CN109410109B - 一种基于大数据的伴随事件分析方法及系统 - Google Patents
一种基于大数据的伴随事件分析方法及系统 Download PDFInfo
- Publication number
- CN109410109B CN109410109B CN201811224003.8A CN201811224003A CN109410109B CN 109410109 B CN109410109 B CN 109410109B CN 201811224003 A CN201811224003 A CN 201811224003A CN 109410109 B CN109410109 B CN 109410109B
- Authority
- CN
- China
- Prior art keywords
- accompanying
- layer
- event
- layers
- forests
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000009795 derivation Methods 0.000 claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的伴随事件分析方法,其方法包括:获取事件的相关数据,根据事件名称进行分组;将事件按时间顺序排列;根据预设的时间范围阈值和伴随发生次数阈值,将事件组配对二层伴随森林;若不存在则不存在伴随事件;若存在则将二层伴随森林加入n层派生集合;选取任一n层伴随森林,与其他的待选取n层伴随森林派生出n+1层伴随森林;若不存在则提取伴随队列生成伴随结果;若存在则将派生出的n+1层伴随森林加入n+1层派生集合;重复派生动作至不能派生出新的n+1层伴随森林,提取伴随队列生成伴随结果。本发明基于大数据分析得到伴随事件从而实现事前预防犯罪,事后及时确定嫌疑人的目的。
Description
技术领域
本发明涉及大数据分析领域,尤指一种基于大数据的伴随事件分析方法及系统。
背景技术
随着信息社会的发展,世界各地都在建立信息化的大数据库,而进行大数据的伴随事件分析对于预防犯罪、重大安全事故以及犯罪嫌疑人的确定有着不可估量的作用。通过对数据的观察分析,如果事件A发生后的一定时间间隔内,经常会有B事件发生,则称A、B是一组伴随事件。例如,对交通车辆进行科学合理的管理和疏导。其中,从大量车辆数据中实时查找伴随行为车辆对于监控、预防犯罪有着重要意义,因为类似绑架、勒索、贩毒等团伙作案,大多采用多车同时行动的情况,因此,能够及时、准确、或离线的分析出车辆的伴随行为,对监控、预防犯罪具有较高的价值。另外,也可以作为数据或设备异常供浮动车管理机构查验。因为,如果两辆以上的车辆如果经常沿着同一路线长时间相伴而行,我们有理由怀疑是否是人为或设备本身出现了故障,或者需要找出总是长时间相伴而行的原因,从而达到预防犯罪的目的。另外,对于犯罪行为发生后,如何通过对受害者近期行为轨迹进行大数据分析从而确定嫌疑人也是目前亟待解决的问题。因此,急需一种基于大数据的伴随事件分析方法及系统
发明内容
本发明的目的是提供一种基于大数据的伴随事件分析方法及系统,实现事前预防犯罪,事后及时确定嫌疑人的目的。
本发明提供的技术方案如下:
本发明提供一种基于大数据的伴随事件分析方法,其特征在于,包括:获取所有的事件的相关数据,根据所述事件的名称将所有的事件进行分组,以所述事件的名称作为相应事件组的名称,所述相关数据包括事件名称;将各个事件组内的所有事件按照时间顺序进行排列;根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林;若不存在所述二层伴随森林,则所有的事件之间不存在伴随事件;若存在所述二层伴随森林,则将所有的二层伴随森林加入n层派生集合,所述派生集合的层次与对应的伴随森林的层次相同;选取所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;若不存在所述n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;若存在所述n+1层伴随森林,则将所有派生出的n+1层伴随森林加入n+1层派生集合;重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林,从所有的派生集合中的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果。
进一步的,根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林具体包括:选取任一事件组A,获取事件组A中所有事件A发生的时间,所述相关数据包括事件发生的时间;选取事件组A中任一事件An,事件An为事件A在时间n发生,若在事件An发生时间n的所述预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;若所述次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;将事件组A和事件组B配对二层伴随森林,所述二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
进一步的,选取所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林具体包括:选取所述n层派生集合中任一n层伴随森林X;若所述n层伴随森林X后n-1层名称与所述n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;根据所述预设时间范围阈值裁剪n+1层伴随森林Z的第一层和最后一层内容。
进一步的,根据所述预设时间范围阈值裁剪n+1层伴随森林Z的第一层和最后一层内容具体包括:根据所述预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记,删除第一层中未标记的事件;根据所述预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记,删除最后一层中未标记的事件。
进一步的,若不存在所述n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果具体包括:选取任一伴随森林的第一层中的任一事件,根据所述预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;若所有的伴随队列包含选取的所述伴随森林中所有的事件,则伴随队列提取完毕;根据所述伴随队列生成伴随结果。
本发明还提供一种基于大数据的伴随事件分析方法,其特征在于,包括:获取模块,获取所有的事件的相关数据,所述相关数据包括事件名称;分类模块,根据所述获取模块获取的所述事件的名称将所有的事件进行分组,以所述事件的名称作为相应事件组的名称,将各个事件组内的所有事件按照时间顺序进行排列;处理模块,根据预设的时间范围阈值和伴随发生次数阈值,将所述分类模块中的各个事件组进行配对二层伴随森林;所述处理模块,若不存在所述二层伴随森林,则所有的事件之间不存在伴随事件;若存在所述二层伴随森林,则将所有的二层伴随森林加入n层派生集合,所述派生集合的层次与对应的伴随森林的层次相同;派生模块,选取所述处理模块中所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;提取模块,若不存在所述n+1层伴随森林,则从所述处理模块中所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;所述处理模块,若存在所述n+1层伴随森林,则将所述派生模块派生的所有派生出的n+1层伴随森林加入n+1层派生集合;所述派生模块,重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林;所述提取模块,从所述处理模块中所有的派生集合中的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果。
进一步的,所述处理模块具体包括:第一选取单元,从所述分类模块中选取任一事件组A,获取事件组A中所有事件A发生的时间,所述相关数据包括事件发生的时间,选取事件组A中任一事件An,事件An为事件A在时间n发生;计算单元,若在所述第一选取单元选取的事件An发生时间n的所述预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;第一生成单元,若所述计算单元计算所述次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;将事件组A和事件组B配对二层伴随森林,所述二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
进一步的,所述派生模块具体包括:第二选取单元,选取所述处理模块中所述n层派生集合中任一n层伴随森林X;名称生成单元,若所述第二选取单元选取的所述n层伴随森林X后n-1层名称与所述n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;内容生成单元,将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;内容处理单元,根据所述预设时间范围阈值裁剪所述内容生成单元生成的n+1层伴随森林Z的第一层和最后一层内容。
进一步的,所述内容处理单元具体包括:标记模块,根据所述预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记;删除模块,删除第一层中未被所述标记模块标记的事件;所述标记模块,根据所述预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记;所述删除模块,删除最后一层中未被所述标记模块标记的事件。
进一步的,所述提取模块具体包括:提取单元,选取所述所述处理模块中任一派生集合中任一伴随森林的第一层中的任一事件,根据所述预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;所述提取单元,若所有的伴随队列包含选取的所述伴随森林中所有的事件,则伴随队列提取完毕;第二生成单元,根据所述伴随队列生成伴随结果。
通过本发明提供的一种基于大数据的伴随事件分析方法及系统,能够带来以下至少一种有益效果:
1、本发明中,通过时间范围阈值和伴随发生次数阈值确定事件之间的伴随关系,从而有助于犯罪事件的预防以及犯罪嫌疑人的确定;
2、本发明中,用户可以自主调整时间范围阈值和伴随发生次数阈值,调整某一事件的伴随事件的数量范围,从而扩大或缩小犯罪事件的预防保护范围以及犯罪嫌疑人的范围;
3、本发明中,通过不断迭代由n层伴随森林生成n+1层伴随森林的方式,能够尽可能多地将具有伴随关系的事件关联起来,从而可以较为快速地发现涉及事件多的长伴随队列。。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种基于大数据的伴随事件分析方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种基于大数据的伴随事件分析方法的第一个实施例的流程图;
图2是本发明一种基于大数据的伴随事件分析方法的第二个实施例的流程图;
图3是本发明一种基于大数据的伴随事件分析方法的第三个实施例的流程图;
图4是本发明一种基于大数据的伴随事件分析方法的第四个实施例的流程图;
图5是本发明一种基于大数据的伴随事件分析系统的第五个实施例的结构示意图;
图6是本发明一种基于大数据的伴随事件分析系统的第六个实施例的结构示意图;
图7是本发明一种基于大数据的伴随事件分析系统的第七个实施例的结构示意图;
图8是本发明一种基于大数据的伴随事件分析系统的第八个实施例的结构示意图;
图9、图10、图11、图12、图13是本发明一种基于大数据的伴随事件分析方法及系统的第九个实施例的示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
本发明的第一实施例,如图1所示,一种基于大数据的伴随事件分析方法,包括:
获取所有的事件的相关数据,根据事件的名称将所有的事件进行分组,以事件的名称作为相应事件组的名称,相关数据包括事件名称;
将各个事件组内的所有事件按照时间顺序进行排列;
根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林;
若不存在二层伴随森林,则所有的事件之间不存在伴随事件;
若存在二层伴随森林,则将所有的二层伴随森林加入n层派生集合,派生集合的层次与对应的伴随森林的层次相同;
选取n层派生集合中任一n层伴随森林,与n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;
若不存在n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据伴随队列生成伴随结果;
若存在n+1层伴随森林,则将所有派生出的n+1层伴随森林加入n+1层派生集合;
重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林,从所有的派生集合中的伴随森林中提取伴随队列,根据伴随队列生成伴随结果。
具体的,本实施例中,如果事件A发生后的一定时间间隔内,经常会有B事件发生,则称A、B是一组伴随事件。一组伴随事件即为一个伴随队列,伴随队列长度即为伴随队列中的事件数,伴随队列每一层有且仅有一个事件。伴随森林则是一种多层的事件结构,对于非最底层中的任一事件,总能在下一层找到构成伴随关系的事件,对于非最顶层中的任一事件,总能在上一层找到构建伴随关系的时间,伴随森林的每一层有一个或多个同名事件,即在不同时间发生的同名事件。
获取所有的事件的相关数据,相关数据包含事件的名称,按照事件的名称将所有的事件进行分组,事件组的名称为事件的名称,不同时间发生的同名事件分为同一组,例如10:00A车通过A路口、10:40A车通过A路口、10:10A车通过A路口、11:10A车通过A路口分到同一事件组A车通过A路口。由于各个事件组内的所有事件相互之间的相关数据只有事件发生的时间不同,因此按照时间顺序对事件进行排列。上述举例排序之后为:事件组A车通过A路口:10:00A车通过A路口、10:10A车通过A路口、10:40A车通过A路口、11:10A车通过A路口。
根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林,二层伴随森林为层次最少的伴随森林,只要任意两个事件是伴随事件,那么这两个事件组就可以生成伴随森林。因此,如果不存在二层伴随森林,说明在前面设置的时间范围阈值和伴随发生次数阈值的要求下,所有的事件相互之间都没有伴随关系,无法生成伴随结果。用户可以选择调整时间范围阈值和伴随发生次数阈值,放松伴随关系的要求,例如扩大时间范围阈值或降低伴随发生次数阈值。如果存在二层伴随森林,则将生成的二层伴随森林加入二层派生集合。
逐一选取二层派生集合中的每个二层伴随森林,为选取的二层伴随森林在二层派生集合中匹配另外的二层伴随森林,从而派生出三层伴随森林。如果不存在三层伴随森林,则从所有的伴随森林中即所有的二层伴随森林中提取伴随队列,从而生成伴随结果。如果存在三层伴随森林,则将生成的三层伴随森林加入三层派生集合,原有的二层伴随森林仍然在二层派生集合中,也就是说,生成新的伴随森林和派生集合并不会对原有的伴随森林和派生集合造成影响。
重复上述伴随森林之间的派生动作生成四层伴随森林、五层伴随森林等,直到不能生出新的更高层次伴随森林后,从所有的伴随森林中提取伴随队列,所有的伴随森林包括二层伴随森林、三层伴随森林等所有生成的伴随森林。本发明中用户能够按照自身需求自主设置时间范围阈值和伴随发生次数阈值确定事件之间的伴随关系,当对分析结果不满意时,可以选择缩小或扩大范围,从而当犯罪发生是能够更加准确确定嫌疑人,以及犯罪发生前能够进一步确定保护范围,避免保护范围过大难以布置防卫。
本发明第二实施例,是上述第一实施例的优化实施例,如图2所示,本实施例与上述第一实施例相比,主要改进在于,根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林具体包括:
选取任一事件组A,获取事件组A中所有事件A发生的时间,相关数据包括事件发生的时间;
选取事件组A中任一事件An,事件An为事件A在时间n发生,若在事件An发生时间n的预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;
若次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;
将事件组A和事件组B配对二层伴随森林,二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
具体的,本实施例中,获取所有的事件的相关数据,根据事件的名称将所有的事件进行分组,以事件的名称作为相应事件组的名称,相关数据包括事件名称,将各个事件组内的所有事件按照时间顺序进行排列。根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林。选取任一事件组中所有事件发生的时间,例如事件组A车通过A路口:10:00A车通过A路口、10:10A车通过A路口、10:40A车通过A路口、11:10A车通过A路口。选取事件组A车通过A路口中任一事件,若在该事件发生时间的所预设时间范围阈值内另一事件组的事件出现,若预设的时间范围阈值为10分钟,则事件组B车通过A路口:10:15B车通过A路口、10:45B车通过A路口、11:15B车通过A路口、11:35B车通过A路口中10:15B车通过A路口伴随10:10A车通过A路口发生,10:45B车通过A路口伴随10:40A车通过A路口发生,11:15B车通过A路口伴随11:10A车通过A路口发生,则事件伴随发生的次数为3次。若预设的伴随发生次数阈值为3次,则事件A车通过A路口和B车通过A路口为一对伴随事件。将事件组A车通过A路口和事件组B车通过A路口配对二层伴随森林,二层伴随森林第一层名称为A车通过A路口,内容为事件10:10A车通过A路口、10:40A车通过A路口、11:10A车通过A路口,第二层名称为B车通过A路口,内容为10:15B车通过A路口、10:45B车通过A路口、11:15B车通过A路口。
按照上述二层森林生成方法,如果不存在二层伴随森林,则所有的事件之间不存在伴随事件。如果存在二层伴随森林,则将生成的二层伴随森林加入二层派生集合。然后逐一选取二层派生集合中的每个二层伴随森林,为选取的二层伴随森林在二层派生集合中匹配另外的二层伴随森林,从而派生出三层伴随森林。如果不存在三层伴随森林,则从所有的伴随森林中即所有的二层伴随森林中提取伴随队列,从而生成伴随结果。如果存在三层伴随森林,则将生成的三层伴随森林加入三层派生集合,原有的二层伴随森林仍然在二层派生集合中,也就是说,生成新的伴随森林和派生集合并不会对原有的伴随森林和派生集合造成影响。重复上述伴随森林之间的派生动作生成四层伴随森林、五层伴随森林等,直到不能生出新的更高层次伴随森林后,从所有的伴随森林中提取伴随队列,所有的伴随森林包括二层伴随森林、三层伴随森林等所有生成的伴随森林。
本发明第三实施例,是上述第一实施例的优化实施例,如图3所示,本实施例与上述第一实施例相比,主要改进在于,选取n层派生集合中任一n层伴随森林,与n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林具体包括:
选取n层派生集合中任一n层伴随森林X;
若n层伴随森林X后n-1层名称与n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;
将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;
将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;
根据预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记,删除第一层中未标记的事件;
根据预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记,删除最后一层中未标记的事件。
具体的,本实施例中,获取所有的事件的相关数据,根据事件的名称将所有的事件进行分组,以事件的名称作为相应事件组的名称,相关数据包括事件名称,将各个事件组内的所有事件按照时间顺序进行排列。根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林。按照上述二层森林生成方法,如果不存在二层伴随森林,则所有的事件之间不存在伴随事件。如果存在二层伴随森林,则将生成的二层伴随森林加入二层派生集合。
选取二层派生集合中任一二层伴随森林X,若二层伴随森林X后一层名称与二层派生集合中其他待选取的任一二层伴随森林Y的前一层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称。例如二层伴随森林X第一层名称为A车通过A路口,第二层名称为B车通过A路口,二层伴随森林Y第一层名称为B车通过A路口,第二层名称为C车通过A路口,并且二层伴随森林X第二层B车通过A路口包括10:15B车通过A路口、10:45B车通过A路口、11:15B车通过A路口,二层伴随森林Y第一层B车通过A路口包括10:45B车通过A路口、11:15B车通过A路口、11:35B车通过A路口,二层伴随森林X第二层与二层伴随森林Y第一层交集为10:45B车通过A路口、11:15B车通过A路口。因此二层伴随森林X与二层伴随森林Y派生出的三层伴随森林Z第一层到第三层名称依次为:A车通过A路口,B车通过A路口,C车通过A路口,第二层B车通过A路口的内容为交集10:45B车通过A路口、11:15B车通过A路口,第一层A车通过A路口的内容暂时为二层伴随森林X第一层A车通过A路口的内容,第三层C车通过A路口暂时为二层伴随森林Y第二层C车通过A路口的内容。根据预设时间范围阈值,确定三层伴随森林Z第二层中的所有事件对应的第一层的事件即10:45B车通过A路口、11:15B车通过A路口对应的第一层的事件,标记该事件,删除第一层中其余未标记的事件。根据预设时间范围阈值,确定三层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件即10:45B车通过A路口、11:15B车通过A路口对应的第三层的事件,标记该事件,删除最后一层即第三层中未标记的事件。最终得到派生出的三层伴随森林Z。
按照上述三层森林派生方法,如果不存在三层伴随森林,则从所有的伴随森林中即所有的二层伴随森林中提取伴随队列,从而生成伴随结果。如果存在三层伴随森林,则将生成的三层伴随森林加入三层派生集合,原有的二层伴随森林仍然在二层派生集合中,也就是说,生成新的伴随森林和派生集合并不会对原有的伴随森林和派生集合造成影响。重复上述伴随森林之间的派生动作生成四层伴随森林、五层伴随森林等,直到不能生出新的更高层次伴随森林后,从所有的伴随森林中提取伴随队列,所有的伴随森林包括二层伴随森林、三层伴随森林等所有生成的伴随森林。
本发明第四实施例,是上述第一实施例的优化实施例,如图4所示,本实施例与上述第一实施例相比,主要改进在于,若不存在n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据伴随队列生成伴随结果具体包括:
选取任一伴随森林的第一层中的任一事件,根据预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;
若所有的伴随队列包含选取的伴随森林中所有的事件,则伴随队列提取完毕;
根据伴随队列生成伴随结果。
具体的,本实施例中,获取所有的事件的相关数据,根据事件的名称将所有的事件进行分组,以事件的名称作为相应事件组的名称,相关数据包括事件名称,将各个事件组内的所有事件按照时间顺序进行排列。根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林。如果不存在二层伴随森林,则所有的事件之间不存在伴随事件。如果存在二层伴随森林,则将生成的二层伴随森林加入二层派生集合。然后逐一选取二层派生集合中的每个二层伴随森林,为选取的二层伴随森林在二层派生集合中匹配另外的二层伴随森林,从而派生出三层伴随森林。
如果不存在三层伴随森林,则从所有的伴随森林中即所有的二层伴随森林中提取伴随队列,选取二层派生集合中任一二层伴随森林的第一层中的任一事件,根据预设时间范围阈值提取第二层相应的事件,则一条伴随队列提取完毕。如果该二层伴随森林第一层的事件数量和提取出的伴随队列的数量相同,并且提取出的伴随队列相互之间没有完全相同的,则认为提取出的伴随队列包含该二层伴随森林中所有的事件,伴随队列提取完毕,根据伴随队列生成伴随结果,输出伴随结果供用户查看,伴随结果的表现形式例如表格、文档等用户可根据自身习惯自主设定。
如果存在三层伴随森林,则将生成的三层伴随森林加入三层派生集合,原有的二层伴随森林仍然在二层派生集合中,也就是说,生成新的伴随森林和派生集合并不会对原有的伴随森林和派生集合造成影响。重复上述伴随森林之间的派生动作生成四层伴随森林、五层伴随森林等,直到不能生出新的更高层次伴随森林后,从所有的伴随森林中提取伴随队列,所有的伴随森林包括二层伴随森林、三层伴随森林等所有生成的伴随森林。多层伴随森林的伴随队列的提取方式和上述二层伴随森林的伴随队列的提取方式相同,单个伴随森林体提前的伴随队列的数量与第一层的事件数量相同,但是当包含多个不同层次的伴随森林提取出的伴随队列时,需要对该伴随队列进行筛选,若存在伴随队列中的事件完全包括另一条伴随队列的事件,则删除被包含的伴随队列。根据筛选后的伴随队列生成伴随结果。
本发明的第五实施例,如图5所示,一种基于大数据的伴随事件分析系统1000,包括:
获取模块1100,获取所有的事件的相关数据,相关数据包括事件名称;
分类模块1200,根据获取模块1100获取的事件的名称将所有的事件进行分组,以事件的名称作为相应事件组的名称,将各个事件组内的所有事件按照时间顺序进行排列;
处理模块1300,根据预设的时间范围阈值和伴随发生次数阈值,将分类模块1200中的各个事件组进行配对二层伴随森林;
处理模块1300,若不存在二层伴随森林,则所有的事件之间不存在伴随事件;若存在二层伴随森林,则将所有的二层伴随森林加入n层派生集合,派生集合的层次与对应的伴随森林的层次相同;
派生模块1400,选取处理模块1300中n层派生集合中任一n层伴随森林,与n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;
提取模块1500,若不存在n+1层伴随森林,则从处理模块1300中所有的伴随森林中提取伴随队列,根据伴随队列生成伴随结果;
处理模块1300,若存在n+1层伴随森林,则将派生模块1400派生的所有派生出的n+1层伴随森林加入n+1层派生集合;
派生模块1400,重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林;
提取模块1500,从处理模块1300中所有的派生集合中的伴随森林中提取伴随队列,根据伴随队列生成伴随结果。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述,因此不再一一进行赘述。
本发明第六实施例,是上述第五实施例的优化实施例,如图6所示,本实施例与上述第五实施例相比,主要改进在于,处理模块1300具体包括
第一选取单元1310,从分类模块1200中选取任一事件组A,获取事件组A中所有事件A发生的时间,相关数据包括事件发生的时间,选取事件组A中任一事件An,事件An为事件A在时间n发生;
计算单元1320,若在第一选取单元1310选取的事件An发生时间n的预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;
第一生成单元1330,若计算单元1320计算次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;将事件组A和事件组B配对二层伴随森林,二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述,因此不再一一进行赘述。
本发明第七实施例,是上述第五实施例的优化实施例,如图7所示,本实施例与上述第五实施例相比,主要改进在于,派生模块1400具体包括:
第二选取单元1410,选取处理模块中n层派生集合中任一n层伴随森林X;
名称生成单元1420,若第二选取单元1410选取的n层伴随森林X后n-1层名称与n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;
内容生成单元1430,将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;
内容处理单元1440,根据预设时间范围阈值裁剪内容生成单元1430生成的n+1层伴随森林Z的第一层和最后一层内容;
内容处理单元1440具体包括:
标记子单元1441,根据预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记;
删除子单元1442,删除第一层中未被标记子单元1441标记的事件;
标记子单元1441,根据预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记;
删除子单元1442,删除最后一层中未被标记子单元1441标记的事件。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述,因此不再一一进行赘述。
本发明第八实施例,是上述第五实施例的优化实施例,如图8所示,本实施例与上述第五实施例相比,主要改进在于,提取模块1500具体包括:
提取单元1510,选取处理模块1300中任一派生集合中任一伴随森林的第一层中的任一事件,根据预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;
提取单元1510,若所有的伴随队列包含选取的伴随森林中所有的事件,则伴随队列提取完毕;
第二生成单元1520,根据伴随队列生成伴随结果。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述,因此不再一一进行赘述。
本发明的第九实施例,一种基于大数据的伴随事件分析方法及系统,包括:
S1获取事件的相关数据,按照事件名称分组,将各个事件组内的所有事件按照时间顺序进行排列,例如事件组A车通过A路口:10:00A车通过A路口、10:10A车通过A路口、10:40A车通过A路口、11:10A车通过A路口。事件组B车通过A路口:10:15B车通过A路口、10:45B车通过A路口、11:15B车通过A路口、11:35B车通过A路口。事件组C车通过A路口:10:50C车通过A路口、11:20C车通过A路口、11:40C车通过A路口、11:50C车通过A路口;
S2根据预设的时间范围阈值6分钟和伴随发生次数阈值3次,将事件组A,事件组B和事件组C进行配对生成二层伴随森林X和二层伴随森林Y,如图9和图10所示;
S3将二层伴随森林X和二层伴随森林Y派生成三层伴随森林Z,如图11所示;
S3从二层伴随森林X、二层伴随森林Y和三层伴随森林Z中提取伴随队列,如图12所示;
S4根据提取出的伴随队列生成伴随结果,如图13所示。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于大数据的伴随事件分析方法,其特征在于,包括:
获取所有的事件的相关数据,根据所述事件的名称将所有的事件进行分组,以所述事件的名称作为相应事件组的名称,所述相关数据包括事件名称;
将各个事件组内的所有事件按照时间顺序进行排列;
根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林;
若不存在所述二层伴随森林,则所有的事件之间不存在伴随事件;
若存在所述二层伴随森林,则将所有的二层伴随森林加入n层派生集合,所述派生集合的层次与对应的伴随森林的层次相同;
选取所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;
若不存在所述n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;
若存在所述n+1层伴随森林,则将所有派生出的n+1层伴随森林加入n+1层派生集合;
重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林,从所有的派生集合中的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;
其中,根据预设的时间范围阈值和伴随发生次数阈值,将各个事件组进行配对二层伴随森林具体包括:
选取任一事件组A,获取事件组A中所有事件A发生的时间,所述相关数据包括事件发生的时间;
选取事件组A中任一事件An,事件An为事件A在时间n发生,若在事件An发生时间n的所述预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;
若所述次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;
将事件组A和事件组B配对二层伴随森林,所述二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
2.根据权利要求1所述的基于大数据的伴随事件分析方法,其特征在于,选取所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林具体包括:
选取所述n层派生集合中任一n层伴随森林X;
若所述n层伴随森林X后n-1层名称与所述n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;
将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;
将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;
根据所述预设时间范围阈值裁剪n+1层伴随森林Z的第一层和最后一层内容。
3.根据权利要求2所述的基于大数据的伴随事件分析方法,其特征在于,根据所述预设时间范围阈值裁剪n+1层伴随森林Z的第一层和最后一层内容具体包括:
根据所述预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记,删除第一层中未标记的事件;
根据所述预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记,删除最后一层中未标记的事件。
4.根据权利要求1所述的基于大数据的伴随事件分析方法,其特征在于,若不存在所述n+1层伴随森林,则从所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果具体包括:
选取任一伴随森林的第一层中的任一事件,根据所述预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;
若所有的伴随队列包含选取的所述伴随森林中所有的事件,则伴随队列提取完毕;
根据所述伴随队列生成伴随结果。
5.一种基于大数据的伴随事件分析系统,其特征在于,包括:
获取模块,获取所有的事件的相关数据,所述相关数据包括事件名称;
分类模块,根据所述获取模块获取的所述事件的名称将所有的事件进行分组,以所述事件的名称作为相应事件组的名称,将各个事件组内的所有事件按照时间顺序进行排列;
处理模块,根据预设的时间范围阈值和伴随发生次数阈值,将所述分类模块中的各个事件组进行配对二层伴随森林;
所述处理模块,若不存在所述二层伴随森林,则所有的事件之间不存在伴随事件;若存在所述二层伴随森林,则将所有的二层伴随森林加入n层派生集合,所述派生集合的层次与对应的伴随森林的层次相同;
派生模块,选取所述处理模块中所述n层派生集合中任一n层伴随森林,与所述n层派生集合中其他的待选取n层伴随森林派生出n+1层伴随森林;
提取模块,若不存在所述n+1层伴随森林,则从所述处理模块中所有的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;
所述处理模块,若存在所述n+1层伴随森林,则将所述派生模块派生的所有派生出的n+1层伴随森林加入n+1层派生集合;
所述派生模块,重复上述伴随森林之间的派生动作,直至不能派生出新的n+1层伴随森林;
所述提取模块,从所述处理模块中所有的派生集合中的伴随森林中提取伴随队列,根据所述伴随队列生成伴随结果;
其中,所述处理模块具体包括:
第一选取单元,从所述分类模块中选取任一事件组A,获取事件组A中所有事件A发生的时间,所述相关数据包括事件发生的时间,选取事件组A中任一事件An,事件An为事件A在时间n发生;
计算单元,若在所述第一选取单元选取的事件An发生时间n的所述预设时间范围阈值内事件组B的事件Bm出现,事件Bm为事件B在时间m发生,则事件B伴随事件A发生,计算事件B伴随事件A发生的次数;
第一生成单元,若所述计算单元计算所述次数大于等于伴随发生次数阈值,则将事件A和事件B记为一对伴随事件;将事件组A和事件组B配对二层伴随森林,所述二层伴随森林第一层名称为A,内容为事件An的集合,第二层名称为B,内容为事件Bm的集合。
6.根据权利要求5所述的基于大数据的伴随事件分析系统,其特征在于,所述派生模块具体包括:
第二选取单元,选取所述处理模块中所述n层派生集合中任一n层伴随森林X;
名称生成单元,若所述第二选取单元选取的所述n层伴随森林X后n-1层名称与所述n层派生集合中其他待选取的任一n层伴随森林Y的前n-1层的名称一致,并且同名层中的事件存在交集,则取A的所有层名称与B的最后一层名称,依次作为派生出的n+1层伴随森林Z每一层的名称;
内容生成单元,将n层伴随森林X、n层伴随森林Y的同名层的所有事件取交集,作为n+1层伴随森林Z中具有相应名称层次的内容;将n层伴随森林X的第一层内容、n层伴随森林Y的最后一层内容分别加入n+1层伴随森林Z的第一层和最后一层;
内容处理单元,根据所述预设时间范围阈值裁剪所述内容生成单元生成的n+1层伴随森林Z的第一层和最后一层内容。
7.根据权利要求6所述的基于大数据的伴随事件分析系统,其特征在于,所述内容处理单元具体包括:
标记子单元,根据所述预设时间范围阈值,确定n+1层伴随森林Z第二层中的所有事件对应的第一层的事件并标记;
删除子单元,删除第一层中未被所述标记子单元标记的事件;
所述标记子单元,根据所述预设时间范围阈值,确定n+1层伴随森林Z倒数第二层中的所有事件对应的最后一层的事件并标记;
所述删除子单元,删除最后一层中未被所述标记子单元标记的事件。
8.根据权利要求5所述的基于大数据的伴随事件分析系统,其特征在于,所述提取模块具体包括:
提取单元,选取所述所述处理模块中任一派生集合中任一伴随森林的第一层中的任一事件,根据所述预设时间范围阈值逐一提取每一层相应的事件,直至提取至最后一层,一条伴随队列提取完毕;
所述提取单元,若所有的伴随队列包含选取的所述伴随森林中所有的事件,则伴随队列提取完毕;
第二生成单元,根据所述伴随队列生成伴随结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224003.8A CN109410109B (zh) | 2018-10-19 | 2018-10-19 | 一种基于大数据的伴随事件分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811224003.8A CN109410109B (zh) | 2018-10-19 | 2018-10-19 | 一种基于大数据的伴随事件分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410109A CN109410109A (zh) | 2019-03-01 |
CN109410109B true CN109410109B (zh) | 2020-10-16 |
Family
ID=65468500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811224003.8A Active CN109410109B (zh) | 2018-10-19 | 2018-10-19 | 一种基于大数据的伴随事件分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410109B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977109B (zh) * | 2019-04-03 | 2021-04-27 | 深圳市甲易科技有限公司 | 一种轨迹数据伴随分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0573635A (ja) * | 1991-09-11 | 1993-03-26 | Nec Corp | イベントドリブン論理回路シミユレータのトレースバツク方式 |
CN201491020U (zh) * | 2009-08-20 | 2010-05-26 | 福建富士通信息软件有限公司 | 基于事件分类和规则树的关联分析装置 |
CN102339256A (zh) * | 2011-09-15 | 2012-02-01 | 东北大学 | 基于imf内外存置换策略的复杂事件检测方法 |
CN105760279A (zh) * | 2016-03-09 | 2016-07-13 | 北京国电通网络技术有限公司 | 分布式数据库集群故障预警关联树生成方法及系统 |
CN106959991A (zh) * | 2016-08-31 | 2017-07-18 | 智器云南京信息科技有限公司 | 用于大数据可视化分析的动态呈现方法、装置及终端 |
CN107527123A (zh) * | 2017-09-30 | 2017-12-29 | 广东电网有限责任公司电力科学研究院 | 一种基于分布式关联规则的扰动事件预测方法及装置 |
CN108596386A (zh) * | 2018-04-20 | 2018-09-28 | 上海市司法局 | 一种预测犯人重复犯罪概率的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7483972B2 (en) * | 2003-01-08 | 2009-01-27 | Cisco Technology, Inc. | Network security monitoring system |
US9699205B2 (en) * | 2015-08-31 | 2017-07-04 | Splunk Inc. | Network security system |
-
2018
- 2018-10-19 CN CN201811224003.8A patent/CN109410109B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0573635A (ja) * | 1991-09-11 | 1993-03-26 | Nec Corp | イベントドリブン論理回路シミユレータのトレースバツク方式 |
CN201491020U (zh) * | 2009-08-20 | 2010-05-26 | 福建富士通信息软件有限公司 | 基于事件分类和规则树的关联分析装置 |
CN102339256A (zh) * | 2011-09-15 | 2012-02-01 | 东北大学 | 基于imf内外存置换策略的复杂事件检测方法 |
CN105760279A (zh) * | 2016-03-09 | 2016-07-13 | 北京国电通网络技术有限公司 | 分布式数据库集群故障预警关联树生成方法及系统 |
CN106959991A (zh) * | 2016-08-31 | 2017-07-18 | 智器云南京信息科技有限公司 | 用于大数据可视化分析的动态呈现方法、装置及终端 |
CN107527123A (zh) * | 2017-09-30 | 2017-12-29 | 广东电网有限责任公司电力科学研究院 | 一种基于分布式关联规则的扰动事件预测方法及装置 |
CN108596386A (zh) * | 2018-04-20 | 2018-09-28 | 上海市司法局 | 一种预测犯人重复犯罪概率的方法及系统 |
Non-Patent Citations (1)
Title |
---|
事故树分析法在预防自动取款机犯罪活动中的应用;阳富强 等;《中国安全科学学报》;20061030;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109410109A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Joshi et al. | Crime analysis using K-means clustering | |
Sharma | Z-CRIME: A data mining tool for the detection of suspicious criminal activities based on decision tree | |
CN109241223B (zh) | 行为行踪识别方法及系统 | |
Park et al. | Large imbalance data classification based on mapreduce for traffic accident prediction | |
CN110109908B (zh) | 基于社会基础信息挖掘人物潜在关系的分析系统及方法 | |
Agarwal et al. | Comparison of machine learning approaches in the prediction of terrorist attacks | |
Moosavi et al. | Trajectory annotation by discovering driving patterns | |
CN106933883B (zh) | 基于检索日志的兴趣点常用检索词分类方法、装置 | |
US8433666B2 (en) | Link information extracting apparatus, link information extracting method, and recording medium | |
CN104268710A (zh) | 轨道交通路网动态应急处置方案生成方法 | |
KR102094396B1 (ko) | 빅데이터를 활용한 여행자 및 동행자 패턴분석 시스템 및 방법 | |
CN109410109B (zh) | 一种基于大数据的伴随事件分析方法及系统 | |
CN114003683A (zh) | 基于自然语言处理与关联规则的警情分析方法 | |
Boldt et al. | Predicting burglars’ risk exposure and level of pre-crime preparation using crime scene data | |
Kwee et al. | Traffic-cascade: Mining and visualizing lifecycles of traffic congestion events using public bus trajectories | |
CN109886318B (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN111737102A (zh) | 一种安全预警方法及计算机可读存储介质 | |
CN113919544B (zh) | 犯罪预警方法、装置、计算机设备及存储介质 | |
Patel et al. | Intellectual and enhance digital solution for police station | |
Niloy et al. | A novel disaster image data-set and characteristics analysis using attention model | |
KR102147854B1 (ko) | 전장상황 다중추론 시스템 및 방법 | |
Awad et al. | Using business intelligence to analyze road traffic accidents | |
CN108733683A (zh) | 一种基于数据摸排探索事件线索的方法及装置 | |
Bhardwaj et al. | Assaying the statistics of crime against women in India using provenance and machine learning models | |
Shroder | Volcanic hazards, risks and disasters |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221214 Address after: Room 1016, Block B, No. 100, Yunlongshan Road, Jianye District, Nanjing City, Jiangsu Province, 210004 Patentee after: Nanjing Wisdom Atlas Information Technology Co.,Ltd. Address before: No.98, Chenguang Road, Qinhuai District, Nanjing City, Jiangsu Province, 210022 Patentee before: COGNITIVE COMPUTING NANJING INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |