CN109711447A - 一种特殊人群事件预警和监测方法及装置 - Google Patents
一种特殊人群事件预警和监测方法及装置 Download PDFInfo
- Publication number
- CN109711447A CN109711447A CN201811556037.7A CN201811556037A CN109711447A CN 109711447 A CN109711447 A CN 109711447A CN 201811556037 A CN201811556037 A CN 201811556037A CN 109711447 A CN109711447 A CN 109711447A
- Authority
- CN
- China
- Prior art keywords
- special population
- convex closure
- early warning
- time
- aggregation
- 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
Landscapes
- Alarm Systems (AREA)
Abstract
本发明适用于城市综治管理技术领域，提供一种特殊人群事件预警和监测方法及装置，所述方法包括：每隔一定时间间隔获取特殊人群的GPS位置信息数据；针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析；如果聚类结果只有噪音类，不做任何预警；如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。本发明根据特殊人群的实时位置信息作出特殊人群的移动方向预测和安全预警。
Description
技术领域
本发明属于城市综治管理技术领域，尤其涉及一种特殊人群事件预警和监测方法及装置。
背景技术
当前社会各个地区都在不断优化和完善城市的建设和管理，城市的构成主体是人，对各类人员的管理和服务在城市建设中尤其重要。为了城市的安全管理，对敏感人群(如需要政府部门重点关注的有历史犯罪记录的人员、危害社会公共安全的渉稳人员等特殊人群)的行为预测并提前预警一直处于热研究状态。特殊人群的行为预测，即判断人群在未来时间内可能存在的行为移动方向和轨迹；对特殊人群进行预警，目的是根据特殊人群的移动行为判断其是否会对社会正常生产产生阻碍或危害。
目前存在的对于特殊人群的预警监测方法有两类：第一类，获取特殊人群的实时位置信息，利用地理信息系统GIS渲染的方法，在地图上动态显示特殊人群的位置信息，根据其轨迹进行实时监控。本方法只能起到监测特殊人群的行为轨迹，不能预测和预警。第二类方法是利用特殊人群的位置信息和其社交关系构建预警模型。这个方法实现的前提是有特殊人群的位置信息和通信运营商处获取的海量的人群的通话信息，以及要事先确定需要重点监控的位置区域，主要步骤为：根据人群的日常通话对象和通话时长进行统计，计算其社交圈内人数在重点监控区域内的分布情况，并对重点监控区域进行分类，分不同级别进行预警。本方法主要依靠于社交关系进行预警，方法的缺陷在于要事先划定好哪些区域是重点监控区域，对于未知的可能需要重点监控的区域不能做出预警，在实际应用中这类区域才是需要重点挖掘和发现的。
发明内容
鉴于上述问题，本发明的目的在于提供一种特殊人群事件预警和监测方法及装置，旨在解决现有方法只能起到监测特殊人群的行为轨迹，不能预测和预警等技术问题。
本发明采用如下技术方案：
一方面，所述特殊人群事件预警和监测方法包括如下步骤：
步骤S1：每隔一定时间间隔获取特殊人群的GPS位置信息数据；
步骤S2：针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
步骤S3：如果聚类结果只有噪音类，不做任何预警；
步骤S4：如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；
步骤S5：根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。
进一步的，步骤S1中，数据获取起始时间为T0，时间间隔为Δt，每次数据获取的时间Ti＝T0+i*Δt，{i＝0,1,2,…}；每次获取到的GPS位置信息数据保存至数据库中，假设在获取时间Ti时刻，记录在数据库对应的特殊人群的数量为Ni，如果有人员在时间Ti没有记录GPS位置信息数据，则将该人员历史记录中时间最近的GPS位置信息数据作为时间Ti的GPS位置信息数据；所述GPS位置信息数据包括特殊人群中个人唯一标识、空间坐标以及经处于坐标位置的时间，所述空间坐标包括经度坐标和纬度坐标。
进一步的，所述步骤S4具体步骤如下：
步骤S4.1：对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值；
步骤S4.2：根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围；
步骤S4.3：计算所有聚集类特殊人群点密度均值和凸包面积均值，如果聚集类只有一个，那么步骤S4.1得到的特殊人群点密度值和凸包面积即为特殊人群点密度均值和凸包面积均值。
进一步的，步骤S5中具体步骤如下：
每次数据获取都会得到一个特殊人群点密度均值和凸包面积均值，随着时间的变化，当开始出现聚集现象时，会产生两个时间序列，一个为特殊人群点密度值均值时间序列，一个为凸包面积的平均值时间序列：
对特殊人群点密度值均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
进一步的，如果提前选择了多个具有城市特征的位置作为预备的最优可能发生特殊人群事件的预警地点，所述特殊人群事件预警和监测方法，还包括下述步骤：
步骤S6、对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。
另一方面，所述特殊人群事件预警和监测装置包括如下模块：
数据获取模块：用于每隔一定时间间隔获取特殊人群的GPS位置信息数据；
聚类分析模块：用于针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
聚集判断模块：用于判断聚类结果是否只有噪音类，或者是否含有聚集类；
数据计算模块，如果聚类结果只有噪音类，不做任何预警；如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；
结果输出模块：用于根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。
进一步的，所述数据计算模块包括如下单元：
点密度值计算单元：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值；
标准差椭圆计算单元：用于根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围；
均值计算单元：用于计算所有聚集类特殊人群点密度均值和凸包面积均值。
进一步的，所述结果输出模块包括如下单元：
聚集地判断单元：用于对特殊人群点密度值均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
人群判断单元：用于对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
监控管理判断单元：用于判断当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
进一步的，所述装置还包括预警位置判断模块：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。
本发明的有益效果是：在本发明技术方案的主要原理是：利用密度聚类分析方法对每隔相同间隔时刻的特殊人群的GPS位置信息数据进行聚类，寻找不同的密集的时刻特殊人群的聚集特征，聚集特征包括点密度值、凸包、凸包面积，以及多区域聚集情况下的点密度均值和凸包面积均值；再将所有连续时刻的计算好的特殊人群的聚集特征进行时序分析，得出非正常情况聚集的特殊人群聚集位置，以达到人员监控和事件预警的目的。
附图说明
图1是本发明实施例提供的特殊人群事件预警和监测方法流程图；
图2是本发明实施例提供的特殊人群事件预警和监测装置结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
图1示出了本发明实施例提供的特殊人群事件预警和监测方法流程图，为了便于说明仅示出了与本发明实施例相关的部分。
所述特殊人群事件预警和监测方法包括如下步骤：
步骤S1：每隔一定时间间隔获取特殊人群的GPS位置信息数据；
数据获取起始时间为特殊人群的密度分布的开始时间，设置为T0，时间间隔为Δt，为了加强监控力度，Δt可以尽可能取得越小越好，本发明实施例中，Δt等于1分钟，那么每次数据获取的时间Ti＝T0+i*Δt，{i＝0,1,2,…}；每次获取到的GPS位置信息数据保存至数据库中，假设在获取时间Ti时刻，记录在数据库对应的特殊人群的数量为Ni，如果有人员在时间Ti没有记录GPS位置信息数据，则将该人员历史记录中时间最近的GPS位置信息数据作为时间Ti的GPS位置信息数据；所述GPS位置信息数据包括特殊人群中个人唯一标识、空间坐标以及经处于坐标位置的时间，所述空间坐标包括经度坐标和纬度坐标。
步骤S2：针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
在本步骤中，取时间Ti对应的一个样本区，设置聚类类别的最小人数MinPts，以及最大搜索距离ε，用来描述样本区分布紧密程度，其中，ε描述样本区的领域距离阈值，MinPts描述样本区的距离为ε的领域中样本个数的阈值，对于特殊人群，认为其中10％的人聚集在一起就有可能产生事件，需要重点监控，因此，MinPts＝0.1*Ni，最大搜索距离ε取500米，在本发明实施例中，利用MinPts和ε值，对时间Ti的Ni个位置GPS位置信息数据进行分析，本发明采用DBSCAN方法进行空间密度聚类分析，DBSCAN是基于一组邻域来描述样本集的紧密程度的，将Ni个人按Ti时刻的空间位置关系分为了Cj类，每个类别的人数为nij{i＝0，1，2，…；j＝1，2，…，Cj}，其中噪音类为一类，聚集类有Cj-1类。
现有技术采用通信社交网数据为基础数据，对数据存储清洗的过程较为复杂，本发明采用DBSCAN方法进行空间密度聚类分析，简单实用且计算迅速，可实时计算并快速响应，有利于快速分析决策。
步骤S3：如果聚类结果只有噪音类，不做任何预警；
本步骤为判断步骤，假设Cj＝1时，此时仅有噪音类，说明特殊人群没有明显的聚集现象，不做任何预警，结束本次时间的计算；假设Cj>1时，说明特殊人群在此时至少存在一个聚集类，在后需时间内需要进行加强关注，转入下一步骤。
步骤S4：如果聚类结果含有聚集类，即Cj>1的情况，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；具体步骤如下：
步骤S4.1：对于每个聚集类，假设是第j个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积Aij，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值，对于第j个聚集类计算其特殊人群点密度值的计算公式为：
