CN108009688A - 聚集事件预测方法、装置及设备 - Google Patents

聚集事件预测方法、装置及设备 Download PDF

Info

Publication number
CN108009688A
CN108009688A CN201711354204.5A CN201711354204A CN108009688A CN 108009688 A CN108009688 A CN 108009688A CN 201711354204 A CN201711354204 A CN 201711354204A CN 108009688 A CN108009688 A CN 108009688A
Authority
CN
China
Prior art keywords
equipment
location information
time
later moment
reference device
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.)
Granted
Application number
CN201711354204.5A
Other languages
English (en)
Other versions
CN108009688B (zh
Inventor
王震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201711354204.5A priority Critical patent/CN108009688B/zh
Publication of CN108009688A publication Critical patent/CN108009688A/zh
Application granted granted Critical
Publication of CN108009688B publication Critical patent/CN108009688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Abstract

本发明提出一种聚集事件预测方法、装置及设备，其中方法包括：分别获取各第一设备上传的当前时刻的第一定位信息；根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置；基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集；分别根据各第一参考设备集中各第二设备的历史定位信息，确定各第一设备后一时刻的目的位置；根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。该方法利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。

Description

聚集事件预测方法、装置及设备
技术领域
本发明涉及智能监控技术领域，特别涉及一种聚集事件预测方法、装置及设备。
背景技术
随着社会经济的高速发展，我国的城市化进程不断推进，城市的人口数量越来越多，城市的公共交通、生活设施等区域经常会出现行人密度比较大的情况，在这种人群高度拥挤的情况下，很容易带来一些安全隐患，若不能得到及时有效疏散，极易造成重大事故，例如聚众闹事、踩踏等危险事故。
目前，为了及时发现突发的人群聚集事件，引入了视频监控系统，以通过不同区域的摄像装置采集相应的视频信息，并对采集的视频信息进行分析处理，以发现异常事件。但是，传统的视频监控系统需要建立庞大的视频监控设备群组，不仅需要花费的成本较高，而且整个视频信息处理过程复杂，且耗时长，从而使得处理效率低下，容易导致一些异常事件不能及时被发现。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种聚集事件预测方法，该方法利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
本发明的第二个目的在于提出一种聚集事件预测装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程度产品。
为达上述目的，本发明第一方面实施例提出了一种聚集事件预测方法，包括：
分别获取各第一设备上传的当前时刻的第一定位信息；
根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；
基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；
分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；
根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。
本实施例提供的聚集事件预测方法中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
另外，本发明上述实施例提出的聚集事件预测方法还可以具有如下附加的技术特征：
在本发明的一个实施例中，所述确定所述各第一设备后一时刻的目的位置，包括：
分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第二设备在所述各预选位置出现的概率；
分别根据所述各第二设备在所述各预选位置出现的概率，确定所述各第一设备后一时刻的目的位置。
在本发明的另一个实施例中，所述确定第一参考设备集之后，还包括：
获取所述各第一设备对应的各第一应用程序列表；
根据所述各第一应用程序列表，对所述各第一参考设备集进行筛选处理，获取各第二参考设备集；
所述确定所述各第一设备后一时刻的目的位置，包括：
根据所述各第二参考设备集中各第二设备在所述各预选位置出现的概率，确定所述各第一设备的目的位置。
在本发明的另一个实施例中，所述根据所述各第一应用程序列表，对所述各第一参考设备集进行筛选处理，获取各第二参考设备集，包括：
根据第i个第一应用程序列表中各应用程序所属的类型，确定所述第i个第一设备的类型；
根据第i个第一参考设备集中各第二设备分别对应的各第二应用程序列表，分别确定所述第i个第一参考设备集中各第二设备的类型；
从所述第i个第一参考设备集中选取与所述第i个第一设备类型相同的各设备，构成第i个第二参考设备集。
在本发明的另一个实施例中，所述预测所述各第一设备后一时刻所在的各预选位置，包括：
根据所述第一定位信息及第二定位信息，确定所述各第一设备的各在先运动轨迹；
根据所述各第一设备的运动速度及所述各在先运动轨迹，确定所述各第一设备后一时刻所在的各预选位置。
在本发明的另一个实施例中，所述确定后一时刻是否会出现人群聚集事件之后，还包括：
若确定第一位置在后一时刻会出现人群聚集事件，则向后一时刻的目的位置为所述第一位置的各第三设备发送提示消息。
为达上述目的，本发明第二方面实施例提出了一种聚集事件预测装置，包括：
获取模块，用于分别获取各第一设备上传的当前时刻的第一定位信息；
预测模块，用于根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；
第一确定模块，用于基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；
第二确定模块，用于分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；
第三确定模块，用于根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否出现人群聚集事件。
本实施例提供的聚集事件预测装置中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现第一方面实施例所述的聚集事件预测方法。
本实施例提供的计算机设备中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
为达上述目的，本发明的第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现第一方面实施例所述的聚集事件预测方法。
为达上述目的，本发明的第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品被处理器执行时，执行第一方面实施例所述的聚集事件预测方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一个实施例的聚集事件预测方法的流程图；
图2为本发明实施例中对各第一设备后一时刻所在的各预选位置进行预测的流程示意图；
图3(a)为本发明一个实施例的确定各第一设备在先运动轨迹的示意图；
图3(b)为本发明一个实施例的各第一设备后一时刻到达预选位置的示意图；
图3(c)为本发明一个实施例的对预选位置进行筛选后的示意图；
图4为本发明另一个实施例的聚集事件预测方法的流程图；
图5为本发明实施例中对各第一参考设备集进行筛选的流程示意图；
图6为本发明一个实施例的聚集事件预测装置的结构示意图；
图7为本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明实施例主要针对现有技术中，利用视频监控系统，发现人群聚集事件时，需要花费的成本较高，且对整个视频信息处理过程比较复杂，且耗时长，使得处理效率低下，容易导致一些异常事件不能及时被发现的问题，提出一种用户位置预测方法。
本发明提出的聚集事件预测方法，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
下面结合附图对本发明实施例提出的聚集事件预测方法进行详细描述。
图1为本发明一个实施例的聚集事件预测方法的流程图。
如图1所示，该聚集事件预测方法可以包括以下步骤：
步骤101，分别获取各第一设备上传的当前时刻的第一定位信息。
具体的，本实施例提供的聚集事件预测方法，可以由本发明提供的聚集事件预测装置执行，上述装置配置于计算机设备中，以实现对各第一设备的位置信息进行控制或管理。
其中，本实施例的计算机设备可以是任意具有数据处理能力的硬件设备，比如服务器等等，本实施例对此不作具体限定。
在本实施例中，各第一设备可以是任意具有定位功能的硬件设备，比如智能手机、个人数字助理(Personal Digital Assistant，简称为：PDA)等等，本发明对此不作限定。其中，各第一设备数量可以是大于等于1的。
目前，定位技术可以是，但不限于：全球定位系统(Global Positioning System，简称为GPS)、基站定位(Location Based Service，简称为LBS)、热点定位等等，本实施例对此不作具体限定。
具体实现时，可在接收到各第一设备发送的上传定位信息请求时，获取各第一设备发送的当前时刻对应的第一定位信息；或者，也可以每个预设的时间间隔主动从各第一设备处获取对应的第一定位信息等等，本实施例对此不作具体限定。在本实施例中，获取的第一定位信息是指，各第一设备当前时刻的实际位置信息(即经纬度坐标数据)。
其中，预设的时间间隔可以根据实际需要进行适应性设置，比如5分钟、15min等等。
步骤102，根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置。
具体的，由于每个设备都具备标识信息，因此当获取到各第一设备对应的第一定位信息之后，聚集事件预测装置可根据各第一设备的标识信息，从历史定位数据库中获取各第一设备前一时刻的第二定位信息。
在本实施例中，历史定位数据中包括各第一设备上传的各个时间段的定位信息，且各第一设备与对应的定位信息按照映射关系进行存储。
其中，本实施例中各第一设备的标识可以是，但不限于：国际移动设备识别码(International Mobile Equipment Identification Number，简称为：IMEI)、媒体访问控制(Media Access Control，简称为：MAC)、互联网协议地址(Internet Protocol Address，简称为IP)等等，本实施例对此不作具体限定。
进一步的，根据获取的第一定位信息及第二定位信息，对各第一设备后一时刻所在的各预选位置进行预测。
下面对各第一设备后一时刻所在的各预选位置进行预测的过程进行详细说明，具体如图2所示。
具体的，上述确定各第一设备后一时刻的各预选位置，可包括以下步骤实现。
步骤201，根据第一定位信息及第二定位信息，确定各第一设备的各在先运动轨迹。
具体的，当确定出每个设备的第一定位信息及第二定位信息之后，即可根据上述两个定位信息中的经度和纬度分量，确定出各第一设备的在先运动轨迹。
举例说明，若设备A的第一定位信息a为(LONi-1，LATi-1)，第二定位信息b为(LONi-2，LATi-2)，那么可以利用通用工具型地理信息系统软件(MapGIS)将上述经纬度坐标转换为平面x-y坐标，得到第一定位信息a为(xi-1，yi-1)和第二定位信息b为(xi-2，yi-2)。然后，根据上述两个定位信息，确定出设备A的在先运动轨迹为：yR＝k*xR+bR，其中，bR＝yR-k*xR。
例如，若设备A的第一定位信息a为(56°，123°)，第二定位信息b为(37°，123°)，那么就可确定出设备A的运行轨迹是以第二定位信息b为起点，沿着水平方向，向第一定位信息a方向运动，具体可参见图3(a)所示。
步骤202，根据各第一设备的运动速度及各在先运动轨迹，确定各第一设备后一时刻所在的各预选位置。
具体的，在确定出各第一设备的各在先运动轨迹之后，可根据各第一定位信息和第二定位信息确定出各第一设备在前一时刻到当前时刻的运动距离，然后根据运动距离与运动时间，计算出对应的运动速度。
进而，可以以各第一设备当前所在位置为中心点，以运动距离为半径，形成圆形区域，即可确定出各第一设备后一时刻的所有预选位置，具体如图3(b)所示。
对应的，第一设备从当前时刻到达后一时刻的所有预选位置的轨迹方程为：yi＝ki*xi+bi，其中，bi＝yi-ki*xi。
由于在实际应用时，各第一设备从当前时刻到后一时刻的运动位置可以是上述所有预选位置中的任一位置。因此为了提高预测的准确性，本实施例可依据牛顿第一定律(即惯性定律)，物体具有保持原来运动状态的性质，可以确定出各第一设备后一时刻所在的预选位置为深色实线区域，具体如图3(c)所示。
对应的，将上述方向设为在当前时刻ti-1的基准方向LR，余弦值为1(即权值为1)，则各第一设备每个运动方向Li与基准方向LR的余弦值为Li方向运动的权值，具体方程组为：
其中，Tw-iD1为各设备从当前时刻ti-1到后一时刻ti的运动方向的权值，θ为直线Li与直线LR的夹角。
需要说明的是，上述直线Li为：yi＝ki*xi+bi，直线LR为：yR＝k*xR+bR。经过上述分析，可以看出，各第一设备在后一时刻所在的预选位置如图3(c)所示。
步骤103，基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括该任一第一设备的第一定位信息及第二定位信息。
其中，历史定位数据指所有设备的历史定位信息。
具体的，由于聚集事件预测装置中存储有大量设备发送的定位信息，因此为了能够对各第一设备后一时刻的目的位置进行准确有效的预测，本实施例可根据各第一设备的当前时刻的第一定位信息及前一时刻的第二定位信息，在聚集事件预测装置中获取具有上述第一定位信息及第二定位信息的其他多个第二设备，并将获取的上述多个第二设备构建成第一参考设备集。
其中，为了保证获取的第一参考设备集可靠性更高，本实施例从聚集事件预测装置中可获取上万、甚至几十万个定位信息，本实施例对此不作具体限定。
举例说明，若第一设备A的前一时刻的位置信息在XX电影院，当前时刻的位置信息在XX电影院出口，那么本实施例在聚集事件预测装置的历史定位数据中，可以获取包含前一时刻位置在XX电影院，当前时刻位置在XX电影院出口历史定位数据的其他多个设备，并将获取的上述多个设备作为第一设备A对应的第一参考设备集B。
步骤104，分别根据各第一参考设备集中各第二设备的历史定位信息，确定各第一设备后一时刻的目的位置。
具体的，本实施例可分别根据各第一参考设备集中各第二设备的历史定位信息，确定各第二设备在各预选位置出现的概率；分别根据各第二设备在各预选位置出现的概率，确定各第一设备后一时刻的目的位置。
也就是说，在获取到各第一参考设备集之后，本实施例可分别根据各第一参考设备集中的各第二设备的历史定位信息进行分析处理，以确定出各第二设备在后一时刻时到不同预选位置的概率值，然后将概率值最大的位置确定为各第一设备后一时刻的目的位置。
举例说明，若第一参考设备集C包括100个设备，且上述100个设备后一时刻的定位信息，包括：XX超市、XX水果店、XX小吃店、XX商城、XX公交站，那么根据上述5个定位信息，分别计算上述100个设备后一时刻处于上述5个定位信息的概率。若计算出有30％的设备后一时刻的定位信息为XX超市、10％的设备后一时刻的定位信息为XX水果店、20％的设备后一时刻的定位信息为XX小吃店、5％的设备后一时刻的定位信息为XX商城、35％的设备后一时刻的定位信息为XX公交站，那么可以确定出上述100个设备中后一时刻的定位信息在XX公交站的概率最大，此时可将XX公交站确定为第一设备A后一时刻的定位信息。
步骤105，根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件，若是则执行步骤106，否则不作处理。
具体的，当确定出各个设备后一时刻的目标位置之后，聚集事件预测装置就可根据各第一设备的后一时刻的目的位置确定出后一时刻是否会出现人群聚集事件。
具体实现时，可将各第一设备的后一时刻的目的位置概率值与聚集事件阈值进行比较，若上述目的位置概率值大于聚集事件阈值时，则说明后一时刻的目的位置会出现人群聚集事件。
其中，聚集事件阈值可以根据单位面积所能容纳的设备数量进行设置，本实施例对此不作具体限定。比如，单位面积所能容纳的设备数量为4个。
也就是说，本实施例通过将各第一设备的运动轨迹进行叠加，以确定出各第一设备运动轨迹的重叠部分，然后统计重叠部分的设备数量，是否超过单位面积的数量阈值，来确定各第一设备后一时刻的目的位置是否发生人群聚集事件。
例如，若聚集事件阈值为单位面积容纳设备数量为4个，聚集事件预测装置中有1000个设备，那么当获取到1000个设备后一时刻的目的位置单位面积中有8个设备数量，那么可以判断出后一时刻在上述目的位置有可能出现人群聚集事件。
步骤106，向后一时刻的目的位置为第一位置的各第三设备发送提示消息。
其中，第一位置可以是实际环境中的任意位置，比如街道、商场、超市等等，本实施例对此不作具体限定。
本实施例中的各第三设备，即为后一时刻的目的位置为第一位置的各第一设备。
具体的，在确定出第一位置在后一时刻会出现人群聚集事件，则聚集事件预测装置自动向后一时刻的目的位置为第一位置的所有设备发送提醒消息，以使得上述设备的用户根据提示调整线路，以避免人群聚集时间的发生，保证了用户行驶安全。
可以理解的是，本实施例的聚集事件预测装置，通过从历史定位数据中，获取包括各第一设备的当前时刻的第一定位信息及前一时刻的第二定位信息的其他多个第二设备的历史定位信息，然后通过计算多个第二设备后一时刻的定位信息的概率，以将概率最大的定位信息作为各第一设备后一时刻的定位信息，并且当判断出后一时刻的第一位置会出现人群聚集时，向后一时刻目的位置为第一位置的各第三设备发送提示消息，以保证用户安全。由此，不仅节省了设置庞大的摄像装置的花费成本，还能及时的发现是否出现异常情况，满足了用户需求。
本实施例提供的聚集事件预测方法中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
通过上述分析可知，本发明通过获取包含各第一设备当前时刻的第一定位信息和前一时刻的第二定位信息对应的各第一参考设备集，并确定各第一设备后一时刻的目的位置，然后根据各第一设备对应的后一时刻的目的位置，确定后一时刻是否出现人群聚集事件。具体实现时，由于用户使用设备时，通常是根据喜好安装各种类型的应用程序，而安装相同类型应用的用户可能运动习惯比较相似，因此本实施例通过根据各第一设备的应用程序类型，对第一参考设备集进行筛选，以剔除与各第一设备应用类型不相同的第二设备，以提升对各第一设备后一时刻定位信息的确定准确性和可靠性。下面结合图4，对本发明的聚集事件预测方法中对各第一参考设备集筛选的过程进行详细的说明。
图4为本发明另一个实施例的聚集事件预测方法的流程图。
如图4所示，本发明实施例的聚集事件预测方法，可以包括以下步骤：
步骤401，分别获取各第一设备上传的当前时刻的第一定位信息。
步骤402，根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置。
步骤403，基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括该任一第一设备的第一定位信息及第二定位信息。
步骤404，获取各第一设备对应的各第一应用程序列表。
步骤405，根据各第一应用程序列表，对各第一参考设备集进行筛选处理，获取各第二参考设备集。
其中，本实施例中各第一应用程序列表包括至少一个应用程序。
具体的，由于在实际应用时，不同设备会因为使用者的使用习惯或爱好，安装不同类型的应用程序。
因此，为了能够准确预测出各第一设备后一时刻到达的目的位置，本实施例可先获取各第一设备对应的各第一应用程序列表，然后根据各第一程序列表所属类型，对各第一参考设备集中与各第一应用程序列表类型不同的参考设备进行剔除。
下面通过图5对各第一参考设备集进行筛选过程进行具体说明。
具体的，对各第一参考设备筛选过程可包括以下步骤：
步骤501，根据第i个第一应用程序列表中各应用程序所属的类型，确定第i个第一设备的类型。
其中，i为大于或等于1的正整数。也就是说，本实施例可对i个第一应用程序列表所对应的i个第一设备分别进行类型确定操作。
其中，第一应用程序列表中的应用程序的类型可以是，但不限于：游戏类、购物类、聊天类等等。
具体的，本实施例可利用Softmax回归模型，对第i个第一应用程序列表中各应用程序进行分类。
具体实现时，可利用以下公式(1)和(2)，对第i个第一应用程序列表中各应用程序进行分类：
其中，θ1,θ2,...θk∈Rn＝1为模型参数，为对概率分布进行归一化，使得所有概率之和为1，hθ()为分类函数，x(i)为各应用程序的特征，yi为应用程序的类标，p(yi)为应用程序类型的概率，k为应用程序特征维数。
其中，J(θ)为损失函数，m为第一应用程序列表，当的值为真时，损失函数的结果为1，否则为0。
举例说明，若第2个第一应用程序列表中有20个应用程序，且利用上述Softmax回归模型计算出第2个第一应用程序列表中，40％的应用程序属于游戏类，35％的应用程序为聊天类，25％的应用程序属于购物类，则可以确定出第2个第一设备的类型为游戏类设备。
步骤502，根据第i个第一参考设备集中各第二设备分别对应的各第二应用程序列表，分别确定第i个第一参考设备集中各第二设备的类型。
具体实现时，可采用步骤501中的计算方式，分别确定第i个第一参考设备集中各第二设备所对应的类型，在此不对其进行过多赘述。
步骤503，从第i个第一参考设备集中选取与第i个第一设备类型相同的各设备，构成第i个第二参考设备集。
例如，若第2个第一设备的类型为游戏类，第2个第一参考设备集中各第二设备的类型包括：游戏类、聊天类、购物类，则根据第2个第一设备的类型，从第2个第一参考设备集中选取出属于游戏类的所有第二设备，然后将类型属于游戏类的第二设备作为第2个第一设备所对应的第二参考设备集。
步骤406，分别根据所述各第二参考设备集中各第二设备在各预选位置出现的概率，确定各第一设备的目的位置。
具体实现时，本实施例可分别对各第二参考设备集中各第二设备的历史定位信息进行分析处理，以确定出各第二设备在后一时刻到达不同预选位置的概率值，然后将概率值最大的预选位置确定为各第一设备后一时刻的目的位置。
举例说明，若第二参考设备集D包括10个设备，且预选位置包括：XX图书馆、XX地铁站、XX商城、XX公交站，那么根据上述4个预选位置，分别计算10个设备在上述4预先位置出现的概率，若计算出有40％的设备出现在XX图书馆、10％的设备出现在XX地铁站、20％的设备出现在XX商城、30％的设备出现XX公交站，那么可以确定出上述10个设备出现在XX图书馆的概率最大，因此可将XX图书馆确定为第一设备A后一时刻的目的位置。
步骤407，根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件，若是则执行步骤408，否则不作处理。
步骤408，向后一时刻的目的位置为第一位置的各第三设备发送提示消息。
本实施例提供的聚集事件预测方法中，通过获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，然后获取各第一设备对应的各第一应用程序列表，并根据各第一应用程序列表，对各第一参考设备集进行筛选处理，以获取到各第二参考设备集，然后根据各第二参考设备集在各预选位置出现的概率，确定各第一设备的目的位置。由此，通过确定各第一设备的类型，对获取到的各第一参考设备集进行筛选，以排序不相关的数据，从而使得最终获取到的目标位置准确度更高，以为用户配备足够的信息来准备和规划规避人群聚集的方式，满足了用户需求，提升了用户体验。
下面参照附图描述本发明实施例提出的聚集事件预测装置。
图6为本发明一个实施例的聚集事件预测装置的结构示意图。
参照图6，上述聚集事件预测装置包括：获取模块11、预测模块12、第一确定模块13、第二确定模块14、以及第三确定模块15。
其中，获取模块11用于分别获取各第一设备上传的当前时刻的第一定位信息；
预测模块12用于根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；
第一确定模块13用于基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；
第二确定模块14用于分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；
第三确定模块15用于根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否出现人群聚集事件。
需要说明的是，本实施例的聚集事件预测装置的实施过程和技术原理参见前述对第一方面实施例所述的聚集事件预测方法的解释说明，此处不再赘述。
本实施例提供的聚集事件预测装置中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
为了实现上述实施例，本发明还提出一种计算机设备。
图7为本发明一个实施例的计算机设备的结构示意图。
如图7所示，上述计算机设备20包括：存储器21、处理器22及存储在存储器21上并可在处理器22上运行的计算机程序，所述处理器22运行所述程序时，以实现第一方面实施例所述的聚集事件预测方法。其中聚集事件预测方法包括：分别获取各第一设备上传的当前时刻的第一定位信息；根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。
需要说明的是，本实施例的计算机设备的实施过程和技术原理参见前述对第一方面实施例所述的聚集事件预测方法的解释说明，此处不再赘述。
本实施例提供的计算机设备中，通过分别获取各第一设备上传的当前时刻的第一定位信息，并根据第一定位信息及各第一设备前一时刻的第二定位信息，预测各第一设备后一时刻所在的各预选位置，然后基于历史定位数据，根据第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参数设备集，然后分别根据各第一参考设备集中各第二设备的历史定位信息，确定出各第一设备后一时刻的目的位置，并根据各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。由此，实现了利用设备当前时刻的位置信息及历史的位置信息，对设备下一时刻的目的位置进行确定，从而利用较低的成本，实现了对聚集事件进行及时准确的预测，为解决人群聚集事件带来的安全隐患提供了条件。
为实现上述目的，本发明还提出一种计算机可读存储介质。
其中该计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面实施例所述的聚集事件预测方法。其中聚集事件预测方法包括：分别获取各第一设备上传的当前时刻的第一定位信息；根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。
为实现上述目的，本发明还提出一种计算机程序产品，当所述计算机程序产品被处理器执行时，执行第一方面实施例所述的用户位置预测方法。其中用户位置预测方法包括：获取第一设备上传的当前时刻的第一定位信息；根据所述第一定位信息及所述第一设备前一时刻的第二定位信息，预测所述第一设备后一时刻所在的各预选位置；基于历史定位数据，根据所述第一定位信息及第二定位信息，确定第一参考设备集，其中所述第一参考设备集中各设备的历史定位信息中均包括所述第一定位信息及第二定位信息；根据所述第一参考设备集中各参考设备的历史定位信息，确定所述第一参考设备集在所述各预选位置出现的概率；根据所述第一参考设备集在所述各预选位置出现的概率，确定所述第一设备后一时刻的目的位置。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的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。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种聚集事件预测方法，其特征在于，包括：
分别获取各第一设备上传的当前时刻的第一定位信息；
根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；
基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；
分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；
根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否会出现人群聚集事件。
2.如权利要求1所述的方法，其特征在于，所述确定所述各第一设备后一时刻的目的位置，包括：
分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第二设备在所述各预选位置出现的概率；
分别根据所述各第二设备在所述各预选位置出现的概率，确定所述各第一设备后一时刻的目的位置。
3.如权利要求1所述的方法，其特征在于，所述确定第一参考设备集之后，还包括：
获取所述各第一设备对应的各第一应用程序列表；
根据所述各第一应用程序列表，对所述各第一参考设备集进行筛选处理，获取各第二参考设备集；
所述确定所述各第一设备后一时刻的目的位置，包括：
根据所述各第二参考设备集中各第二设备在所述各预选位置出现的概率，确定所述各第一设备的目的位置。
4.如权利要求3所述的方法，其特征在于，所述根据所述各第一应用程序列表，对所述各第一参考设备集进行筛选处理，获取各第二参考设备集，包括：
根据第i个第一应用程序列表中各应用程序所属的类型，确定所述第i个第一设备的类型；
根据第i个第一参考设备集中各第二设备分别对应的各第二应用程序列表，分别确定所述第i个第一参考设备集中各第二设备的类型；
从所述第i个第一参考设备集中选取与所述第i个第一设备类型相同的各设备，构成第i个第二参考设备集。
5.如权利要求1-4任一所述的方法，其特征在于，所述预测所述各第一设备后一时刻所在的各预选位置，包括：
根据所述第一定位信息及第二定位信息，确定所述各第一设备的各在先运动轨迹；
根据所述各第一设备的运动速度及所述各在先运动轨迹，确定所述各第一设备后一时刻所在的各预选位置。
6.如权利要求1-4任一所述的方法，其特征在于，所述确定后一时刻是否会出现人群聚集事件之后，还包括：
若确定第一位置在后一时刻会出现人群聚集事件，则向后一时刻的目的位置为所述第一位置的各第三设备发送提示消息。
7.一种聚集事件预测装置，其特征在于，包括：
获取模块，用于分别获取各第一设备上传的当前时刻的第一定位信息；
预测模块，用于根据所述第一定位信息及所述各第一设备前一时刻的第二定位信息，预测所述各第一设备后一时刻所在的各预选位置；
第一确定模块，用于基于历史定位数据，根据所述第一定位信息及第二定位信息，确定分别与各第一设备对应的各第一参考设备集，其中与任一第一设备对应的第一参考设备集中，包括的各第二设备的历史定位信息中均包括所述任一第一设备的第一定位信息及第二定位信息；
第二确定模块，用于分别根据所述各第一参考设备集中各第二设备的历史定位信息，确定所述各第一设备后一时刻的目的位置；
第三确定模块，用于根据所述各第一设备对应的后一时刻目的位置，确定后一时刻是否出现人群聚集事件。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-6任一所述的聚集事件预测方法。
9.一种计算机可读存储介质，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1-6任一所述的聚集事件预测方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品被处理器执行时，执行如权利要求1-6任一所述的聚集事件预测方法。
CN201711354204.5A 2017-12-15 2017-12-15 聚集事件预测方法、装置及设备 Active CN108009688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711354204.5A CN108009688B (zh) 2017-12-15 2017-12-15 聚集事件预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711354204.5A CN108009688B (zh) 2017-12-15 2017-12-15 聚集事件预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN108009688A true CN108009688A (zh) 2018-05-08
CN108009688B CN108009688B (zh) 2021-08-31

Family

ID=62059462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711354204.5A Active CN108009688B (zh) 2017-12-15 2017-12-15 聚集事件预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN108009688B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159478A (zh) * 2019-12-31 2020-05-15 上海依图网络科技有限公司 一种基于视频解析的事件预测方法、装置及其介质和系统
CN111445369A (zh) * 2020-03-31 2020-07-24 中国刑事警察学院 基于lbs大数据的城市大型聚集活动情报预警方法和装置
CN111539864A (zh) * 2020-03-31 2020-08-14 中国刑事警察学院 一种基于lbs大数据的踩踏事件的情报分析方法和装置
CN111597461A (zh) * 2020-05-08 2020-08-28 北京百度网讯科技有限公司 一种目标对象聚集预测方法、装置以及电子设备
CN111629336A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种目标区域内人数确定方法、装置、设备及存储介质
CN112419120A (zh) * 2020-10-26 2021-02-26 青岛海信网络科技股份有限公司 群体性聚集事件预警方法、装置、系统和电子设备
CN112655007A (zh) * 2018-09-06 2021-04-13 皇家飞利浦有限公司 监测预定区域中的可移动实体
CN112990543A (zh) * 2021-02-05 2021-06-18 厦门市美亚柏科信息股份有限公司 一种基于人员活动轨迹预测人员聚集风险的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942229A (zh) * 2013-01-22 2014-07-23 日电（中国）有限公司 目的地预测设备和方法
EP2963450A1 (de) * 2014-07-04 2016-01-06 Deutsche Telekom AG Verfahren und Positionsbestimmungssystem zur Positionsbestimmung einer mobilen Kommunikationseinrichtung unter Verwendung eines Messplans
CN105868845A (zh) * 2016-03-24 2016-08-17 百度在线网络技术（北京）有限公司 风险预警方法和装置
CN105933857A (zh) * 2015-11-25 2016-09-07 中国银联股份有限公司 一种移动终端位置预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942229A (zh) * 2013-01-22 2014-07-23 日电（中国）有限公司 目的地预测设备和方法
EP2963450A1 (de) * 2014-07-04 2016-01-06 Deutsche Telekom AG Verfahren und Positionsbestimmungssystem zur Positionsbestimmung einer mobilen Kommunikationseinrichtung unter Verwendung eines Messplans
CN105933857A (zh) * 2015-11-25 2016-09-07 中国银联股份有限公司 一种移动终端位置预测方法及装置
CN105868845A (zh) * 2016-03-24 2016-08-17 百度在线网络技术（北京）有限公司 风险预警方法和装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112655007A (zh) * 2018-09-06 2021-04-13 皇家飞利浦有限公司 监测预定区域中的可移动实体
CN111159478A (zh) * 2019-12-31 2020-05-15 上海依图网络科技有限公司 一种基于视频解析的事件预测方法、装置及其介质和系统
CN111445369A (zh) * 2020-03-31 2020-07-24 中国刑事警察学院 基于lbs大数据的城市大型聚集活动情报预警方法和装置
CN111539864A (zh) * 2020-03-31 2020-08-14 中国刑事警察学院 一种基于lbs大数据的踩踏事件的情报分析方法和装置
CN111445369B (zh) * 2020-03-31 2023-07-14 中国刑事警察学院 基于lbs大数据的城市大型聚集活动情报预警方法和装置
CN111539864B (zh) * 2020-03-31 2023-07-11 中国刑事警察学院 一种基于lbs大数据的踩踏事件的情报分析方法和装置
CN111597461A (zh) * 2020-05-08 2020-08-28 北京百度网讯科技有限公司 一种目标对象聚集预测方法、装置以及电子设备
CN111597461B (zh) * 2020-05-08 2023-11-17 北京百度网讯科技有限公司 一种目标对象聚集预测方法、装置以及电子设备
CN111629336B (zh) * 2020-06-05 2021-04-27 腾讯科技（深圳）有限公司 一种目标区域内人数确定方法、装置、设备及存储介质
CN111629336A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种目标区域内人数确定方法、装置、设备及存储介质
CN112419120B (zh) * 2020-10-26 2022-08-26 青岛海信网络科技股份有限公司 群体性聚集事件预警方法、装置、系统和电子设备
CN112419120A (zh) * 2020-10-26 2021-02-26 青岛海信网络科技股份有限公司 群体性聚集事件预警方法、装置、系统和电子设备
CN112990543A (zh) * 2021-02-05 2021-06-18 厦门市美亚柏科信息股份有限公司 一种基于人员活动轨迹预测人员聚集风险的方法

Also Published As

Publication number Publication date
CN108009688B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN108009688A (zh) 聚集事件预测方法、装置及设备
US11941887B2 (en) Scenario recreation through object detection and 3D visualization in a multi-sensor environment
Kaiser et al. Advances in crowd analysis for urban applications through urban event detection
Chen et al. AI-empowered speed extraction via port-like videos for vehicular trajectory analysis
CN106912015B (zh) 一种基于移动网络数据的人员出行链识别方法
JP5980148B2 (ja) デジタルカメラ画像から駐車場占有状態を測定する方法
Singh et al. Crowd monitoring: State-of-the-art and future directions
CN108898520A (zh) 基于轨迹数据的学生安全监控方法和系统
CN109275090A (zh) 信息处理方法、装置、终端及存储介质
CN102510476A (zh) 物联网视频监控融合信息平台系统
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN106778688A (zh) 一种拥挤场景监控视频中人群流异常事件的检测方法
CN108827285A (zh) 一种基于智能手环的青少年健康数据共享系统及方法
Farooq et al. Ubiquitous monitoring of pedestrian dynamics: Exploring wireless ad hoc network of multi-sensor technologies
US11887374B2 (en) Systems and methods for 2D detections and tracking
CN107480653A (zh) 基于计算机视觉的客流量检测方法
Huo et al. Short-term estimation and prediction of pedestrian density in urban hot spots based on mobile phone data
CN109218987A (zh) 信息处理方法、装置、终端及存储介质
Bathaee et al. A cluster analysis approach for differentiating transportation modes using Bluetooth sensor data
CN110377687A (zh) 用户出行方式判别方法、装置和服务器
Utsch et al. Monitoring microscopic pedestrian mobility using bluetooth
US20220171963A1 (en) Autonomous aerial vehicle projection zone selection
Yang et al. Design of intelligent recognition system based on gait recognition technology in smart transportation
Guillen-Perez et al. Pedestrian characterisation in urban environments combining WiFi and AI
Grigoropoulos et al. Detection and Classification of Bicyclist Group Behavior for Automated Vehicle Applications

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