块用于构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；监测规划模块，所述监测规划模块用于通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；监测模块，所述监测模块用于将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；异常识别模块，所述异常识别模块用于将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；判断模块，所述判断模块用于所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；预警模块，所述预警模块用于如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警。
第三方面，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，实现本申请提供的一种监控数据分析方法。
第四方面，本申请还提供了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,实现本申请提供的一种监控数据分析方法。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过监测规划单元、监测数据采集单元、监测数据分析单元、监测预警单元，构建智能监控分析平台；通过监测规划单元对目标场所进行监测规划，获得监测规划方案；将监测规划方案传输至监测数据采集单元，基于监测规划方案进行监测数据采集单元的采集控制，获得监控图像数据集；将监控图像数据集输入监测数据分析单元，通过监测数据分析单元对监控图像数据集进行异常识别，获得异常监测结果；监测预警单元包括监测预警约束条件，判断异常监测结果是否满足监测预警约束条件；如果异常监测结果满足监测预警约束条件，获得预警信号，根据预警信号对所述目标场所进行预警。达到了通过对监控数据进行准确、全面的异常分析，提高监控数据的异常分析的精准性，提升监控预警质量，提高监控预警的及时性、合理性的技术效果。
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为本申请一种监控数据分析方法的流程示意图；
图2为本申请一种监控数据分析方法中获得监测规划方案的流程示意图；
图3为本申请一种监控数据分析***的结构示意图；
图4为本申请示例性电子设备的结构示意图。
附图标记说明：平台构建模块11，监测规划模块12，监测模块13，异常识别模块14，判断模块15，预警模块16，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
本申请通过提供一种监控数据分析方法及***。解决了现有技术中针对监控数据的异常分析精准性不足，进而造成监控预警效果不佳的技术问题。达到了通过对监控数据进行准确、全面的异常分析，提高监控数据的异常分析的精准性，提升监控预警质量，提高监控预警的及时性、合理性的技术效果。
实施例一
请参阅附图1，本申请提供一种监控数据分析方法，其中，所述方法应用于一种监控数据分析***，所述方法具体包括如下步骤：
步骤S100：构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；
具体而言，构建由监测规划单元、监测数据采集单元、监测数据分析单元、监测预警单元组成的智能监控分析平台，并将所述智能监控分析平台与本申请中的一种监控数据分析***通信连接。
步骤S200：通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；
进一步的，如附图2所示，本申请步骤S200还包括：
步骤S210：采集所述目标场所的基础信息；
步骤S220：基于所述基础信息对所述目标场所进行区域划分，获得区域划分结果；
步骤S230：基于所述区域划分结果对所述基础信息进行匹配，获得区域基础信息集合；
步骤S240：所述监测规划单元包括预先构建的监测规划模型；
步骤S250：将所述区域划分结果和所述区域基础信息集合输入所述监测规划模型，获得所述监测规划方案。
具体而言，对目标场所进行信息采集，获得基础信息，并按照基础信息对目标场所进行区域划分，获得区域划分结果。进而，按照区域划分结果对基础信息进行匹配，获得区域基础信息集合。将区域划分结果、区域基础信息集合作为输入信息，输入监测规划模型，获得监测规划方案。其中，所述基础信息包括目标场所的名称、位置、布局结构等参数信息。所述目标场所可以为使用所述一种监控数据分析***进行智能化监控预警的居民小区、商场、农贸交易市场等任意场所。所述区域划分结果包括目标场所对应的多个区域。例如，所述目标场所为农贸交易市场。则，所述区域划分结果包括农贸交易市场中的蔬菜销售区、瓜果销售区、熟食销售区、粮油销售区等多个区域。所述区域基础信息集合包括多个区域基础信息。多个区域基础信息包括区域划分结果中多个区域对应的区域名称、区域位置、区域面积、区域结构组成等参数信息。所述监测规划方案包括多个区域监测规划方案。每个区域监测规划方案包括区域划分结果中每个区域对应的监测点位置、监测点数量、监测频率。达到了通过监测规划模型对目标场所进行合理、适配地监测规划，获得监测规划方案，从而提高对目标场所进行监控数据分析的可靠性的技术效果。
进一步的，本申请步骤S240还包括：
步骤S241：基于所述基础信息，获得多个样本场所；
步骤S242：基于所述多个样本场所进行监测规划记录采集，获得监测规划记录数据集；
步骤S243：基于所述监测规划记录数据集进行数据划分，获得构建数据集，其中，所述构建数据集包括构建训练集和构建测试集；
步骤S244：基于BP神经网络，构建所述监测规划模型；
步骤S245：根据所述构建数据集对所述监测规划模型进行交叉监督训练和测试，获得准确率符合预设要求的所述监测规划模型。
具体而言，基于基础信息，确定多个样本场所。多个样本场所包括与目标场所的基础信息相似的多个场所。对多个样本场所进行监测规划记录采集，获得监测规划记录数据集。所述监测规划记录数据集包括多个样本场所对应的多个历史区域划分结果、多个历史区域基础信息集合、多个历史监测规划方案。进而，对监测规划记录数据集进行数据划分，获得构建数据集。构建数据集包括构建训练集和构建测试集。示例性地，将监测规划记录数据集中80％的数据信息划分为构建训练集，将监测规划记录数据集中20％的数据信息划分为构建测试集。
进一步，基于BP神经网络，将构建训练集进行不断的自我训练学习至收敛状态，即可获得监测规划模型。进而，将构建测试集作为输入信息，输入监测规划模型，通过构建测试集对监测规划模型进行测试，当监测规划模型的准确率符合预设要求，即，构建测试集对应的输出信息与构建测试集之间的相似程度满足预设要求时，获得准确率符合预设要求的监测规划模型。继而，将准确率符合预设要求的监测规划模型嵌入至监测规划单元。其中，所述BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。所述BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。监测规划模型满足BP神经网络。所述准确率包括构建测试集对应的输出信息与构建测试集之间的相似程度参数。所述预设要求包括预先设置确定的准确率阈值。所述监测规划模型包括输入层、隐含层、输出层。所述监测规划模型具备对区域划分结果、区域基础信息集合进行智能化分析及监测方案匹配的功能。达到了通过监测规划记录数据集，构建准确率符合预设要求的监测规划模型，从而提高对目标场所进行监测规划的精确度、可靠性的技术效果。
步骤S300：将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；
具体而言，将监测规划方案传输至监测数据采集单元，按照监测规划方案进行多个监控装置的布设，并将布设完成的多个监控装置与监测数据采集单元通信连接。按照监测规划方案中的监测频率控制布设完成的多个监控装置对目标场所内的多个区域进行实时监测，获得监控图像数据集。其中，所述监控装置可以现有技术中任意类型的能够采集获取图像信息的摄像装置或它们的结合。所述监控图像数据集包括多个区域监测图像数据。多个区域监测图像数据包括目标场所的多个区域对应的实时监测图像信息。达到了通过监测数据采集单元对目标场所进行实时监测，获得监控图像数据集，为后续对目标场所进行监控数据的异常分析奠定基础的技术效果。
步骤S400：将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；
进一步的，本申请步骤S400还包括：
步骤S410：所述监控图像数据集包括多个区域监测图像数据；
步骤S420：所述监测数据分析单元包括监测异常识别模型和监测异常评估模型；
步骤S430：将所述多个区域监测图像数据输入所述监测异常识别模型，获得监测异常识别结果集合；
进一步的，本申请步骤S430还包括：
步骤S431：基于所述区域划分结果，获得预设区域监测异常指标数据集；
步骤S432：基于所述预设区域监测异常指标数据集进行指标关键度分析，获得指标关键度分析结果集合；
具体而言，基于区域划分结果设置区域异常指标，获得预设区域监测异常指标数据集。通过对预设区域监测异常指标数据集进行指标影响度评估，获得指标关键度分析结果集合。其中，所述预设区域监测异常指标数据集包括目标场所内多个区域对应的多个预设区域监测异常指标数据。每个预设区域监测异常指标数据包括每个区域对应的多个预设区域监测异常指标。例如，多个区域包括目标场所内的熟食销售区。则，熟食销售区对应的预设区域监测异常指标数据包括熟食销售区内的熟食销售人员未佩戴口罩、熟食销售人员直接用手取放熟食、熟食销售店铺的卫生许可证过期等数据信息。所述指标关键度分析结果集合包括预设区域监测异常指标数据集对应的多个指标关键度分析结果。每个指标关键度分析结果包括每个预设区域监测异常指标数据内多个预设区域监测异常指标对应的多个指标关键度参数。预设区域监测异常指标的影响程度越高，对应的指标关键度参数越大。达到了通过对预设区域监测异常指标数据集进行指标关键度分析，获得指标关键度分析结果集合，为后续构建监测异常指标特征值数据集夯实基础的技术效果。
步骤S433：基于所述预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合；
进一步的，本申请步骤S433还包括：
步骤S4331：采集所述目标场所的监测异常记录数据，获得监测异常记录数据集；
步骤S4332：基于所述区域划分结果对所述监测异常记录数据集进行聚类分析，获得区域监测异常记录数据集；
步骤S4333：基于所述预设区域监测异常指标数据集对所述区域监测异常记录数据集进行匹配，获得区域特征监测异常记录数据集；
步骤S4334：基于所述区域特征监测异常记录数据集对所述预设区域监测异常指标数据集进行指标支持度计算，获得指标支持度数据集；
步骤S4335：基于所述区域特征监测异常记录数据集和所述指标支持度数据集进行指标置信度计算，获得所述指标置信度分析结果集合。
具体而言，对目标场所进行监测异常记录采集，获得监测异常记录数据集。所述监测异常记录数据集包括目标场所的多个历史监测异常事件。进而，按照区域划分结果对监测异常记录数据集进行聚类分析，即，将同一区域对应的历史监测异常事件归为一类，获得区域监测异常记录数据集，并根据预设区域监测异常指标数据集对区域监测异常记录数据集进行匹配，获得区域特征监测异常记录数据集。其中，所述区域监测异常记录数据集包括多个区域监测异常记录数据。每个区域监测异常记录数据包括同一区域对应的多个历史监测异常事件。所述区域特征监测异常记录数据集包括区域监测异常记录数据集，以及区域监测异常记录数据集内的多个历史监测异常事件对应的多个预设区域监测异常指标。
进一步，对区域特征监测异常记录数据集内多个预设区域监测异常指标出现的次数进行统计，获得指标支持度数据集。所述指标支持度数据集包括多个指标支持度参数。多个指标支持度参数包括区域特征监测异常记录数据集内多个预设区域监测异常指标出现的次数。进而，对区域特征监测异常记录数据集内的多个预设区域监测异常指标进行数量统计，获得特征总数量。分别将指标支持度数据集内的多个指标支持度参数与特征总数量进行比值计算，获得指标置信度分析结果集合。所述特征总数量包括区域特征监测异常记录数据集内的多个预设区域监测异常指标的总数量。所述指标置信度分析结果集合包括预设区域监测异常指标数据集内多个预设区域监测异常指标对应的多个指标置信度参数。多个指标置信度参数包括多个指标支持度参数与特征总数量之间的多个比值。达到了通过对预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合，为后续构建监测异常识别模型提供数据支持的技术效果。
步骤S434：基于预设指标权重分配条件，对所述指标关键度分析结果集合和所述指标置信度分析结果集合进行加权计算，获得监测异常指标特征值数据集；
步骤S435：分析所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集的映射关系，获得监测特征映射关系；
具体而言，按照预设指标权重分配条件对指标关键度分析结果集合、指标置信度分析结果集合进行加权计算，获得监测异常指标特征值数据集，并对预设区域监测异常指标数据集、监测异常指标特征值数据集进行映射关系分析，获得监测特征映射关系。其中，所述预设指标权重分配条件包括预先设置确定的指标关键度权重系数、指标置信度权重系数。所述监测异常指标特征值数据集包括预设区域监测异常指标数据集内多个预设区域监测异常指标对应的多个监测异常指标特征值。所述监测特征映射关系包括预设区域监测异常指标数据集和监测异常指标特征值数据集之间的对应关系。示例性地，在获得监测异常指标特征值数据集时，分别将指标关键度权重系数与指标关键度分析结果集合内的多个指标关键度参数进行乘法计算，获得多个指标关键度加权参数。分别将指标置信度权重系数与指标置信度分析结果集合内的多个指标置信度参数进行乘法计算，获得多个指标置信度加权参数。将多个指标关键度加权参数与对应的多个指标置信度加权参数进行加和运算，即可获得监测异常指标特征值数据集。
步骤S436：基于所述监测特征映射关系，根据所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集，构建所述监测异常识别模型。
进一步的，本申请步骤S436还包括：
步骤S4361：根据监测异常指标，获得第一异常识别特征；
步骤S4362：根据所述预设区域监测异常指标数据集，获得多个第一异常识别特征参数；
步骤S4363：根据监测异常指标特征值，获得第二异常识别特征；
步骤S4364：根据所述监测异常指标特征值数据集，获得多个第二异常识别特征参数；
步骤S4365：基于知识图谱，根据所述监测特征映射关系、所述第一异常识别特征、所述多个第一异常识别特征参数、所述第二异常识别特征和所述多个第二异常识别特征参数，获得所述监测异常识别模型。
具体而言，将监测异常指标设置为第一异常识别特征，将预设区域监测异常指标数据集内的多个预设区域监测异常指标设置为多个第一异常识别特征参数。进而，将监测异常指标特征值设置为第二异常识别特征，将监测异常指标特征值数据集内的多个监测异常指标特征值设置为多个第二异常识别特征参数。进一步，基于知识图谱，根据监测特征映射关系、第一异常识别特征、多个第一异常识别特征参数、第二异常识别特征、多个第二异常识别特征参数，获得监测异常识别模型。将多个区域监测图像数据输入监测异常识别模型，按照监测异常识别模型内的异常识别特征对多个区域监测图像数据进行异常识别，获得监测异常识别结果集合。
其中，所述知识图谱是一种数据信息的表达方式。所述知识图谱包括模式层、数据层。数据层由一系列的事实组成；模式层构建在数据层之上，主要用于对数据层的一系列事实进行规范表达。所述监测异常识别模型包括第一异常识别特征、多个第一异常识别特征参数、第二异常识别特征、多个第二异常识别特征参数，且，多个第一异常识别特征参数与多个第二异常识别特征参数按照监测特征映射关系进行排列。所述监测异常识别结果集合包括多个区域监测图像数据对应的多个监测异常识别结果。每个监测异常识别结果包括每个区域监测图像数据对应的多个预设区域监测异常指标、多个监测异常指标特征值。达到了通过监测异常识别模型对多个区域监测图像数据进行异常识别，获得准确的监测异常识别结果集合，从而提高监控数据的异常分析的可靠性、全面性的技术效果。
步骤S440：将所述监测异常识别结果集合输入所述监测异常评估模型，获得多个区域异常指数；
步骤S450：根据所述多个区域异常指数，获得所述异常监测结果。
具体而言，将监测异常识别结果集合输入监测异常评估模型，获得多个区域异常指数，并将多个区域异常指数输出为异常监测结果。其中，所述异常监测结果包括多个区域对应的多个区域异常指数。按照监测异常识别结果集合进行历史数据查询，获得多个历史监测异常识别结果集合、多个历史区域异常指数。将多个历史监测异常识别结果集合、多个历史区域异常指数进行不断的自我训练学习至收敛状态，即可获得监测异常评估模型。所述监测异常评估模型具有对输入的监测异常识别结果集合进行智能化分析及异常指数匹配的功能。达到了通过监测异常评估模型对监测异常识别结果集合进行准确而高效地评估分析，获得异常监测结果，从而提高监控数据的异常分析的精准性的技术效果。
步骤S500：所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；
步骤S600：如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警。
具体而言，监测预警单元包括监测预警约束条件。监测预警约束条件包括预先设置确定的目标场所内多个区域对应的多个区域异常指数阈值。异常监测结果包括多个区域对应的多个区域异常指数。分别判断多个区域异常指数是否满足对应的多个区域异常指数阈值。如果区域异常指数满足对应的区域异常指数阈值，则，获得预警信号，根据预警信号对目标场所进行区域预警。所述预警信号是用于表征区域异常指数满足对应的区域异常指数阈值，需要对该区域异常指数对应的区域进行预警的信息。达到了通过对异常监测结果是否满足监测预警约束条件进行判断，适应性地生成预警信号，从而提高监控预警质量的技术效果。
综上所述，本申请所提供的一种监控数据分析方法具有如下技术效果：
1.通过监测规划单元、监测数据采集单元、监测数据分析单元、监测预警单元，构建智能监控分析平台；通过监测规划单元对目标场所进行监测规划，获得监测规划方案；将监测规划方案传输至监测数据采集单元，基于监测规划方案进行监测数据采集单元的采集控制，获得监控图像数据集；将监控图像数据集输入监测数据分析单元，通过监测数据分析单元对监控图像数据集进行异常识别，获得异常监测结果；监测预警单元包括监测预警约束条件，判断异常监测结果是否满足监测预警约束条件；如果异常监测结果满足监测预警约束条件，获得预警信号，根据预警信号对所述目标场所进行预警。达到了通过对监控数据进行准确、全面的异常分析，提高监控数据的异常分析的精准性，提升监控预警质量，提高监控预警的及时性、合理性的技术效果。
2.通过监测规划模型对目标场所进行合理、适配地监测规划，获得监测规划方案，从而提高对目标场所进行监控数据分析的可靠性。
3.通过监测异常评估模型对监测异常识别结果集合进行准确而高效地评估分析，获得异常监测结果，从而提高监控数据的异常分析的精准性。
实施例二
基于与前述实施例中一种监控数据分析方法，同样发明构思，本发明还提供了一种监控数据分析***，请参阅附图3，所述***包括：
平台构建模块11，所述平台构建模块11用于构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；
监测规划模块12，所述监测规划模块12用于通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；
监测模块13，所述监测模块13用于将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；
异常识别模块14，所述异常识别模块14用于将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；
判断模块15，所述判断模块15用于所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；
预警模块16，所述预警模块16用于如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警。
进一步的，所述***还包括：
信息采集模块，所述信息采集模块用于采集所述目标场所的基础信息；
区域划分模块，所述区域划分模块用于基于所述基础信息对所述目标场所进行区域划分，获得区域划分结果；
信息匹配模块，所述信息匹配模块用于基于所述区域划分结果对所述基础信息进行匹配，获得区域基础信息集合；
第一执行模块，所述第一执行模块用于所述监测规划单元包括预先构建的监测规划模型；
监测规划方案获得模块，所述监测规划方案获得模块用于将所述区域划分结果和所述区域基础信息集合输入所述监测规划模型，获得所述监测规划方案。
进一步的，所述***还包括：
样本场所获得模块，所述样本场所获得模块用于基于所述基础信息，获得多个样本场所；
监测规划记录采集模块，所述监测规划记录采集模块用于基于所述多个样本场所进行监测规划记录采集，获得监测规划记录数据集；
数据划分模块，所述数据划分模块用于基于所述监测规划记录数据集进行数据划分，获得构建数据集，其中，所述构建数据集包括构建训练集和构建测试集；
第二执行模块，所述第二执行模块用于基于BP神经网络，构建所述监测规划模型；
第三执行模块，所述第三执行模块用于根据所述构建数据集对所述监测规划模型进行交叉监督训练和测试，获得准确率符合预设要求的所述监测规划模型。
进一步的，所述***还包括：
第四执行模块，所述第四执行模块用于所述监控图像数据集包括多个区域监测图像数据；
第五执行模块，所述第五执行模块用于所述监测数据分析单元包括监测异常识别模型和监测异常评估模型；
监测异常识别模块，所述监测异常识别模块用于将所述多个区域监测图像数据输入所述监测异常识别模型，获得监测异常识别结果集合；
监测异常评估模块，所述监测异常评估模块用于将所述监测异常识别结果集合输入所述监测异常评估模型，获得多个区域异常指数；
第六执行模块，所述第六执行模块用于根据所述多个区域异常指数，获得所述异常监测结果。
进一步的，所述***还包括：
第七执行模块，所述第七执行模块用于基于所述区域划分结果，获得预设区域监测异常指标数据集；
指标关键度分析模块，所述指标关键度分析模块用于基于所述预设区域监测异常指标数据集进行指标关键度分析，获得指标关键度分析结果集合；
指标置信度分析模块，所述指标置信度分析模块用于基于所述预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合；
加权计算模块，所述加权计算模块用于基于预设指标权重分配条件，对所述指标关键度分析结果集合和所述指标置信度分析结果集合进行加权计算，获得监测异常指标特征值数据集；
映射关系获得模块，所述映射关系获得模块用于分析所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集的映射关系，获得监测特征映射关系；
第八执行模块，所述第八执行模块用于基于所述监测特征映射关系，根据所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集，构建所述监测异常识别模型。
进一步的，所述***还包括：
监测异常记录数据采集模块，所述监测异常记录数据采集模块用于采集所述目标场所的监测异常记录数据，获得监测异常记录数据集；
聚类分析模块，所述聚类分析模块用于基于所述区域划分结果对所述监测异常记录数据集进行聚类分析，获得区域监测异常记录数据集；
第九执行模块，所述第九执行模块用于基于所述预设区域监测异常指标数据集对所述区域监测异常记录数据集进行匹配，获得区域特征监测异常记录数据集；
指标支持度数据集获得模块，所述指标支持度数据集获得模块用于基于所述区域特征监测异常记录数据集对所述预设区域监测异常指标数据集进行指标支持度计算，获得指标支持度数据集；
置信度获得模块，所述置信度获得模块用于基于所述区域特征监测异常记录数据集和所述指标支持度数据集进行指标置信度计算，获得所述指标置信度分析结果集合。
进一步的，所述***还包括：
第一异常识别特征获得模块，所述第一异常识别特征获得模块用于根据监测异常指标，获得第一异常识别特征；
多个第一异常识别特征参数获得模块，所述多个第一异常识别特征参数获得模块用于根据所述预设区域监测异常指标数据集，获得多个第一异常识别特征参数；
第二异常识别特征获得模块，所述第二异常识别特征获得模块用于根据监测异常指标特征值，获得第二异常识别特征；
多个第二异常识别特征参数获得模块，所述多个第二异常识别特征参数获得模块用于根据所述监测异常指标特征值数据集，获得多个第二异常识别特征参数；
第十执行模块，所述第十执行模块用于基于知识图谱，根据所述监测特征映射关系、所述第一异常识别特征、所述多个第一异常识别特征参数、所述第二异常识别特征和所述多个第二异常识别特征参数，获得所述监测异常识别模型。
本发明实施例所提供的一种监控数据分析***可执行本发明任意实施例所提供的一种监控数据分析方法，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，各功能模块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4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4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4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4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4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监控数据分析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，即实现上述一种监控数据分析方法。
本申请提供了一种监控数据分析方法，其中，所述方法应用于一种监控数据分析***，所述方法包括：通过监测规划单元、监测数据采集单元、监测数据分析单元、监测预警单元，构建智能监控分析平台；通过监测规划单元对目标场所进行监测规划，获得监测规划方案；将监测规划方案传输至监测数据采集单元，基于监测规划方案进行监测数据采集单元的采集控制，获得监控图像数据集；将监控图像数据集输入监测数据分析单元，通过监测数据分析单元对监控图像数据集进行异常识别，获得异常监测结果；监测预警单元包括监测预警约束条件，判断异常监测结果是否满足监测预警约束条件；如果异常监测结果满足监测预警约束条件，获得预警信号，根据预警信号对所述目标场所进行预警。解决了现有技术中针对监控数据的异常分析精准性不足，进而造成监控预警效果不佳的技术问题。达到了通过对监控数据进行准确、全面的异常分析，提高监控数据的异常分析的精准性，提升监控预警质量，提高监控预警的及时性、合理性的技术效果。
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 (6)
1.一种监控数据分析方法，其特征在于，所述方法应用于一种监控数据分析***，所述方法包括：
构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；
通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；
将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；
将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；
所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；
如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警；
其中，获得监测规划方案，包括：
采集所述目标场所的基础信息；
基于所述基础信息对所述目标场所进行区域划分，获得区域划分结果；
基于所述区域划分结果对所述基础信息进行匹配，获得区域基础信息集合；
所述监测规划单元包括预先构建的监测规划模型；
将所述区域划分结果和所述区域基础信息集合输入所述监测规划模型，获得所述监测规划方案；
基于所述区域划分结果，获得预设区域监测异常指标数据集；
基于所述预设区域监测异常指标数据集进行指标关键度分析，获得指标关键度分析结果集合，包括：通过对预设区域监测异常指标数据集进行指标影响度评估，获得指标关键度分析结果集合；
基于所述预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合；
基于预设指标权重分配条件，对所述指标关键度分析结果集合和所述指标置信度分析结果集合进行加权计算，获得监测异常指标特征值数据集；
分析所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集的映射关系，获得监测特征映射关系；
基于所述监测特征映射关系，根据所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集，构建所述监测异常识别模型，包括：
根据监测异常指标，获得第一异常识别特征；
根据所述预设区域监测异常指标数据集，获得多个第一异常识别特征参数；
根据监测异常指标特征值，获得第二异常识别特征；
根据所述监测异常指标特征值数据集，获得多个第二异常识别特征参数；
基于知识图谱，根据所述监测特征映射关系、所述第一异常识别特征、所述多个第一异常识别特征参数、所述第二异常识别特征和所述多个第二异常识别特征参数，获得所述监测异常识别模型；
其中，基于所述预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合，包括：
采集所述目标场所的监测异常记录数据，获得监测异常记录数据集；
基于所述区域划分结果对所述监测异常记录数据集进行聚类分析，获得区域监测异常记录数据集；
基于所述预设区域监测异常指标数据集对所述区域监测异常记录数据集进行匹配，获得区域特征监测异常记录数据集；
基于所述区域特征监测异常记录数据集对所述预设区域监测异常指标数据集进行指标支持度计算，获得指标支持度数据集，所述指标支持度数据集包括多个指标支持度参数，多个指标支持度参数包括区域特征监测异常记录数据集内多个预设区域监测异常指标出现的次数；
基于所述区域特征监测异常记录数据集和所述指标支持度数据集进行指标置信度计算，获得所述指标置信度分析结果集合。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述基础信息，获得多个样本场所；
基于所述多个样本场所进行监测规划记录采集，获得监测规划记录数据集；
基于所述监测规划记录数据集进行数据划分，获得构建数据集，其中，所述构建数据集包括构建训练集和构建测试集；
基于BP神经网络，构建所述监测规划模型；
根据所述构建数据集对所述监测规划模型进行交叉监督训练和测试，获得准确率符合预设要求的所述监测规划模型。
3.如权利要求1所述的方法，其特征在于，将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果，所述方法还包括：
所述监控图像数据集包括多个区域监测图像数据；
所述监测数据分析单元包括监测异常识别模型和监测异常评估模型；
将所述多个区域监测图像数据输入所述监测异常识别模型，获得监测异常识别结果集合；
将所述监测异常识别结果集合输入所述监测异常评估模型，获得多个区域异常指数；
根据所述多个区域异常指数，获得所述异常监测结果。
4.一种监控数据分析***，其特征在于，所述***包括：
平台构建模块，所述平台构建模块用于构建智能监控分析平台，其中，所述智能监控分析平台包括监测规划单元、监测数据采集单元、监测数据分析单元和监测预警单元；
监测规划模块，所述监测规划模块用于通过所述监测规划单元对目标场所进行监测规划，获得监测规划方案；
监测模块，所述监测模块用于将所述监测规划方案传输至所述监测数据采集单元，基于所述监测规划方案进行所述监测数据采集单元的采集控制，获得监控图像数据集；
异常识别模块，所述异常识别模块用于将所述监控图像数据集输入所述监测数据分析单元，通过监测数据分析单元对所述监控图像数据集进行异常识别，获得异常监测结果；
判断模块，所述判断模块用于所述监测预警单元包括监测预警约束条件，判断所述异常监测结果是否满足所述监测预警约束条件；
预警模块，所述预警模块用于如果所述异常监测结果满足所述监测预警约束条件，获得预警信号，根据所述预警信号对所述目标场所进行预警；
信息采集模块，所述信息采集模块用于采集所述目标场所的基础信息；
区域划分模块，所述区域划分模块用于基于所述基础信息对所述目标场所进行区域划分，获得区域划分结果；
信息匹配模块，所述信息匹配模块用于基于所述区域划分结果对所述基础信息进行匹配，获得区域基础信息集合；
第一执行模块，所述第一执行模块用于所述监测规划单元包括预先构建的监测规划模型；
监测规划方案获得模块，所述监测规划方案获得模块用于将所述区域划分结果和所述区域基础信息集合输入所述监测规划模型，获得所述监测规划方案；
第七执行模块，所述第七执行模块用于基于所述区域划分结果，获得预设区域监测异常指标数据集；
指标关键度分析模块，所述指标关键度分析模块用于基于所述预设区域监测异常指标数据集进行指标关键度分析，获得指标关键度分析结果集合，包括：通过对预设区域监测异常指标数据集进行指标影响度评估，获得指标关键度分析结果集合；
指标置信度分析模块，所述指标置信度分析模块用于基于所述预设区域监测异常指标数据集进行指标置信度分析，获得指标置信度分析结果集合；
加权计算模块，所述加权计算模块用于基于预设指标权重分配条件，对所述指标关键度分析结果集合和所述指标置信度分析结果集合进行加权计算，获得监测异常指标特征值数据集；
映射关系获得模块，所述映射关系获得模块用于分析所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集的映射关系，获得监测特征映射关系；
第八执行模块，所述第八执行模块用于基于所述监测特征映射关系，根据所述预设区域监测异常指标数据集和所述监测异常指标特征值数据集，构建所述监测异常识别模型；
监测异常记录数据采集模块，所述监测异常记录数据采集模块用于采集所述目标场所的监测异常记录数据，获得监测异常记录数据集；
聚类分析模块，所述聚类分析模块用于基于所述区域划分结果对所述监测异常记录数据集进行聚类分析，获得区域监测异常记录数据集；
第九执行模块，所述第九执行模块用于基于所述预设区域监测异常指标数据集对所述区域监测异常记录数据集进行匹配，获得区域特征监测异常记录数据集；
指标支持度数据集获得模块，所述指标支持度数据集获得模块用于基于所述区域特征监测异常记录数据集对所述预设区域监测异常指标数据集进行指标支持度计算，获得指标支持度数据集，所述指标支持度数据集包括多个指标支持度参数，多个指标支持度参数包括区域特征监测异常记录数据集内多个预设区域监测异常指标出现的次数；
置信度获得模块，所述置信度获得模块用于基于所述区域特征监测异常记录数据集和所述指标支持度数据集进行指标置信度计算，获得所述指标置信度分析结果集合；
第一异常识别特征获得模块，所述第一异常识别特征获得模块用于根据监测异常指标，获得第一异常识别特征；
多个第一异常识别特征参数获得模块，所述多个第一异常识别特征参数获得模块用于根据所述预设区域监测异常指标数据集，获得多个第一异常识别特征参数；
第二异常识别特征获得模块，所述第二异常识别特征获得模块用于根据监测异常指标特征值，获得第二异常识别特征；
多个第二异常识别特征参数获得模块，所述多个第二异常识别特征参数获得模块用于根据所述监测异常指标特征值数据集，获得多个第二异常识别特征参数；
第十执行模块，所述第十执行模块用于基于知识图谱，根据所述监测特征映射关系、所述第一异常识别特征、所述多个第一异常识别特征参数、所述第二异常识别特征和所述多个第二异常识别特征参数，获得所述监测异常识别模型。
5.一种电子设备，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3任一项所述的一种监控数据分析方法。
6.一种计算机可读介质，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至3中任一所述的一种监控数据分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101667.XA CN116129356B (zh) | 2023-02-02 | 2023-02-02 | 一种监控数据分析方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310101667.XA CN116129356B (zh) | 2023-02-02 | 2023-02-02 | 一种监控数据分析方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116129356A CN116129356A (zh) | 2023-05-16 |
| CN116129356B true CN116129356B (zh) | 2023-10-24 |
Family
ID=86304394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310101667.XA Active CN116129356B (zh) | 2023-02-02 | 2023-02-02 | 一种监控数据分析方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116129356B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307641B (zh) * | 2023-05-19 | 2023-08-11 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714605A (zh) * | 2013-12-30 | 2014-04-09 | 南通市亿控自动化***有限公司 | 一种小区车库控制报警*** |
| CN110543482A (zh) * | 2019-08-29 | 2019-12-06 | 中国信息通信研究院 | 一种最大时间间隔误差计算方法及*** |
| CN111353179A (zh) * | 2018-12-21 | 2020-06-30 | 塔莱斯公司 | 共享航空领域数据的分布式账本 |
| CN111667201A (zh) * | 2020-07-10 | 2020-09-15 | 南通市亿控自动化***有限公司 | 一种工业互联网智能监控的信息处理方法和装置 |
| CN112534285A (zh) * | 2018-07-06 | 2021-03-19 | 施耐德电气美国股份有限公司 | 用于分析电气***中电气扰动对装备的影响的***和方法 |
| CN113112067A (zh) * | 2021-04-12 | 2021-07-13 | 长沙理工大学 | 一种tfri权重计算模型的建立方法 |
| CN114219663A (zh) * | 2021-12-15 | 2022-03-22 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
| CN114254201A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种科技项目评审专家的推荐方法 |
| WO2022067606A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、***、终端以及存储介质 |
| CN114973142A (zh) * | 2022-06-16 | 2022-08-30 | 常州智砼绿色建筑科技有限公司 | 一种智慧工地的智能监控方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10997289B2 (en) * | 2018-05-21 | 2021-05-04 | International Business Machines Corporation | Identifying malicious executing code of an enclave |
-
2023
- 2023-02-02 CN CN202310101667.XA patent/CN116129356B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103714605A (zh) * | 2013-12-30 | 2014-04-09 | 南通市亿控自动化***有限公司 | 一种小区车库控制报警*** |
| CN112534285A (zh) * | 2018-07-06 | 2021-03-19 | 施耐德电气美国股份有限公司 | 用于分析电气***中电气扰动对装备的影响的***和方法 |
| CN111353179A (zh) * | 2018-12-21 | 2020-06-30 | 塔莱斯公司 | 共享航空领域数据的分布式账本 |
| CN110543482A (zh) * | 2019-08-29 | 2019-12-06 | 中国信息通信研究院 | 一种最大时间间隔误差计算方法及*** |
| CN111667201A (zh) * | 2020-07-10 | 2020-09-15 | 南通市亿控自动化***有限公司 | 一种工业互联网智能监控的信息处理方法和装置 |
| WO2022067606A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国科学院深圳先进技术研究院 | 一种行人异常行为检测方法、***、终端以及存储介质 |
| CN113112067A (zh) * | 2021-04-12 | 2021-07-13 | 长沙理工大学 | 一种tfri权重计算模型的建立方法 |
| CN114219663A (zh) * | 2021-12-15 | 2022-03-22 | 中国平安人寿保险股份有限公司 | 产品推荐方法、装置、计算机设备及存储介质 |
| CN114254201A (zh) * | 2021-12-23 | 2022-03-29 | 深圳供电局有限公司 | 一种科技项目评审专家的推荐方法 |
| CN114973142A (zh) * | 2022-06-16 | 2022-08-30 | 常州智砼绿色建筑科技有限公司 | 一种智慧工地的智能监控方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| Joint Monitoring of Ground and Sky for Cereal Crops Based on Scatterometer Measurement and ASAR Images;Lei He;《Journal of Electronic Science and Technology》;论文全文 * |
| 基于关联规则的大坝变形性态预判模型;李俊;《西北水电》;论文全文 * |
| 基于多层关联规则算法的煤矿突出预警模型;宋容;《能源与环保》;论文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116129356A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| Abrahart et al. | Two decades of anarchy? Emerging themes and outstanding challenges for neural network river forecasting | |
| AbouRizk et al. | Estimating labor production rates for industrial construction activities | |
| Mugera | Measuring technical efficiency of dairy farms with imprecise data: a fuzzy data envelopment analysis approach | |
| Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
| CN116129356B (zh) | 一种监控数据分析方法及*** | |
| Shao et al. | Relief demand forecasting based on intuitionistic fuzzy case-based reasoning | |
| Jurado et al. | Fuzzy inductive reasoning forecasting strategies able to cope with missing data: A smart grid application | |
| US20220341996A1 (en) | Method for predicting faults in power pack of complex equipment based on a hybrid prediction model | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及*** | |
| CN116402227A (zh) | 一种基于云计算的风电大数据分析方法及*** | |
| US20240185159A1 (en) | Systems And Methods For Identifying An Officer At Risk Of An Adverse Event | |
| Kuo et al. | Integration of artificial neural networks and fuzzy delphi for stock market forecasting | |
| Li et al. | The probabilistic linguistic term sets based ORESTE method for risk evaluation in Fine-Kinney model with interactive risk factors | |
| Venugopal et al. | Predicting ERP User Satisfaction―an Adaptive Neuro Fuzzy Inference System (ANFIS) Approach | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测*** | |
| Gaunt et al. | Requirements for effective modelling strategies | |
| KR20200112495A (ko) | 상권 분석 서비스 제공 서버 및 그 방법 | |
| CN113269380A (zh) | 一种面向疫情防控的返校方案预估方法 | |
| Tothăzan et al. | Neuronal network artificial model for real estate appraisal: logic, controversies, and utility for the Romanian context | |
| Hrinchenko et al. | Qualimetric approaches to assessing sustainable development indicators | |
| Huang et al. | A water quality prediction method based on k-nearest-neighbor probability rough sets and PSO-LSTM | |
| Aziz | PREDICTIVE ANALYSIS OF CLIMATE DISASTER DATA | |
| Fugger | Absolute and relative weight restrictions in DEA-a comparison | |
| CN117893020A (zh) | 一种水利工程质量安全风险评估方法 |
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 |