CN108269000A - 基于警情大数据时空分析的智能警力部署方法及系统 - Google Patents
基于警情大数据时空分析的智能警力部署方法及系统 Download PDFInfo
- Publication number
- CN108269000A CN108269000A CN201711398831.9A CN201711398831A CN108269000A CN 108269000 A CN108269000 A CN 108269000A CN 201711398831 A CN201711398831 A CN 201711398831A CN 108269000 A CN108269000 A CN 108269000A
- Authority
- CN
- China
- Prior art keywords
- alert
- factor
- police
- occurred frequently
- duty
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000205 computational method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种基于警情大数据时空分析的智能警力部署方法及系统,该方法包括以下步骤:定义影响警情发生的因素;根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发区域;根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发时段;获取巡逻民警值班信息;将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。本发明基于警情大数据,结合了多种客观因素,根据分析给定的因素在历史时间中的警情发生数量,分区域和时间对未来的警情发生做一个科学的预测,并提供一种智能警力部署方法,提高民警的出警效率,维护地区的稳定安全。
Description
技术领域
本发明涉及公安警情预测、大数据机器学习领域,尤其涉及一种基于警情大数据时空分析的智能警力部署方法及系统。
背景技术
首先,在现有技术中,还没有全面而系统的警情预测机制,现有的仅仅是对已经发生的警情进行处理和分析,而对于预测则没有相应的方法,以此造成公安部门被动的出警模式。
其次,随着人工智能时代的到来,大数据在各个领域的应用越来越广泛,如何有效的将各种客观因素有效合理的结合起来,积极探索一种准确而实用的警情预测机制,并通过该机制实现对警情进行智能警力部署,从而增强区域的安全指数,提高公安民警的出警质量和效率,减少人力物力财力的损失,成为行业内亟待解决的问题。
发明内容
本发明的目的在于提供一种基于警情大数据时空分析的智能警力部署方法及系统,旨在用于解决现有的出警方式无法对未来的警情进行预测,造成公安部门出警被动的问题。
本发明是这样实现的:
本发明提供一种基于警情大数据时空分析的智能警力部署方法,包括以下步骤:
S1、定义影响警情发生的因素;
S2、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发区域;
S3、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发时段;
S4、获取巡逻民警值班信息;
S5、将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。
进一步地,在步骤S1中,每天定时从互联网获取当天的天气以及是否节假日,并从数据库中查出当天是否有重大活动以及警情数量,存储在数据表中,根据大数据机器学习决策树算法,获得各因素之间的关联规则:定义的N个影响因素,计算各因素的信息增益,选择一个增益最大的因素作为分枝属性,该属性即为影响警情发生的最大因素。
进一步地,各因素的信息增益的计算方法为:
假设Ni因素出现的概率为Pi,每个分枝的信息熵Hi的计算公式如下:
分枝后的总信息熵H=∑n i=1Hi,则因素Ni的信息增益△H=Hi–H,最大增益Hmax=Max△H。
进一步地,在步骤S2中,首先根据辖区分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发区域,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发区域,获得的结果集即为预测的警情高发区域。
进一步地,在步骤S3中,首先根据时间分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发时段,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发时段,获得的结果集即为预测的警情高发时段。
进一步地,在步骤S4中,通过系统中的值班信息获取模块配置好的信息获取当前巡逻民警的值班信息。
进一步地,在步骤S5中,将步骤S2和步骤S3得到的预测结果通过警务通或短信提醒方式推送给对应高发区域所属片区的巡逻值班民警;若该片区当前没有巡逻值班民警,则系统通过就近原则通知最近的民警,就近原则为:根据高发区域所在位置查询周边一定范围内的巡逻民警。
本发明还提供一种基于警情大数据时空分析的智能警力部署系统,包括预测单元以及警力部署单元,所述预测单元包括警情数据模块、警情高发区域预测模块、警情高发时段预测模块、值班信息获取模块以及通知下发模块;
所述警情数据模块用于定义影响警情发生的因素;
所述警情高发区域预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发区域;
所述警情高发时段预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发时段;
所述值班信息获取模块用于获取巡逻民警值班信息;
所述通知下发模块用于将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。
与现有技术相比,本发明具有以下有益效果:
本发明提供的这种基于警情大数据时空分析的智能警力部署方法及系统,基于警情大数据,结合了多种客观因素,根据分析给定的因素(包括天气、是否节假日、是否寒暑假、是否重大活动等)在历史时间中的警情发生数量,分区域和时间对未来的警情发生做一个科学的预测,并提供一种智能警力部署方法,提高民警的出警效率,维护地区的稳定安全。
附图说明
图1为本发明实施例提供的一种基于警情大数据时空分析的智能警力部署方法的流程图;
图2为本发明实施例提供的一种基于警情大数据时空分析的智能警力部署系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种基于警情大数据时空分析的智能警力部署方法,包括以下步骤:
S1、定义影响警情发生的因素,包括天气、是否节假日、是否有重大活动安保、是否寒暑假等;
S2、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发区域;
S3、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发时段;
S4、获取巡逻民警值班信息;
S5、将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。
被选中的民警收到消息后,着重加强在高发时段对高发区域进行巡逻,从而提高民警的出警效率,维护地区的稳定安全。
本发明基于警情大数据,结合了多种客观因素,根据分析给定的因素(包括天气、是否节假日、是否寒暑假、是否重大活动等)在历史时间中的警情发生数量,分区域和时间对未来的警情发生做一个科学的预测,并提供一种智能警力部署方法,提高民警的出警效率,维护地区的稳定安全。
进一步地,在步骤S1中,每天定时从互联网获取当天的天气以及是否节假日,并从数据库中查出当天是否有重大活动以及警情数量,存储在数据表中,表结构定义为:(date,israinorsnow,isholiday,issummnerorwinter,isactivity,jqcoumt),根据大数据机器学习决策树算法,获得各因素之间的关联规则:定义的N个影响因素,计算各因素的信息增益,选择一个增益最大的因素作为分枝属性,该属性即为影响警情发生的最大因素。各因素的信息增益的计算方法为:
假设Ni因素出现的概率为Pi,每个分枝的信息熵Hi的计算公式如下:
分枝后的总信息熵H=∑n i=1Hi,则因素Ni的信息增益△H=Hi–H,最大增益Hmax=Max△H。
通过大数据机器学习,使用决策树策略,对多种客观因素进行分析,分析快速,可靠性高。
作为本实施例的优选,在步骤S2中,首先根据辖区分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发区域,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素Ni的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发区域,获得的结果集即为预测的警情高发区域。
作为本实施例的优选,在步骤S3中,首先根据时间分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发时段,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素Ni的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发时段,获得的结果集即为预测的警情高发时段。
作为本实施例的优选,在步骤S4中,通过系统中的值班信息获取模块配置好的信息获取当前巡逻民警的值班信息。值班信息获取模块与巡逻民警值班信息的相关服务器通讯连接,通过值班信息获取模块配置好的信息,可直接从巡逻民警值班信息的相关服务器中获取当前巡逻民警的值班信息。
作为本实施例的优选,在步骤S5中,将步骤S2和步骤S3得到的预测结果通过警务通或短信提醒方式推送给对应高发区域所属片区的巡逻值班民警;若该片区当前没有巡逻值班民警,则系统通过就近原则通知最近的民警,就近原则为:根据高发区域所在位置查询周边500米范围内的巡逻民警。
实施例2:
如图2所示,本发明实施例还提供一种基于警情大数据时空分析的智能警力部署系统,包括预测单元以及警力部署单元,所述预测单元包括警情数据模块、警情高发区域预测模块、警情高发时段预测模块、值班信息获取模块以及通知下发模块。
所述警情数据模块用于定义影响警情发生的因素。具体地,每天定时从互联网获取当天的天气以及是否节假日,并从数据库中查出当天是否有重大活动以及警情数量,存储在数据表中,表结构定义为: (date,israinorsnow,isholiday,issummnerorwinter,isactivity,jqcoumt),根据大数据机器学习决策树算法,获得各因素之间的关联规则:定义的N个影响因素,计算各因素的信息增益,选择一个增益最大的因素作为分枝属性,该属性即为影响警情发生的最大因素。各因素的信息增益的计算方法为:假设Ni 因素出现的概率为Pi,每个分枝的信息熵Hi的计算公式如下:
Hi=-∑n i=1Pi*log2Pi
分枝后的总信息熵H=∑n i=1Hi,则因素Ni的信息增益△H=Hi–H,最大增益Hmax=Max△H。
所述警情高发区域预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发区域。具体地,首先根据辖区分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发区域,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素Ni的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发区域,获得的结果集即为预测的警情高发区域。
所述警情高发时段预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发时段。具体地,首先根据时间分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发时段,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素Ni的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发时段,获得的结果集即为预测的警情高发时段。
所述值班信息获取模块用于获取巡逻民警值班信息。值班信息获取模块与巡逻民警值班信息的相关服务器通讯连接,通过值班信息获取模块配置好的信息,可直接从巡逻民警值班信息的相关服务器中获取当前巡逻民警的值班信息。
所述通知下发模块用于将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。通知下发模块与巡逻值班民警的相关通讯工具进行通讯,具体可通过警务通或短信提醒的方式;若该片区当前没有巡逻值班民警,则系统通过就近原则通知最近的民警,就近原则为:根据高发区域所在位置查询周边500米范围内的巡逻民警。巡逻民警根据提醒信息在高发时段加强高发区域的巡逻。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于警情大数据时空分析的智能警力部署方法,其特征在于,包括以下步骤:
S1、定义影响警情发生的因素;
S2、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发区域;
S3、根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该给定因素下的警情高发时段;
S4、获取巡逻民警值班信息;
S5、将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。
2.如权利要求1所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:在步骤S1中,每天定时从互联网获取当天的天气以及是否节假日,并从数据库中查出当天是否有重大活动以及警情数量,存储在数据表中,根据大数据机器学习决策树算法,获得各因素之间的关联规则:定义的N个影响因素,计算各因素的信息增益,选择一个增益最大的因素作为分枝属性,该属性即为影响警情发生的最大因素。
3.如权利要求2所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:各因素的信息增益的计算方法为:
假设Ni因素出现的概率为Pi,每个分枝的信息熵Hi的计算公式如下:
Hi = -∑n i=1 Pi*log2Pi
分枝后的总信息熵 H = ∑n i=1 Hi,则因素Ni的信息增益△H = Hi –H,最大增益Hmax =Max△H。
4.如权利要求2所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:在步骤S2中,首先根据辖区分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发区域,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发区域,获得的结果集即为预测的警情高发区域。
5.如权利要求2所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:在步骤S3中,首先根据时间分组从数据库中统计出警情数量及影响因素,获取各个给定因素下历史警情数据的高发时段,将结果返回至大数据平台进行分析,根据步骤S1中获取的每个因素的信息增益△H,设置警情高发值为M,找出信息增益值△H>M的因素下的历史警情数据的高发时段,获得的结果集即为预测的警情高发时段。
6.如权利要求1所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:在步骤S4中,通过系统中的值班信息获取模块配置好的信息获取当前巡逻民警的值班信息。
7.如权利要求1所述的基于警情大数据时空分析的智能警力部署方法,其特征在于:在步骤S5中,将步骤S2和步骤S3得到的预测结果通过警务通或短信提醒方式推送给对应高发区域所属片区的巡逻值班民警;若该片区当前没有巡逻值班民警,则系统通过就近原则通知最近的民警,就近原则为:根据高发区域所在位置查询周边一定范围内的巡逻民警。
8.一种基于警情大数据时空分析的智能警力部署系统,其特征在于:包括预测单元以及警力部署单元,所述预测单元包括警情数据模块、警情高发区域预测模块、警情高发时段预测模块、值班信息获取模块以及通知下发模块;
所述警情数据模块用于定义影响警情发生的因素;
所述警情高发区域预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发区域;
所述警情高发时段预测模块用于根据明天或未来的影响警情发生的因素,基于历史警情数据分析预测该因素下的警情高发时段;
所述值班信息获取模块用于获取巡逻民警值班信息;
所述通知下发模块用于将分析预测的警情高发区域和高发时段推送给对应警情高发区域所属片区的巡逻值班民警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711398831.9A CN108269000A (zh) | 2017-12-22 | 2017-12-22 | 基于警情大数据时空分析的智能警力部署方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711398831.9A CN108269000A (zh) | 2017-12-22 | 2017-12-22 | 基于警情大数据时空分析的智能警力部署方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108269000A true CN108269000A (zh) | 2018-07-10 |
Family
ID=62772190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711398831.9A Pending CN108269000A (zh) | 2017-12-22 | 2017-12-22 | 基于警情大数据时空分析的智能警力部署方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108269000A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877201A (zh) * | 2018-08-03 | 2018-11-23 | 首都经济贸易大学 | 一种基于交通指挥指数的警力资源优化方法 |
CN109118007A (zh) * | 2018-08-21 | 2019-01-01 | 南京中孚信息技术有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110378823A (zh) * | 2019-06-13 | 2019-10-25 | 同济大学 | 一种基于多元数据的警力配置算法 |
CN110399537A (zh) * | 2019-07-22 | 2019-11-01 | 苏州量盾信息科技有限公司 | 一种基于人工智能技术的警情时空预测方法 |
CN110929915A (zh) * | 2019-10-14 | 2020-03-27 | 武汉烽火众智数字技术有限责任公司 | 警情发生区域的智能预警模型建立方法、装置及存储介质 |
CN111416841A (zh) * | 2020-03-04 | 2020-07-14 | 上海瀚泽信息科技有限公司 | 监控信息处理方法、系统、终端及可读存储介质 |
CN112465229A (zh) * | 2020-11-30 | 2021-03-09 | 安徽力瀚科技有限公司 | 一种综合应用人工智能技术的警情时空预测系统 |
CN115204269A (zh) * | 2022-06-15 | 2022-10-18 | 南通市测绘院有限公司 | 一种基于时空基准的城市治理数据融合方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955804A (zh) * | 2014-05-20 | 2014-07-30 | 中山大学 | 一种服务于警务防控分区规划的犯罪风险时空模式识别方法 |
CN104778518A (zh) * | 2015-04-30 | 2015-07-15 | 陈牧锋 | 警情预测同位数据方法及装置 |
US9350762B2 (en) * | 2012-09-25 | 2016-05-24 | Ss8 Networks, Inc. | Intelligent feedback loop to iteratively reduce incoming network data for analysis |
CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
CN107067141A (zh) * | 2016-12-29 | 2017-08-18 | 苏碧云 | 一种指挥系统 |
CN107315796A (zh) * | 2017-06-19 | 2017-11-03 | 北京易华录信息技术股份有限公司 | 一种基于大数据的交通警情研判分析系统及方法 |
-
2017
- 2017-12-22 CN CN201711398831.9A patent/CN108269000A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9350762B2 (en) * | 2012-09-25 | 2016-05-24 | Ss8 Networks, Inc. | Intelligent feedback loop to iteratively reduce incoming network data for analysis |
CN103955804A (zh) * | 2014-05-20 | 2014-07-30 | 中山大学 | 一种服务于警务防控分区规划的犯罪风险时空模式识别方法 |
CN104778518A (zh) * | 2015-04-30 | 2015-07-15 | 陈牧锋 | 警情预测同位数据方法及装置 |
CN106022477A (zh) * | 2016-05-18 | 2016-10-12 | 国网信通亿力科技有限责任公司 | 智能分析决策系统及方法 |
CN107067141A (zh) * | 2016-12-29 | 2017-08-18 | 苏碧云 | 一种指挥系统 |
CN107315796A (zh) * | 2017-06-19 | 2017-11-03 | 北京易华录信息技术股份有限公司 | 一种基于大数据的交通警情研判分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
张合印: ""数据挖掘技术在公安信息分析中的应用研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877201A (zh) * | 2018-08-03 | 2018-11-23 | 首都经济贸易大学 | 一种基于交通指挥指数的警力资源优化方法 |
CN109118007A (zh) * | 2018-08-21 | 2019-01-01 | 南京中孚信息技术有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110378823A (zh) * | 2019-06-13 | 2019-10-25 | 同济大学 | 一种基于多元数据的警力配置算法 |
CN110399537A (zh) * | 2019-07-22 | 2019-11-01 | 苏州量盾信息科技有限公司 | 一种基于人工智能技术的警情时空预测方法 |
CN110929915A (zh) * | 2019-10-14 | 2020-03-27 | 武汉烽火众智数字技术有限责任公司 | 警情发生区域的智能预警模型建立方法、装置及存储介质 |
CN111416841A (zh) * | 2020-03-04 | 2020-07-14 | 上海瀚泽信息科技有限公司 | 监控信息处理方法、系统、终端及可读存储介质 |
CN112465229A (zh) * | 2020-11-30 | 2021-03-09 | 安徽力瀚科技有限公司 | 一种综合应用人工智能技术的警情时空预测系统 |
CN112465229B (zh) * | 2020-11-30 | 2023-06-23 | 安徽力瀚科技有限公司 | 一种综合应用人工智能技术的警情时空预测系统 |
CN115204269A (zh) * | 2022-06-15 | 2022-10-18 | 南通市测绘院有限公司 | 一种基于时空基准的城市治理数据融合方法及系统 |
CN115204269B (zh) * | 2022-06-15 | 2024-03-12 | 南通市测绘院有限公司 | 一种基于时空基准的城市治理数据融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269000A (zh) | 基于警情大数据时空分析的智能警力部署方法及系统 | |
CN108491310B (zh) | 一种日志监测方法及系统 | |
CN106971547B (zh) | 一种考虑时空相关性的短时交通流预测方法 | |
Zhang et al. | Understanding taxi service strategies from taxi GPS traces | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
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 | |
CN105246033A (zh) | 一种基于终端定位的人群状态监测方法和监测装置 | |
CN103218744B (zh) | 一种基于swot模型的行业投资信息及数据处理系统 | |
CN106960172A (zh) | 人员识别处理方法、装置及系统 | |
CN110097249A (zh) | 一种公交客流监测分析系统及其方法 | |
CN101739653A (zh) | 客流分析系统 | |
CN106332052B (zh) | 基于移动通信终端的微区域治安预警方法 | |
US9792334B2 (en) | Large-scale processing and querying for real-time surveillance | |
CN108171998A (zh) | 一种基于电警数据的交叉口自适应交通信号控制系统及其工作方法 | |
CN110348614A (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
CN107122887A (zh) | 多维工业企业诚信评价方法 | |
CN110246050A (zh) | 一种气象要素对农产品的认证评价系统及网络化管理方法 | |
CN201355495Y (zh) | 一种商场客流分析系统 | |
CN110378621A (zh) | 一种配网电力调度员值班表生成系统及生成方法 | |
US20180253813A1 (en) | System and method for incident validation and ranking using human and non-human data sources | |
CN110555671A (zh) | 一种城市园林绿化智能巡管养系统 | |
CN109858807A (zh) | 一种企业运营监控的方法及系统 | |
CN110020755A (zh) | 基于人机协同的城市管理系统 | |
CN114593733A (zh) | 一种巡逻路线设置方法、装置 | |
CN113887917A (zh) | 基于服务架构的智慧城市管理平台 |
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: 20180710 |
|
RJ01 | Rejection of invention patent application after publication |