步骤S4.2：对于第j个聚集类类别，根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围，标准差椭圆的长轴表示人群分布方向，可估计人群移动方向，标准差椭圆的短轴表示该类别内的人群的聚集范围；
步骤S4.3：计算所有聚集类特殊人群点密度均值和凸包面积均值，如果聚集类只有一个，那么步骤S4.1得到的特殊人群点密度值和凸包面积即为特殊人群点密度均值和凸包面积均值，使得对所有剧集现象的时间Ti，只得到一个点密度值和一个凸包面积值。
步骤S5：根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员，具体方式如下：
每次数据获取都会得到一个特殊人群点密度均值和凸包面积均值，随着时间的变化，当开始出现聚集现象时，会产生两个时间序列，一个为特殊人群点密度值均值时间序列，一个为凸包面积的平均值时间序列，再做如下分析：
对特殊人群点密度均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
本发明基于空间坐标密度聚集方法对特殊人群的行为做时间和空间两个方向的分析，以实现根据特殊人群的实时位置信息分析特殊人群的时空聚集现象，达到人员监控和预警的目的。本发明不用实现指定重点监控区域，可自行发现所有需要重点监控的区域，以及估计重点监控区域的变化和偏移方向。
在本发明中，如果提前选择了多个具有城市特征的位置作为预备的最优可能发生特殊人群事件的预警地点，所述特殊人群事件预警和监测方法，还包括下述步骤：
步骤S6、对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；密度中心点即是点的平均中心，指同类别中特殊人群的空间坐标的平均值，计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。本步骤可替代步骤S4、S5，判断需要预警的位置。
实施例二：
图2示出了本发明实施例提供的特殊人群事件预警和监测装置结构图，为了便于说明仅示出了与本发明实施例相关的部分。
所述特殊人群事件预警和监测装置包括如下模块：
数据获取模块：用于每隔一定时间间隔获取特殊人群的GPS位置信息数据；
聚类分析模块：用于针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
聚集判断模块：用于判断聚类结果是否只有噪音类，或者是否含有聚集类；
数据计算模块，如果聚类结果只有噪音类，不做任何预警；如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；
结果输出模块：用于根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。
所述数据计算模块包括如下单元：
点密度值计算单元：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值；
标准差椭圆计算单元：用于根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围；
均值计算单元：用于计算所有聚集类特殊人群点密度均值和凸包面积均值。
所述结果输出模块包括如下单元：
聚集地判断单元：用于对特殊人群点密度值均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
人群判断单元：用于对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
监控管理判断单元：用于判断当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
所述装置还包括预警位置判断模块：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。
本实施例提供的各个功能模块单元对应实现了实施例一中的步骤S1-S6，具体实现过程这里不再赘述。
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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种特殊人群事件预警和监测方法，其特征在于，所述方法包括如下步骤：
步骤S1：每隔一定时间间隔获取特殊人群的GPS位置信息数据；
步骤S2：针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
步骤S3：如果聚类结果只有噪音类，不做任何预警；
步骤S4：如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；
步骤S5：根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。
2.如权利要求1所述特殊人群事件预警和监测方法，其特征在于，步骤S1中，数据获取起始时间为T0，时间间隔为Δt，每次数据获取的时间Ti＝T0+i*Δt，{i＝0,1,2,…}；每次获取到的GPS位置信息数据保存至数据库中，假设在获取时间Ti时刻，记录在数据库对应的特殊人群的数量为Ni，如果有人员在时间Ti没有记录GPS位置信息数据，则将该人员历史记录中时间最近的GPS位置信息数据作为时间Ti的GPS位置信息数据；所述GPS位置信息数据包括特殊人群中个人唯一标识、空间坐标以及经处于坐标位置的时间，所述空间坐标包括经度坐标和纬度坐标。
3.如权利要求2所述特殊人群事件预警和监测方法，其特征在于，所述步骤S4具体步骤如下：
步骤S4.1：对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值；
步骤S4.2：根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围；
