JP6355683B2 - リスク早期警報方法、装置、記憶媒体およびコンピュータプログラム - Google Patents

Description

本発明は、ビッグデータ処理分野に関し、具体には、セキュリティ分野に関し、特に、リスク早期警報方法、および装置に関する。

人ごみ群集リスクを合理的に管理・制御することは、公衆安全の確保に重要な意味を持っている。大規模なイベントや、重要な公衆場所では、多量の人ごみが迅速に群集することが、常に避けられなくてを発生している。人ごみ群集活動に対して十分に管理および詳細で実行可能な応急事前計画を用意しておかなければ、多くの場合、異常事故ひいては大惨事（例えば、群衆雑踏事故）の発生につながっている。如何に人ごみ群集リスクを効果的に予知し、応急処置をよく用意しておくことは、公衆安全管理のために急いで解決する必要がある重要な課題となっている。

本発明は、改良のリスク早期警報方法、および装置を提供することにより、上記背景技術に記載された技術的問題を解決することを目的とする。

第１の態様において、本発明は、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するステップと、前記検索量が予め設定された検索量の閾値を越えたか否かを判断するステップと、前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するステップと含むリスク早期警報方法を提供した。

いくつかの実施例において、前記方法は、検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を取得するステップをさらに含み、その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列である。

いくつかの実施例において、前記検索量の閾値は、前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するステップと、ピークと符合する確率分布を確定するステップと、前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップとにより設定された。

いくつかの実施例において、前記の前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップにおいては、履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得するステップと、前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するステップとを含む。

いくつかの実施例において、前記予測モデルは、それぞれ履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出するステップと、機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するステップとにより訓練して得られたものである。

第２の態様において、本発明は、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するための監視ユニットと、前記検索量が予め設定された検索量の閾値を越えたか否かを判断するための判断ユニットと、前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するための早期警報ユニットとを備えるリスク早期警報装置を提供した。

いくつかの実施例において、前記装置は、検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を取得するための予測ユニットをさらに備え、その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列である。

いくつかの実施例において、前記装置は、前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するための統計ユニットと、ピークに符合する確率分布を確定するための確定ユニットと、前記確率分布の平均値および平均二乗偏差に基づいて検索量の閾値を設定するための設定ユニットとをさらに備える。

いくつかの実施例において、前記設定ユニットは、さらに、履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得し、前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するために用いられる。

いくつかの実施例において、前記装置は、さらに、モデル訓練ユニットを備え、前記モデル訓練ユニットは、
それぞれ履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出し、
機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するために用いられる。

本発明に係るリスク早期警報方法、および装置によれば、ユーザがネットワーク地図における所定場所に対する検索量と当該所定場所で未来に群衆の群集程度との関連性を利用して、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視し、且つ前記検索量が検索量の閾値を越えたか否かを判断し、前記検索量が検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信し、したがって、ユーザの意図を反映可能な地図検索量を有効に利用して人ごみ群集リスクの早期警報を実現した。

以下、図面を参照しながら非限定的な実施例を詳細に説明することにより、本発明の他の特徴、目的、および利点は、より明らかになる。
本発明が適用された例示的なシステムのアーキテクチャ図である。 本発明に係るリスク早期警報方法の一実施例のフローチャートである。 本発明に係るリスク早期警報方法の一応用場面の模式図である。 本発明に係るリスク早期警報方法の他の実施例のフローチャートである。 本発明に係るリスク早期警報装置の一実施例の構造模式図である。 本発明の実施例を実現するための端末装置またはサーバに適されるコンピュータシステムを示す構造概略図である。

以下、図面および実施例を参照しながら、本発明をさらに詳しく説明する。ただし、ここで説明されている具体的な実施例は、係る発明を解釈するためのものに過ぎず、本発明の範囲を制限するものではないとが理解されるべきである。また、説明の便宜上、図面に本発明と関連する部分のみが示されている。

ただし、衝突がない限り、本願における実施例および実施例における特徴は、互いに組み合せてもよい。以下、図面を参照しながら実施例に基づいて本発明を詳細に説明する。

図１は、本発明に係るリスク早期警報方法、またはリスク早期警報装置の実施例を適用できる例示的なシステムアーキテクチャ１００を示した。

図１に示すように、システムアーキテクチャ１００は、端末装置１０１、１０２、ネットワーク１０３およびサーバ１０４を含んでもよい。ネットワーク１０３は，端末装置１０１、１０２と、サーバ１０４との間に通信リンクの媒体を提供する。ネットワーク１０３は、例えば有線、無線通信リンク、または光ファイバケーブルなどのさまざまな接続タイプを備えてもよい。

端末装置１０１、１０２は、携帯可能な、ユーザに対する位置決めを実現可能な各種の電子機器であってもよく、スマートフォン、タブレットＰＣ、電子ブックリーダー、ＭＰ３（Ｍｏｖｉｎｇ Ｐｉｃｔｕｒｅ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐ Ａｕｄｉｏ Ｌａｙｅｒ ＩＩＩ）プレーヤー、ＭＰ４（Ｍｏｖｉｎｇ Ｐｉｃｔｕｒｅ Ｅｘｐｅｒｔｓ Ｇｒｏｕｐ Ａｕｄｉｏ Ｌａｙｅｒ ＩＶ）プレーヤー、ノートブック型パソコンなどを含むが、これらに限らない。

サーバー１０４は、各種のサービスを提供するサーバであってもよく、例えば、各種位置決め形態により端末１０１、１０２に対して位置決めを行い、上記各種位置決め形態は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）位置決め、ＷＩＦＩ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）位置決め、基地局位置決め、ＡＧＰＳ（Ａｓｓｉｓｔｅｄ Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）位置決めなどを含むが、これらに限らない。また、例えば、ユーザ位置決め情報に対して各種の解析処理を行う。

ここで、本発明の実施例に係るリスク早期警報方法は、通常、サーバー１０４により実行され、それに応じて、リスク早期警報装置は、通常、サーバ１０４に設けられていることを理解すべきである。

図１における端末装置、ネットワーク、およびサーバの数は、例示的なものに過ぎないと理解すべきである。必要に応じて、端末装置、ネットワークおよびサーバの数が任意である。

次いで、本発明に係るリスク早期警報方法の一実施例のフローチャートを示す図２を参考する。前記リスク早期警報方法は下記のようなステップを含む。

ステップ２０１：所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視する。

本実施例において、リスク早期警報方法が実行される電子機器（例えば、図１に示すサーバー１０４）は、ユーザがネットワーク地図により所定場所に対する検索量を所定持続時間（例えば、１時間）内でリアルタイムに監視することができる。その中で、上記所定場所は、人ごみ群集リスクが発生可能か否かを監視する必要がある場所、例えば、景勝地、イベント組織の場所などであってもよい。上記ネットワーク地図とは、コンピュータ技術を利用してデジタル形式で記憶され閲覧される地図、例えば、百度（登録商標）地図、Ｇｏｏｇｌｅ（登録商標）地図などを指す。

ネットワーク地図が広く用いられることに伴い、ユーザが出かける前に、まず、ネットワーク地図に目的地を入力して行程を計画する場合が多くなっている。このため、ネットワーク地図における１つの特定場所に対する検索量と、当該場所で未来に群衆の密集度と強い関連性を持っている。一言で言えば、ネットワーク地図における特定場所に対する多くの検索動作は、近い将来に当該場所へ数多くのユーザが群集可能であることを意味する。

ステップ２０２：検索量が予め設定された検索量の閾値を越えたか否かを判断する。

本実施例において、ステップ２０１で得られた検索量に基づき、上記電子機器は、当該検索量が予め設定された検索量の閾値を越えたか否かを判断することができる。上記検索量の閾値は、複数種類の方法により設定してもよく、例えば、毎日の所定持続時間（例えば、１時間）内の検索量のピークを統計することにより、検索量の閾値を設定してもよく、また、統計で得られた毎日の検索量の平均値により、検索量の閾値を設定してもよく、また、異なる時間帯に対して異なる検索量の閾値を設定し、例えば、昼および夜で統計された検索量に基づいて、それぞれ、昼および夜に対する検索量の閾値を設定してもよく、１日において１時間あたりに統計された検索量に基づいて、それぞれ各時間における検索量の閾値を設定してもよく。

本実施例のいくつかの代替的な実現形態において、前記検索量の閾値は、下記ステップにより設定されてもよく、まず、上記電子機器は、前記所定場所に対して毎日の所定持続時間（例えば、１時間）の検索量のピークを統計し、その中で、ピークはランダム変数であり、次に、上記電子機器は、ピークが符合する確率分布を確定し、最後に、上記電子機器は、確定された上記確率分布の平均値、および平均二乗誤差に基づいて検索量の閾値を設定する。ここでは、上記確率分布は、多種の方法により確定されてもよく、例えば、まず、ランダム変数の分布特点に基づいて符合可能な確率分布を選択し、次に、統計の方法（例えば、仮説検定）により、当該ランダム変数が、選択された確率分布と符合するか否かを確定する。上記電子機器は、確率分布を確定した後に、さらに、サンプル推定法により当該確率分布の平均値、分散、およびその他のパラメータを確定する。

必要に応じて、上記電子機器は、まず、履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得してもよく、例えば、上記電子機器は、既に発生された一連の群集異常事件に基づいて、当該群集異常事件の発生地のネットワーク地図の履歴検索量が履歴検索量の閾値W′_ｍを越えてから一定期間に比較的大きい確率で群集異常事件を発生するように、１つの平均二乗誤差の重み係数αを選択し、その中で、履歴検索量の閾値 W′_ｍがW′_ｍ＝ｕ_ｐｍ＋α×σ_ｐｍを満たし、ｕ_ｐｍは、確率分布の平均値であり、σ_ｐｍは確率分布の平均二乗誤差である。その後、上記重み係数と上記の平均二乗誤差との積と、上記確率分布の平均値との和を、検索量の閾値として設定し、すなわち、検索量の閾値は、式 W_ｍ＝ｕ_ｐｍ＋α×σ_ｐｍで算出することができ、その中で、 W_ｍは検索量の閾値であり、ｕ_ｐｍは確率分布の平均値であり、σ_ｐｍは確率分布の平均二乗誤差であり、αは確率分布の平均二乗誤差の重み係数である。現段階では、１つの場所で群集異常事件が発生したか否かを判断する方法は多種があり、例えば、人工的に判断し、または、下記の方法により判断し、すなわち、仮に１つの場所の毎日の所定持続時間（例えば、１時間）において位置決め機器の数のピークがｐｑ（ｄ）であれば、且つｐｑ（ｄ）が符合した確率分布ρ（ｄ）の平均値および分散がそれぞれｕ_ｐｑおよびσ^２ _ｐｑであれば（上記位置決め機器は、個人が身に付けて携帯する移動機器であってもよい）、当該場所で所定持続時間内に位置決め機器の数がｕ_ｐｑ＋３σ_ｐｑより大きい場合群集異常事件が発生することと設定する。

ステップ２０３：検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信する。

本実施例において、ステップ２０２の判断結果に基づき、上記検索量が予め設定された検索量の閾値を越えた場合、上記電子機器は、関連部門または人員（例えば、政府の安全管理部門、景勝地管理部門、大型イベント主催者など）へ、人ごみ群集リスクの早期警報情報を送信することができる。

次いで、本実施例に係るリスク早期警報方法の一応用場面の模式図である図３を参照する。図３の応用場面は、ある雑踏事故の早期警報の模式図であり、その中で、実線は、ユーザがネットワーク地図により当該場所の地図に対する検索量を表し、点線は、当該場所の移動機器の位置決め量（すなわち、人数の推定量）を表し、横軸は時間を表し、縦軸は地図検索量、および移動機器の位置決め量を、それぞれ各の標準偏差で除して得られた倍数を表す。１時間あたりの、ユーザがネットワーク地図により当該場所に対する検索量をリアルタイムに監視し、検索量が予め設定された検索量の閾値を越えたか否かを判断し、検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信する。当該応用場面において、ポイント３０１で示されるように、ユーザがネットワーク地図により当該場所に対する検索量は１８：００時ごろ検索量の閾値を越え、ポイント３０２で示されるように、移動機器の位置決め量は１９：００時ごろ人ごみ群集リスク警報閾値を越えた。

本発明の上記実施例に係る方法は、ユーザの意図を反映可能な地図検索量を有効に利用することにより人ごみ群集リスクを予測し、そして人ごみ群集リスク警報を事前に十分な長さの時間で送信してリスク管理・制御のために時間を稼ぐことができる。

さらに、リスク早期警報方法の他の実施例のフロー４００を示す図４を参考する。当該リスク早期警報方法のフロー４００は、下記のステップを含む。

ステップ４０１：所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視する。

本実施例において、ステップ４０１は、図２に対応する実施例におけるステップ２０１を参照してもよく、ここで具体的な説明は省略する。

ステップ４０２：検索量が予め設定された検索量の閾値を越えたか否かを判断する。

本実施例において、ステップ４０２は、図２に対応する実施例におけるステップ２０２を参照してもよく、ここで具体的な説明は省略する。

ステップ４０３：検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信する。

本実施例において、ステップ４０３は、図２に対応する実施例におけるステップ２０３を参照してもよく、ここで具体的な説明は省略する。

ステップ４０４：検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の所定場所の移動機器の位置決め量を取得する。

本実施例において、上記電子機器は、検索量時系列および位置決め量時系列を、予め訓練された予測モデルに導入し、したがって所定持続時間後の所定場所の移動機器の位置決め量を得ることができ、その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列である。ここでは、上記検索量の時系列は、また、検索量の数値がその発生時間の順位によって配列された数列として理解されてもよく、上記位置決め量の時系列は、また、ユーザの身に付けて携帯する移動機器の位置決め量の数がその発生時間の順位によって配列された数列として理解されてもよい。上記所定持続時間は、人工的に設定されたものであってもよく、どれぐらいの時間の前の予測を取得する所望により決定されるものである。

本実施例のいくつかの代替的な実現形態において、前記予測モデルは、下記ステップにより訓練して得られてもよく、
まず、それぞれ履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出し、その中で、前記検索量特徴情報は、履歴検索量に関する各種情報であってもよく、例えば、当該所定場所で最近の１時間の地図検索量、当該所定場所で最近の２時間の地図検索量、当該所定場所で昨晩２０：００時〜２４：００時の間の地図検索量などであってもよく、前記位置決め量特徴情報は、履歴位置決め量に関する各種情報であってもよく、例えば、当該所定場所で最近の１時間の位置決め機器の数、当該所定場所で最近の２時間の位置決め機器の数などであってもよい。次に、機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練する。例えば、選択されたオリジナルモデル（例えば、勾配ブースティングディシジョンツリーモデル）に、時間情報、前記検索量の特徴情報、および前記位置決め量の特徴情報を入力して予測モデルを訓練してもよい。前記時間情報は、例えば、祝日・休日か否か、月曜日か否かなどの時間に関する各種情報であってもよい。前記機械学習アルゴリズムは、線形回帰、サポートベクトル回帰、ガウス過程および勾配ブースティングディシジョンツリーなどを含むが、これらに限らない。予測モデルがよく訓練された後に、また、精度、再現率、およびＦ１−ｓｃｏｒｅ（Ｆ１スコア）などの指標により前記予測モデルの精度を測定する。

図４から分かるように、図２に対応した実施例に比べて、本実施例に係るリスク早期警報方法のフロース４００は、所定持続時間の後で当該所定場所の移動機器の位置決め量に対する予測を突出させ、これにより、人ごみ群集リスクに対するリスク定量化評価を実現した。

さらに、図５を参照し、本発明は、前記各図に示す方法の実現形態として、リスク早期警報装置の一実施例を提供した。当該装置の実施例は、図２に示す方法の実施例に対応しており、当該装置は、具体的に各種の電子機器に適用されてもよい。

図５に示すように、本実施例に係るリスク早期警報装置５００は、ユーザがネットワーク地図により所定場所に対する検索量を所定持続時間内にリアルタイムに監視するための監視ユニット５０１と、前記検索量が予め設定された検索量の閾値を越えたか否かを判断するための判断ユニット５０２と、前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するための早期警報ユニット５０３とを備える。

本実施例において、監視ユニット５０１、判断ユニット５０２、および早期警報ユニット５０３の具体的な処理は、図２に対応する実施例におけるステップ２０１、ステップ２０２、およびステップ２０３の詳細な記載を参照してもよく、ここで、具体のな説明は省略する。

本実施例のいくつかの代替的な実現形態において、前記装置は、検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を取得するための予測ユニット（図示せず）をさらに備え、その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列である。当該実現形態は、図４に対応する実施例におけるステップ４０４の詳細な説明を参照してもよく、ここで具体的な説明は省略する。

本実施例のいくつかの代替的な実現形態において、前記装置は、前記所定場所に毎日の所定持続時間の検索量のピークを統計し、その中で、ピークはランダム変数であるための統計ユニット（図示せず）と、ピークと符合する確率分布を確定するための確定ユニット（図示せず）と、前記確率分布の平均値および平均二乗偏差に基づいて検索量の閾値を設定するための設定ユニット（図示せず）とを、さらに備える。当該実現形態は、上記図２に対応した実施例における実現形態の詳細な説明を参照してもよく、ここで具体的な説明は省略する。

本実施例のいくつかの代替的な実現形態において、前記設定ユニットは、さらに、履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得し、前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するために用いられる。当該実現形態は、上記図２に対応した実施例における実現形態の詳細な説明を参照してもよく、ここで具体的な説明は省略する。

本実施例のいくつかの代替的な実現形態において、上記の装置は、さらに、モデル訓練ユニット（図示せず）を備え、上記モデル訓練ユニットは、それぞれ、履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出し、且つ、機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するために用いられる。当該実現形態は、上記図４に対応した実施例における実現形態の詳細な説明を参照してもよく、ここで具体的な説明は省略する。

以下、本発明の実施例を実現するための端末装置またはサーバに適用されるコンピュータシステム６００を示す構造模式図である図６を参照する

図６に示すように、コンピュータシステム６００は、読み出し専用メモリ（ＲＯＭ）６０２に記憶されているプログラムまたは記憶部６０８からランダムアクセスメモリ（ＲＡＭ）６０３にロードされたプログラムに基づいて様々な適当な動作および処理を実行することができる中央処理装置（ＣＰＵ）６０１を備える。ＲＡＭ６０３には、システム６００の操作に必要な様々なプログラムおよびデータがさらに記憶されている。ＣＰＵ６０１、ＲＯＭ６０２およびＲＡＭ６０３は、バス６０４を介して互いに接続されている。入力／出力（Ｉ／Ｏ）インターフェース６０５もバス６０４に接続されている。

キーボード、マウスなどを含む入力部６０６、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）など、およびスピーカなどを含む出力部６０７、ハードディスクなどを含む記憶部６０８、およびＬＡＮカード、モデムなどを含むネットワークインターフェースカードの通信部６０９は、Ｉ／Ｏインターフェース６０５に接続されている。通信部６０９は、例えばインターネットのようなネットワークを介して通信処理を実行する。ドライバ６１０は、必要に応じてＩ／Ｏインターフェース６０５に接続される。リムーバブルメディア６１１は、例えば、マグネチックディスク、光ディスク、光磁気ディスク、半導体メモリなどのようなものであり、必要に応じてドライバ６１０に取り付けられ、したがって、ドライバ６１０から読み出されたコンピュータプログラムが必要に応じて記憶部６０８にインストールされる。

特に、本発明の実施例によれば、上記のフローチャートを参照しながら記載されたプロセスは、コンピュータのソフトウェアプログラムとして実現されてもよい。例えば、本発明の実施例は、コンピュータプログラム製品を含み、当該コンピュータプログラム製品は、機械可読媒体に有形に具現化されるコンピュータプログラムを含み、前記コンピュータプログラムは、フローチャートで示される方法を実行するためのプログラムコードを含む。このような実施例では、当該コンピュータプログラムは、通信部６０９を介してネットワークからダウンロードされてインストールされてもよく、および／またはリムーバブルメディア６１１からインストールされてもよい。当該コンピュータ・プログラムは、中央処理装置（ＣＰＵ）６０１により実行される場合、本発明の方法に限定される上記の機能が実行される。

図面におけるフローチャートおよびブロック図は、本発明の各実施例に係るシステム、方法およびコンピュータプログラム製品により実現可能なアーキテクチャ、機能および操作を示す。ここで、フローチャートまたはブロック図における各枠は、１つのモジュール、プログラムセグメント、またはコードの一部を代表してもよく、前記モジュール、プログラムセグメント、またはコードの一部は、規定された論理機能を達成するための１つ以上の実行可能な命令を含む。また、いくつかの代替実施態様として、枠に示された機能は、図面に示された順番と異なる順番で実行されてもよい。例えば、連続して示された２つの枠は、関連する機能に応じて、実際にほぼ並行に実行されてもよく、逆の順番で実行されてもよい。また、ブロック図および／またはフローチャートにおける各枠と、ブロック図および／またはフローチャートにおける枠の組合せは、規定された機能または操作を実行する、ハードウェアに基づく専用システムで実現されてもよく、あるいは、専用ハードウェアとコンピュータの命令との組合せで実行されてもよい。

本発明の実施例に記載されたユニットは、ソフトウェアで実現されてもよく、ハードウェアで実現されてもよい。記載されたユニットは、プロセッサに設定されてもよく、例えば、「監視ユニット、判断ユニット、および早期警報ユニットを備えるプロセッサ」として記載されてもよい。その中でも、これらのユニットの名称は、ある場合において当該ユニットその自体を限定するものではなく、例えば、受信ユニットは、「所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するユニット」として記載されてもよい。

一方、本発明は、不揮発性コンピュータ記憶媒体をさらに提供し、当該不揮発性コンピュータ記憶媒体は、上記実施例の前記装置に含まれる不揮発性コンピュータ記憶媒体であってもよく、独立に存在して端末に組み立てられていない不揮発性コンピュータ記憶媒体であってもよい。前記不揮発性コンピュータ記憶媒体は、１つ以上のプログラムが記憶され、前記１つ以上のプログラムが１つの機器により実行された場合、前記機器には、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視し、前記検索量が予め設定された検索量の閾値を越えたか否かを判断し、前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するようにさせる。

以上の記載は、本発明の好ましい実施例、および使用された技術的原理の説明に過ぎない。本発明に係る特許請求の範囲が、上記した技術的特徴の特定な組合せからなる技術案に限定されることではなく、本発明の趣旨を逸脱しない範囲で、上記の技術的特徴または同等の特徴の任意の組合せからなる他の技術案も含むべきであることを、当業者は理解すべきである。例えば、上記の特徴と、本発明に開示された類似の機能を持っている技術的特徴（これらに限定されていない）とを互いに置き換えてなる技術案が挙げられる。

Claims (14)

1. 監視ユニット、判断ユニット、早期警報ユニット、統計ユニット、確定ユニットおよび設定ユニットを含むリスク早期警報装置によるリスク早期警報方法であって、
   監視ユニットが所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視する監視ステップと、
   判断ユニットが前記検索量が予め設定された検索量の閾値を越えたか否かを判断する判断ステップと、
   早期警報ユニットが前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信する早期警報ステップとを含み、
   前記検索量の閾値は、
   統計ユニットが前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計する統計ステップと、
   確定ユニットがピークと符合する確率分布を確定する確定ステップと、
   設定ユニットが前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定する設定ステップとにより設定されること
   を特徴とするリスク早期警報方法。
2. 前記リスク早期警報装置は、予測ユニットをさらに備え、
   前記リスク早期警報方法は、
   前記予測ユニットが検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を取得するステップをさらに含んでおり、
   その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列であること
   を特徴とする請求項１に記載の方法。
3. 前記設定ステップは、
   前記設定ユニットが履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得するステップと、
   前記設定ユニットが前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するステップとを含むこと
   を特徴とする請求項１に記載の方法。
4. 前記リスク早期警報装置は、モデル訓練ユニットをさらに備え、
   前記予測モデルは、
   前記モデル訓練ユニットが、履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報をそれぞれ抽出するステップと、
   前記モデル訓練ユニットが機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するステップとにより訓練して得られたものであること
   を特徴とする請求項２に記載の方法。
5. 所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するための監視ユニットと、
   前記検索量が予め設定された検索量の閾値を越えたか否かを判断するための判断ユニットと、
   前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するための早期警報ユニットと、
   前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するための統計ユニットと、
   ピークと符合する確率分布を確定するための確定ユニットと、および
   前記確率分布の平均値および平均二乗偏差に基づいて検索量の閾値を設定するための設定ユニットとを備えること
   を特徴とするリスク早期警報装置。
6. 検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を得るための予測ユニットをさらに備え、
   その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列であること
   を特徴とする請求項５に記載の装置。
7. 前記設定ユニットは、さらに、
   履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得し、
   前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するために用いられること
   を特徴とする請求項５に記載の装置。
8. モデル訓練ユニットをさらに備え、
   前記モデル訓練ユニットは、
   それぞれ履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出し、
   機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するために用いられること
   を特徴とする請求項６に記載の装置。
9. １つの又は複数のプロセッサと、
   コマンドを記憶するメモリと、を含み、
   前記コマンドが前記１つの又は複数のプロセッサによって実行される時に、前記１つの又は複数のプロセッサに
   所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するために監視し、
   前記検索量が予め設定された検索量の閾値を越えたか否かを判断するために判断し、
   前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するようにさせ、
   前記検索量の閾値は、
   前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するステップと、
   ピークと符合する確率分布を確定するステップと、
   前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップとにより設定されたこと
   を特徴とするリスク早期警報装置。
10. 前記１つの又は複数のプロセッサに、さらに、
    検索量の時系列および位置決め量の時系列を、予め訓練された予測モデルに導入し、所定持続時間後の前記所定場所の移動機器の位置決め量を得るようにさせ、
    その中で、前記検索量の時系列は、ユーザがネットワーク地図により前記所定場所に対する検索量の時系列であり、前記位置決め量の時系列は、前記所定場所の移動機器の位置決め量の時系列であること
    を特徴とする、請求項９に記載の装置。
11. 前記の前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップにおいては、
    履歴検索量および履歴位置決め量から、前記確率分布の平均二乗誤差の重み係数を取得するステップと、
    前記重み係数と前記平均二乗誤差との積と、前記確率分布の平均値との和を、前記検索量の閾値として設定するステップとを含むこと
    を特徴とする、請求項９に記載の装置。
12. 前記予測モデルは、
    それぞれ、履歴検索量の時系列および履歴位置決め量の時系列から、検索量特徴情報および位置決め量特徴情報を抽出するステップと、
    機械学習法を利用し、時間情報、前記検索量特徴情報および前記位置決め量特徴情報に基づき、未来に設定期間内で前記所定場所の移動機器の位置決め量を予測するための予測モデルを訓練するステップとにより訓練して得られたものであること
    を特徴とする、請求項１０に記載の装置。
13. コンピュータプログラムを記憶する不揮発性コンピュータ記憶媒体であって、
    前記コンピュータプログラムが１つの又は複数のコンピュータにより実行される時に、前記１つの又は複数のコンピュータに、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するために監視し、
    前記検索量が予め設定された検索量の閾値を越えたか否かを判断するために判断し、
    前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するようにさせ、
    前記検索量の閾値は、
    前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するステップと、
    ピークと符合する確率分布を確定するステップと、
    前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップとにより設定されたこと
    を特徴とする不揮発性コンピュータ記憶媒体。
14. １つの又は複数のコンピュータにより実行される時に、前記１つの又は複数のコンピュータに、所定持続時間内にユーザがネットワーク地図により所定場所に対する検索量をリアルタイムに監視するために監視し、
    前記検索量が予め設定された検索量の閾値を越えたか否かを判断するために判断し、
    前記検索量が予め設定された検索量の閾値を越えた場合、人ごみ群集リスクの早期警報情報を送信するようにさせ、
    前記検索量の閾値は、
    前記所定場所に対して毎日の所定持続時間の検索量の、ランダム変数であるピークを統計するステップと、
    ピークと符合する確率分布を確定するステップと、
    前記確率分布の平均値および平均二乗誤差に基づいて検索量の閾値を設定するステップとにより設定されたこと
    を特徴とするコンピュータプログラム。