CN104063740B - 办公室实体组识别系统、方法及装置 - Google Patents
办公室实体组识别系统、方法及装置 Download PDFInfo
- Publication number
- CN104063740B CN104063740B CN201310091654.5A CN201310091654A CN104063740B CN 104063740 B CN104063740 B CN 104063740B CN 201310091654 A CN201310091654 A CN 201310091654A CN 104063740 B CN104063740 B CN 104063740B
- Authority
- CN
- China
- Prior art keywords
- space
- detection signal
- area
- motion sensor
- moving object
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种办公室实体组识别系统、方法及装置，该系统包括服务器和至少三个运动传感器，在办公室内预先划分的各个空间区域中分别设置运动传感器，运动传感器检测到运动目标时发出运动目标检测信号，服务器根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，并根据在各个预定周期内重复确定得到各条路径的次数，对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析处理效率低下的问题。
Description
技术领域
本发明涉及智能办公领域，具体地，涉及一种办公室实体组识别系统、方法及装置。
背景技术
目前，在智能办公领域中，对办公资源进行分配的过程中，通常先对办公室内的实体组进行识别，也即对办公室内的实体进行聚类，获得内部相关性紧密的实体组，再依据实体组的特点来进行办公资源分配，以达到资源合理分配或优化分配的目的。其中，办公室内的实体包括人员、办公设备等等，实体间的相关性可以通过人员在办公室内的行为活动获取。
例如，在各个办公室的房间入口或出口安装身份传感器，人员佩戴具有身份标识的感应器件进入/离开房间时，身份传感器报告一个进入/离开事件，该事件的信息中包括人员的身份标识、进入/离开的事件标识和身份传感器的标识，还可以进一步包括事件发生时间信息。各个房间中安装有视频监视器，用于获取房间内情况的视频图像。通过视频跟踪技术，在身份传感器报告一个事件后，根据身份传感器的标识确定该事件发生的房间，并分析该房间中的视频监视器获取的视频信息，通过目标识别技术和事件信息中的人员身份标识来获取人员的行动踪迹，根据该行动踪迹和预设的行为模式的分析规则确定该用户的行为模式，行为模式可以包括：个别人员之间的交互、不同规模的会议等等情况。根据确定的人员的行为模式和行为模式的重复次数，确定人员之间的关系网络，关系网络中包括产生过交互的人员以及产生过交互的每两个人员之间表示紧密程度的相似度。根据关系网络中的人员之间的相似度对人员进行划分，得到若干个人员组，每个人员组中包括若干个人员，每个组内的人员的相关性较高，组间的相关性较小，该人员组为资源分配提供参考，例如：将在一个人员组中的人员即相关性高的人员的工作位安排在同一个房间或者同一个区域中。
但是，在这种办公室实体组识别方法中，根据来自身份传感器的数据和各个办公室内的视频数据、以人员的身份信息为关联进行处理，数据源较多、数据量大、分析过程繁琐，导致该方法的处理效率低下。
发明内容
有鉴于此，本发明实施例提供了一种办公室实体组识别系统、方法及装置，用以解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
本发明实施例技术方案如下：
一种办公室实体组识别系统，包括：服务器和至少三个运动传感器，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；所述运动传感器，用于检测到运动目标时，发出运动目标检测信号；所述服务器，用于根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
一种办公室实体组识别方法，包括：接收来自至少三个运动传感器的运动目标检测信号，根据接收到的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径；其中，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
一种办公室实体组识别装置，包括：接收单元，用于接收来自至少三个运动传感器的运动目标检测信号；其中，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；确定单元，用于根据所述接收单元接收到的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径；聚类单元，用于根据所述确定单元在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
本发明实施例通过在办公室内预先划分的各个空间区域中分别设置运动传感器，运动传感器检测到运动目标时发出运动目标检测信号，服务器根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，并根据在各个预定周期内重复确定得到各条路径的次数，对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，也即根据与空间位置相关的运动目标检测信号分析处理得到表现空间区域之间相关性的空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本发明实施例提供的办公室实体组识别系统的结构框图；
图2为本发明实施例提供的办公室实体组识别方法的工作流程图；
图3为本发明实施例提供的办公室实体组识别装置的结构框图；
图4为本发明实施例具体应用的场景示意图；
图5为本发明实施例具体应用的聚类结果示意图。
具体实施方式
以下结合附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
针对现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题，本发明实施例提供了一种办公室实体组识别系统、方法和装置，以解决该问题。
本发明实施例提供的方案，通过在办公室内预先划分的各个空间区域中分别设置运动传感器，运动传感器检测到运动目标时发出运动目标检测信号，服务器根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，并根据在各个预定周期内重复确定得到各条路径的次数，对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，也即根据与空间位置相关的运动目标检测信号分析处理得到表现空间区域之间相关性的空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
下面对本发明实施例的技术方案进行详细说明。
图1示出了本发明实施例提供的办公室实体组识别系统的结构，包括：服务器1和至少三个运动传感器2，至少三个运动传感器2分别位于办公室内预先划分的至少三个空间区域中；其中，办公室内预先划分的空间区域可以是办公室内的人员工作位、办公设备区域、会议室、室内通道等等区域，并且在一个空间区域中设置一个运动传感器2；
运动传感器2，用于检测到运动目标时，发出运动目标检测信号；具体地，运动传感器2可以是二值运动传感器，当二值运动传感器在其视场（Field of View）范围内检测到运动目标时，输出运动目标检测信号“1”，当未检测到运动目标时输出“0”；运动传感器2也可以是其它类型的可检测到运动目标的传感器；
服务器1，用于根据来自各个运动传感器2的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组；实体组中包括的办公实体为办公资源分配提供参考。
具体地，服务器1的工作原理包括如图2所示的工作流程，也即图2示出了本发明实施例提供的办公室实体组识别方法的工作流程图，该方法包括：
步骤201、接收来自至少三个运动传感器的运动目标检测信号；
步骤202、根据接收到的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径；
具体地，路径规则可以根据具体应用的需求而设定，本发明实施例在此提供了如下两种实现方式：
路径规则一、在预定周期内接收到的运动目标检测信号中，确定接收任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔的运动目标检测信号作为待判运动目标检测信号；根据预定的运动传感器的相邻关系确定按照时间顺序依次发出待判运动目标检测信号的相邻运动传感器，按照相邻关系将所确定的相邻运动传感器对应的空间区域组合为若干条路径；其中，预定的运动传感器的相邻关系定义了运动传感器之间依次相邻的位置关系；
例如，在预定周期内接收到运动目标检测信号a、b、c、d、e、f、g、h、i、j、k，其中，接收运动目标检测信号a、b、c、d、e、f、g、h中任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，则，运动目标检测信号a、b、c、d、e、f、g、h为待判运动目标检测信号；预定的运动传感器的相邻关系中定义了：运动传感器S1、S2和S3为依次相邻的运动传感器，运动传感器S4、S5和S6为依次相邻的运动传感器，运动传感器S7和S8为依次相邻的运动传感器，并且，运动目标检测信号a、b、c分别由运动传感器S1、S2和S3发出，运动目标检测信号d、e、f分别由运动传感器S4、S5和S6发出，运动目标检测信号g、h分别由运动传感器S7和S8发出，则，可以确定运动传感器S1、S2和S3分别所在的空间区域可以组合为第一条路径，运动传感器S4、S5和S6分别所在的空间区域可以组合为第二条路径，运动传感器S7和S8分别所在的空间区域可以组合为第三条路径；
路径规则二、在所述预定周期内，对于接收到的当前运动目标检测信号，如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔大于预定的第一时间间隔，或者，根据预定的运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
也即，在确定一条路径的头部的过程中，如果接收当前运动目标检测信号和接收上一个运动目标检测信号的时间间隔大于预定的第一时间间隔，则不论发出当前运动目标检测信号的运动传感器和发出上一个运动目标检测信号的运动传感器是否为相邻运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；如果发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，则不论接收当前运动目标检测信号和接收上一个运动目标检测信号的时间间隔是否大于预定的第一时间间隔，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，且根据运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器是相邻运动传感器，将发送当前运动目标检测信号的运动传感器所在的区域合并到发送上一个运动目标检测信号的运动传感器所在区域对应的路径的尾部；
例如，当前接收到运动目标检测信号p，接收运动目标检测信号p和接收上一个运动目标检测信号o的时间间隔大于第一时间间隔，则，发出运动目标检测信号p的运动传感器所在的空间区域为一条路径的头部，该路径可以标记为P1，而发出运动目标检测信号o的运动传感器所在的空间区域为上一条路径的尾部；
判断确定完运动目标检测信号p后，接收到运动目标检测信号q，则q为当前运动目标检测信号，接收运动目标检测信号q和接收上一个运动目标检测信号p的时间间隔小于第一时间间隔且大于第二时间间隔，且根据预定的运动传感器的相邻关系，发出运动目标检测信号q的运动传感器和发出运动目标检测信号p的运动传感器是相邻运动传感器，则，将发出运动目标检测信号q的运动传感器所在的空间区域合并到发出运动目标检测信号p的运动传感器所在的空间区域所在路径P1的尾部；
判断确定完运动目标检测信号q后，接收到运动目标检测信号r，则r为当前运动目标检测信号，接收运动目标检测信号r和接收上一个运动目标检测信号q的时间间隔小于第一时间间隔且大于第二时间间隔，但是，根据预定的动传感器的相邻关系，发出运动目标检测信号r的运动传感器和发出运动目标检测信号q的运动传感器不是相邻运动传感器，则，发出运动目标检测信号r的运动传感器所在的空间区域为一条路径的头部，而发出运动目标检测信号q的运动传感器所在的空间区域为上一条路径P1的尾部；
上述路径规则一适用于在一个预定周期结束后，根据在预定周期内接收到的全部运动目标检测信号，确定得到若干条路径；上述路径规则二适用于在一个预定周期内，实时地针对接收到的运动目标检测信号来依次确定得到若干条路径；在具体应用中可以结合具体需要在综合使用上述路径规则一和路径规则二，例如，在办公室的资源使用高峰期使用上述路径规则一，以便于对大量、并发的运动目标检测信号进行分析，避免实时分析对服务器的带来的处理压力，在资源使用的非高峰时期使用上述路径规则二，以便实时地得到分析结果；
进一步地，基于上述路径规则一和路径规则二，对于确定得到的路径，其中可能会存在不合理的路径，例如首尾重合的路径，则在路径规则中还包括对不合理的路径进行识别和处理，对于不合理的路径的定义，可以根据实际应用中的情况进行定义，本发明实施例提供的对于不合理的路径的处理操作包括：
第一，如果确定出的路径的头部的空间区域和尾部的空间区域重合，将该路径上没有重复出现的空间区域作为该路径的尾部；
第二，如果确定出的路径的头部的空间区域和尾部的空间区域是两个相邻的运动传感器分别所在的区域，将该路径修改为仅包括头部的空间区域和尾部的空间区域的路径；
根据实际应用的需求，还可以设置其它的路径规则；
步骤203、根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组；
具体地，聚类得到空间区域组的过程包括以下步骤：
根据当前的预定周期内重复确定得到各条路径的次数，确定各条路径的头部空间区域和尾部空间区域之间的相似度；优选地，本发明实施例提供了一种根据时效进行加权确定相似度的方法，该方法认为在当前的预定周期内确定得到的路径的头部空间区域和尾部空间区域之间的相关性高于在之前的预定周期内确定得到的路径的头部空间区域和尾部空间区域之间相关性，该方法在当前的预定周期内对每条路径进行如下处理：将在当前的预定周期内重复确定得到当前路径的次数和预定的第一权值的乘积，与该路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度和预定的第二权值的乘积的和值，作为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，其中，第一权值大于第二权值；也即，Xi＝aYi+bXi-1，其中，Xi为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，a为第一权值，Yi为在当前的预定周期内重复确定得到当前路径的次数，b为第二权值，Xi-1为当前路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度；
根据各个空间区域之间的相似度构成的相似度矩阵，确定该矩阵的特征值和特征向量；优选地，还可以将相似度矩阵转换为归一化拉普拉斯矩阵，确定归一化拉普拉斯矩阵的特征值和特征向量；
根据确定得到的特征值和特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中；聚类操作能够将相关性大的空间区域划分到同一空间区域组中，也即得到组间相关性小、组内相关性大的若干个空间区域组。
在具体应用中，可以采用N-cut算法或者K-Means算法进行聚类分析；
N-cut算法的基本思想包括：步骤1、确定由各个空间区域之间的相似度构成的相似度矩阵，步骤2、将相似度矩阵转换成归一化拉普拉斯矩阵，步骤3、计算归一化拉普拉斯矩阵的特征值和特征向量，选取特征值的数值为第二小的特征值，步骤4、将该第二小特征值对应的特征向量作为聚类索引进行聚类得到若干个空间区域组（通常为2个空间区域组），步骤5、判断得到的若干个空间区域组是否满足预定的聚类终止条件，例如，判断聚类得到的空间区域组的数量是否满足预定的数量要求，在满足聚类终止条件的情况下，聚类操作终止，在不满足聚类终止条件的情况下，针对若干个空间区域组中的每个空间区域组，重新执行上述步骤1至步骤5。
通过图1所示系统及图2所示的方法，本发明实施例通过分别在办公室内预先划分的各个空间区域中设置运动传感器，运动传感器检测到运动目标时发出运动目标检测信号，服务器根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，并根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，也即根据与空间位置相关的运动目标检测信号分析处理得到表现空间区域之间相关性的空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
并且，在现有的办公室实体组识别方法中，根据来自身份传感器的数据和各个办公室内的视频数据、以人员的身份信息为关联对人员进行聚类，聚类结果体现了人员之间的相关性，而在实际应用中，例如办公设备与人员之间的相关性是无法通过人员之间的相关性来分析确定的，本发明实施例中，根据与空间位置相关的运动目标检测信号分析处理得到表现空间区域之间相关性的空间区域组，将对诸如人员和办公设备等办公实体的聚类转换为对办公实体所在空间区域的聚类，得到由办公实体构成的实体组，能够有效地确定得到空间区域中的人员和办公设备或者其它办公资源之间的相关性，从而相比现有技术能够对更多种类的办公实体进行聚类，为资源分配提供更有效的参考。
基于相同的发明构思，本发明实施例还提供了一种办公室实体组识别装置，如图3所示，该装置包括：
接收单元31，用于接收来自至少三个运动传感器的运动目标检测信号；
确定单元32，连接至接收单元31，用于根据接收单元31接收到的运动目标检测信号以及预设的路径规则，确定由若干个空间区域构成的若干条路径；
具体地，确定单元32，具体用于：根据路径规则，在预定周期内接收到的运动目标检测信号中确定接收任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔的运动目标检测信号作为待判运动目标检测信号；根据预定的运动传感器的相邻关系确定按照时间顺序依次发出待判运动目标检测信号的相邻运动传感器，按照相邻关系将所确定的相邻运动传感器对应的空间区域组合为若干条路径；
或者，确定单元32具体用于：根据路径规则，在预定周期内，对于接收到的当前运动目标检测信号，如果接收当前运动目标检测信号和接收上一个运动目标检测信号的发送时间间隔大于预定的第一时间间隔，或者，根据预定的运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，且根据运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器是相邻运动传感器，将发送当前运动目标检测信号的运动传感器所在的区域合并到发送上一个运动目标检测信号的运动传感器所在区域对应的路径的尾部；
确定单元32还具体用于：根据路径规则，如果确定出的路径的头部空间区域和尾部空间区域重合，将该路径上没有重复出现的空间区域作为该路径的尾部；
如果确定出的路径的头部的空间区域和尾部的空间区域是两个相邻的运动传感器分别所在的区域，将该路径修改为仅包括头部的空间区域和尾部的空间区域的路径；
聚类单元33，连接至确定单元32，用于根据确定单元32在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
具体地，聚类单元33根据当前的预定周期内重复确定得到各条路径的次数，确定各条路径的头部空间区域和尾部空间区域之间的相似度；根据各个空间区域之间的相似度构成的相似度矩阵，计算该矩阵的特征值和特征向量；根据确定得到的特征值和特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中，得到若干个空间区域组；
更具体地，聚类单元33将在当前的预定周期内重复确定得到当前路径的次数和预定的第一权值的乘积与该路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度和预定的第二权值的乘积的和值，作为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，其中，第一权值大于第二权值。
通过图3所示装置，根据与空间位置相关的运动目标检测信号分析处理得到表现空间区域之间相关性的空间区域组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
下面说明本发明实施例实际应用的情况。
在一个办公室内设置有六个工作人员的工作位，如图4所示，这六个工作位分别位于空间区域A、B、C、D、E和F中，现要对这六个工作人员进行动态工作组划分。动态工作组是人员之间由于相关项目的重构、人员变动等因素，旧的工作组可能出现合并和分化，随时间的变化形成新的工作组。
分别在上述六个空间区域中设置运动传感器S1、S2、S3、S4、S5和S6，A、B、C和D是相邻的空间区域，E和F是相邻的空间区域，如图4所示，则在运动传感器相邻关系中定义了：S1、S2、S3和S4是依次相邻的运动传感器、S5和S6是依次相邻的运动传感器。
运动传感器检测其视场范围内的运动目标，当检测到运动目标后发送运动目标检测信号给服务器。服务器在在办公室的资源使用高峰期使用上述路径规则一，在资源使用的非高峰时期使用上述路径规则二，并且服务器使用N-cut算法进行聚类分析。
例如，当前预定周期T处于高峰时期，在当前预定周期T内，服务器接收到运动目标检测信号a1、b1、c1、d1、e1、f1、a2、b2、c2、d2、e2、f2、a3、b3、c3、d3、c4和d4这些运动目标检测信号，根据上述路径规则一，判断得到由空间区域A、B、C和D构成路径1，空间区域A和D分别是路径1上的头部空间区域和尾部空间区域，由空间区域E和F构成路径2，空间区域E和F分别是路径2上的头部空间区域和尾部空间区域，由空间区域C和D构成路径3，空间区域C和D分别是路径3上的头部空间区域和尾部空间区域，且在当前预定周期内重复确定得到路径1的次数为3次、重复确定得到路径2的次数为2次、重复确定得到路径3的次数为1次。
在当前预定周期T内，确定各条路径的头部空间区域和尾部空间区域之间的相似度，如果第一权值为1，第二权值为0.5，且在预定周期T－1中，路径1上A和D的相似度为1，路径2上E和F的相似度为5，路径3上C和D的相似度为2，则，根据上述步骤203中确定相似度的方法，可以确定得到各个空间区域之间的相似度，路径1上A和D的相似度为3.5，路径2上E和F的相似度为4.5，路径3上C和D的相似度为2。
处理完预定周期T后，预定周期T+1为当前预定周期，当前预定周期T+1处于非高峰时期，服务器依次接收到多个运动目标检测信号，根据上述路径规则2，如果确定得到路径1的次数为5次、确定得到路径2的次数为0、确定得到路径3的次数为0，则，根据上述步骤203中确定相似度的方法，可以确定路径1上A和D的相似度为6.75，路径2上E和F的相似度为2.25，路径3上C和D的相似度为1。
以上仅举出了预定周期T－1到预定周期T+1之间识别的部分路径，以及确定得到这部分路径的头部空间区域和尾部空间区域的相似度，表1中具体给出了预定周期T－1到预定周期T+1之间确定得到的任意两个空间区域之间的相似度，也即，根据预定周期T－1到预定周期T+1中确定的路径及空间区域之间的相似度构建的相似度矩阵如表1所示。
表1
| A | B | C | D | E | F | A |
| A | 0 | 10.30 | 5.50 | 6.75 | 1.30 | 1.30 | 0 |
| B | 10.31 | 0 | 8.22 | 2.90 | 1.05 | 0.05 | 10.31 |
| C | 5.50 | 8.22 | 0 | 1.00 | 0.10 | 0.10 | 5.50 |
| D | 6.75 | 2.90 | 1.00 | 0 | 0.10 | 0.10 | 6.75 |