步骤S4.3：计算所有聚集类特殊人群点密度均值和凸包面积均值，如果聚集类只有一个，那么步骤S4.1得到的特殊人群点密度值和凸包面积即为特殊人群点密度均值和凸包面积均值。
4.如权利要求3所述特殊人群事件预警和监测方法，其特征在于，步骤S5中具体步骤如下：
每次数据获取都会得到一个特殊人群点密度均值和凸包面积均值，随着时间的变化，当开始出现聚集现象时，会产生两个时间序列，一个为特殊人群点密度值均值时间序列，一个为凸包面积的平均值时间序列：
对特殊人群点密度值均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
5.如权利要求3所述特殊人群事件预警和监测方法，其特征在于，如果提前选择了多个具有城市特征的位置作为预备的最优可能发生特殊人群事件的预警地点，所述特殊人群事件预警和监测方法，还包括下述步骤：
步骤S6、对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。
6.一种特殊人群事件预警和监测装置，其特征在于，所述装置包括如下模块：
数据获取模块：用于每隔一定时间间隔获取特殊人群的GPS位置信息数据；
聚类分析模块：用于针对每次获取的特殊人群的GPS位置信息数据进行密度聚类分析，具体的，设置聚类类别的最小人数以及最大搜索距离，结合当前获取的特殊人群GPS位置信息数据，将特殊人群按空间位置关系分类，其中，将不具有任何聚集现象的人群统一放在一个类别中，称为噪音类，将满足聚集条件的人群各自分类，称为聚集类，最终得到聚类结果；
聚集判断模块：用于判断聚类结果是否只有噪音类，或者是否含有聚集类；
数据计算模块，如果聚类结果只有噪音类，不做任何预警；如果聚类结果含有聚集类，对于每个聚集类，根据聚集类中特殊人群的空间位置计算该类别对应的凸包，计算凸包特殊人群点密度值以及凸包面积，然后计算所有聚集类的特殊人群点密度均值和凸包面积均值；
结果输出模块：用于根据得到的所有特殊人群点密度均值和凸包面积均值，分析特殊人群聚集特征的变化趋势，评估需要预警的地方和需要重点监控的人员。
7.如权利要求6所述特殊人群事件预警和监测装置，其特征在于，所述数据计算模块包括如下单元：
点密度值计算单元：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的凸包和凸包面积，凸包是包含同一类别的人群空间坐标点的最小平面，凸包面积是这个最小平面的面积，利用凸包面积和凸包包含的特殊人群坐标点数量，计算凸包中的特殊人群点密度值；
标准差椭圆计算单元：用于根据该类别中的特殊人群空间坐标点计算特殊人群坐标位置点的标准差椭圆，获取分布方向和分布范围；
均值计算单元：用于计算所有聚集类特殊人群点密度均值和凸包面积均值。
8.如权利要求7所述特殊人群事件预警和监测装置，其特征在于，所述结果输出模块包括如下单元：
聚集地判断单元：用于对特殊人群点密度值均值时间序列做Mann-Kendall趋势检验，当结果值大于0时，说明特殊人群点密度均值随时间的增长有增长的趋势，表明特殊人群在某一个地方或者几个地方聚集越来越多；
人群判断单元：用于对特殊人群凸包面积的平均值时间序列也做Mann-Kendall趋势检验，当结果值小于0时，则说明特殊人群聚集区域面积随着时间的增长越来越小，说明人群在不断集中；
监控管理判断单元：用于判断当两个时间序列表现出随着时间的变化，点密度均值在不断增长的同时凸包面积的平均值呈现不断减少的趋势，则判定需要进行预警，预警区域为最后一次数据获取的时间点对应的一个或者多个标准差椭圆所代表的空间范围，并对该范围内的特殊人群进行监控和管理。
9.如权利要求6所述特殊人群事件预警和监测装置，其特征在于，所述装置还包括预警位置判断模块：用于对于每个聚集类，根据该类别中每个人员的空间坐标点计算该类别的密度中心点位置；计算每个聚集类的密度中心点位置与预备的预警地点之间的距离，其中与密度中心点位置的平均距离随着时间的增长在不断减小的那个预备预警地点即为要预警的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556037.7A CN109711447A (zh) | 2018-12-19 | 2018-12-19 | 一种特殊人群事件预警和监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556037.7A CN109711447A (zh) | 2018-12-19 | 2018-12-19 | 一种特殊人群事件预警和监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109711447A true CN109711447A (zh) | 2019-05-03 |
Family
ID=66255958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811556037.7A Pending CN109711447A (zh) | 2018-12-19 | 2018-12-19 | 一种特殊人群事件预警和监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711447A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820688A (zh) * | 2021-01-21 | 2022-07-29 | 四川大学 | 一种基于时空轨迹的公共空间社交距离测量和分析方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
| CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
| CN102129776A (zh) * | 2011-04-28 | 2011-07-20 | 北京市劳动保护科学研究所 | 行人异常交通状态自动检测方法及系统 |
| CN102142192A (zh) * | 2011-04-28 | 2011-08-03 | 北京市劳动保护科学研究所 | 基于组合多步预测的行人交通拥堵预警方法及系统 |
| CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
| CN105260795A (zh) * | 2015-10-13 | 2016-01-20 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
| CN105307121A (zh) * | 2015-10-16 | 2016-02-03 | 上海晶赞科技发展有限公司 | 一种信息处理方法及装置 |
| CN105404648A (zh) * | 2015-10-29 | 2016-03-16 | 东北大学 | 一种基于密度与紧密度聚类的用户移动行为确定方法 |
| CN106443618A (zh) * | 2016-09-08 | 2017-02-22 | 北京理工大学 | 一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法 |
| CN106846228A (zh) * | 2017-02-13 | 2017-06-13 | 浪潮通信信息系统有限公司 | 一种基于位置信息及社交关系的公共安全预警方法及系统 |
| US9695981B2 (en) * | 2012-04-20 | 2017-07-04 | Honeywell International Inc. | Image recognition for personal protective equipment compliance enforcement in work areas |
| CN107609682A (zh) * | 2017-08-22 | 2018-01-19 | 上海世脉信息科技有限公司 | 一种大数据环境下人口集聚中短期预警方法 |
| CN107666651A (zh) * | 2016-07-27 | 2018-02-06 | 展讯通信（上海）有限公司 | 信号分布地图数据搜集方法、装置及移动终端 |
| CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
| CN108256560A (zh) * | 2017-12-27 | 2018-07-06 | 同济大学 | 一种基于时空聚类的停驻识别方法 |
-
2018
- 2018-12-19 CN CN201811556037.7A patent/CN109711447A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
| CN102122370A (zh) * | 2011-03-07 | 2011-07-13 | 北京师范大学 | 一种流域气候变化预测及趋势分析方法 |
| CN102129776A (zh) * | 2011-04-28 | 2011-07-20 | 北京市劳动保护科学研究所 | 行人异常交通状态自动检测方法及系统 |
| CN102142192A (zh) * | 2011-04-28 | 2011-08-03 | 北京市劳动保护科学研究所 | 基于组合多步预测的行人交通拥堵预警方法及系统 |
| US9695981B2 (en) * | 2012-04-20 | 2017-07-04 | Honeywell International Inc. | Image recognition for personal protective equipment compliance enforcement in work areas |
| CN103839065A (zh) * | 2014-02-14 | 2014-06-04 | 南京航空航天大学 | 人群动态聚集特征提取方法 |
| CN105260795A (zh) * | 2015-10-13 | 2016-01-20 | 广西师范学院 | 一种基于条件随机场的重点人员位置时空预测方法 |
| CN105307121A (zh) * | 2015-10-16 | 2016-02-03 | 上海晶赞科技发展有限公司 | 一种信息处理方法及装置 |
| CN105404648A (zh) * | 2015-10-29 | 2016-03-16 | 东北大学 | 一种基于密度与紧密度聚类的用户移动行为确定方法 |
| CN107666651A (zh) * | 2016-07-27 | 2018-02-06 | 展讯通信（上海）有限公司 | 信号分布地图数据搜集方法、装置及移动终端 |
| CN106443618A (zh) * | 2016-09-08 | 2017-02-22 | 北京理工大学 | 一种基于标准差椭圆参数辅助的高分辨雷达航迹关联方法 |
| CN106846228A (zh) * | 2017-02-13 | 2017-06-13 | 浪潮通信信息系统有限公司 | 一种基于位置信息及社交关系的公共安全预警方法及系统 |
| CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
| CN107609682A (zh) * | 2017-08-22 | 2018-01-19 | 上海世脉信息科技有限公司 | 一种大数据环境下人口集聚中短期预警方法 |
| CN108256560A (zh) * | 2017-12-27 | 2018-07-06 | 同济大学 | 一种基于时空聚类的停驻识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820688A (zh) * | 2021-01-21 | 2022-07-29 | 四川大学 | 一种基于时空轨迹的公共空间社交距离测量和分析方法 |
| CN114820688B (zh) * | 2021-01-21 | 2023-09-26 | 四川大学 | 一种基于时空轨迹的公共空间社交距离测量和分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Understanding taxi service strategies from taxi GPS traces | |
| Tang et al. | Taxi trips distribution modeling based on Entropy-Maximizing theory: A case study in Harbin city—China | |
| CN105404890A (zh) | 一种顾及轨迹时空语义的犯罪团伙判别方法 | |
| Xia et al. | A clustering approach to online freeway traffic state identification using ITS data | |
| Sun et al. | An intrusion detection model for wireless sensor networks with an improved V-detector algorithm | |
| Yang et al. | Deep network analyzer (DNA): A big data analytics platform for cellular networks | |
| CN105069469B (zh) | 一种基于模糊c均值聚类算法和熵理论的数据流检测方法 | |
| Shi et al. | Detecting anomalies in spatio-temporal flow data by constructing dynamic neighbourhoods | |
| CN106156528A (zh) | 一种轨迹数据停留识别方法及系统 | |
| CN107249000A (zh) | 一种移动用户异常行为检测方法 | |
| Cai et al. | Detecting spatial flow outliers in the presence of spatial autocorrelation | |
| CN108257385B (zh) | 一种基于公共交通的异常事件的甄别方法 | |
| Nair et al. | Call detail record-based traffic density analysis using global K-means clustering | |
| Chiang et al. | BTCI: A new framework for identifying congestion cascades using bus trajectory data | |
| Bulygin et al. | Anomaly detection method for aggregated cellular operator data | |
| Mohottige et al. | Modeling classroom occupancy using data of WiFi infrastructure in a university campus | |
| CN109711447A (zh) | 一种特殊人群事件预警和监测方法及装置 | |
| Hui | Construction of information security risk assessment model in smart city | |
| CN109710720A (zh) | 一种顾及背景效应的犯罪风险环境因素影响分析方法 | |
| Jiang et al. | Improved F‐DBSCAN for Trip End Identification Using Mobile Phone Data in Combination with Base Station Density | |
| Wang et al. | Inferring travel modes from cellular signaling data based on the gated recurrent unit neural network | |
| Bachir | Estimating urban mobility with mobile network geolocation data mining | |
| Yeh et al. | Adpd: Anomaly detection for population distribution in geo-space using mobile networks data | |
| Feng et al. | Urban Traffic Congestion Identification Based on Adaptive Graph Convolutional Network | |
| Yang et al. | Resident activity pattern recognition and comparison of six Sino‐American metropolises |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |