CN108053131A - 一种应用于营运联合体的运营状态监测系统及方法 - Google Patents
一种应用于营运联合体的运营状态监测系统及方法 Download PDFInfo
- Publication number
- CN108053131A CN108053131A CN201711427971.4A CN201711427971A CN108053131A CN 108053131 A CN108053131 A CN 108053131A CN 201711427971 A CN201711427971 A CN 201711427971A CN 108053131 A CN108053131 A CN 108053131A
- Authority
- CN
- China
- Prior art keywords
- data
- association
- computing device
- operation association
- flow
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims description 68
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 74
- 230000005611 electricity Effects 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000000205 computational method Methods 0.000 claims description 83
- 210000005036 nerve Anatomy 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- -1 electricity Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 210000000476 body water Anatomy 0.000 claims description 2
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000002790 cross-validation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种应用于营运联合体的运营状态监测系统及方法，通过对营运联合体设备运行视频数据、营运联合体水电气数据、营运联合体人群流量视频数据、营运联合体员工的考勤数据、营运联合体汽车流量视频数据以及营运联合体汽车出入打卡数据这六类数据的采集，并采用多级神经网络分别对其进行处理，同时每两类数据分别互为补充，互相交叉验证，最终得到营运联合体运营情况综合评价结果，为银行、金融机构和放款人给营运联合体借钱提供了数据支持，帮助外部的银行、金融机构、放款人和其他相关人员掌握标的营运联合体状态，进而做出有价值的决定。
Description
技术领域
本发明属于营运联合体运营监测技术领域，具体涉及一种应用于营运联合体的运营状态监测系统及方法的设计。
背景技术
银行和金融机构给营运联合体(工厂、农场、企业、物流中心等)借钱，非常关心营运联合体是否正常运营，因此需要对营运联合体的运营情况进行监测。但是，派人和委托第三方机构进行监测，面临劳动力密集、成本巨大和有被收买(特别大金额的情况)的问题。
而营运联合体的运营情况是由人员、水电气和物流车辆支持的，监测全部这些关联信息，就可以帮助外部的银行、放款金融机构和其他相关人员掌握标的营运联合体状态。
通过营运联合体内部信息接口、视频和音频采集等方式，监测营运联合体办公区和生产工作场所的：噪音数据、电表数据、气表数据、进出口和要道人流量以及考勤机和车辆进出打卡数据等，并且进行交叉验证处理，就可以充分发挥这些客观数据的价值。
发明内容
本发明的目的是为了解决大规模监测目标营运联合体运营状态的问题，提出了一种应用于营运联合体的运营状态监测系统及方法。
本发明的技术方案为：一种应用于营运联合体的运营状态监测系统，包括：
营运联合体设备运行监测摄像头组，用于采集营运联合体设备运行视频数据A1；
第一神经形态计算装置，用于采用神经形态计算方法将A1处理为水电气识别数据A2；
水电气采集装置，用于采集营运联合体水电气数据A3；
人群流量监测摄像头组，用于采集营运联合体人群流量视频数据B1；
第二神经形态计算装置，用于采用神经形态计算方法将B1处理为人群流量识别数据B2；
考勤机，用于采集营运联合体员工的考勤数据B3；
汽车流量监测摄像头组，用于采集营运联合体汽车流量视频数据C1；
第三神经形态计算装置，用于采用神经形态计算方法将C1处理为汽车流量识别数据C2；
汽车门禁，用于采集营运联合体汽车出入打卡数据C3；
数据库存储中心，用于按照相同的时间间隔标准存储A2、A3、B2、B3、C2、C3六类数据；
第四神经形态计算装置，用于采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果。
数据库存储中心分别与第一神经形态计算装置、第二神经形态计算装置、第三神经形态计算装置、第四神经形态计算装置、水电气采集装置、考勤机以及汽车门禁通信连接；第一神经形态计算装置还与营运联合体设备运行监测摄像头组通信连接，第二神经形态计算装置还与人群流量监测摄像头组通信连接，第三神经形态计算装置还与汽车流量监测摄像头组通信连接，第四神经形态计算装置还分别与营运联合体的管理终端以及金融机构查询终端通信连接。
本发明的有益效果是：本发明通过对营运联合体设备运行视频数据A1、营运联合体水电气数据A3、营运联合体人群流量视频数据B1、营运联合体员工的考勤数据B3、营运联合体汽车流量视频数据C1以及营运联合体汽车出入打卡数据C3这六类数据的采集，并采用多级神经网络分别对其进行处理，同时每两类数据分别互为补充，互相交叉验证，最终得到营运联合体运营情况综合评价结果，为银行和金融机构给营运联合体借钱提供了数据支持。
进一步地，营运联合体设备运行监测摄像头组包括若干个设置于营运联合体工作场所的摄像头；人群流量监测摄像头组包括若干个设置于营运联合体工作场所及生活场所的摄像头；汽车流量监测摄像头组包括若干个设置于营运联合体大门及道路口的摄像头。
上述进一步方案的有益效果是：通过合理布局与安装各个摄像头，可以更加完整的采集到营运联合体设备运行视频数据A1、营运联合体人群流量视频数据B1以及营运联合体汽车流量视频数据C1。
进一步地，水电气采集装置包括水表采集器、电表采集器、气表采集器、温度传感器、噪声传感器以及亮度传感器；温度传感器、噪声传感器以及亮度传感器均设置于营运联合体的各个工作场所内；营运联合体水电气数据A3包括水表数据、电表数据、气表数据、温度数据、噪声数据以及亮度数据。
上述进一步方案的有益效果是：通过工作工作场所的温度、噪声、亮度数据以及营运联合体的水电气数据，与营运联合体设备运行监测摄像头采集到的设备运行情况数据进行交叉验证，为评估营运联合体的整体经营状况提供不同视角的输入数据。
本发明还提供了一种应用于营运联合体的运营状态监测方法，包括以下步骤：
S1、采集并处理营运联合体水电气消耗数据。
S2、采集并处理营运联合体员工活动数据。
S3、采集并处理营运联合体汽车活动数据。
S4、综合处理水电气消耗数据、员工活动数据以及汽车活动数据，得到营运联合体运营情况综合评价结果。
S5、判断营运联合体运营情况综合评价结果是否正常，若正常则将相关数据量化输出至金融机构查询终端，否则向营运联合体的管理终端发出警告信息。
本发明的有益效果是：营运联合体运营是由人员、水电气和物流车辆支持的，本发明通过多级神经形态算法和创新结构设计，有效解决了监测目标营运联合体的运营状态的问题，可以帮助外部的银行、放款金融机构和其他相关人员掌握标的营运联合体状态，进而做出有价值的决定。
进一步地，步骤S1具体包括以下分步骤：
S11、对营运联合体设备运行监测摄像头组以及水电气采集装置进行安装与布局：将用于监测营运联合体设备运行的摄像头、温度传感器、噪声传感器以及亮度传感器安装于各营运联合体工作场所内，将水表采集器、电表采集器以及气表采集器安装于各个水、电、气表上。
S12、通过营运联合体设备运行监测摄像头组采集营运联合体设备运行视频数据A1并发送给第一神经形态计算装置。
S13、在第一神经形态计算装置中对营运联合体设备运行视频数据A1进行预处理。
S14、在第一神经形态计算装置中对神经形态计算方法进行训练。
S15、在第一神经形态计算装置中采用神经形态计算方法将预处理后的A1处理为水电气识别数据A2，并以分钟为时间间隔存储于数据库存储中心中。
S16、采集水表数据、电表数据、气表数据以及营运联合体工作场所内的温度数据、噪声数据、亮度数据，形成营运联合体水电气数据A3并以分钟为时间间隔存储于数据库存储中心中。
上述进一步方案的有益效果是：通过采集工作工作场所的温度、噪声、亮度数据以及营运联合体的水电气数据，与营运联合体设备运行监测摄像头采集到的设备运行情况数据进行交叉验证，为评估营运联合体的整体经营状况提供不同视角的输入数据。
进一步地，步骤S2具体包括以下分步骤：
S21、对人群流量监测摄像头组以及考勤机进行安装与布局：将用于监测人群流量的摄像头安装于营运联合体各工作场所及各生活场所，将考勤机设置于营运联合体各工作场所门口。
S22、通过人群流量监测摄像头组采集营运联合体人群流量视频数据B1并发送给第二神经形态计算装置。
S23、在第二神经形态计算装置中对营运联合体人群流量视频数据B1进行预处理。
S24、在第二神经形态计算装置中对神经形态计算方法进行训练。
S25、在第二神经形态计算装置中采用神经形态计算方法将预处理后的B1处理为人群流量识别数据B2，并以分钟为时间间隔存储于数据库存储中心中。
S26、采集营运联合体员工的考勤数据B3并以分钟为时间间隔存储于数据库存储中心中。
上述进一步方案的有益效果是：通过采集营运联合体考勤机上的员工考勤数据，与人群流量监测摄像头组采集到的人群流量视频数据进行交叉验证，为评估营运联合体的整体经营状况提供不同视角的输入数据。
进一步地，步骤S3具体包括以下分步骤：
S31、对汽车流量监测摄像头组以及汽车门禁进行安装与布局：将用于监测汽车流量的摄像头安装于营运联合体大门及各道路口，将汽车门禁安装于营运联合体大门。
S32、通过汽车流量监测摄像头组采集营运联合体汽车流量视频数据C1并发送给第三神经形态计算装置。
S33、在第三神经形态计算装置中对营运联合体汽车流量视频数据C1进行预处理。
S34、在第三神经形态计算装置中对神经形态计算方法进行训练。
S35、在第三神经形态计算装置中采用神经形态计算方法将预处理后的C1处理为汽车流量识别数据C2，并以分钟为时间间隔存储于数据库存储中心中。
S36、采集营运联合体汽车出入打卡数据C3并以分钟为时间间隔存储于数据库存储中心中。
上述进一步方案的有益效果是：通过采集营运联合体汽车门禁上的汽车出入打卡数据，与汽车流量监测摄像头组采集到的汽车流量视频数据进行交叉验证，为评估营运联合体的整体经营状况提供不同视角的输入数据。
进一步地，步骤S14、S24和S34中对神经形态计算方法进行训练的步骤具体为：
T1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；训练数据为营运联合体的设备运行视频、人群流量视频或汽车流量视频的历史数据，或者类似营运联合体的设备运行视频数据、人群流量视频数据或汽车流量视频数据。
T2、通过神经形态计算方法计算得到水电气、人群流量或汽车流量的输出数据O。
T3、选取实际水电气、人群流量或汽车流量数据作为训练目标T。
T4、根据输出数据O和训练目标T形成误差函数F(O,T)，计算输出误差。
T5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤T1。
上述进一步方案的有益效果是：通过对神经形态计算方法模型进行训练，将其误差调整到可接受范围内，形成神经形态计算方法在各个场景下的计算系统，得到更加精确的水电气识别数据、人群流量识别数据B2和汽车流量识别数据C2。
进一步地，步骤S4具体包括以下分步骤：
S41、通过第四神经形态计算装置读取数据库存储中心中存储的A2、A3、B2、B3、C2、C3六类数据。
S42、对A2、A3、B2、B3、C2、C3六类数据进行时间压缩预处理，将时间间隔由分钟压缩为天。
S43、在第四神经形态计算装置中对神经形态计算方法进行训练。
S44、在第四神经形态计算装置中采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果。
上述进一步方案的有益效果是：通过神经形态计算方法分别对A2、A3、B2、B3、C2、C3六类数据进行处理，同时每两类数据分别互为补充，互相交叉验证，最终得到营运联合体运营情况综合评价结果，帮助外部的银行、放款金融机构和其他相关人员掌握标的营运联合体状态，进而做出有价值的决定。
进一步地，步骤S43中对神经形态计算方法进行训练的步骤具体为：
R1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；训练数据为类似营运联合体的水电气识别数据、水电气数据、人群流量识别数据、员工考勤数据、汽车流量识别数据以及汽车出入打卡数据。
R2、通过神经形态计算方法计算得到关于水电气、员工以及汽车的综合评价结果X。
R3、选取营运联合体的实际运营情况作为训练目标Y。
R4、根据综合评价结果X和训练目标Y形成误差函数F(X,Y)，计算输出误差。
R5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤R1。
上述进一步方案的有益效果是：通过对神经形态计算方法模型进行训练，将其误差调整到可接受范围内，形成神经形态计算方法在该场景下的计算系统，得到更加精确的营运联合体运营情况综合评价结果。
附图说明
图1所示为本发明实施例一提供的一种应用于营运联合体的运营状态监测系统框图。
图2所示为本发明实施例二提供的一种应用于营运联合体的运营状态监测方法流程图。
图3所示为本发明实施例二提供的步骤S1的分步骤流程图。
图4所示为本发明实施例二提供的步骤S2的分步骤流程图。
图5所示为本发明实施例二提供的步骤S3的分步骤流程图。
图6所示为本发明实施例二提供的神经形态计算方法训练流程图。
图7所示为本发明实施例二提供的步骤S4的分步骤流程图。
图8所示为本发明实施例二提供的神经形态计算方法训练流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
实施例一：
本发明实施例提供了一种应用于营运联合体的运营状态监测系统，如图1所示，包括：
营运联合体设备运行监测摄像头组，用于采集营运联合体设备运行视频数据A1；
第一神经形态计算装置，用于采用神经形态计算方法将A1处理为水电气识别数据A2；
水电气采集装置，用于采集营运联合体水电气数据A3；
人群流量监测摄像头组，用于采集营运联合体人群流量视频数据B1；
第二神经形态计算装置，用于采用神经形态计算方法将B1处理为人群流量识别数据B2；
考勤机，用于采集营运联合体员工的考勤数据B3；
汽车流量监测摄像头组，用于采集营运联合体汽车流量视频数据C1；
第三神经形态计算装置，用于采用神经形态计算方法将C1处理为汽车流量识别数据C2；
汽车门禁，用于采集营运联合体汽车出入打卡数据C3；
数据库存储中心，用于按照相同的时间间隔标准存储A2、A3、B2、B3、C2、C3六类数据；
第四神经形态计算装置，用于采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果。
其中，数据库存储中心分别与第一神经形态计算装置、第二神经形态计算装置、第三神经形态计算装置、第四神经形态计算装置、水电气采集装置、考勤机以及汽车门禁通信连接。第一神经形态计算装置还与营运联合体设备运行监测摄像头组通信连接，第二神经形态计算装置还与人群流量监测摄像头组通信连接，第三神经形态计算装置还与汽车流量监测摄像头组通信连接，第四神经形态计算装置还分别与营运联合体的管理终端以及金融机构查询终端通信连接。
营运联合体设备运行监测摄像头组包括若干个设置于营运联合体工作场所的摄像头；人群流量监测摄像头组包括若干个设置于营运联合体工作场所及生活场所的摄像头；汽车流量监测摄像头组包括若干个设置于营运联合体大门及道路口的摄像头。
水电气采集装置包括水表采集器、电表采集器、气表采集器、温度传感器、噪声传感器以及亮度传感器。温度传感器、噪声传感器以及亮度传感器均设置于营运联合体的各个工作场所内。营运联合体水电气数据A3包括水表数据、电表数据、气表数据、温度数据、噪声数据以及亮度数据。
神经形态计算方法包括忆阻器网络算法(忆阻器神经形态计算方法等)、浅结构网络算法(卷积神经网络算法、BP神经网络算法、循环神经网络算法等)和深结构网络算法(深结构神经形态计算方法等)。本发明实施例中第一神经形态计算装置、第二神经形态计算装置、第三神经形态计算装置均采用卷积神经网络算法处理数据，第四神经形态计算装置采用BP神经网络算法处理数据。
实施例二：
本发明实施例提供了一种应用于营运联合体的运营状态监测方法，如图2所示，包括以下步骤S1-S5：
S1、采集并处理营运联合体水电气消耗数据。
如图3所示，步骤S1具体包括以下分步骤S11-S16：
S11、对营运联合体设备运行监测摄像头组以及水电气采集装置进行安装与布局：将用于监测营运联合体设备运行的摄像头、温度传感器、噪声传感器以及亮度传感器安装于各营运联合体工作场所内，将水表采集器、电表采集器以及气表采集器安装于各个水、电、气表上。
S12、通过营运联合体设备运行监测摄像头组采集营运联合体设备运行视频数据A1并发送给第一神经形态计算装置。
S13、在第一神经形态计算装置中对营运联合体设备运行视频数据A1进行预处理。本发明实施例中，采用现有的基于光流场的动态纹理特征提取方法以及基于动态纹理和水平集算法的多向运动人群分割方法对营运联合体设备运行视频数据A1进行预处理。
S14、在第一神经形态计算装置中对神经形态计算方法进行训练。如图6所示，本发明实施例中，对神经形态计算方法进行训练的步骤具体为：
T1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；该步骤中训练数据为营运联合体的设备运行视频的历史数据，或者类似营运联合体的设备运行视频数据。
T2、通过神经形态计算方法计算得到水电气输出数据O。
T3、选取实际水电气数据作为训练目标T。
T4、根据输出数据O和训练目标T形成误差函数F(O,T)，计算输出误差。
T5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤T1。
S15、在第一神经形态计算装置中采用神经形态计算方法将预处理后的A1处理为水电气识别数据A2，并以分钟为时间间隔存储于数据库存储中心中。
S16、采集水表数据、电表数据、气表数据以及营运联合体工作场所内的温度数据、噪声数据、亮度数据，形成营运联合体水电气数据A3并以分钟为时间间隔存储于数据库存储中心中。
S2、采集并处理营运联合体员工活动数据。
如图4所示，步骤S2具体包括以下分步骤S21：
S21、对人群流量监测摄像头组以及考勤机进行安装与布局：将用于监测人群流量的摄像头安装于营运联合体各工作场所及各生活场所，将考勤机设置于营运联合体各工作场所门口。
S22、通过人群流量监测摄像头组采集营运联合体人群流量视频数据B1并发送给第二神经形态计算装置。
S23、在第二神经形态计算装置中对营运联合体人群流量视频数据B1进行预处理。本发明实施例中，采用现有的基于光流场的动态纹理特征提取方法以及基于动态纹理和水平集算法的多向运动人群分割方法对营运联合体人群流量视频数据B1进行预处理。
S24、在第二神经形态计算装置中对神经形态计算方法进行训练。如图6所示，本发明实施例中，对神经形态计算方法进行训练的步骤具体为：
T1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；该步骤中训练数据为营运联合体的人群流量视频的历史数据，或者类似营运联合体的人群流量视频数据。
T2、通过神经形态计算方法计算得到人群流量输出数据O。
T3、选取实际人群流量数据作为训练目标T。
T4、根据输出数据O和训练目标T形成误差函数F(O,T)，计算输出误差。
T5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤T1。
S25、在第二神经形态计算装置中采用神经形态计算方法将预处理后的B1处理为人群流量识别数据B2，并以分钟为时间间隔存储于数据库存储中心中。
S26、采集营运联合体员工的考勤数据B3并以分钟为时间间隔存储于数据库存储中心中。
S3、采集并处理营运联合体汽车活动数据。
如图5所示，步骤S3具体包括以下分步骤：
S31、对汽车流量监测摄像头组以及汽车门禁进行安装与布局：将用于监测汽车流量的摄像头安装于营运联合体大门及各道路口，将汽车门禁安装于营运联合体大门。
S32、通过汽车流量监测摄像头组采集营运联合体汽车流量视频数据C1并发送给第三神经形态计算装置。
S33、在第三神经形态计算装置中对营运联合体汽车流量视频数据C1进行预处理。本发明实施例中，采用现有的基于光流场的动态纹理特征提取方法以及基于动态纹理和水平集算法的多向运动人群分割方法对营运联合体汽车流量视频数据C1进行预处理。
S34、在第三神经形态计算装置中对神经形态计算方法进行训练。如图6所示，本发明实施例中，对神经形态计算方法进行训练的步骤具体为：
T1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；该步骤中训练数据为营运联合体的汽车流量视频的历史数据，或者类似营运联合体的汽车流量视频数据。
T2、通过神经形态计算方法计算得到汽车流量的输出数据O。
T3、选取实际汽车流量数据作为训练目标T。
T4、根据输出数据O和训练目标T形成误差函数F(O,T)，计算输出误差。
T5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤T1。
S35、在第三神经形态计算装置中采用神经形态计算方法将预处理后的C1处理为汽车流量识别数据C2，并以分钟为时间间隔存储于数据库存储中心中。
S36、采集营运联合体汽车出入打卡数据C3并以分钟为时间间隔存储于数据库存储中心中。
S4、综合处理水电气消耗数据、员工活动数据以及汽车活动数据，得到营运联合体运营情况综合评价结果。
如图7所示，步骤S4具体包括以下分步骤S41-S44：
S41、通过第四神经形态计算装置读取数据库存储中心中存储的A2、A3、B2、B3、C2、C3六类数据。
S42、对A2、A3、B2、B3、C2、C3六类数据进行时间压缩预处理，将时间间隔由分钟压缩为天。
S43、在第四神经形态计算装置中对神经形态计算方法进行训练。如图8所示，本发明实施例中对神经形态计算方法进行训练的步骤具体为：
R1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；训练数据为类似营运联合体的水电气识别数据、水电气数据、人群流量识别数据、员工考勤数据、汽车流量识别数据以及汽车出入打卡数据。
R2、通过神经形态计算方法计算得到关于水电气、员工以及汽车的综合评价结果X。
R3、选取营运联合体的实际运营情况作为训练目标Y。
R4、根据综合评价结果X和训练目标Y形成误差函数F(X,Y)，计算输出误差。
R5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤R1。
S44、在第四神经形态计算装置中采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果。
营运联合体运营情况综合评价结果包括了水电气、员工以及汽车三个方面评价结果，其中水电气评价结果采用了数据A2、A3进行交叉验证，员工评价结果采用了数据B2、B3进行交叉验证，汽车评价结果采用了数据C2、C3进行交叉验证。通过步骤S43，已经对神经形态计算方法训练完毕，其各个维度的输入数据的权重已经设置好，将数据A2、A3、B2、B3、C2、C3作为输入数据进行神经形态计算方法运算，即可得到水电气、员工以及汽车三个方面评价结果。之后再通过合理设置三个方面评价结果之间的权值关系，即可得到营运联合体运营情况综合评价结果。之后还可以按照周、季度或月为时间间隔周期来判断目标营运联合体是否正常经营。
神经形态计算方法包括忆阻器网络算法(忆阻器神经形态计算方法等)、浅结构网络算法(卷积神经网络算法、BP神经网络算法、循环神经网络算法等)和深结构网络算法(深结构神经形态计算方法等)。本发明实施例中第一神经形态计算装置、第二神经形态计算装置、第三神经形态计算装置均采用卷积神经网络算法处理数据，第四神经形态计算装置采用BP神经网络算法处理数据。
S5、判断营运联合体运营情况综合评价结果是否正常，若正常则将相关数据量化输出至金融机构查询终端，帮助外部的银行、放款金融机构和其他相关人员掌握标的营运联合体状态，进而做出有价值的决定；否则向营运联合体的管理终端(如营运联合体管理人员的手机)发出警告信息，便于营运联合体管理人员排查营运联合体存在的问题。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种应用于营运联合体的运营状态监测系统，其特征在于，包括：
营运联合体设备运行监测摄像头组，用于采集营运联合体设备运行视频数据A1；
第一神经形态计算装置，用于采用神经形态计算方法将A1处理为水电气识别数据A2；
水电气采集装置，用于采集营运联合体水电气数据A3；
人群流量监测摄像头组，用于采集营运联合体人群流量视频数据B1；
第二神经形态计算装置，用于采用神经形态计算方法将B1处理为人群流量识别数据B2；
考勤机，用于采集营运联合体员工的考勤数据B3；
汽车流量监测摄像头组，用于采集营运联合体汽车流量视频数据C1；
第三神经形态计算装置，用于采用神经形态计算方法将C1处理为汽车流量识别数据C2；
汽车门禁，用于采集营运联合体汽车出入打卡数据C3；
数据库存储中心，用于按照相同的时间间隔标准存储A2、A3、B2、B3、C2、C3六类数据；
第四神经形态计算装置，用于采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果；
所述数据库存储中心分别与第一神经形态计算装置、第二神经形态计算装置、第三神经形态计算装置、第四神经形态计算装置、水电气采集装置、考勤机以及汽车门禁通信连接；所述第一神经形态计算装置还与营运联合体设备运行监测摄像头组通信连接，所述第二神经形态计算装置还与人群流量监测摄像头组通信连接，所述第三神经形态计算装置还与汽车流量监测摄像头组通信连接，所述第四神经形态计算装置还分别与营运联合体的管理终端以及金融机构查询终端通信连接。
2.根据权利要求1所述的运营状态监测系统，其特征在于，所述营运联合体设备运行监测摄像头组包括若干个设置于营运联合体工作场所的摄像头；所述人群流量监测摄像头组包括若干个设置于营运联合体工作场所及生活场所的摄像头；所述汽车流量监测摄像头组包括若干个设置于营运联合体大门及道路口的摄像头。
3.根据权利要求1所述的运营状态监测系统，其特征在于，所述水电气采集装置包括水表采集器、电表采集器、气表采集器、温度传感器、噪声传感器以及亮度传感器；所述温度传感器、噪声传感器以及亮度传感器均设置于营运联合体的各个工作场所内；所述营运联合体水电气数据A3包括水表数据、电表数据、气表数据、温度数据、噪声数据以及亮度数据。
4.一种应用于营运联合体的运营状态监测方法，其特征在于，包括以下步骤：
S1、采集并处理营运联合体水电气消耗数据；
S2、采集并处理营运联合体员工活动数据；
S3、采集并处理营运联合体汽车活动数据；
S4、综合处理水电气消耗数据、员工活动数据以及汽车活动数据，得到营运联合体运营情况综合评价结果；
S5、判断营运联合体运营情况综合评价结果是否正常，若正常则将相关数据量化输出至金融机构查询终端，否则向营运联合体的管理终端发出警告信息。
5.根据权利要求4所述的运营状态监测方法，其特征在于，所述步骤S1具体包括以下分步骤：
S11、对营运联合体设备运行监测摄像头组以及水电气采集装置进行安装与布局：将用于监测营运联合体设备运行的摄像头、温度传感器、噪声传感器以及亮度传感器安装于各营运联合体工作场所内，将水表采集器、电表采集器以及气表采集器安装于各个水、电、气表上；
S12、通过营运联合体设备运行监测摄像头组采集营运联合体设备运行视频数据A1并发送给第一神经形态计算装置；
S13、在第一神经形态计算装置中对营运联合体设备运行视频数据A1进行预处理；
S14、在第一神经形态计算装置中对神经形态计算方法进行训练；
S15、在第一神经形态计算装置中采用神经形态计算方法将预处理后的A1处理为水电气识别数据A2，并以分钟为时间间隔存储于数据库存储中心中；
S16、采集水表数据、电表数据、气表数据以及营运联合体工作场所内的温度数据、噪声数据、亮度数据，形成营运联合体水电气数据A3并以分钟为时间间隔存储于数据库存储中心中。
6.根据权利要求5所述的运营状态监测方法，其特征在于，所述步骤S2具体包括以下分步骤：
S21、对人群流量监测摄像头组以及考勤机进行安装与布局：将用于监测人群流量的摄像头安装于营运联合体各工作场所及各生活场所，将考勤机设置于营运联合体各工作场所门口；
S22、通过人群流量监测摄像头组采集营运联合体人群流量视频数据B1并发送给第二神经形态计算装置；
S23、在第二神经形态计算装置中对营运联合体人群流量视频数据B1进行预处理；
S24、在第二神经形态计算装置中对神经形态计算方法进行训练；
S25、在第二神经形态计算装置中采用神经形态计算方法将预处理后的B1处理为人群流量识别数据B2，并以分钟为时间间隔存储于数据库存储中心中；
S26、采集营运联合体员工的考勤数据B3并以分钟为时间间隔存储于数据库存储中心中。
7.根据权利要求6所述的运营状态监测方法，其特征在于，所述步骤S3具体包括以下分步骤：
S31、对汽车流量监测摄像头组以及汽车门禁进行安装与布局：将用于监测汽车流量的摄像头安装于营运联合体大门及各道路口，将汽车门禁安装于营运联合体大门；
S32、通过汽车流量监测摄像头组采集营运联合体汽车流量视频数据C1并发送给第三神经形态计算装置；
S33、在第三神经形态计算装置中对营运联合体汽车流量视频数据C1进行预处理；
S34、在第三神经形态计算装置中对神经形态计算方法进行训练；
S35、在第三神经形态计算装置中采用神经形态计算方法将预处理后的C1处理为汽车流量识别数据C2，并以分钟为时间间隔存储于数据库存储中心中；
S36、采集营运联合体汽车出入打卡数据C3并以分钟为时间间隔存储于数据库存储中心中。
8.根据权利要求7所述的运营状态监测方法，其特征在于，所述步骤S14、S24和S34中对神经形态计算方法进行训练的步骤具体为：
T1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；所述训练数据为营运联合体的设备运行视频、人群流量视频或汽车流量视频的历史数据，或者类似营运联合体的设备运行视频数据、人群流量视频数据或汽车流量视频数据；
T2、通过神经形态计算方法计算得到水电气、人群流量或汽车流量的输出数据O；
T3、选取实际水电气、人群流量或汽车流量数据作为训练目标T；
T4、根据输出数据O和训练目标T形成误差函数F(O,T)，计算输出误差；
T5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤T1。
9.根据权利要求7所述的运营状态监测方法，其特征在于，所述步骤S4具体包括以下分步骤：
S41、通过第四神经形态计算装置读取数据库存储中心中存储的A2、A3、B2、B3、C2、C3六类数据；
S42、对A2、A3、B2、B3、C2、C3六类数据进行时间压缩预处理，将时间间隔由分钟压缩为天；
S43、在第四神经形态计算装置中对神经形态计算方法进行训练；
S44、在第四神经形态计算装置中采用神经形态计算方法对A2、A3、B2、B3、C2、C3六类数据进行处理，得到营运联合体运营情况综合评价结果。
10.根据权利要求9所述的运营状态监测方法，其特征在于，所述步骤S43中对神经形态计算方法进行训练的步骤具体为：
R1、向神经形态计算方法中输入训练数据以及系统默认的初始参数；所述训练数据为类似营运联合体的水电气识别数据、水电气数据、人群流量识别数据、员工考勤数据、汽车流量识别数据以及汽车出入打卡数据；
R2、通过神经形态计算方法计算得到关于水电气、员工以及汽车的综合评价结果X；
R3、选取营运联合体的实际运营情况作为训练目标Y；
R4、根据综合评价结果X和训练目标Y形成误差函数F(X,Y)，计算输出误差；
R5、判断输出误差是否小于设定阈值，若是则训练结束，否则通过输出误差选择神经形态计算方法的参数优化方向和优化速率，调整初始参数，返回步骤R1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711427971.4A CN108053131A (zh) | 2017-12-26 | 2017-12-26 | 一种应用于营运联合体的运营状态监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711427971.4A CN108053131A (zh) | 2017-12-26 | 2017-12-26 | 一种应用于营运联合体的运营状态监测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108053131A true CN108053131A (zh) | 2018-05-18 |
Family
ID=62131455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711427971.4A Pending CN108053131A (zh) | 2017-12-26 | 2017-12-26 | 一种应用于营运联合体的运营状态监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108053131A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344168A (zh) * | 2018-10-29 | 2019-02-15 | 上海新增鼎数据科技有限公司 | 监管工厂生产运营状态的方法、平台、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
| CN104966226A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种综合性企业经营情况分析系统 |
| CN104966133A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种中小企业经营状况分析方法 |
| CN104992264A (zh) * | 2015-06-01 | 2015-10-21 | 康玉龙 | 企业经营状况实时监控系统 |
| CN206336872U (zh) * | 2016-11-30 | 2017-07-18 | 浙江捷轩智能科技有限公司 | 一种电梯物联网监测管理装置 |
| CN107194861A (zh) * | 2017-07-02 | 2017-09-22 | 四川藏区高速公路有限责任公司 | 一种基于3dgis+bim的路网运营综合监控管理平台及方法 |
| CN107392464A (zh) * | 2017-07-19 | 2017-11-24 | 江苏安纳泰克能源服务有限公司 | 用于企业的贷款风险等级评估方法 |
-
2017
- 2017-12-26 CN CN201711427971.4A patent/CN108053131A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104992264A (zh) * | 2015-06-01 | 2015-10-21 | 康玉龙 | 企业经营状况实时监控系统 |
| CN104966226A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种综合性企业经营情况分析系统 |
| CN104966133A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种中小企业经营状况分析方法 |
| CN104915735A (zh) * | 2015-06-26 | 2015-09-16 | 国家电网公司 | 企业运营分析预警系统的预警分析方法 |
| CN206336872U (zh) * | 2016-11-30 | 2017-07-18 | 浙江捷轩智能科技有限公司 | 一种电梯物联网监测管理装置 |
| CN107194861A (zh) * | 2017-07-02 | 2017-09-22 | 四川藏区高速公路有限责任公司 | 一种基于3dgis+bim的路网运营综合监控管理平台及方法 |
| CN107392464A (zh) * | 2017-07-19 | 2017-11-24 | 江苏安纳泰克能源服务有限公司 | 用于企业的贷款风险等级评估方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109344168A (zh) * | 2018-10-29 | 2019-02-15 | 上海新增鼎数据科技有限公司 | 监管工厂生产运营状态的方法、平台、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115272037B (zh) | 一种基于物联网的智慧城市区域治安管理预警方法和系统 | |
| CN112801431B (zh) | 基于人工智能分析的企业经营风险评估方法及系统 | |
| CN106681917A (zh) | 一种基于神经网络的前端自动化评估方法 | |
| CN109116150A (zh) | 一种基于小脑模型神经网络的电力电子变换器故障诊断方法 | |
| CN105259816A (zh) | 基于无线传感网络的银行动态信贷监控系统和方法 | |
| Perols et al. | Information fusion in continuous assurance | |
| CN106997495A (zh) | 一种电力负荷预测方法 | |
| CN114548590B (zh) | 一种基于物联网的工程精装修智慧管理平台及方法 | |
| US20100332294A1 (en) | Method and systems for monitoring machine and operator productivity and profitability | |
| CN107588784A (zh) | 一种状态识别并区分的方法、装置及终端 | |
| CN117370919B (zh) | 污水处理设备远程监控系统 | |
| CN108053131A (zh) | 一种应用于营运联合体的运营状态监测系统及方法 | |
| CN106771568A (zh) | 区域分布式光伏窃电监管系统 | |
| CN116777600A (zh) | 一种基于大数据的信用评估方法 | |
| CN107451797A (zh) | 基于指静脉识别的劳务大数据管理系统及使用方法 | |
| Vacik et al. | Integrating the DPSIR approach and the analytic network process for the assessment of forest management strategies. | |
| CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理系统及方法 | |
| CN104778494B (zh) | 一种用于昆虫计数的多传感器目标识别算法 | |
| CN110719366A (zh) | 一种可通过手机实现外勤作业数据的城市园林巡管养系统 | |
| CN111352968A (zh) | 一种基于区块链网络的智能制造要素识取方法 | |
| CN115049370A (zh) | 一种风电场智能管控软件 | |
| CN118299067B (zh) | 基于人工智能的防疫监控联防系统及方法 | |
| CN109118603A (zh) | 基于产业孵化器管理系统的智能打卡方法及装置 | |
| Alfiah et al. | Data Mining to Predict the Ability of Prospective Customer Credit Payments | |
| CN109711963A (zh) | 穿透式全透明高效不动产网络借贷信息中介平台系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |
|
| RJ01 | Rejection of invention patent application after publication |