| E | 1.30 | 1.05 | 0.10 | 0.10 | 0 | 2.25 | 1.30 |
| F | 1.30 | 0.50 | 0.10 | 0.10 | 2.25 | 0 | 1.30 |
将表1所示的相似度矩阵转换为归一化拉普拉斯矩阵，如表2所示。
表2
| A | B | C | D | E | F | |
| A | 1.00 | -0.43 | -0.28 | -0.41 | -0.12 | -0.13 |
| B | -0.43 | 1.00 | -0.44 | -0.18 | -0.10 | -0.05 |
| C | -0.28 | -0.44 | 1.00 | -0.08 | -0.01 | -0.01 |
| D | -0.41 | -0.18 | -0.08 | 1.00 | -0.01 | -0.02 |
| E | -0.12 | -0.10 | -0.01 | -0.01 | 1.00 | -0.53 |
| F | -0.13 | -0.01 | -0.01 | -0.02 | -0.53 | 1.00 |
计算归一化拉普拉斯矩阵的特征值和特征向量，特征值如表3所示，特征向量空间如表4所示。
表3
| 1.57 | 1.49 | 1.43 | 0.99 | 0.51 | 0.01 |
表4
| -0.38 | 0.66 | -0.20 | O.26 | 0.09 | -O.55 |
| 0.48 | -0.24 | -0.55 | -0.31 | 0.20 | -0.5218 |
| -0.20 | -0.09 | 0.65 | -0.55 | 0.23 | -0.43 |
| 0.14 | -0.44 | 0.31 | 0.73 | 0.15 | -0.36446 |
| -0.51 | -0.45 | -0.22 | -0.07 | -0.65 | -0.24 |
| 0.55 | 0.32 | 0.30 | -0.01 | -0.67 | -0.21736 |
根据N-cut算法，选取特征值的数值第二小的特征值，即0.51，选取特征值0.51对应的特征向量作为聚类索引，如表5所示。
表5
| 0.09 |
| 0.20 |
| 0.23 |
| 0.15 |
| -0.65 |
| -0.67 |
对聚类索引中的特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中，具体的划分结果为：A、B、C和D这四个空间区域划分为组1，E和F这两个空间区域划分为组2，如图5所示。
如果预定的聚类终止条件为聚类得到2个空间区域组，则上述处理得到的组1和组2满足聚类终止条件，聚类操作终止。
通过上述方法，根据与空间位置相关的运动目标检测信号进行分析处理得到表现空间区域之间相关性的空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
并且，在该方法中，将对人员之间的聚类转换为对人员所在空间区域的聚类，相比于现有技术中根据人员的身份信息分析得到体现人员相关性的人群组，能够避免对人员隐私的侵犯，能够提高工作人员的工作舒适度和工作效率。
综上所述，根据本发明实施例提供的技术方案，通过在办公室内预先划分的各个空间区域中设置运动传感器，运动传感器检测到运动目标时发出运动目标检测信号，服务器根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定有若干个空间区域构成的若干条路径，并根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，也即根据与空间位置相关的运动目标检测信号进行分析处理得到表现空间区域之间相关性的空间区域组，空间区域组中各个空间区域中的办公实体构成实体组，该方法的数据源单一、运动目标检测信号数据量小、分析过程简单有效，能够解决现有的办公室实体组识别方法数据源多、数据量大、分析过程繁琐处理效率低下的问题。
本领域普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种办公室实体组识别系统，其特征在于，包括：服务器和至少三个运动传感器，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；
所述运动传感器，用于检测到运动目标时，发出运动目标检测信号；
所述服务器，用于根据来自各个运动传感器的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径，根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
2.根据权利要求1所述的系统，其特征在于，所述服务器具体用于：
根据所述路径规则，在所述预定周期内接收到的运动目标检测信号中确定接收任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔的运动目标检测信号作为待判运动目标检测信号；
根据预定的运动传感器的相邻关系确定按照时间顺序依次发出所述待判运动目标检测信号的相邻运动传感器，按照所述相邻关系将所确定的相邻运动传感器对应的空间区域组合为若干条路径。
3.根据权利要求1所述的系统，其特征在于，所述服务器具体用于：
根据所述路径规则，在所述预定周期内，对于接收到的当前运动目标检测信号，如果接收当前运动目标检测信号和接收上一个运动目标检测信号的时间间隔大于预定的第一时间间隔，或者，根据预定的运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，且根据所述运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器是相邻运动传感器，将发送当前运动目标检测信号的运动传感器所在的区域合并到发送上一个运动目标检测信号的运动传感器所在区域对应的路径的尾部。
4.根据权利要求1所述的系统，其特征在于，所述服务器具体用于：
根据在当前的预定周期内重复确定得到各条路径的次数，确定各条路径的头部空间区域和尾部空间区域之间的相似度；
根据各个空间区域之间的相似度构成的相似度矩阵，确定该矩阵的特征值和特征向量；
根据确定得到的特征值和特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中，得到若干个空间区域组。
5.根据权利要求4所述的系统，其特征在于，所述服务器还用于：
将在当前的预定周期内重复确定得到当前路径的次数和预定的第一权值的乘积与该路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度和预定的第二权值的乘积的和值，作为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，其中，所述第一权值大于所述第二权值。
6.一种办公室实体组识别方法，其特征在于，包括：
接收来自至少三个运动传感器的运动目标检测信号，根据接收到的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径；其中，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；
根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
7.根据权利要求6所述的方法，其特征在于，所述路径规则包括：
在所述预定周期内接收到的运动目标检测信号中确定接收任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔的运动目标检测信号作为待判运动目标检测信号；
根据预定的运动传感器的相邻关系确定按照时间顺序依次发出所述待判运动目标检测信号的相邻运动传感器，按照所述相邻关系将所确定的相邻运动传感器对应的空间区域组合为若干条路径。
8.根据权利要求6所述的方法，其特征在于，所述路径规则，具体包括：
在所述预定周期内，对于接收到的当前运动目标检测信号，如果接收当前运动目标检测信号和接收上一个运动目标检测信号的时间间隔大于预定的第一时间间隔，或者，根据预定的运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，且根据所述运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器是相邻运动传感器，将发送当前运动目标检测信号的运动传感器所在的区域合并到发送上一个运动目标检测信号的运动传感器所在区域对应的路径的尾部。
9.根据权利要求6所述的方法，其特征在于，根据在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域聚类得到空间区域组，具体包括：
根据当前的预定周期内重复确定得到各条路径的次数，确定各条路径的头部空间区域和尾部空间区域之间的相似度；
根据各个空间区域之间的相似度构成的相似度矩阵，确定该矩阵的特征值和特征向量；
根据确定得到的特征值和特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中，得到若干个空间区域组。
10.根据权利要求9所述的方法，其特征在于，所述确定各条路径的头部空间区域和尾部空间区域之间的相似度，具体包括：
将在当前的预定周期内重复确定得到当前路径的次数和预定的第一权值的乘积与该路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度和预定的第二权值的乘积的和值，作为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，其中，所述第一权值大于所述第二权值。
11.一种办公室实体组识别装置，其特征在于，包括：
接收单元，用于接收来自至少三个运动传感器的运动目标检测信号；其中，所述至少三个运动传感器分别位于办公室内预先划分的至少三个空间区域中；
确定单元，用于根据所述接收单元接收到的运动目标检测信号以及预设的路径规则，确定由空间区域构成的若干条路径；
聚类单元，用于根据所述确定单元在各个预定周期内重复确定得到各条路径的次数对各条路径的头部空间区域和尾部空间区域进行聚类得到空间区域组，空间区域组中各个空间区域中的办公实体构成实体组。
12.根据权利要求11所述的装置，其特征在于，所述确定单元，具体用于：
根据所述路径规则，在所述预定周期内接收到的运动目标检测信号中确定接收任意两个运动目标检测信号的时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔的运动目标检测信号作为待判运动目标检测信号；
根据预定的运动传感器的相邻关系确定按照时间顺序依次发出所述待判运动目标检测信号的相邻运动传感器，按照所述相邻关系将所确定的相邻运动传感器对应的空间区域组合为若干条路径。
13.根据权利要求11所述的装置，其特征在于，所述确定单元，具体用于：
根据所述路径规则，在所述预定周期内，对于接收到的当前运动目标检测信号，如果接收当前运动目标检测信号和接收上一个运动目标检测信号的时间间隔大于预定的第一时间间隔，或者，根据预定的运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器不是相邻的运动传感器，确定发出当前运动目标检测信号的运动传感器所在的空间区域为一条路径的头部；
如果当前运动目标检测信号和上一个运动目标检测信号的发送时间间隔小于或等于预定的第一时间间隔且大于预定的第二时间间隔，且根据所述运动传感器的相邻关系，发送当前运动目标检测信号的运动传感器和发送上一个运动目标检测信号的运动传感器是相邻运动传感器，将发送当前运动目标检测信号的运动传感器所在的区域合并到发送上一个运动目标检测信号的运动传感器所在区域对应的路径的尾部。
14.根据权利要求11所述的装置，其特征在于，所述聚类单元，具体用于：
根据当前的预定周期内重复确定得到各条路径的次数，确定各条路径的头部空间区域和尾部空间区域之间的相似度；
根据各个空间区域之间的相似度构成的相似度矩阵，确定该矩阵的特征值和特征向量；
根据确定得到的特征值和特征向量进行聚类分组，将被划分到同一组中的特征向量对应的路径的头部空间区域和尾部空间区域划分到同一个空间区域组中，得到若干个空间区域组。
15.根据权利要求14所述的装置，其特征在于，所述聚类单元，具体用于：
将在当前的预定周期内重复确定得到当前路径的次数和预定的第一权值的乘积与该路径的头部空间区域和尾部空间区域在上一个预定周期内确定的相似度和预定的第二权值的乘积的和值，作为当前的预定周期内当前路径的头部空间区域和尾部空间区域之间的相似度，其中，所述第一权值大于所述第二权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310091654.5A CN104063740B (zh) | 2013-03-21 | 2013-03-21 | 办公室实体组识别系统、方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310091654.5A CN104063740B (zh) | 2013-03-21 | 2013-03-21 | 办公室实体组识别系统、方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104063740A CN104063740A (zh) | 2014-09-24 |
| CN104063740B true CN104063740B (zh) | 2017-11-17 |
Family
ID=51551440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310091654.5A Active CN104063740B (zh) | 2013-03-21 | 2013-03-21 | 办公室实体组识别系统、方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104063740B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
| CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
| CN102253391A (zh) * | 2011-04-19 | 2011-11-23 | 浙江大学 | 一种基于多激光雷达的行人目标跟踪方法 |
| CN102724751A (zh) * | 2012-06-04 | 2012-10-10 | 清华大学 | 一种基于非现场勘测的无线室内定位方法 |
| CN102741884A (zh) * | 2010-07-27 | 2012-10-17 | 松下电器产业株式会社 | 移动体检测装置及移动体检测方法 |
| CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1100310C (zh) * | 1994-12-19 | 2003-01-29 | 北京唐智科技发展有限公司 | 同类、有序动信息(组)群各信息源时域样本的跟踪采集 |
| US7475014B2 (en) * | 2005-07-25 | 2009-01-06 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for tracking signal sources with wrapped-phase hidden markov models |
| US20080059069A1 (en) * | 2006-08-30 | 2008-03-06 | Trutna William R | System and method for detecting an object in the path of a vehicle |
| WO2011004403A1 (en) * | 2009-07-07 | 2011-01-13 | Eythor Kristjansson | Method for accurate assessment and graded training of sensorimotor functions |
| CN101877820A (zh) * | 2009-09-07 | 2010-11-03 | 广州市香港科大霍英东研究院 | 无线网基于动态分簇算法的多个无设备物体追踪方法 |
| CN101765095B (zh) * | 2009-12-14 | 2013-03-13 | 浙江大学 | 一种基于混合簇的无线传感器网络移动目标跟踪方法 |
| KR101792866B1 (ko) * | 2011-04-06 | 2017-11-20 | 삼성전자주식회사 | 이벤트 센서와 칼라 센서를 이용한 동작 인식 장치 및 그 방법 |
-
2013
- 2013-03-21 CN CN201310091654.5A patent/CN104063740B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751679A (zh) * | 2009-12-24 | 2010-06-23 | 北京中星微电子有限公司 | 运动目标的分类方法和检测方法及其装置 |
| CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
| CN102741884A (zh) * | 2010-07-27 | 2012-10-17 | 松下电器产业株式会社 | 移动体检测装置及移动体检测方法 |
| CN102253391A (zh) * | 2011-04-19 | 2011-11-23 | 浙江大学 | 一种基于多激光雷达的行人目标跟踪方法 |
| CN102724751A (zh) * | 2012-06-04 | 2012-10-10 | 清华大学 | 一种基于非现场勘测的无线室内定位方法 |
| CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 办公建筑内部空间构成设计研究;刘勇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20090215(第2期);第48-52页 * |
| 基于目标运动轨迹及空间分布的行为分析研究;王晓龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100415(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104063740A (zh) | 2014-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miller | What's in the box?! Towards explainable machine learning applied to non-residential building smart meter classification | |
| Charrad et al. | NbClust: an R package for determining the relevant number of clusters in a data set | |
| Pal et al. | Development of a hybrid methodology for dimensionality reduction in Mahalanobis–Taguchi system using Mahalanobis distance and binary particle swarm optimization | |
| Sause et al. | Pattern recognition approach to identify natural clusters of acoustic emission signals | |
| KR20130113653A (ko) | 대용량 데이터의 클러스터 결과 분석 시스템 및 방법 | |
| CN105446741B (zh) | 一种基于api比对的移动应用程序辨识方法 | |
| Suhaibah et al. | 3D geomarketing segmentation: A higher spatial dimension planning perspective | |
| Rui et al. | Network-constrained and category-based point pattern analysis for Suguo retail stores in Nanjing, China | |
| Zou et al. | A novel network security algorithm based on improved support vector machine from smart city perspective | |
| Li et al. | A top–bottom clustering algorithm based on crowd trajectories for small group classification | |
| Florensa et al. | The use of multiple correspondence analysis to explore associations between categories of qualitative variables and cancer incidence | |
| Zhang et al. | A review on cluster estimation methods and their application to neural spike data | |
| Shitharth et al. | Development of edge computing and classification using the internet of things with incremental learning for object detection | |
| Groff | Measuring a place’s exposure to facilities using geoprocessing models: An illustration using drinking places and crime | |
| Archetti et al. | Heterogeneous datasets for federated survival analysis simulation | |
| Gankidi et al. | Customer segmentation using machine learning | |
| CN105678333A (zh) | 一种拥挤区域的确定方法和装置 | |
| CN104063740B (zh) | 办公室实体组识别系统、方法及装置 | |
| CN108460630B (zh) | 基于用户数据进行分类分析的方法和装置 | |
| Cao et al. | An algorithm for mining moving flock patterns from pedestrian trajectories | |
| CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
| WO2018165530A1 (en) | Method of constructing a reusable low-dimensionality map of high-dimensionality data | |
| Jacquez et al. | Space-time intelligence systems: technology, applications and methods | |
| Photis et al. | Locational planning for emergency management and response: An artificial intelligence approach | |
| Syafruddin et al. | Clusterwise Regression Model Development with Gamma Distribution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |