CN106560824A - 事件检测方法、装置和系统 - Google Patents
事件检测方法、装置和系统 Download PDFInfo
- Publication number
- CN106560824A CN106560824A CN201510644572.8A CN201510644572A CN106560824A CN 106560824 A CN106560824 A CN 106560824A CN 201510644572 A CN201510644572 A CN 201510644572A CN 106560824 A CN106560824 A CN 106560824A
- Authority
- CN
- China
- Prior art keywords
- node
- data message
- characteristic vector
- neighbor
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种事件检测方法，该方法包括：获取参与事件检测的结点的数据信息，并构建无向带权图模型；根据所述结点的数据信息，将所述结点进行分类处理；根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。本发明还公开了一种事件检测装置和事件检测系统。本发明提高了数据处理速度，同时降低了事件检测时中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
Description
技术领域
本发明涉及通讯技术领域，尤其涉及一种事件检测方法、装置和系统。
背景技术
目前物联网已进入深度发展阶段，随着无线通信和传感器技术的进步，市场上的智能手机、平板电脑、可穿戴设备、车载感知设备等移动终端集成了越来越多的传感器，拥有越来越强大的计算、感知、存储和通信能力。
随着这些无线移动终端设备的爆炸式普及，物联网将普通用户的移动设备作为基本感知单元，通过利用这些普适的移动设备，形成群智感知网络，实现感知任务分发与感知数据收集，提供更大规模的、更复杂的、透彻而全面的感知服务。
群智感知可应用于环境与气候变化监测、交通与危险监测、健康跟踪、室内定位与导航，还可应用于在城市中的噪声和空气质量监测、城市中的街道停车监测等。在群智感知的应用中，动态事件检测得到了研究者们越来越大的关注。
为了进行动态事件检测，参与者将检测设备中收集到的数据发送到中心服务器，由中心服务器对数据进行分析运算处理，然后对检测到的事件进行决策。
目前，中心服务器需要将数收集到的全部数据抽象为图结构；然后，可运行多种事件检测算法，如最小割(Min-cut)算法，划分出事件发生区域。
但是，当前的事件检测方法都需要对全局数据的了解，进行集中式的处理，导致数据处理负担大、速度慢，不能进行大规模数据的处理。
发明内容
本发明的主要目的在于提供一种事件检测方法、装置和系统，旨在解决事件检测规模小、速度慢的技术问题。
为实现上述目的，本发明提供一种事件检测方法，所述事件检测方法包括以下步骤：
获取参与事件检测的结点的数据信息，并构建无向带权图模型；
根据所述结点的数据信息，将所述结点进行分类处理；
根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
优选的，所述获取参与事件检测的结点的数据信息，并构建无向带权图模型的步骤包括：
获取参与事件检测的结点的数据信息；
获取所述结点的邻居结点，并获取所述邻居结点的数据信息；
根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值；
根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
优选的，所述根据所述结点的数据信息，将所述结点进行分类处理的步骤包括：
初始化迭代次数和所述结点的特征向量；
根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量；
根据所述结点的特征向量，将所述结点进行分类。
优选的，所述根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量的步骤包括：
获取所述邻居结点的特征向量；
根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量；
根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量；
判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点；
若未遍历所述结点的所有邻居结点，则转入执行步骤：获取所述邻居结点的特征向量。
此外，为实现上述目的，本发明还提供一种事件检测装置，所述事件检测装置包括：
获取模块，用于获取参与事件检测的结点的数据信息，并构建无向带权图模型；
分类模块，用于根据所述结点的数据信息，将所述结点进行分类处理；
区域模块，用于根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
优选的，所述获取模块包括：
获取单元，用于获取参与事件检测的结点的数据信息；获取所述结点的邻居结点，并获取所述邻居结点的数据信息；
权值单元，用于根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值；
构建单元，用于根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
优选的，所述分类模块包括：
初始单元，用于初始化迭代次数和所述结点的特征向量；
向量单元，用于根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量；
分类单元，用于根据所述结点的特征向量，将所述结点进行分类。
优选的，所述向量单元包括：
获取子单元，用于获取所述邻居结点的特征向量；
变量子单元，用于根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量；
迭代子单元，用于根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量；
判断子单元，用于判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点；
获取子单元，还用于若未遍历所述结点的所有邻居结点，则获取所述邻居结点的特征向量。
此外，为实现上述目的，本发明还提供一种事件检测系统，所述事件检测系统包括中心服务器和参与者设备，其中：
所述中心服务器包括控制装置和数据装置；
所述控制装置包括获取模块、分类模块和区域模块；
所述数据装置用于协调所述控制装置的数据处理进程；
所述参与者设备用于采集数据信息，并将所述数据信息发送给所述中心服务器。
优选的，所述数据装置包括：
分布式文件系统，用于存储数据处理进程中的数据信息；
本地化处理平台，用于协调所述数据信息的本地化处理；
传送装置，用于传送所述本地化处理后的数据。
本发明提出的一种事件检测方法、装置和系统，通过获取参与事件检测的结点的数据信息，并构建无向带权图模型；根据所述结点的数据信息，将所述结点进行分类处理；根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。本发明通过结点数据信息的获取和结点之间边的权值的计算，实现了无向带权图模型的构建，并通过分布式的数据处理对无向带权图模型进行分割，获取事件发生区域，提高了数据处理速度，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
附图说明
图1为本发明事件检测方法第一实施例的流程示意图；
图2为本发明实施例应用场景示意图；
图3A为本发明实施例城市交通道路空气污染事件检测应用场景第一示意图；
图3B为本发明实施例城市交通道路空气污染事件检测应用场景第二示意图；
图3C为本发明实施例城市交通道路空气污染事件检测应用场景第三示意图；
图3D为本发明实施例城市交通道路空气污染事件检测应用场景第四示意图；
图4为本发明事件检测方法第二实施例的流程示意图；
图5A为本发明实施例噪音事件检测应用场景第一示意图；
图5B为本发明实施例噪音事件检测应用场景第二示意图；
图5C为本发明实施例噪音事件检测应用场景第三示意图；
图6为本发明事件检测方法第三实施例的流程示意图；
图7为本发明事件检测方法第四实施例的流程示意图；
图8为本发明事件检测装置第一实施例的功能模块示意图；
图9为本发明事件检测装置第二实施例的功能模块示意图；
图10为本发明事件检测装置第三实施例的功能模块示意图；
图11为本发明事件检测装置第四实施例的功能模块示意图；
图12为本发明事件检测系统第一实施例的模块示意图；
图13为本发明实施例的数据处理流程示意图；
图14A为本发明实施例事件检测系统监控平台第一示意图；
图14B为本发明实施例事件检测系统监控平台第二示意图；
图15A为本发明实施例事件检测系统客户端第一示意图；
图15B为本发明实施例事件检测系统客户端第二示意图；
图16为本发明事件检测系统第二实施例的模块示意图；
图17A为本发明实施例踩踏事件检测应用场景第一示意图；
图17B为本发明实施例踩踏事件检测应用场景第二示意图；
图17C为本发明实施例踩踏事件检测应用场景第三示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取参与事件检测的结点的数据信息，并构建无向带权图模型；根据所述结点的数据信息，将所述结点进行分类；根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
由于现有技术中，事件检测算法都需要对全局数据的了解，进行集中式的处理，导致数据处理负担大、速度慢，不能进行大规模数据的处理。
本发明提供一种解决方案，基于计算框架Spark平台，应用分布式的最小割算法和分布式的处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
参照图1，本发明事件检测方法第一实施例提供一种事件检测方法，所述事件检测方法包括：
步骤S10、获取参与事件检测的结点的数据信息，并构建无向带权图模型。
本实施例主要应用于群智感知的事件检测。在本实施例中，以数据的计算处理基于计算框架Spark平台进行举例说明。
为了事件检测问题建模为正式的模型并进行分析，中心服务器需要将从参与者设备采集到的数据信息抽象为图结构，即：把整个有效探测区域建模为一个二维的平面，其中每个结点代表一个参与者设备，并包含与其相关的多种数据，例如地理位置坐标、设备剩余电量水平、设备传感器读数等，而每条边则代表两个相邻结点之间的关系。
参与者设备可以是移动终端，如手机的摄像头、麦克风，也可以是便携式可穿戴设备、车载感知设备，当然也可以是其他感知设备。参与者设备用于探测、感知事件发生信息，并采集事件检测的参数。
具体的，作为一种实施方式，首先，中心服务器获取检测区域中参与本次事件检测的所有结点的数据信息。将获取的结点的数据信息存储在HDFS(Hadoop Distribute File System，分布式文件系统)。
其中，结点的数据信息包括结点的坐标信息、结点的剩余电量和事件检测的参数。当然，也可以包括其他数据信息。
结点的坐标信息用于在二维平面中标识结点的位置。
结点的剩余电量用于中心服务器选择参与者设备。为保证事件检测所获取的数据信息的稳定性，中心服务器尽量选择剩余电量较多的设备，避免参与者设备在数据处理过程中无法正常获取数据信息。在本实施例中，中心服务器仅选择剩余电量大于预设阈值的参与者设备作为结点。
事件检测的参数根据应用场景而定，如噪音事件检测时为噪音值、城市交通道路空气污染事件检测时为污染度数、踩踏事件等公共安全事件检测时为人群密度值，当然也可以是其他数值，可根据实际需要灵活设定。
判断结点的事件检测的参数是否满足预设的阈值，可获取结点的颜色标定值。其中，结点的颜色标定值为cls值，取值0或者1，用于结点的分类标识。
由此，得到本次事件检测中获取的所有结点的数据信息。
然后，中心服务器根据获取的全部结点的数据信息，计算结点与其邻居结点之间边的权值，将获取的所有边的权值信息存储在HDFS。
然后，将结点的数据信息分为点数据RDD(Resilient Distributed Datasets，弹性分布式数据集)，将边的权值信息分为边数据RDD，并构建无向带权图模型。
其中，无向带权图模型为标识有结点信息的二维图像，结点表示参与者设备。结点信息可以包括结点的坐标信息和结点的事件检测的参数，也可以包括其他信息，可根据实际需要灵活设定。
步骤S20、根据所述结点的数据信息，将所述结点进行分类处理。
在中心服务器获取本次事件检测中所有结点的数据信息后，可根据结点的数据信息，通过分布式处理点数据RDD和边数据RDD，将结点进行分类，得到事件发生点和事件未发生点，生成新的包含有事件发生点和事件未发生点数据信息的RDD。
作为一种实施方式，首先，初始化本次事件检测的迭代次数和结点的特征向量，用于结点特征向量的迭代更新。
然后，迭代更新结点的特征向量。可以根据结点的数据信息、结点的邻居结点的数据信息和特征向量，通过迭代更新当前结点的初始特征向量，直至遍历当前结点所有的邻居结点后，获取当前结点的特征向量。
获取本次事件检测中所有结点的特征向量后，根据结点的特征向量，将所有的结点进行分类，得到事件发生点和事件未发生点的分类结果。
步骤S30、根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
在对结点进行分类，得到事件发生点和事件未发生点数据信息RDD后，中心服务器分割无向带权图模型，得到事件发生区域。
具体的，作为一种实施方式，使用最小割方法，在无向带权图模型中识别出连接事件发生点和事件未发生点的边。
然后，删除连接不同类别组的结点的边进行删除，也即割断连接事件发生点和事件未发生点的边，将事件发生区域和事件未发生区域分隔开，即可得到事件发生区域。
参照图2，在本发明事件检测的应用场景示意图中，101、106和107表示参与者的设备，为了简化问题，此处仅用移动终端代替，并不做限制性的说明，参与者也可以用其他的便携设备，只要可以实现上网和在线发送数据给中心服务器即可。
在图2中，108、109和110表示参与者所用设备的剩余电量。
103表示参与者在短距离范围内，可以相邻结点进行设备与设备之间的通信区域。
在103所示的区域内筛选出处于苏醒状态的结点之后，由这个苏醒结点对事件进行实时检测，若有事件发生，则该结点对事件的相关数据收集并发送给中心服务器进行分析处理。105表示基站和连接的中心服务器。104表示检测到的事件发生区域。
由于参与者是可以动态活动的，如102所示，表示的是参与者的活动足迹，此处只是示例性地表示参与者的活动路线，不做限制性的说明。
以本发明应用场景为城市交通道路空气污染事件检测，进行举例说明。在本实施例中，每个结点均可以测得空气污染读数，读数越高，空气污染越严重。
首先，参照图3A，中心服务器获取参与事件检测的结点的数据信息，包括参与者设备的坐标信息、参与者设备的剩余电量和事件检测的参数。
经过对参与者设备的剩余电量的筛选，在本实施例中共选取6个剩余电量大于预设阈值的参与者设备作为结点，结点包括：A、B、C、D、E和F。
其中，A的空气污染读数为4，坐标信息为<0，4>，使用<4，0，4>表征A；
B的空气污染读数为6，坐标信息为<0，0>，使用<6，0，0>表征B；
C的空气污染读数为26，坐标信息为<2，3>，使用<26，2，3>表征C；
D的空气污染读数为30，坐标信息为<2，1>，使用<30，2，1>表征D；
E的空气污染读数为3，坐标信息为<4，4>，使用<3，4，4>表征E；
F的空气污染读数为4，坐标信息为<4，0>，使用<4，4，0>表征F。
将结点与其邻居结点进行连接，得到连接结点与其邻居结点的边。
然后，根据结点和其邻居结点的数据信息计算，得到连接结点与其邻居结点的边的权值信息：
边AC的权值为5.33；
边AB的权值为0.61；
边AE的权值为0.77；
边BD的权值为2.18；
边BF的权值为0.61；
边CD的权值为0.14；
边CE的权值为3.4；
边DF的权值为8.9；
边EF的权值为0.77。
由此，通过步骤S10，中心服务器根据获取的本次事件检测中所有结点的数据信息，构建得到无向带权图模型。无向带权图模型参照图3B，包括结点的信息。
然后，中心服务器将得到结点的数据信息和边的权值信息通过计算处理，得到所有结点的特征向量。根据结点的特征向量，将所有的结点进行分类，得到事件发生点C、D，事件未发生点A、B、E和F。
通过步骤S20，中心服务器已得到结点的分类信息。
参照图3C，根据结点坐标信息和空气污染读数可见：A、B、E和F都位于交通道路两侧，空气污染读数较低，空气质量较高；C、D都处于交通道路中，空气污染读数较高，可大致认定为事件发生区域。由此，边AC、CE、BD和DF为连接了事件发生区域和事件未发生区域的边。
然后，参照图3D，使用最小割方法，中心服务器识别出连接事件发生点和事件未发生点的边，得到边AC、CE、BD和DF。
然后，对连接不同类别结点的边进行删除，也即删除边AC、CE、BD和DF，得到事件发生区域，也即点C和D连接所在的区域。边AB、AE、BF和EF连接构成的区域，去除点C和D连接所在的区域后，所得到的区域即为事件未发生区域。
通过步骤S30，中心服务器获取事件发生区域。
在本实施例中，中心服务器通过获取参与事件检测的所有结点的数据信息，并构建无向带权图模型；然后，根据结点的数据信息，将结点进行分布式分类处理；然后，根据结点的分类，分割无向带权图模型，获取事件发生区域。本实施例将获取的结点数据信息进行分布式的计算处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图4，本发明事件检测方法第二实施例提供一种事件检测方法，基于上述图1所示的实施例，所述步骤S10包括：
步骤S11、获取参与事件检测的结点的数据信息。
在事件检测开始后，中心服务器联通参与者设备，获取参与者设备的数据信息。参与者设备作为结点，提供其坐标信息、设备的剩余电量和事件检测的参数。
中心服务器获取参与者设备的数据信息后，根据预设的阈值，判断参与者设备的剩余电量是否满足条件。若参与者设备的剩余电量满足阈值，则选取该参与者设备作为结点；若参与者设备的剩余电量不满足阈值，则不选取该参与者设备作为结点。当然，也可以使用其他信息作为结点选取条件。
由此，中心服务器获取本次事件检测中选取的结点，和本次事件检测中结点的总数。
然后，根据结点的事件检测的参数，获取结点的颜色标定值，也即cls值。若结点的事件检测的参数满足预设的阈值，则取结点的cls值为1；若结点的事件检测的参数不满足预设的阈值，则取结点的cls值为0。
若未进行cls值的标定，则结点的cls值随机选择0或者1。
由此，中心服务器得到参与本次事件检测的结点，和结点的数据信息。中心服务器将获取的结点数据信息存储在HDFS中。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
首先，中心服务器获取参与事件检测的结点的数据信息，包括参与者设备的坐标信息、参与者设备的剩余电量和事件检测的参数。
在本实施例中，经过对参与者设备的剩余电量的筛选，共选取5个剩余电量大于预设阈值的参与者设备作为结点，参照图5A，本次事件检测中选取的结点包括：P1、P2、P3、P4和P5。
其中，P1噪音值为11，坐标信息为<0，0>，使用<11，0，0>表征P1；
P2噪音值为10，坐标信息为<8，2>，使用<10，8，2>表征P2；
P3噪音值为9，坐标信息为<0，10>，使用<9，0，10>表征P3；
P4噪音值为8，坐标信息为<10，9>，使用<8，10，9>表征P4；
P5噪音值为50，坐标信息为<6，8>，使用<50，6，8>表征P5。
步骤S12、获取所述结点的邻居结点，并获取所述邻居结点的数据信息。
在获取本次事件检测中所有结点的数据信息后，中心服务器可以根据各结点的数据信息，获取各结点的邻居结点，和邻居结点的数据信息。
具体的，作为一种实施方式，首先，中心服务器根据结点的坐标信息和预设的阈值，获取以当前结点为中心、预设的阈值为半径的范围内的结点，作为当前结点的邻居结点。当然，也可以其他方式选取邻居结点，可根据实际需要灵活设置。
然后，中心服务器获取当前结点的邻居结点的数据信息。
通过上述方式，中心服务器得到本次事件检测中各结点的邻居结点，和邻居结点的数据信息。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
在步骤S11中，中心服务器已获取结点P1、P2、P3、P4和P5。
通过步骤S12，得到P1的邻居结点为P2、P3和P5；P2的邻居结点为P1、P4和P5；P3的邻居结点为P1、P4和P5；P4的邻居结点为P2、P3和P5；P5的邻居结点为P1、P2、P3和P4。
步骤S13、根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值。
在获取各结点和其邻居结点的数据信息后，中心服务器根据各结点和其邻居结点的数据信息，计算连接各结点与其邻居结点的边的权值。
具体的，作为一种实施方式，取结点p的事件检测的参数为Vi，坐标为＜Dix，Diy＞；
取结点p的一邻居结点n的事件检测的参数为Vj，坐标为＜Djx，Djy＞。
首先，使用如下公式，计算结点p与邻居结点n的欧几里得举例：
然后，使用如下公式，计算连接结点p与邻居结点n的边的权值：
w＝exp(-|Vi-Vj|/Dij)。
由此，中心服务器得到连接结点p与邻居结点n的边的权值w。
中心服务器根据如上公式，计算得到连接结点p与其所有邻居结点的边的权值。
进而，中心服务器得到本次事件检测中连接各结点和其邻居结点的边的权值。
中心服务器将获取的边权值信息存储在HDFS中
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
在步骤S11中，中心服务器已获取结点P1、P2、P3、P4和P5。
在步骤S12中，中心服务器已获取结点的邻居结点。
然后，根据结点和其邻居结点的数据信息计算，计算得到连接结点与其邻居结点的边的权值：
边P1P2的权值为0.88；
边P1P3的权值为0.818；
边P1P5的权值为0.02；
边P2P4的权值为0.76；
边P2P5的权值为0.002；
边P3P4的权值为0.91；
边P3P5的权值为0.001；
边P4P5的权值为0.0001。
步骤S14、根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
在获取各结点和其邻居结点的边的权值后，中心服务器根据各结点的数据信息、各结点的邻居结点的数据信息，和边的权值，构建得到无向带权图模型。
具体的，作为一种实施方式，中心服务器将HDFS中存储的结点数据信息和边权值信息进行分类，得到点数据RDD和边数据RDD。
然后，将点数据RDD和边数据RDD经过Spark平台的Graph图像化操作，将结点数据直观、形象的可视化，得到无向带权图模型。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
在步骤S11中，中心服务器已获取结点P1、P2、P3、P4和P5。
在步骤S12中，中心服务器已获取结点的邻居结点。
在步骤S13中，中心服务器已获取连接结点和邻居结点的边的权值。
然后，参照图5B，中心服务器根据结点和邻居结点的数据信息，以及结点之间边的权值，构建得到无向带权图模型。
由此，中心服务器可以通过步骤S20得到结点P1、P2、P3、P4和P5的分类，P1、P2、P3和P4为一类，P5为一类。
然后，中心服务器可以通过步骤S30，删除连接不同类别结点的边。参照图5C，中心服务器删除边P1P5、P2P5、P3P5和P4P5，得到事件发生区域为P5所在的区域。
在本实施例中，中心服务器获取参与本次事件检测各结点的数据信息，获取各结点的邻居结点，和邻居结点的数据信息；然后，根据各结点的数据信息和其邻居结点的数据信息，计算连接各结点与其邻居结点的边的权值；然后，根据获取的结点的数据信息、邻居结点的数据信息和边的权值，构建得到无向带权图模型。在本实施例中，通过结点数据信息的获取和结点之间边的权值的计算，实现了无向带权图模型的构建，用于获取事件发生区域，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图6，本发明事件检测方法第三实施例提供一种事件检测方法，基于上述图4所示的实施例，所述步骤S20包括：
步骤S21、初始化迭代次数和所述结点的特征向量。
在中心服务器获取参与事件检测的结点的数据信息，并构建无向带权图模型后，中心服务器根据结点的数据信息，将本次事件检测中的所有结点进行分类，得到事件发生点和事件未发生点。
中心服务器读取无向带权图模型的RDD，得到需要进行运算的点数据和边数据。然后，将获取的RDD分块，生成新的RDD，用于进行分布式计算处理，将处理任务分配到中心服务器的各节点进行本地化处理，对结点进行分类处理。
具体的，作为一种实施方式，首先，初始化本次事件检测的迭代次数，根据本次事件检测中结点的总数，设置迭代次数。
取本次事件检测中结点的总数为d，则设置结点的迭代次数为阈值d，中心服务器需对全部d个结点进行特征向量的迭代，也即中心服务器进行至少d次的迭代。
然后，初始化各结点的特征向量，取初始化后各结点的特征向量为[1，1，1，1]。
在本实施例中，取结点p。取p的特征向量为a。其中，a为4维向量。
初始化结点p的特征向量后，a＝[1，1，1，1]。
步骤S22、根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量。
初始化迭代次数和结点的特征向量后，中心服务器根据各结点和其邻居结点的数据信息，以及边的权值，迭代更新各结点的特征向量。
具体的，作为一种实施方式，首先，根据各结点与其邻居结点的权值，获取连接各结点与其邻居结点的边的参数。
然后，获取各结点邻居结点的特征向量，邻居结点的特征向量为4维向量。
然后，根据各结点和其邻居结点的数据信息，获取参数变量。
然后，根据获取的各结点邻居结点的特征向量、连接各结点与其邻居结点的边的参数和参数变量，对已经初始化的结点的特征向量进行更新。
中心服务器获取各结点的所有邻居结点，对结点的特征向量进行迭代更新，直至迭代更新已遍历结点所有的邻居结点。此时，获取迭代更新后的特征向量为结点的特征向量。
中心服务器根据上述方式迭代更新本次事件检测中所有结点的特征向量。
当迭代次数达到设定的阈值d时，所有的迭代结束，完成对本次事件检测中结点特征向量的迭代更新。
步骤S23、根据所述结点的特征向量，将所述结点进行分类。
在获取本次事件检测中所有结点的特征向量后，中心服务器根据结点的特征向量，将所有的结点进行分类，得到事件发生点和事件未发生点。
具体的，作为一种实施方式，首先，中心服务器获取结点更新后的特征向量。
在本实施例中，取结点p迭代更新后的特征向量为a′，令a′＝[a′0，a′1，a′2，a′3]。
然后，通过计算获取a″0和a″1，a″0和a″1用于判定结点p的分类。a″0和a″1的计算公式如下：
a″0＝a′0+a′2；
a″1＝a′1+a′3。
获取a″0和a″1后，根据a″0和a″1的值决定结点p的分类。
若a″0＞a″1，则结点的cls＝0，也即结点p的分类标识为0；
若a″0＜a″1，则结点的cls＝1，也即结点p的分类标识为1。
由此，完成对结点p的分类。
在对本次事件检测中的所有结点进行分类后，获取分类结果。得到一组分类标识为0的结点，和一组分类标识为1的结点。
在本实施例中，取分类标识为0的结点为事件未发生点，取类标识为1的结点为事件发生点。
在本实施例中，中心服务器通过初始化迭代次数和结点的特征向量；然后根据各结点和其邻居结点的数据信息，以及连接各结点与其邻居结点的边的权值，迭代更新获取结点的特征向量；然后根据各结点的特征向量，将各结点进行分类，得到各结点的分类结果。本实施例实现了通过分布式处理将结点进行分类，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图7，本发明事件检测方法第四实施例提供一种事件检测方法，基于上述图6所示的实施例，所述步骤S22包括：
步骤S221、获取所述邻居结点的特征向量。
在中心服务器初始化迭代次数和结点的特征向量后，需要获取当前结点的邻居结点的特征向量，用于当前结点的特征向量迭代更新。
在本实施例中，取结点p作为当前进行特征向量迭代更新的结点。
具体的，作为一种实施方式，首先，中心服务器获取结点p的所有邻居结点、邻居结点的数据信息和邻居结点的cls值，得到结点p邻居结点的总数，取结点p的邻居结点的总数为m。
然后，获取邻居结点的特征向量b。特征向量b为4维向量。
若邻居结点已进行特征向量b的迭代更新，则获取迭代更新后的特征向量b，令b＝[b0，b1，b2，b3]；若邻居结点未进行特征向量b的迭代更新，则获取初始化的特征向量b，此时b＝[b0，b1，b2，b3]＝[1，1，1，1]。
步骤S222、根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量。
根据结点的数据信息和其邻居结点的数据信息，可以获取结点和其邻居结点的cls值，根据结点和其邻居结点的cls值获取每个邻居结点的参数变量。
具体的，作为一种实施方式，取邻居结点的参数变量为β，β＝[β0，β1，β2，β3]；取结点p的cls值为cls1；取结点p的的邻居结点的cls值为cls2。
其中，β0和β1的值根据cls1的值确定。当cls1＝0时，β0＝1，β1＝0；当cls1＝1时，β0＝0，β1＝1。
β2和β3的值根据cls2的值确定。当cls2＝0时，β2＝1，β3＝0；当cls2＝1时，β2＝0，β3＝1。
由此，中心服务器获取邻居结点的参数变量。
本实施例以结点p和结点p的一个邻居结点n进行举例说明。
结点p的cls值为cls1，邻居结点n的cls值为cls2，取邻居结点n的参数变量为β′，β′＝[β0，β1，β2，β3]，则有：
当cls1＝0，cls2＝0时，β′＝[1，0，1，0]；
当cls1＝0，cls2＝1时，β′＝[1，0，0，1]；
当cls1＝1，cls2＝0时，β′＝[0，1，1，0]；
当cls1＝1，cls2＝1时，β′＝[0，1，0，1]。
由此，中心服务器得到结点p的所有邻居结点的参数变量。
步骤S223、根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量。
在获取各结点邻居结点的特征向量、连接各结点和其邻居结点的边的权值和邻居结点的参数变量后，中心服务器通过迭代更新获取结点的特征向量。
具体的，作为一种实施方式，首先，中心服务器根据连接结点p和其邻居结点的边的权值，获取连接结点p和其邻居结点的边的参数。
取连接结点p和其邻居结点的边的参数为Ωp，根据公式Ωp＝w/w(max)，计算得到Ωp。
其中，w为连接结点p和其邻居结点的边的权值，w(max)为连接结点p和其所有邻居结点的边的权值中的最大权值。
由此，计算得到连接结点p和其邻居结点的所有边的参数，得到所有边的参数集合Ω。其中，Ω为m维向量，m为结点p的邻居结点总数。
然后，根据邻居结点n的特征向量b、参数变量β′，以及连接结点和其邻居结点的边的参数Ω，更新结点p的特征向量a。
其中，取b＝[b0，b1，b2，b3]，取β′＝[β0，β1，β2，β3]，取Ωk为Ω中连接结点p与邻居结点n的边的参数，取结点p的特征向量为a＝[a0，a1，a2，a3]，取结点p根据邻居结点n更新后的特征向量为
特征向量a的迭代计算公式如下：
由此，得到结点p根据邻居结点n进行迭代更新后的特征向量。需要说明的是，特征向量的迭代计算公式可根据实际运算需要进行灵活调整。
根据上述公式，依次将结点p邻居结点相应的特征向量、参数变量和边的参数代入公式计算，遍历结点p所有的邻居结点，进行特征向量a的迭代更新。
由此，得到结点p迭代更新后的特征向量a′，a′＝[a′0，a′1，a′2，a′3]。
步骤S224、判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点；若未遍历所述结点的所有邻居结点，则转入执行步骤：获取所述邻居结点的特征向量。
为控制获取的结点的特征向量的准确性，结点特征向量的迭代更新需要遍历结点所有的邻居结点，也即，需要根据所有邻居结点相应的信息，对结点进行迭代更新。
在得到结点迭代更新后的特征向量时，判断对当前结点的迭代更新是否已遍历当前结点所有的邻居结点。
具体的，作为一种实施方式，判断当前结点特征向量的迭代更新次数是否达到结点的邻居结点总数。
取当前结点特征向量的迭代更新次数为e，当前结点的邻居结点总数为m，则判断e是否大于或等于m。
若e大于或等于m，则判定当前结点的特征向量迭代更新已经完成，获取此已完成迭代更新的特征向量作为当前结点的特征向量；
若e小于m，则判定当前结点的特征向量迭代更新未完成，未遍历当前结点的所有邻居结点。
若结点特征向量的迭代更新未遍历其所有的邻居结点，此时，获取未遍历的邻居结点。
然后，获取未遍历的邻居结点的特征向量；然后，根据结点和未遍历的邻居结点的数据信息，获取未遍历的邻居结点的参数变量；然后，根据未遍历的邻居结点的特征向量、连接结点和未遍历的邻居结点的边的权值，以及未遍历的邻居结点的参数变量，迭代更新结点的特征向量，直至遍历结点的全部邻居结点；获取完成迭代更新后的结点的特征向量。
在本实施例中，中心服务器通过获取邻居结点的特征向量；根据结点的数据信息和邻居结点的数据信息，获取参数变量；然后，根据邻居结点的特征向量、连接结点和邻居结点的边的权值和邻居结点的参数变量，迭代更新点的特征向量；判断结点的特征向量的迭代更新，是否已遍历结点的所有邻居结点；若未遍历所述结点的所有邻居结点，则获取未遍历的邻居结点的特征向量，进行对结点特征向量的迭代更新，得到结点迭代更新后的特征向量。在本实施例中，结点的迭代更新由中心服务器进行分布式处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
参照图8，本发明事件检测装置第一实施例提供一种事件检测装置，所述事件检测装置包括：
获取模块100，用于获取参与事件检测的结点的数据信息，并构建无向带权图模型。
本实施例主要应用于群智感知的事件检测。在本实施例中，以数据的计算处理基于计算框架Spark平台进行举例说明。
为了事件检测问题建模为正式的模型并进行分析，获取模块100需要将从参与者设备采集到的数据信息抽象为图结构，即：把整个有效探测区域建模为一个二维的平面，其中每个结点代表一个参与者设备，并包含与其相关的多种数据，例如地理位置坐标、设备剩余电量水平、设备传感器读数等，而每条边则代表两个相邻结点之间的关系。
参与者设备可以是移动终端，如手机的摄像头、麦克风，也可以是便携式可穿戴设备、车载感知设备，当然也可以是其他感知设备。参与者设备用于探测、感知事件发生信息，并采集事件检测的参数。
具体的，作为一种实施方式，首先，获取模块100获取检测区域中参与本次事件检测的所有结点的数据信息。将获取的结点的数据信息存储在HDFS(Hadoop Distribute File System，分布式文件系统)。
其中，结点的数据信息包括结点的坐标信息、结点的剩余电量和事件检测的参数。当然，也可以包括其他数据信息。
结点的坐标信息用于在二维平面中标识结点的位置。
结点的剩余电量用于中心服务器选择参与者设备。为保证事件检测所获取的数据信息的稳定性，中心服务器尽量选择剩余电量较多的设备，避免参与者设备在数据处理过程中无法正常获取数据信息。在本实施例中，中心服务器仅选择剩余电量大于预设阈值的参与者设备作为结点。
事件检测的参数根据应用场景而定，如噪音事件检测时为噪音值、城市交通道路空气污染事件检测时为污染度数、踩踏事件等公共安全事件检测时为人群密度值，当然也可以是其他数值，可根据实际需要灵活设定。
判断结点的事件检测的参数是否满足预设的阈值，可获取结点的颜色标定值。其中，结点的颜色标定值为cls值，取值0或者1，用于结点的分类标识。
由此，得到本次事件检测中获取的所有结点的数据信息。
获取模块100根据获取的全部结点的数据信息，计算结点与其邻居结点之间边的权值，将获取的所有边的权值信息存储在HDFS。
然后，获取模块100将结点的数据信息分为点数据RDD(ResilientDistributed Datasets，弹性分布式数据集)，将边的权值信息分为边数据RDD，并构建无向带权图模型。
其中，无向带权图模型为标识有结点信息的二维图像，结点表示参与者设备。结点信息可以包括结点的坐标信息和结点的事件检测的参数，也可以包括其他信息，可根据实际需要灵活设定。
分类模块200，用于根据所述结点的数据信息，将所述结点进行分类处理。
在获取模块200获取本次事件检测中所有结点的数据信息后，分类模块200可根据结点的数据信息，通过分布式处理点数据RDD和边数据RDD，将结点进行分类，得到事件发生点和事件未发生点，生成新的的包含有事件发生点和事件未发生点数据信息RDD。
作为一种实施方式，首先，分类模块200初始化本次事件检测的迭代次数和结点的特征向量，用于结点特征向量的迭代更新。
然后，迭代更新结点的特征向量。可以根据结点的数据信息、结点的邻居结点的数据信息和特征向量，通过迭代更新当前结点的初始特征向量，直至遍历当前结点所有的邻居结点后，获取当前结点的特征向量。
获取本次事件检测中所有结点的特征向量后，根据结点的特征向量，将所有的结点进行分类，得到事件发生点和事件未发生点的分类结果。
区域模块300，用于根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
在分类模块200对结点进行分类，得到事件发生点和事件未发生点数据信息RDD后，区域模块300分割无向带权图模型，得到事件发生区域。
具体的，作为一种实施方式，区域模块300使用最小割方法，在无向带权图模型中识别出连接事件发生点和事件未发生点的边。
然后，区域模块300删除连接不同类别组的结点的边进行删除，也即割断连接事件发生点和事件未发生点的边，将事件发生区域和事件未发生区域分隔开，即可得到事件发生区域。
以本发明应用场景为城市交通道路空气污染事件检测，进行举例说明。在本实施例中，每个结点均可以测得空气污染读数，读数越高，空气污染越严重。
首先，参照图3A，获取模块100获取参与事件检测的结点的数据信息，包括参与者设备的坐标信息、参与者设备的剩余电量和事件检测的参数。
获取模块100经过对参与者设备的剩余电量的筛选，在本实施例中共选取6个剩余电量大于预设阈值的参与者设备作为结点，结点包括：A、B、C、D、E和F。
其中，A的空气污染读数为4，坐标信息为<0，4>，使用<4，0，4>表征A；
B的空气污染读数为6，坐标信息为<0，0>，使用<6，0，0>表征B；
C的空气污染读数为26，坐标信息为<2，3>，使用<26，2，3>表征C；
D的空气污染读数为30，坐标信息为<2，1>，使用<30，2，1>表征D；
E的空气污染读数为3，坐标信息为<4，4>，使用<3，4，4>表征E；
F的空气污染读数为4，坐标信息为<4，0>，使用<4，4，0>表征F。
获取模块100将各结点与其邻居结点进行连接，得到连接结点与其邻居结点的边。
然后，获取模块100根据各结点和其邻居结点的数据信息计算，得到连接结点与其邻居结点的边的权值信息：
边AC的权值为5.33；
边AB的权值为0.61；
边AE的权值为0.77；
边BD的权值为2.18；
边BF的权值为0.61；
边CD的权值为0.14；
边CE的权值为3.4；
边DF的权值为8.9；
边EF的权值为0.77。
由此，获取模块100根据获取的本次事件检测中所有结点的数据信息，构建得到无向带权图模型。无向带权图模型参照图3B，包括结点的信息。
然后，分类模块200将得到结点的数据信息和边的权值信息通过计算处理，得到所有结点的特征向量。根据结点的特征向量，分类模块200将所有的结点进行分类，得到事件发生点C、D，事件未发生点A、B、E和F。
参照图3C，根据结点坐标信息和空气污染读数可见：A、B、E和F都位于交通道路两侧，空气污染读数较低，空气质量较高；C、D都处于交通道路中，空气污染读数较高，可大致认定为事件发生区域。由此，边AC、CE、BD和DF为连接了事件发生区域和事件未发生区域的边。
然后，参照图3D，区域模块300使用最小割方法，识别出连接事件发生点和事件未发生点的边，得到边AC、CE、BD和DF。
然后，区域模块300对连接不同类别结点的边进行删除，也即删除边AC、CE、BD和DF，得到事件发生区域，也即点C和D连接所在的区域。边AB、AE、BF和EF连接构成的区域，去除点C和D连接所在的区域后，所得到的区域即为事件未发生区域。
由此，区域模块300获取事件发生区域。
在本实施例中，获取模块100获取参与事件检测的所有结点的数据信息，并构建无向带权图模型；然后，分类模块200根据结点的数据信息，将结点进行分布式分类处理；然后，区域模块300根据结点的分类，分割无向带权图模型，获取事件发生区域。本实施例将获取的结点数据信息进行分布式的计算处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图9，本发明事件检测装置第二实施例提供一种事件检测装置，基于上述图8所示的实施例，所述获取模块100包括：
获取单元110，用于获取参与事件检测的结点的数据信息；获取所述结点的邻居结点，并获取所述邻居结点的数据信息。
在事件检测开始后，获取单元110联通参与者设备，获取参与者设备的数据信息。参与者设备作为结点，提供其坐标信息、设备的剩余电量和事件检测的参数。
获取单元110获取参与者设备的数据信息后，根据预设的阈值，判断参与者设备的剩余电量是否满足条件。若参与者设备的剩余电量满足阈值，则选取该参与者设备作为结点；若参与者设备的剩余电量不满足阈值，则不选取该参与者设备作为结点。当然，也可以使用其他信息作为结点选取条件。
由此，获取单元110获取本次事件检测中选取的结点，和本次事件检测中结点的总数。
然后，获取单元110根据结点的事件检测的参数，获取结点的颜色标定值，也即cls值。若结点的事件检测的参数满足预设的阈值，则取结点的cls值为1；若结点的事件检测的参数不满足预设的阈值，则取结点的cls值为0。
若未进行cls值的标定，则结点的cls值随机选择0或者1。
由此，获取单元110得到参与本次事件检测的结点，和结点的数据信息。获取单元110将获取的结点数据信息存储在HDFS中。
在获取单元110获取本次事件检测中所有结点的数据信息后，获取单元110可以根据结点的数据信息，获取各结点的邻居结点，和邻居结点的数据信息。
具体的，作为一种实施方式，首先，获取单元110根据结点的坐标信息和预设的阈值，获取以当前结点为中心、预设的阈值为半径的范围内的结点，作为当前结点的邻居结点。当然，也可以其他方式选取邻居结点，可根据实际需要灵活设置。
然后，获取单元110获取当前结点的邻居结点的数据信息。
通过上述方式，获取单元110得到本次事件检测中各结点的邻居结点，和邻居结点的数据信息。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
首先，获取单元110获取参与事件检测的结点的数据信息，包括参与者设备的坐标信息、参与者设备的剩余电量和事件检测的参数。
在本实施例中，获取单元110经过对参与者设备的剩余电量的筛选，共选取5个剩余电量大于预设阈值的参与者设备作为结点，参照图5A，本次事件检测中选取的包括：P1、P2、P3、P4和P5。
其中，P1噪音值为11，坐标信息为<0，0>，使用<11，0，0>表征P1；
P2噪音值为10，坐标信息为<8，2>，使用<10，8，2>表征P2；
P3噪音值为9，坐标信息为<0，10>，使用<9，0，10>表征P3；
P4噪音值为8，坐标信息为<10，9>，使用<8，10，9>表征P4；
P5噪音值为50，坐标信息为<6，8>，使用<50，6，8>表征P5。
获取单元110获取结点P1、P2、P3、P4和P5后，获取各结点的邻居结点。得到P1的邻居结点为P2、P3和P5；P2的邻居结点为P1、P4和P5；P3的邻居结点为P1、P4和P5；P4的邻居结点为P2、P3和P5；P5的邻居结点为P1、P2、P3和P4。
权值单元120，用于根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值。
在获取单元110获取各结点和其邻居结点的数据信息后，权值单元120根据各结点和其邻居结点的数据信息，计算连接各结点与其邻居结点的边的权值。
具体的，作为一种实施方式，权值单元120取结点p的事件检测的参数为Vi，坐标为＜Dix，Diy＞；
取结点p的一邻居结点n的事件检测的参数为Vj，坐标为＜Djx，Djy＞。
首先，使用如下公式，计算结点p与邻居结点n的欧几里得距离：
然后，使用如下公式，计算连接结点p与邻居结点n的边的权值：
w＝exp(-|Vi-Vj|/Dij)。
由此，权值单元120得到连接结点p与邻居结点n的边的权值w。
权值单元120根据如上公式，计算得到连接结点p与其所有邻居结点的边的权值。
进而，权值单元120得到本次事件检测中连接各结点和其邻居结点的边的权值。
权值单元120将获取的边权值信息存储在HDFS中。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
获取单元110已获取结点P1、P2、P3、P4和P5，和各结点的邻居结点。
然后，权值单元120根据各结点和其邻居结点的数据信息计算，计算得到连接结点与其邻居结点的边的权值：
边P1P2的权值为0.88；
边P1P3的权值为0.818；
边P1P5的权值为0.02；
边P2P4的权值为0.76；
边P2P5的权值为0.002；
边P3P4的权值为0.91；
边P3P5的权值为0.001；
边P4P5的权值为0.0001。
构建单元130，用于根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
在权值单元110获取各结点和其邻居结点的边的权值后，构建单元130根据各结点的数据信息、各结点的邻居结点的数据信息，和边的权值，构建得到无向带权图模型。
具体的，作为一种实施方式，构建单元130将HDFS中存储的结点数据信息和边权值信息进行分类，得到点数据RDD和边数据RDD。
然后，将点数据RDD和边数据RDD经过Spark平台的Graph图像化操作，将结点数据直观、形象的可视化，得到无向带权图模型。
在本实施例中，以本发明应用场景为噪音事件检测，进行举例说明。
获取单元110已获取结点P1、P2、P3、P4和P5，和各结点的邻居结点。
权值单元120已获取连接各结点和其邻居结点的边的权值。
然后，参照图5B，构建单元130根据结点和邻居结点的数据信息，以及结点之间边的权值，构建得到无向带权图模型。
由此，分类模块200对结点P1、P2、P3、P4和P5进行分类，得到分类结果：P1、P2、P3和P4为一类，P5为一类。
然后，区域模块300删除连接不同类别结点的边。参照图5C，区域模块300删除边P1P5、P2P5、P3P5和P4P5，得到事件发生区域为P5所在的区域。
在本实施例中，获取单元110获取参与本次事件检测中各结点的数据信息，获取各结点的邻居结点，和邻居结点的数据信息；然后，权值单元120根据各结点的数据信息和其邻居结点的数据信息，计算连接各结点与其邻居结点的边的权值；然后，构建单元130根据获取的各结点的数据信息、邻居结点的数据信息和边的权值，构建得到无向带权图模型。在本实施例中，通过结点数据信息的获取和结点之间边的权值的计算，实现了无向带权图模型的构建，用于通过分布式算法分割，获取事件发生区域，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图10，本发明事件检测装置第三实施例提供一种事件检测装置，基于上述图9所示的实施例，所述分类模块200包括：
初始单元210，用于初始化迭代次数和所述结点的特征向量。
在中心服务器获取参与事件检测的结点的数据信息，并构建无向带权图模型后，分类模块200根据结点的数据信息，将本次事件检测中的所有结点进行分类，得到事件发生点和事件未发生点。
分类模块200读取无向带权图模型的RDD，得到需要进行运算的点数据和边数据。然后，将获取的RDD分块，生成新的RDD，用于进行分布式计算处理，将处理任务分配到中心服务器的各节点进行本地化处理，对结点进行分类处理。
具体的，作为一种实施方式，首先，初始单元210初始化本次事件检测的迭代次数，根据本次事件检测中结点的总数，设置迭代次数。
取本次事件检测中结点的总数为d，则设置结点的迭代次数为阈值d，本次事件检测需对全部d个结点进行特征向量的迭代，也即本次事件检测进行至少d次的迭代。
然后，初始化各结点的特征向量，取初始化后各结点的特征向量为[1，1，1，1]。
在本实施例中，取结点p。取p的特征向量为a。其中，a为4维向量。
初始化结点p的特征向量后，a＝[1，1，1，1]。
向量单元220，用于根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量。
在初始单元210初始化迭代次数和结点的特征向量后，向量单元220根据各结点和其邻居结点的数据信息，以及边的权值，迭代更新各结点的特征向量。
具体的，作为一种实施方式，首先，向量单元220根据各结点与其邻居结点的权值，获取连接各结点与其邻居结点的边的参数。
然后，获取各结点邻居结点的特征向量，邻居结点的特征向量为4维向量。
然后，根据各结点和其邻居结点的数据信息，获取参数变量。
然后，根据获取的各结点邻居结点的特征向量、连接各结点与其邻居结点的边的参数和参数变量，对已经初始化的结点的特征向量进行更新。
向量单元220获取各结点的所有邻居结点，对结点的特征向量进行迭代更新，直至迭代更新已遍历结点所有的邻居结点。此时，获取迭代更新后的特征向量为结点的特征向量。
向量单元220根据上述方式迭代更新本次事件检测中所有结点的特征向量。
当迭代次数达到设定的阈值d时，所有的迭代结束，完成对本次事件检测中结点特征向量的迭代更新。
分类单元230，用于根据所述结点的特征向量，将所述结点进行分类。
在获取本次事件检测中所有结点的特征向量后，分类单元230根据结点的特征向量，将所有的结点进行分类，得到事件发生点和事件未发生点。
具体的，作为一种实施方式，首先，分类单元230获取结点更新后的特征向量。
在本实施例中，取结点p迭代更新后的特征向量为a′，令a′＝[a′0，a′1，a′2，a′3]。
然后，通过计算获取a″0和a″1，a″0和a″1用于判定结点p的分类。a″0和a″1的计算公式如下：
a″0＝a′0+a′2；
a″1＝a′1+a′3。
获取a″0和a″1后，根据a″0和a″1的值决定结点p的分类。
若a″0＞a″1，则结点的cls＝0，也即结点p的分类标识为0；
若a″0＜a″1，则结点的cls＝1，也即结点p的分类标识为1。
由此，完成对结点p的分类。
在对本次事件检测中的所有结点进行分类后，分类单元230获取分类结果。得到一组分类标识为0的结点，和一组分类标识为1的结点。
在本实施例中，取分类标识为0的结点为事件未发生点，取类标识为1的结点为事件发生点。
在本实施例中，通过初始单元210初始化迭代次数和各结点的特征向量；然后向量单元220根据各结点和其邻居结点的数据信息，以及连接各结点与其邻居结点的边的权值，迭代更新获取结点的特征向量；然后分类单元230根据各结点的特征向量，将各结点进行分类，得到各结点的分类结果。本实施例实现了通过分布式处理将结点进行分类，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图11，本发明事件检测装置第四实施例提供一种事件检测装置，基于上述图10所示的实施例，所述向量单元220包括：
获取子单元221，用于获取所述邻居结点的特征向量。
在初始单元210初始化迭代次数和结点的特征向量后，向量单元220需要获取各结点的邻居结点的特征向量，用于各结点特征向量迭代更新。
在本实施例中，取结点p作为当前进行特征向量迭代更新的结点。
具体的，作为一种实施方式，首先，获取子单元221获取结点p的所有邻居结点、邻居结点的数据信息和邻居结点的cls值，得到结点p邻居结点的总数，取结点p的邻居结点的总数为m。
然后，获取邻居结点的特征向量b。特征向量b为4维向量。
若邻居结点已进行特征向量b的迭代更新，则获取迭代更新后的特征向量b，令b＝[b0，b1，b2，b3]；若邻居结点未进行特征向量b的迭代更新，则获取初始化的特征向量b，此时b＝[b0，b1，b2，b3]＝[1，1，1，1]。
变量子单元222，用于根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量。
变量子单元222根据各结点和其邻居结点的cls值，获取每个邻居结点的参数变量。
具体的，作为一种实施方式，取邻居结点的参数变量为β，β＝[β0，β1，β2，β3]；取结点p的cls值为cls1；取结点p的的邻居结点的cls值为cls2。
其中，β0和β1的值根据cls1的值确定。当cls1＝0时，β0＝1，β1＝0；当cls1＝1时，β0＝0，β1＝1。
β2和β3的值根据cls2的值确定。当cls2＝0时，β2＝1，β3＝0；当cls2＝1时，β2＝0，β3＝1。
由此，变量子单元222获取邻居结点的参数变量。
本实施例以结点p和结点p的一个邻居结点n进行举例说明。
结点p的cls值为cls1，邻居结点n的cls值为cls2，取邻居结点n的参数变量为β′，β′＝[β0，β1，β2，β3]，则有：
当cls1＝0，cls2＝0时，β′＝[1，0，1，0]；
当cls1＝0，cls2＝1时，β′＝[1，0，0，1]；
当cls1＝1，cls2＝0时，β′＝[0，1，1，0]；
当cls1＝1，cls2＝1时，β′＝[0，1，0，1]。
由此，变量子单元222得到结点p的所有邻居结点的参数变量。
迭代子单元223，用于根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量。
在获取各结点邻居结点的特征向量、连接各结点和其邻居结点的边的权值和邻居结点的参数变量后，迭代子单元223通过迭代更新获取结点的特征向量。
具体的，作为一种实施方式，首先，迭代子单元223根据连接结点p和其邻居结点的边的权值，获取连接结点p和其邻居结点的边的参数。
取连接结点p和其邻居结点的边的参数为Ωp，根据公式Ωp＝w/w(max)，计算得到Ωp。
其中，w为连接结点p和其邻居结点的边的权值，w(max)为连接结点p和其所有邻居结点的边的权值中的最大权值。
由此，计算得到连接结点p和其邻居结点的所有边的参数，得到所有边的参数集合Ω。其中，Ω为m维向量，m为结点p的邻居结点总数。
然后，根据邻居结点n的特征向量b、参数变量β′，以及连接结点p和其邻居结点n的边的参数，更新结点p的特征向量a。
其中，取b＝[b0，b1，b2，b3]，取β′＝[β0，β1，β2，β3]，取Ωk为Ω中连接结点p与邻居结点n的边的参数，取结点p的特征向量为a＝[a0，a1，a2，a3]，取结点p根据邻居结点n更新后的特征向量为
特征向量a的迭代计算公式如下：
由此，得到结点p根据邻居结点n进行迭代更新后的特征向量。需要说明的是，特征向量的迭代计算公式可根据实际运算需要进行灵活调整。
根据上述公式，依次将结点p邻居结点相应的特征向量、参数变量和边的参数代入公式计算，遍历结点p所有的邻居结点，进行特征向量a的迭代更新。
由此，得到结点p迭代更新后的特征向量a′，a′＝[a′0，a′1，a′2，a′3]。
判断子单元224，用于判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点。
为控制获取的结点的特征向量的准确性，结点特征向量的迭代更新需要遍历结点所有的邻居结点，也即，需要根据所有邻居结点相应的信息，对结点进行迭代更新。
在得到结点迭代更新后的特征向量时，判断子单元224判断对当前结点的迭代更新是否已遍历当前结点所有的邻居结点。
具体的，作为一种实施方式，判断当前结点特征向量的迭代更新次数是否达到结点的邻居结点总数。
取当前结点特征向量的迭代更新次数为e，当前结点的邻居结点总数为m，则判断e是否大于或等于m。
若e大于或等于m，则判定当前结点的特征向量迭代更新已经完成，获取此已完成迭代更新的特征向量作为当前结点的特征向量；
若e小于m，则判定当前结点的特征向量迭代更新未完成，未遍历当前结点的所有邻居结点。
获取子单元225，还用于若未遍历所述结点的所有邻居结点，则获取所述邻居结点的特征向量。
若结点特征向量的迭代更新未遍历其所有的邻居结点，此时，获取子单元225获取未遍历的邻居结点。
然后，获取子单元225获取未遍历的邻居结点的特征向量；然后，变量子单元222根据结点和未遍历的邻居结点的数据信息，获取未遍历的邻居结点的参数变量；然后，迭代子单元223根据未遍历的邻居结点的特征向量、连接结点和未遍历的邻居结点的边的权值，以及未遍历的邻居结点的参数变量，迭代更新结点的特征向量，直至遍历结点的全部邻居结点；获取完成迭代更新后的结点的特征向量。
在本实施例中，通过获取子单元221获取邻居结点的特征向量；变量子单元222根据结点的数据信息和邻居结点的数据信息，获取参数变量；然后，迭代子单元223根据邻居结点的特征向量、连接结点和邻居结点的边的权值和邻居结点的参数变量，迭代更新点的特征向量；判断子单元224判断结点的特征向量的迭代更新，是否已遍历结点的所有邻居结点；若未遍历所述结点的所有邻居结点，则获取子单元221获取未遍历的邻居结点的特征向量，进行对结点特征向量的迭代更新，得到结点迭代更新后的特征向量。在本实施例中，结点的迭代更新由中心服务器进行分布式处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
参照图12，本发明事件检测系统第一实施例提供一种事件检测系统，所述事件检测系统包括中心服务器A和参与者设备B，其中：
所述中心服务器A包括控制装置A1和数据装置A2；所述控制装置A1包括获取模块100、分类模块200和区域模块300；
所述数据装置A2用于协调所述控制装置的数据处理进程。
具体的，参照图13，中心服务器A可基于计算框架Spark平台进行数据的分布式计算处理，实现本发明事件检测方法。
控制装置A1获取本次事件检测中结点的数据信息1301，并通过Spark平台的Graph操作得到无向带权图模型1304；然后根据结点的数据信息，将结点进行分类处理；然后根据结点的分类，分割无向带权图模型，获取事件发生区域的数据信息1308。
数据装置A2协调事件检测数据处理进程。首先，数据装置A2存储本次事件检测中结点的数据信息1301，将结点的数据信息分成点数据1302和边数据1303，用于控制装置A1构建无向带权图模型。
在控制装置A1将结点进行分类处理时，数据装置A2通过TextFile(读取文件)无向带权图模型数据得到RDD数据1305，然后通过Map(映射)得到RDD数据1306，然后通过Reduce(化简)得到RDD数据1307，进行分布式处理，使控制装置A1同时对大量结点进行分类处理、切割连接不同类别结点的边，获取事件发生区域。
数据装置A2通过saveTextFile(存储文件)将结点的分类结果RDD和无向带权图模型的切割数据RDD存储在HDFS，得到事件发生区域的数据信息1308。
中心服务器A的监控平台显示界面包括：菜单栏和状态显示栏。其中，菜单栏包括处理状态和处理结果可供选择。
当菜单栏选择处理状态时，参照图14A，状态显示栏显示事件检测系统处理结点数据时的进度，包括点数据、边数据和其他RDD数据的的实时情况，以便控制人员掌握实时情况。
当菜单栏选择处理结果时，参照图14B，状态显示栏显示事件发生区域和事件未发生区域的划分结果。点A、B、C、D、E、F和G为参与本次事件检测结点。点A、B、C、D所在的区域和点E、F、G所在的区域，为本次事件检测区域划分的结果。
所述参与者设备B用于采集数据信息，并将所述数据信息发送给所述中心服务器。
参与者设备B可以是移动终端，如手机的摄像头、麦克风，也可以是便携式可穿戴设备、车载感知设备，当然也可以是其他感知设备。参与者设备B用于探测、感知事件发生信息，并采集事件检测的参数，获取数据信息。
参与者设备B根据当前检测事件，获取当前地理位置和当前检测事件的参数。
在获取数据信息后，参与者设备B通过网络在线发送给中心服务器，用于中心服务器的事件检测数据处理。参与者设备B通过网络接收中心服务器的检测结果。
参与者设备B作为客户端，界面包括主页和检测结果页。
其中，参照图15A，主页包括标题栏、感知信息收集按钮和信息上传按钮。感知信息收集按钮包括GPS信息收集按钮、声音信息收集按钮、温度信息收集按钮和湿度信息收集按钮，当然也可以包括其他信息收集按钮，可根据实际需要灵活设定，用于收集事件检测信息。信息上传按钮用于上传收集到的事件检测信息。
参照图15B，检测结果页包括检测状态栏和和检测结果栏。检测状态栏告知用户当前正在进行检测的事件。检测结果栏显示事件检测结果，例如事件发生区域和事件未发生区域的划分，或基于事件检测结果所得到的进一步的分析报告等。
在本实施例中，参与者设备采集数据信息，中心服务器A获取参与者设备B也即结点的数据信息，并构建无向带权图模型；然后，中心服务器A根据结点的数据信息，将结点进行分类处理；然后，中心服务器A根据结点的分类，分割无向带权图模型，获取事件发生区域。本实施例实现了中心服务器A将获取的结点数据信息进行分布式的计算处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
进一步的，参照图16，本发明事件检测系统第二实施例提供一种事件检测系统，基于上述图12所示的实施例，所述数据装置A2包括：
分布式文件系统A21，用于存储数据处理进程中的数据信息。
分布式文件系统A21即为HDFS，存储控制装置A1获取的被管理设备的数据信息，存储控制装置A1对结点进行分类处理、切割连接不同类别结点的边、获取事件发生区域时的中间数据和结果数据。
本地化处理平台A22，用于协调所述数据信息的本地化处理。
本地化处理平台A22用于协调控制装置A1的数据处理进行，将分布式文件系统A21的数据分为RDD，并将处理任务下达到中心服务器A的各节点，将RDD进行本地化处理。
传送装置A23，用于传送所述本地化处理后的数据。
在控制装置A1数据处理过程中和数据处理后，传送装置A23用于中心服务器A各节点间数据的传输，将中心服务器A各节点的处理结果汇总，得到最终的结点分类结果和事件发生区域划分结果数据。
以本发明应用场景为踩踏事件检测，进行举例说明。在公共安全事件中事件检测的应用实例，利用普适的移动感知设备可以及时地发现和预测突发事件，避免事故发生。
在本实施例中，用户使用手机麦克风、摄像头等感知设备进行探测，中心服务器A通过简单的本地计算转化为对于人群密度的估计数值，得到的人群密度值越高，人群密集程度越高。在本次事件检测之后，如果结点探测到的的人群密度值在群组中是最大的，则表示该结点是事件发生区域。
首先，参照图17A，控制装置A1接收参与者设备B的数据信息，并存储于分布式文件系统A21。共选取6个参与者设备作为结点，本次事件检测中选取的结点包括：a、b、c、d、和e。
其中，a的人群密度值为10，坐标信息为<0，4>，使用<10，0，4>表征a；
b的人群密度值为30，坐标信息为<4，4>，使用<30，4，4>表征b；
c的人群密度值为11，坐标信息为<0，0>，使用<11，0，0>表征c；
d的人群密度值为36，坐标信息为<4，0>，使用<36，4，0>表征d；
e的人群密度值为12，坐标信息为<2，2>，使用<12，2，2>表征e。
然后，控制装置A1根据各节点与其邻居结点的数据信息，计算得到连接各节点与其邻居结点的边的权值：
边ab的权值为0.006；
边ac的权值为0.78；
边ae的权值为0.5；
边bd的权值为0.22；
边be的权值为0.002；
边cd的权值为0.002；
边ce的权值为0.7；
边de的权值为0。
由此，得到点数据和边数据，控制装置A1通过Spark平台的Graph操作构建无向带权图模型，参照图17B，可见结点a、c和e的人群密集程度较低，而结点b和d的人群密集程度较高，可大致认定b和d所在的附近区域是事件发生区域。
然后，控制装置A1使用对无向带权图模型进行结点分类和区域划分的数据处理时，本地化处理平台A22将分布式文件系统A21的数据分为RDD，将处理任务分配到中心服务器A的各节点，进行本地化处理。在数据处理过程中，传送装置A23用于中心服务器A各节点的数据传输，并将本地化处理平台A22本地化处理后的数据传输给控制装置A1。
在数据处理完成后，控制装置A1汇集处理结果，删除了连接不同类别结点的边，得到事件发生区域。参照图17C，b和d连接区域是事件发生区域，a、c和e连接的区域是事件未发生区域。
在本实施例中，通过分布式文件系统A21事件检测过程中的存储数据信息，本地化处理平台A22将数据分为RDD，分配给中心服务器A的各节点，进行本地化处理，并由传送装置A23将处理结果传送给控制装置A1，实现了事件检测过程中数据的分布式处理，提高了数据处理速度；同时，降低了中心服务器的计算负荷，去掉了对于全局数据的依赖，能够实现大规模数据的处理。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种事件检测方法，其特征在于，所述事件检测方法包括以下步骤：
获取参与事件检测的结点的数据信息，并构建无向带权图模型；
根据所述结点的数据信息，将所述结点进行分类处理；
根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
2.如权利要求1所述的事件检测方法，其特征在于，所述获取参与事件检测的结点的数据信息，并构建无向带权图模型的步骤包括：
获取参与事件检测的结点的数据信息；
获取所述结点的邻居结点，并获取所述邻居结点的数据信息；
根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值；
根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
3.如权利要求2所述的事件检测方法，其特征在于，所述根据所述结点的数据信息，将所述结点进行分类处理的步骤包括：
初始化迭代次数和所述结点的特征向量；
根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量；
根据所述结点的特征向量，将所述结点进行分类。
4.如权利要求3所述的事件检测方法，其特征在于，所述根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量的步骤包括：
获取所述邻居结点的特征向量；
根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量；
根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量；
判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点；
若未遍历所述结点的所有邻居结点，则转入执行步骤：获取所述邻居结点的特征向量。
5.一种事件检测装置，其特征在于，所述事件检测装置包括：
获取模块，用于获取参与事件检测的结点的数据信息，并构建无向带权图模型；
分类模块，用于根据所述结点的数据信息，将所述结点进行分类处理；
区域模块，用于根据所述结点的分类，分割所述无向带权图模型，获取事件发生区域。
6.如权利要求5所述的事件检测装置，其特征在于，所述获取模块包括：
获取单元，用于获取参与事件检测的结点的数据信息；获取所述结点的邻居结点，并获取所述邻居结点的数据信息；
权值单元，用于根据所述结点的数据信息和所述邻居结点的数据信息，计算连接所述结点与所述邻居结点的边的权值；
构建单元，用于根据所述结点的数据信息、所述邻居结点的数据信息和所述边的权值，构建无向带权图模型。
7.如权利要求6所述的事件检测装置，其特征在于，所述分类模块包括：
初始单元，用于初始化迭代次数和所述结点的特征向量；
向量单元，用于根据所述结点的数据信息、所述邻居结点的数据信息，以及所述边的权值，迭代更新获取所述结点的特征向量；
分类单元，用于根据所述结点的特征向量，将所述结点进行分类。
8.如权利要求7所述的事件检测装置，其特征在于，所述向量单元包括：
获取子单元，用于获取所述邻居结点的特征向量；
变量子单元，用于根据所述结点的数据信息和所述邻居结点的数据信息，获取参数变量；
迭代子单元，用于根据所述邻居结点的特征向量、所述边的权值和所述参数变量，迭代更新所述结点的特征向量；
判断子单元，用于判断所述结点的特征向量的迭代更新，是否已遍历所述结点的所有邻居结点；
获取子单元，还用于若未遍历所述结点的所有邻居结点，则获取所述邻居结点的特征向量。
9.一种事件检测系统，其特征在于，所述事件检测系统包括中心服务器和参与者设备，其中：
所述中心服务器包括控制装置和数据装置；
所述控制装置包括如权利要求5-8中任一项所述的装置；
所述数据装置用于协调所述控制装置的数据处理进程；
所述参与者设备用于采集数据信息，并将所述数据信息发送给所述中心服务器。
10.如权利要求9所述的一种事件检测系统，其特征在于，所述数据装置包括：
分布式文件系统，用于存储数据处理进程中的数据信息；
本地化处理平台，用于协调所述数据信息的本地化处理；
传送装置，用于传送所述本地化处理后的数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644572.8A CN106560824A (zh) | 2015-09-30 | 2015-09-30 | 事件检测方法、装置和系统 |
| PCT/CN2016/078989 WO2017054434A1 (zh) | 2015-09-30 | 2016-04-11 | 事件检测方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510644572.8A CN106560824A (zh) | 2015-09-30 | 2015-09-30 | 事件检测方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106560824A true CN106560824A (zh) | 2017-04-12 |
Family
ID=58422661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510644572.8A Withdrawn CN106560824A (zh) | 2015-09-30 | 2015-09-30 | 事件检测方法、装置和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106560824A (zh) |
| WO (1) | WO2017054434A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114365505A (zh) * | 2019-11-07 | 2022-04-15 | 阿里巴巴集团控股有限公司 | 用于数据中心监控的数据驱动事物图 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8869035B2 (en) * | 2009-06-29 | 2014-10-21 | International Business Machines Corporation | Increasing resilience of a network service |
| CN104598629A (zh) * | 2015-02-05 | 2015-05-06 | 北京航空航天大学 | 基于流式图模型的社交网络突发事件检测方法 |
| CN104615717A (zh) * | 2015-02-05 | 2015-05-13 | 北京航空航天大学 | 社交网络突发事件的多维度评估方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101446283B (zh) * | 2008-12-17 | 2010-08-11 | 西安交通大学 | 一种基于进化计算诊断压缩机故障的方法 |
| ES2406260T3 (es) * | 2011-01-10 | 2013-06-06 | Deutsche Telekom Ag | Procedimiento y sistema para recomendar información contextual sobre una red de comunicación móvil |
| CN103747087A (zh) * | 2014-01-13 | 2014-04-23 | 上海交通大学 | 基于参与式感知的噪音收集和展示系统及方法 |
| CN104090985B (zh) * | 2014-07-25 | 2017-09-22 | 国家电网公司 | 一种基于电气距离的主动解列最优断面搜索方法 |
-
2015
- 2015-09-30 CN CN201510644572.8A patent/CN106560824A/zh not_active Withdrawn
-
2016
- 2016-04-11 WO PCT/CN2016/078989 patent/WO2017054434A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8869035B2 (en) * | 2009-06-29 | 2014-10-21 | International Business Machines Corporation | Increasing resilience of a network service |
| CN104598629A (zh) * | 2015-02-05 | 2015-05-06 | 北京航空航天大学 | 基于流式图模型的社交网络突发事件检测方法 |
| CN104615717A (zh) * | 2015-02-05 | 2015-05-13 | 北京航空航天大学 | 社交网络突发事件的多维度评估方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114365505A (zh) * | 2019-11-07 | 2022-04-15 | 阿里巴巴集团控股有限公司 | 用于数据中心监控的数据驱动事物图 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017054434A1 (zh) | 2017-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vieira et al. | Characterizing dense urban areas from mobile phone-call data: Discovery and social dynamics | |
| CN107872808B (zh) | 一种wlan站址预测分析方法及装置 | |
| CN106447573A (zh) | 一种基于公共设施差异性的空间可达性分析方法及装置 | |
| CN107920362A (zh) | 一种基于微区域的lte网络性能评估方法 | |
| CN111787488B (zh) | 一种用户定位方法及系统 | |
| Tettamanti et al. | Mobile phone location area based traffic flow estimation in urban road traffic | |
| CN109151890A (zh) | 一种移动终端定位方法及装置 | |
| CN104039008B (zh) | 一种混合定位方法 | |
| CN109688532A (zh) | 一种划分城市功能区域的方法及装置 | |
| CN112506972B (zh) | 用户常驻区域定位方法、装置、电子设备以及存储介质 | |
| CN108632832B (zh) | 网络覆盖分析方法及系统 | |
| US20190320327A1 (en) | Method of processing image, computer-readable storage medium recording method, and apparatus for processing image | |
| CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位系统 | |
| CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
| CN112381078A (zh) | 基于高架的道路识别方法、装置、计算机设备和存储介质 | |
| CN117882419A (zh) | 用于确定移动电信网络的地上覆盖的方法和装置 | |
| CN114881430A (zh) | 一种基于网络地图服务的社区生活便利度评价方法 | |
| Moradbeikie et al. | A cost-effective LoRaWAN-based IoT localization method using fixed reference nodes and dual-slope path-loss modeling | |
| CN106560824A (zh) | 事件检测方法、装置和系统 | |
| CN107436945A (zh) | 一种基于电子地图的信息采集方法及系统 | |
| CN115794977A (zh) | 一种移动目标离散轨迹的建立方法 | |
| CN105792211A (zh) | 一种伪基站识别方法及装置 | |
| CN111753362B (zh) | 一种基于移动平台的大型建筑设计方法 | |
| CN114666738A (zh) | 基于手机信令的国土空间规划方法和系统 | |
| CN115203348A (zh) | 信息处理方法、装置、存储介质及服务器 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170412 |
|
| WW01 | Invention patent application withdrawn after publication |