CN108024207B - 基于三层防控圈的人流量监控方法 - Google Patents
基于三层防控圈的人流量监控方法 Download PDFInfo
- Publication number
- CN108024207B CN108024207B CN201711277958.5A CN201711277958A CN108024207B CN 108024207 B CN108024207 B CN 108024207B CN 201711277958 A CN201711277958 A CN 201711277958A CN 108024207 B CN108024207 B CN 108024207B
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- prevention
- value
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002265 prevention Effects 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000003449 preventive effect Effects 0.000 claims 1
- 238000009499 grossing Methods 0.000 description 16
- 238000000354 decomposition reaction Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于三层防控圈的人流量监控方法，包括以下步骤：(1)绘制监控场景区域，包括场景周边、场景交通要塞和场景的中心区域形成重点监控区域三层防控圈；(2)针对每一层防控圈的人流量，设置阈值；(3)获取每一层防控圈内基站信息，从而对监控区域的人流量进行统计和预测；(4)人流量超出阈值时，进行异常报警。根据获取的每一层防控圈内基站信息，对重点区域的人员位置信息和人口数量信息的实时监控及智能预警；创造性设计的三层防控圈，能够通过对场景周边、场景的交通要道、场景的中心区域不同的预警配置，实现分级式的人流监控，同时支撑警务人员的巡逻盘查工作，不仅降低警务人员的工作量，而且提升警务人员的工作效率。
Description
技术领域
本发明涉及监控技术领域，尤其是涉及一种基于三层防控圈的人流量监控方法。
背景技术
近年来，踩踏事件、聚众集会等群体聚集性安全事故频发，特别是2014年12月底发生的上海外滩踩踏事件不仅造成严重的社会负面影响，而且导致大量人员的伤亡。在此之后，各类重大活动和人流量较大的热点区域安全保障成为社会各界、政府、公安部门的关注重点。鉴于当时信息化手段的欠缺以及数据资源的匮乏，暂时无有效方法量化区域人流量及变化趋势。随着LTE网络的发展以及智能手机的普及，现阶段几乎人手一部智能终端，基于移动通信网络技术，可实时实现移动用户的精准定位和特征分析。因此，基于移动通信技术和机器学习方法，实现重点区域人流量的实时监控成为现实。
发明内容
本发明要解决的技术问题是，提供了一种人流量实时监控、预测并进行预警的基于三层防控圈的人流量监控方法。
为解决上述技术问题，本发明采用的技术方案是，该基于三层防控圈的人流量监控方法，包括以下步骤：
(1)绘制监控场景区域，包括场景周边、场景交通要塞和场景的中心区域形成重点监控区域三层防控圈；
(2)针对每一层防控圈的人流量，设置阈值；
(3)获取每一层防控圈内基站信息，从而对监控区域的人流量进行统计和预测；
(4)人流量超出阈值时，进行异常报警。
将重点监控区域从核心至周边三层防控圈，实现人流量的监控，并根据人流量进行相应数据分析，进行异常报警；现阶段几乎人手一部智能终端，根据获取的每一层防控圈内基站信息，对重点区域的人员位置信息和人口数量信息的实时监控及智能预警，并且能够了解人员归属地的组成结构，对特殊人群实施有效的监控；创造性设计的三层防控圈，能够通过对场景周边、场景的交通要道、场景的中心区域不同的预警配置，实现分级式的人流监控，同时支撑警务人员的巡逻盘查工作，不仅降低警务人员的工作量，而且提升警务人员的工作效率。
优选的，在所述步骤(3)中，获取每一层防控圈内基站信息，从而基于所有基站覆盖区域内UE数量，运用机器学习进行大数据建模，剔除噪音数据，进而精准定位，实现三层防控圈每层圈的人流量监控，并根据人流量进行相应数据分析及可视化展示。
优选的，在所述步骤(3)中，利用时间序列预测方法对采集到的历史三层防控圈人流量的数据进行时间序列建模，基于模型训练的结果对当前重点区域人流量数据进行后期的预测。
优选的，在所述步骤(4)中，对采集到的历史三层防控圈人流量的数据利用分位数异常预警的方法，检测当前时刻人流量值是否异常，若异常则进行智能异常报警。
优选的，在所述步骤(4)中，所述分位数异常预警算法基于当前重点区域下1个月的人流量数据，首先计算每个时刻，5分钟，人流量的增量数据，当增量数据的值超过相应自适应分位数值时，则表示该时刻的人流量值为突增异常从而进行报警；当增量数据的值低于相应自适应分位数值时，则表示该时刻的人流量值为突减异常从而进行报警。
优选的，在所述步骤(1)中，用户在地理信息系统GIS地图上采用泰森多边形绘制重点监控区域三层防控圈。
优选的，在所述步骤(3)中，基于数据建模手段获取防控圈内精确人流数据和基站信息，利用GIS可视化手段，以热力图、迁徙图、折线图、柱状图等多张呈现模式进行人流量的统计分析以及特征分析；基于三层防控圈的精准人流量数据信息，运用折线图方式直观呈现当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流的波动走势。
优选的，在所述步骤(3)中，还包括人流量预测，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行时间序列建模拟合，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行时间序列建模拟合；时间序列建模拟合的过程主要包括数据处理，模型拟合及模型预测输出，时间序列建模方法为多种模型结合的方法，最终模型预测输出的值为当前时刻至当天24:00的人流量的预测数据。
优选的，在所述步骤(4)中，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行异常情况检测，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行异常情况检测；异常情况的检测方法为，首先对人流量数据进行重复值及缺失值的处理，然后计算人流量的一阶差分数据及其分位数，定义人流量一阶差分数据的99％分位数为突增异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突增异常；定义人流量一阶差分数据的1％分位数为突减异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突减异常。
与现有技术相比，本发明利用泰森多边形技术，支持用户在地理信息系统GIS地图上自主绘制重点监控区域三层防控圈，并且自主设置阈值。根据用户绘制的三层防控圈，获取每一层防控圈内基站信息，从而基于所有基站覆盖区域内UE数量，运用机器学习进行大数据建模，剔除噪音数据，进而精准定位，实现三层防控圈每层圈的人流量监控，并根据人流量进行相应数据分析及可视化展示；
用户可以在GIS地图上绘制其关注的多边形重点区域，实现从核心至周边三层区域人流量的监控，有利于掌握人流量实时变化情况。自主设置阈值即用户根据历史的经验信息，设置人流量最大值，当人流量超出阈值时，进行异常报警，同时本发明支撑自学习能力，基于重点区域人流波动趋势自主实现阀值的设置，实现阀值的更加真实可靠。
根据用户绘制监控区域每层防控圈的经纬度信息及基站的经纬度信息，判断监控区域中的基站信息及个数，结合机器学习算法剔除掉过路、常驻等非目标人员，从而对监控区域的人流量进行统计，进一步借助大数据可视化技术进行热力图，折线图，柱状图等可视化展示，更加形象、直观的呈现重点区域人流波动趋势以及特征分析。
附图说明
下面结合附图和本发明的实施方式进一步详细说明：
图1是本发明基于三层防控圈的人流量监控方法的流程图；
图2是人流量统计的流程图；
图3是用时间序列模型对人流量进行预测的流程；
图4是智能异常预警的流程；
图5a、图5b、图5c，图5d举例展示本系统的三层防控圈绘制、人流量统计、可视化、预测及智能异常预警的功能，图5a为三层防控圈绘制图，图5b为三层防控圈人流量分布热力图，图5c为人流量预测图，图5d为智能异常预警图示；图6为STL内部分解过程图。
具体实施方式
本发明的基于三层防控圈的人流量监控方法，包括以下步骤：
(1)绘制监控场景区域，包括场景周边、场景交通要塞和场景的中心区域形成重点监控区域三层防控圈；
(2)针对每一层防控圈的人流量，设置阈值；
(3)获取每一层防控圈内基站信息，从而对监控区域的人流量进行统计和预测；
(4)人流量超出阈值时，进行异常报警。
在所述步骤(3)中，获取每一层防控圈内基站信息，从而基于所有基站覆盖区域内UE数量，运用机器学习进行大数据建模，剔除噪音数据，进而精准定位，实现三层防控圈每层圈的人流量监控，并根据人流量进行相应数据分析及可视化展示；利用时间序列预测方法对采集到的历史三层防控圈人流量的数据进行时间序列建模，基于模型训练的结果对当前重点区域人流量数据进行后期的预测。
在所述步骤(4)中，对采集到的历史三层防控圈人流量的数据利用分位数异常预警的方法，检测当前时刻人流量值是否异常，若异常则进行智能异常报警；所述分位数异常预警算法基于当前重点区域下1个月的人流量数据，首先计算每个时刻，5分钟，人流量的增量数据，当增量数据的值超过相应自适应分位数值时，则表示该时刻的人流量值为突增异常从而进行报警；当增量数据的值低于相应自适应分位数值时，则表示该时刻的人流量值为突减异常从而进行报警。
在所述步骤(1)中，用户在地理信息系统GIS地图上采用泰森多边形绘制重点监控区域三层防控圈。
在所述步骤(3)中，基于数据建模手段获取防控圈内精确人流数据和基站信息，利用GIS可视化手段，以热力图、迁徙图、折线图、柱状图等多张呈现模式进行人流量的统计分析以及特征分析；基于三层防控圈的精准人流量数据信息，运用折线图方式直观呈现当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流的波动走势。
在所述步骤(3)中，还包括人流量预测，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行时间序列建模拟合，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行时间序列建模拟合；时间序列建模拟合的过程主要包括数据处理，模型拟合及模型预测输出，时间序列建模方法为多种模型结合的方法，最终模型预测输出的值为当前时刻至当天24:00的人流量的预测数据。
在所述步骤(4)中，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行异常情况检测，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行异常情况检测；异常情况的检测方法为，首先对人流量数据进行重复值及缺失值的处理，然后计算人流量的一阶差分数据及其分位数，定义人流量一阶差分数据的99％分位数为突增异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突增异常；定义人流量一阶差分数据的1％分位数为突减异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突减异常。
本实施例具体的，第一步骤则是用户自主绘制三层防控圈。
该步骤中运用了泰森多边形技术绘制每一层防控圈，用户可结合实际情况，更加贴切实际和精确地设置监控区域(图5a)；同时，为了提高本发明方法的实用性，基于GIS用户地理信息系统，自主缩放显示每一层防控圈中的基站分布，即根据经纬度信息将基站放置于GIS地图上呈现，用户在绘制三层防控圈时，放大GIS图的比例时可以看到每层防控圈内的基站个数及详细信息。
步骤二则是根据用户绘制的三层圈及每层圈内对应的基站小区驻留信息，统计出每层圈内的驻留人数，运用机器学习算法剔除掉过路、常驻等非目标人员，从而计算出当前防控圈内的精确人流量值。在用户绘制三层圈时，同时设定一个阈值，该阈值是用户根据当前场景区域下的经验值确定的初始人流量上限阈值，后续系统根据自学习算法，结合当前重点区域人流波动趋势自主实现阀值的设置。当该圈内人流量统计值超过该阈值时，本系统会自动报警，且该阈值可以根据真实数据情况及用户需求进行更改及删除操作。
步骤三、四、五为并列步骤，并无先后顺序。步骤三，可视化展示之一基于数据建模手段获取防控圈内精确人流数据和基站信息，利用GIS可视化手段，以热力图、迁徙图、折线图、柱状图等多张呈现模式进行人流量的统计分析以及特征分析；可视化展示之二基于三层防控圈的精准人流量数据信息，运用折线图方式直观呈现当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流的波动走势。
步骤四，人流量预测。首先基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行时间序列建模拟合，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行时间序列建模拟合。时间序列建模拟合的过程主要包括数据处理(缺失值、重复值等的处理)，模型拟合及模型预测输出，时间序列建模方法为多种模型结合的方法，最终模型预测输出的值为当前时刻至当天24:00的人流量的预测数据。系统会将预测数据运用虚线折线图的形式可视化的展现，并且当该时刻存在真实值时则用真实值代替，用实线折线图表示真实人流量值去替代虚线折线图代表的人流量预测值，从而实现对人流量变化的实时动态监控和未来预测。
步骤五，智能异常预警。基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行异常情况检测，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行异常情况检测。异常情况的检测如下，首先对人流量数据进行重复值及缺失值的处理，然后计算人流量的一阶差分数据及其分位数，定义人流量一阶差分数据的99％分位数为突增异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突增异常；定义人流量一阶差分数据的1％分位数为突减异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突减异常。本系统在出现突增或者突减异常时，会在平台端自动展示该异常情况及与上一时刻人流量值之间的差值，方便对其进行突增、突减异常的监控。
上述步骤(3)中人流量的统计流程图如图2所示。
第一步，用户基于GIS地图自主绘制重点关注区域的三层防控圈，用户可以绘制多个重点监控区域，实现对多个重点区域内的人流量监控。
第二步，根据用户绘制的重点区域的每层防控圈，得到监控圈的经纬度信息以及监控圈内基站信息，从而可以根据每个监控区域内基站信息获得本防控圈内的基础人流量数据统计信息。
第三步，根据每个重点区域内的每层防控圈的基站信息去统计人流量。人流量的基础数据指标可视为基站下UE的数量。在统计基站信令数据时，对每一个基站下的IMSI号进行去重汇总，同时，鉴于移动通信原理特性和基站覆盖范围较大，需运用机器学习算法剔除掉过路、常驻等非目标人员以及补充存在位置确实的人员信息，从而获得精确的防控圈内基站下的用户数量。对每层圈的人流量统计则是要统计该防控圈圈内所有基站下的用户数量之和，同样需对IMSI号进行去重汇总获取该层防控圈内人流量值。
最后一步，基于GIS可视化手段，运用之前三步获取的防控圈内的人流量数据和圈内的基站信息，运用热力图、迁徙图、趋势图等可视化方式进行渲染，简洁、直观地呈现防控圈内人流量的分布、波动、归属以及异常波动预警的监控。
上述时间序列预测流程图如图3所示。
本发明除了能实现人流量的统计及可视化功能之外，另一个优势功能则是对人流量进行预测，可以提前掌握人流量变化趋势，对相应情况提前部署，做好应对措施，避免情况发生却无及时可靠的应对方案。
第一步，数据收集即该系统利用基站信息及机器学习方法得到每一时刻每层防控圈对应的精确人流量数据，该数据即为时间序列型数据，有时间及指标值两大特征。时间序列预测建模样本须是一段时间的累积历史数据，考虑到人流量的变化趋势在一月之内有大致相同的变化趋势，因此最好收集到一月以后的数据再进行预测，如果没有一月的时间长度则须使用收集到的所有历史人流量数据。
第二步，数据处理，对收集到的人流量数据进行去重、插值等操作。由于种种原因，系统收集到的人流量数据会存在重复和缺失的情况。重复值则是指同一时间值对应的人流量值存在多个，缺失值则是指某一时刻的人流量值丢失。而对于人流量存在重复及缺失的情况需进行数据处理，将重复的数据删除，缺失的数据进行插值。
关于重复值的处理，有许多解决的方法，该时刻下所有人流量值的最大值、最小值、平均值、中位数都可以作为该时刻下的人流量指标值。关于人流量的统计更关注的是较大的情况，因此本发明对于重复值的处理方式是取重复值中的最大值作为该时刻下的人流量值。
xt＝max{xt1，xt2，…，xtn}；
xt为缺失值替代后的该时刻的人流量值，xt1，xt2，…，xtn为t时刻存在的多个人流量值。
同样的，关于缺失值的处理，也有许多插值的方式可以实现对当前时刻人流量值的填充，如线性插值，卡尔曼滤波插值，拉格朗日插值等等。本系统采用的是简单方便的线性插值方式实现缺失值插值，从而将人流量数据填充为连续型时间序列。
线性插值法是指使用连接两个已知变量的直线来确定在这两个已知量之间的一个未知量的值的方法。假设已知坐标(x0，y0)与(x1，y1)，要得到[x0，x1]区间内某一位置x在直线上的值。则可以得到两点式直线方程：
经过变换后得到，
即为[x0,x1]区间内x对应的y值，完成线性插值。
采用选择重复数据中的最大值的方式处理重复值，采用线性插值的方式处理缺失值之后。则收集到的人流量数据即为唯一连续的时间序列数据，则可以对其进行时间序列的模型拟合。
时间序列预测主要有移动平均法，指数平滑法(holt-winters)，ARIMA模型，STL分解法与ARIMA模型结合等等。通过对人流量数据的分析发现，人流量序列是非平稳时间序列，且存在周期变化的规律，因此适合采用STL分解法与指数平滑法结合或者STL分解法与ARIMA模型结合的方法去进行时间序列模型拟合。
下面介绍一下STL分解法，指数平滑法，ARIMA模型三种方法。
STL分解法是以鲁棒局部加权回归作为平滑方法的时间序列分解方法。STL分解将时间序列分解成季节项、趋势项及残余项。其中Loess(locally weighted scatterplotsmoothing，LOWESS or LOESS)为局部多项式回归拟合，是对两维散点图进行平滑的常用方法，它结合了传统线性回归的简洁性和非线性回归的灵活性。当要估计某个响应变量值时，先从其预测变量附近取一个数据子集，然后对该子集进行线性回归或二次回归，回归时采用加权最小二乘法，即越靠近估计点的值其权重越大，最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。STL内部分解过程如图6所示：
指数平滑法又分为一次指数平滑法，二次指数平滑法及三次指数平滑法，在这里介绍三次指数平滑法，它可以对同时含有趋势和季节性的时间序列进行预测。三次指数平滑在二次指数平滑法的基础上保留了季节性的信息，使得其可以预测带有季节性的时间序列。三次指数平滑添加了一个新的参数来表示平滑后的趋势。
ARIMA模型，全称为自回归积分滑动平均模型，所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。其中ARIMA(p，d，q)称为差分自回归移动平均模型，AR是自回归，p为自回归项数；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。
Xt～ARIMA(p，d，q)模型的表达式如下：
其中，Xt，xt-1，…，xt-p为d阶差分后的t，t-1，…，t-p时刻时间序列指标值，
为1，2，p阶自回归系数，δ为随机干扰项，μt，μt-1，…，μt-q为t，t-1，t-q时刻预测误差，θ1，θ2，…，θq为1，2，q阶移动平均系数。
采用STL分解法与指数平滑法结合或者STL分解法与ARIMA模型结合的方法对人流量数据进行建模拟合之后，可以得到用于拟合的样本数据每一时刻对应人流量拟合值，不可避免地该拟合值与真实值之间会存在差距，好的拟合模型则是要尽量地减少差距。
关于模型的最终选择，其标准是模型得到的拟合值与真实值之间的差值平方和的大小，该值越小说明拟合值越接近真实值，模型拟合越好。本系统并没有确定最终拟合模型，而是每次执行预测指令时，使用当前时刻前一月的样本数据拟合模型，最终选择的模型是使得拟合值与真实值的差值平方和最小的模型。
用上述方式选择得到的模型即为人流量预测采用的模型，可以使用该模型预测当前时刻至当天24:00每个时间粒度的人流量值。在系统平台上进行折线图的可视化展示(图5c)。
本系统的另一大优势则是能够根据每个场景每层防控圈历史人流量数据，自适应的判断当前时刻人流量值是否存在突增或突减异常，并在异常发生时给与报警。
智能异常预警流程图如图4所示。
首先收集人流量数据，然后对收集到的人流量数据做重复值和缺失值的处理，所使用到的方法同时间序列预测使用的方法一致，人流量预测图如5c所示。
第三步，计算人流量一阶差分数据，一阶差分的公式如下：
xt为当前时刻的人流量数据，xt-1为上一时刻的人流量数据，
则为当前时刻与上一时刻人流量差值，即用于智能判断异常的指标。
第四步则是根据人流量一阶差分数据，计算其分位数值，用人流量一阶差分数据与智能预警分位数值进行比较，判断当前时刻人流量数据是否异常。首先将人流量一阶差分数据进行从小到大的排序，1％的分位数则表示，在该序列中有1％的数值都小于该1％分位数。以此类推99％分位数则为在该序列中有99％的数值都小于该99％分位数。
本发明根据历史数据的学习，采用1％分位数作为突减异常检测的阈值，99％分位数作为突增异常检测的阈值，若当前时刻人流量一阶差分数据小于1％分位数，则作为突减异常进行报警，若当前时刻人流量一阶差分数据大于99％分位数，则作为突增异常进行报警，并在系统平台界面展示(图5d)。
值得注意的是由于每次进行检测时，采用的是当前时刻前一月的数据，则每次计算得到的1％，99％分位数的值也会根据数据的改变自适应地变化，也就是说本系统的智能异常检测方法中的阈值不是一层不变的，可以适应最新的人流量变化。
总的来说，本系统能够支持用户自主绘制关注的重点区域三层防控圈，然后根据防控圈内的基站信息以5分钟的时间粒度进行人流量的统计，并且在GIS地图上以热力图的形式呈现。同时支持对人流量数据的预测及突增、突减异常报警，如图5c、5d人流量预测图所示。从而可以让用户方便直观地实时监控其关注的重点区域的人流量变化情况，方便用户及时采取相应措施。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明；凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于三层防控圈的人流量监控方法，其特征在于，包括以下步骤：
(1)绘制监控场景区域，该监控场景区域包括场景周边、场景交通要塞和场景的中心区域形成的重点监控区域三层防控圈；
(2)针对每一层防控圈的人流量，设置阈值；
(3)获取每一层防控圈内基站信息，从而对监控区域的人流量进行统计和预测；
(4)人流量超出阈值时，进行异常报警；
在所述步骤(3)中，获取每一层防控圈内基站信息，从而基于所有基站覆盖区域内UE数量，运用机器学习进行大数据建模，剔除噪音数据，进而精准定位，实现三层防控圈每层圈的人流量监控，并根据人流量进行相应数据分析及可视化展示；
在所述步骤(3)中，利用时间序列预测方法对采集到的历史三层防控圈人流量的数据进行时间序列建模，基于模型训练的结果对当前重点区域人流量数据进行后期的预测；在所述步骤(4)中，对采集到的历史三层防控圈人流量的数据利用分位数异常预警的方法，检测当前时刻人流量值是否异常，若异常则进行智能异常报警；
在所述步骤(4)中，所述分位数异常预警算法基于当前重点区域下1个月的人流量数据，首先计算每个时刻，5分钟，人流量的增量数据，当增量数据的值超过相应自适应分位数值时，则表示该时刻的人流量值为突增异常从而进行报警；当增量数据的值低于相应自适应分位数值时，则表示该时刻的人流量值为突减异常从而进行报警；
在所述步骤(1)中，用户在地理信息系统GIS地图上采用泰森多边形绘制重点监控区域三层防控圈；
在所述步骤(3)中，基于数据建模手段获取防控圈内精确人流数据和基站信息，利用GIS可视化手段，以热力图、迁徙图、折线图、柱状图等多张呈现模式进行人流量的统计分析以及特征分析；基于三层防控圈的精准人流量数据信息，运用折线图方式直观呈现当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流的波动走势。
2.根据权利要求1所述的监控方法，其特征在于，在所述步骤(3)中，还包括人流量预测，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行时间序列建模拟合，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行时间序列建模拟合；时间序列建模拟合的过程主要包括数据处理，模型拟合及模型预测输出，时间序列建模方法为多种模型结合的方法，最终模型预测输出的值为当前时刻至当天24:00的人流量的预测数据。
3.根据权利要求1所述的监控方法，其特征在于，在所述步骤(4)中，基于对用户绘制的每层防控圈自动进行5分钟时间粒度人流量统计分析，当数据未达到一月的时间长度时，则利用当前时刻之前的所有数据进行异常情况检测，当保存数据达到一月以上的时间长度时，则利用当前时刻之前的一月历史数据进行异常情况检测；异常情况的检测方法为，首先对人流量数据进行重复值及缺失值的处理，然后计算人流量的一阶差分数据及其分位数，定义人流量一阶差分数据的99％分位数为突增异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突增异常；定义人流量一阶差分数据的1％分位数为突减异常阈值，若当前数据超过该阈值，则认为该时刻人流量值为突减异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711277958.5A CN108024207B (zh) | 2017-12-06 | 2017-12-06 | 基于三层防控圈的人流量监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711277958.5A CN108024207B (zh) | 2017-12-06 | 2017-12-06 | 基于三层防控圈的人流量监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108024207A CN108024207A (zh) | 2018-05-11 |
| CN108024207B true CN108024207B (zh) | 2020-12-01 |
Family
ID=62078646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711277958.5A Active CN108024207B (zh) | 2017-12-06 | 2017-12-06 | 基于三层防控圈的人流量监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108024207B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898416A (zh) * | 2018-05-30 | 2018-11-27 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143097B (zh) * | 2018-11-03 | 2023-04-25 | 千寻位置网络有限公司 | 面向gnss定位服务的故障治理系统和方法 |
| CN111278041B (zh) * | 2018-12-05 | 2023-04-07 | 中国移动通信集团甘肃有限公司 | 一种确定群体行为发生地的方法及设备 |
| CN109684427A (zh) * | 2018-12-06 | 2019-04-26 | 武汉虹旭信息技术有限责任公司 | 基于移动互联网有害信息的地图监控告警系统及其方法 |
| CN111669784B (zh) * | 2019-03-07 | 2023-04-07 | 成都鼎桥通信技术有限公司 | 一种监测基站流量的方法、装置和存储介质 |
| CN109978746B (zh) * | 2019-03-27 | 2023-02-28 | 东南大学 | 一种基于信令数据并结合动态阈值判断出行有效性的人口交换量估计方法 |
| CN110159348A (zh) * | 2019-05-28 | 2019-08-23 | 肥城矿业集团梁宝寺能源有限责任公司 | 防冲区人员安全管理系统及管理方法 |
| CN110322049B (zh) * | 2019-06-03 | 2023-06-09 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
| CN110826786A (zh) * | 2019-10-28 | 2020-02-21 | 广州杰赛科技股份有限公司 | 目的地点人口数量的预测方法、装置及存储介质 |
| CN111476979A (zh) * | 2019-11-21 | 2020-07-31 | 武汉烽火众智数字技术有限责任公司 | 一种基于多模型分析的智能安保维稳方法及系统 |
| CN111126679A (zh) * | 2019-12-10 | 2020-05-08 | 武汉烽火众智数字技术有限责任公司 | 一种开放式景区客流统计和预测的方法和系统 |
| CN111161538B (zh) * | 2020-01-06 | 2021-07-02 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
| CN111340544A (zh) * | 2020-02-25 | 2020-06-26 | 上海昌投网络科技有限公司 | 一种微信公众号是否刷阅读的判断方法及装置 |
| CN111680830B (zh) * | 2020-05-25 | 2024-01-26 | 广州衡昊数据科技有限公司 | 一种基于聚集风险预警的疫情防范方法和装置 |
| WO2021248479A1 (zh) * | 2020-06-12 | 2021-12-16 | 深圳盈天下视觉科技有限公司 | 人流量数据监控系统及其人流量数据的展示方法和装置 |
| CN111785392B (zh) * | 2020-07-01 | 2024-02-09 | 医渡云（北京）技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
| CN112419123A (zh) * | 2020-11-20 | 2021-02-26 | 深圳市先创数字技术有限公司 | 基于热力图算法的人流量管控方法、系统及存储介质 |
| CN112434101B (zh) * | 2020-11-23 | 2021-06-25 | 北京航空航天大学 | 一种利用共享出行大数据进行人流量迁徙分析的系统 |
| CN113602919A (zh) * | 2021-07-30 | 2021-11-05 | 浙江新再灵科技股份有限公司 | 基于人流量的电梯管理方法 |
| CN117423468A (zh) * | 2023-10-24 | 2024-01-19 | 广州国家实验室 | 持续葡萄糖监测数据时间序列分析方法、系统及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101394645A (zh) * | 2008-10-30 | 2009-03-25 | 中国移动通信集团北京有限公司 | 一种目标区域移动通信终端用户的流量统计方法及系统 |
| CN105282523A (zh) * | 2015-11-23 | 2016-01-27 | 上海赢谊电子设备有限公司 | 一种人流量估计电子设备及其在公交站亭的使用方法 |
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN106128028A (zh) * | 2016-07-21 | 2016-11-16 | 深圳奇迹智慧网络有限公司 | 一种基于mac码和人脸识别的人流预警方法 |
| CN106251578A (zh) * | 2016-08-19 | 2016-12-21 | 深圳奇迹智慧网络有限公司 | 基于探针的人流预警分析方法和系统 |
-
2017
- 2017-12-06 CN CN201711277958.5A patent/CN108024207B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101394645A (zh) * | 2008-10-30 | 2009-03-25 | 中国移动通信集团北京有限公司 | 一种目标区域移动通信终端用户的流量统计方法及系统 |
| CN105282523A (zh) * | 2015-11-23 | 2016-01-27 | 上海赢谊电子设备有限公司 | 一种人流量估计电子设备及其在公交站亭的使用方法 |
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN106128028A (zh) * | 2016-07-21 | 2016-11-16 | 深圳奇迹智慧网络有限公司 | 一种基于mac码和人脸识别的人流预警方法 |
| CN106251578A (zh) * | 2016-08-19 | 2016-12-21 | 深圳奇迹智慧网络有限公司 | 基于探针的人流预警分析方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898416A (zh) * | 2018-05-30 | 2018-11-27 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
| CN108898416B (zh) * | 2018-05-30 | 2022-02-25 | 百度在线网络技术（北京）有限公司 | 用于生成信息的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108024207A (zh) | 2018-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108024207B (zh) | 基于三层防控圈的人流量监控方法 | |
| US9158035B2 (en) | System and method of automated acquisition, correlation and display of power distribution grid operational parameters and weather events | |
| Fernando et al. | Forecasting PM10 in metropolitan areas: Efficacy of neural networks | |
| CN108388852B (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
| KR101825023B1 (ko) | 리스크 조기 경보 방법 및 장치 | |
| CN108647743B (zh) | 驾驶人安全画像系统 | |
| CN109191358A (zh) | 城市防汛防涝监测指挥作业系统 | |
| CN109670673B (zh) | 露天矿生产管控系统 | |
| CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
| CN103247177A (zh) | 大规模路网交通流实时动态预测系统 | |
| US20150026088A1 (en) | Crime assessment tool and method | |
| CN105791022A (zh) | 一种拥挤度检测预警系统 | |
| CN115619071B (zh) | 智慧燃气管网可靠性安全监测方法和物联网系统及介质 | |
| CN102324066A (zh) | 一种电力系统预警与评估指标的雷达图表示方法 | |
| Zhang et al. | A spatial analysis of the impact of housing foreclosures on residential burglary | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| Chohlas-Wood et al. | Mining 911 calls in New York City: Temporal patterns, detection, and forecasting | |
| CN105003828A (zh) | 一种基于移动平台的排水在线监测预警方法及系统 | |
| CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
| CN106332052A (zh) | 基于移动通信终端的微区域治安预警方法 | |
| CN111340395A (zh) | 一种区域水质自动监测系统 | |
| CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
| CN113032239A (zh) | 风险提示方法、装置、电子设备及存储介质 | |
| CN113887872A (zh) | 一种基于态势评估技术的交通风险分级方法 | |
| CN112330129A (zh) | 风险评估与管控的方法、系统、终端和存储介质 |
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 |