CN110019175A - 一种基于行为轨迹库的区域碰撞分析方法 - Google Patents
一种基于行为轨迹库的区域碰撞分析方法 Download PDFInfo
- Publication number
- CN110019175A CN110019175A CN201910267344.1A CN201910267344A CN110019175A CN 110019175 A CN110019175 A CN 110019175A CN 201910267344 A CN201910267344 A CN 201910267344A CN 110019175 A CN110019175 A CN 110019175A
- Authority
- CN
- China
- Prior art keywords
- region
- data
- library
- track
- crash analysis
- 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.)
- Granted
Links
Classifications
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/242—Query formulation
- G06F16/2433—Query languages
- G06F16/244—Grouping and aggregation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于行为轨迹库的区域碰撞分析方法,包括:设置目标区域、目标人员以及区域碰撞分析参数;计算每个目标区域所覆盖的所有活动网格;筛选出目标人员的轨迹数据;过滤轨迹数据,获得目标人员在目标区域内活动的轨迹数据;统计每个目标人员的活动区域数,并判断目标人员是否为满足区域碰撞条件的区域活跃者;输出所有满足区域碰撞条件的区域活跃者。本发明实现精准分析目标区域内的区域活跃者,可快速获得行为轨迹库中区域碰撞分析的分析结果。
Description
技术领域
本发明涉及安防与信息技术领域,尤其涉及一种基于行为轨迹库的区域碰撞分析方法。
背景技术
目前,安防系统中多种监控设备会采集大量行为轨迹数据,包括:人脸、MAC、IMSI和IMEI;而安防系统中采集设备本身只能对进入其侦测范围的目标信息进行识别,不能判断监控目标是从哪个方向进入设备侦测范围,也无法得到设备与监控目标之间的距离,因而无法得到目标的精准地理位置。通常系统以采集设备自身的地理位置作为探测目标的位置,而采集设备分为固定采集设备和移动采集设备,对于地理位置保持不变的固定采集设备,以其所处的地理位置作为探测目标的位置;对于移动采集设备,以其探测时刻所处的地理位置作为探测目标的位置。
此外,一个监控目标在同一时刻可能会被多个设备探测到,目标活动期间所有设备采集的数据组成了目标活动轨迹的时空信息(包括时间、经度和纬度的3维信息),其中,经纬度位置信息是不准确的。
为了后期能更有效的利用采集设备采集的海量行为轨迹数据,需要对海量地理位置不精确的轨迹数据进行清洗,因此,合理与高效的轨迹数据清洗方法以及信息存储格式成为亟待解决的问题。另一方面,如何利用数据清洗过的轨迹数据高效、精准的分析出在多个目标区域中的目标人员也是个亟待解决的问题。
区域碰撞分析是指给定N个包括空间范围限定以及时间范围限定的时空区域,找出至少在其中M(其中M≤N)个时空区域内有活动轨迹的目标人员。
由于需要处理的数据量巨大,并且期望快速获得分析结果,特别是待处理的地理信息不精确,因此急需提出有效、快速的数据清洗方法,用以估计出监控目标精准的地理信息,并解决区域碰撞分析问题。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于行为轨迹库的区域碰撞分析方法。
本发明的技术方案如下:一种基于行为轨迹库的区域碰撞分析方法,包括以下步骤:
步骤S101,设置若干个目标区域、目标人员以及区域碰撞分析参数;
步骤S102,计算每个目标区域所覆盖的所有活动网格,并将计算出的活动网格数据输入下一环节;
步骤S103,根据上述活动网格数据以及目标区域从行为轨迹库中筛选出目标人员的轨迹数据,并将该轨迹数据输入下一环节;
步骤S104,根据上述目标区域过滤出上述轨迹数据中不超出给定的目标区域范围的轨迹数据,获得目标人员在目标区域内活动的轨迹数据;
步骤S105,根据上述轨迹数据统计每个目标人员的活动区域数,并根据区域碰撞参数判断目标人员是否为满足区域碰撞条件的区域活跃者;
步骤S106,输出所有满足区域碰撞条件的区域活跃者。
进一步地,所述步骤S101中的每个目标区域均为包括限定了空间范围和时间范围的时空区域。
进一步地,所述步骤S101中的区域碰撞分析参数包括最少匹配活动区域数,并且所述最少匹配活动区域数小于或等于目标区域的数量。
进一步地,所述步骤S103通过活动网格数据以及时空区域的时间范围筛选出目标人员的轨迹数据。
更加优选地,所述步骤S103通过filter函数执行在行为轨迹库中筛选处于活动网格数据以及时空区域的时间范围内的轨迹数据的数据筛选处理。
进一步地,所述步骤S104是根据时空区域的空间范围过滤出步骤S103筛选的轨迹数据中不超出给定的时空区域的空间范围的轨迹数据。
更加优选地,所述步骤S104通过filter函数执行过滤不超出给定的时空区域的空间范围的轨迹数据的数据过滤处理。
进一步地,所述步骤S105中的区域碰撞条件为目标人员的活动区域数大于或者大于所述最少匹配活动区域数。
采用上述方案,本发明具有以下有益效果:
1、本发明实现精准分析目标区域内的区域活跃者,可快速获得行为轨迹库中区域碰撞分析的分析结果。
本发明设有若干个目标区域,通过计算每个目标区域的活动网格数据,并通过活动网格数据和目标区域从行为轨迹库中筛选出目标人员的轨迹数据,再将上述轨迹数据中不超出给定的目标区域范围的轨迹数据筛选出来,用于统计每个目标人员的活动区域数,并并根据区域碰撞参数判断目标人员是否为满足区域碰撞条件的区域活跃者,输出所有满足区域碰撞条件的区域活跃者,即可获得行为轨迹库中区域碰撞分析的分析结果,实现精准分析目标区域内的区域活跃者。
2、本发明实现对海量地理位置不精确的轨迹数据的高效清洗。
本发明通过map函数将海量行为轨迹数据切分成若干时间段和空间网格,并将切分好的数据转换成Key-value格式,通过groupByKey函数聚合属于同一时间段以及网格的轨迹数据,通过flatMap函数清洗groupByKey函数聚合的轨迹数据,所有操作基于ApacheSpark计算引擎,可快速完成海量行为轨迹数据的清洗;另一方面,经过清洗的轨迹数据将被压缩处理,入库存储效率高,利于轨迹数据的后续使用。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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示出的结构获得其他的附图。
图1为本发明基于行为轨迹库的区域碰撞分析方法的流程示意图;
图2为本发明用于搭建行为轨迹库的数据清洗方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
参照图1所示,本发明提供一种基于行为轨迹库的区域碰撞分析方法,包括以下步骤:
步骤S101,设置若干个目标区域、目标人员以及区域碰撞分析参数;
步骤S102,计算每个目标区域所覆盖的所有活动网格,并将计算出的活动网格数据输入下一环节;
步骤S103,根据上述活动网格数据以及目标区域从行为轨迹库中筛选出目标人员的轨迹数据,并将该轨迹数据输入下一环节;
步骤S104,根据上述目标区域过滤出上述轨迹数据中不超出给定的目标区域范围的轨迹数据,获得目标人员在目标区域内活动的轨迹数据;
步骤S105,根据上述轨迹数据统计每个目标人员的活动区域数,并根据区域碰撞参数判断目标人员是否为满足区域碰撞条件的区域活跃者;
步骤S106,输出所有满足区域碰撞条件的区域活跃者。
在本实施例中,所述步骤S101中的每个目标区域均为包括限定了空间范围和时间范围的时空区域。
在本实施例中,所述步骤S101中的区域碰撞分析参数包括最少匹配活动区域数,并且所述最少匹配活动区域数小于或等于目标区域的数量。
在本实施例中,所述步骤S103通过活动网格数据以及时空区域的时间范围筛选出目标人员的轨迹数据。
作为其中一种较佳实施例,所述步骤S103通过filter函数执行在行为轨迹库中筛选处于活动网格数据以及时空区域的时间范围内的轨迹数据的数据筛选处理。
在本实施例中,所述步骤S104是根据时空区域的空间范围过滤出步骤S103筛选的轨迹数据中不超出给定的时空区域的空间范围的轨迹数据。
作为其中一种较佳实施例,所述步骤S104通过filter函数执行过滤不超出给定的时空区域的空间范围的轨迹数据的数据过滤处理。
在本实施例中,所述步骤S105中的区域碰撞条件为目标人员的活动区域数大于或者大于所述最少匹配活动区域数。
参照图2所示,本发明还提供一种用于搭建行为轨迹库的数据清洗方法,包括以下步骤:
步骤S201,获取采集设备采集的海量原始行为轨迹数据;
步骤S202,对上述海量原始行为轨迹数据进行数据切分,并将切分好的轨迹数据输出至下一环节;
步骤S203,对上述切分后的轨迹数据进行数据聚合,并将聚合的轨迹数据输出至下一环节;
步骤S204,对上述聚合后的轨迹数据进行数据清洗,输出一组或多组轨迹数据;
步骤S205,将清洗后的轨迹数据入库存储,构成行为轨迹库。
作为一种实施例,所述步骤S201获取的数据包括人脸数据、MAC数据、IMSI数据、IMEI数据中的一种或多种。
作为一种实施例,所述步骤S202中的数据切分包括时间切分和空间切分;所述时间切分按指定的时间间隔将所述海量原始行为轨迹数据切分成若干时间段;所述空间切分按指定的空间刻度将所述海量原始行为轨迹数据切分成若干空间网格。
在本实施例中,所述步骤S202中的数据切分通过map函数执行对所述海量原始行为轨迹数据的切分,并确定轨迹数据所属的时间段以及网格,以及将切分的数据转换成Key-value格式输出至下一环节。
其中,Key包括目标、时间段以及网格;value包括时间、经度以及纬度。
作为一种较佳实施例,所述步骤S203中的数据聚合通过groupByKey函数执行对属于同一时间段以及网格的轨迹数据聚合。
作为一种较佳实施例,所述步骤S204中的数据清洗包括以下步骤:
步骤a,对步骤S203聚合的数据按时间排序,并对排序好的数据按给定的时间刻度进行数据切分;
步骤b,从上述切分好的数据中过滤出所有满足连续两条轨迹时间间隔的数据,且该数据的时间间隔不超过给定时间刻度,并将该数据划分为一组;
步骤c,取最早出现时间或者平均时间作为上述分组的采集时间,统计平均经纬度作为该分组的目标采集位置,根据所述采集时间和目标采集位置将每一组内的所有轨迹分别合并成一条轨迹。
在本实施例中,所述步骤S204中的数据清洗通过flatMap函数执行对所述步骤S203聚合的数据的清洗处理,并以组的形式输出清洗后的轨迹数据;输出的轨迹数据选自伴随目标、空间网格、时间、经度、纬度中的一种或多种。
在本实施例中,所述map函数、groupByKey函数和flatMap函数基于Apache Spark计算引擎实现各自的功能,使用Apache Spark可方便、快速的进行进行海量轨迹数据的数据清洗。
作为一种较佳实施例,所述步骤S205中的行为轨迹库可以是kudu数据库、HBase数据库中的一种或多种。
与现有技术相比,本发明具有以下有益效果:
1、本发明实现精准分析目标区域内的区域活跃者,可快速获得行为轨迹库中区域碰撞分析的分析结果。
本发明设有若干个目标区域,通过计算每个目标区域的活动网格数据,并通过活动网格数据和目标区域从行为轨迹库中筛选出目标人员的轨迹数据,再将上述轨迹数据中不超出给定的目标区域范围的轨迹数据筛选出来,用于统计每个目标人员的活动区域数,并并根据区域碰撞参数判断目标人员是否为满足区域碰撞条件的区域活跃者,输出所有满足区域碰撞条件的区域活跃者,即可获得行为轨迹库中区域碰撞分析的分析结果,实现精准分析目标区域内的区域活跃者。
2、本发明实现对海量地理位置不精确的轨迹数据的高效清洗。
本发明通过map函数将海量行为轨迹数据切分成若干时间段和空间网格,并将切分好的数据转换成Key-value格式,通过groupByKey函数聚合属于同一时间段以及网格的轨迹数据,通过flatMap函数清洗groupByKey函数聚合的轨迹数据,所有操作基于ApacheSpark计算引擎,可快速完成海量行为轨迹数据的清洗;另一方面,经过清洗的轨迹数据将被压缩处理,入库存储效率高,利于轨迹数据的后续使用。
以上仅为本发明的较佳实施例而已,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 (8)
1.一种基于行为轨迹库的区域碰撞分析方法,其特征在于,包括以下步骤:
步骤S101,设置若干个目标区域、目标人员以及区域碰撞分析参数;
步骤S102,计算每个目标区域所覆盖的所有活动网格,并将计算出的活动网格数据输入下一环节;
步骤S103,根据上述活动网格数据以及目标区域从行为轨迹库中筛选出目标人员的轨迹数据,并将该轨迹数据输入下一环节;
步骤S104,根据上述目标区域过滤出上述轨迹数据中不超出给定的目标区域范围的轨迹数据,获得目标人员在目标区域内活动的轨迹数据;
步骤S105,根据上述轨迹数据统计每个目标人员的活动区域数,并根据区域碰撞参数判断目标人员是否为满足区域碰撞条件的区域活跃者;
步骤S106,输出所有满足区域碰撞条件的区域活跃者。
2.根据权利要求1所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S101中的每个目标区域均为包括限定了空间范围和时间范围的时空区域。
3.根据权利要求2所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S101中的区域碰撞分析参数包括最少匹配活动区域数,并且所述最少匹配活动区域数小于或等于目标区域的数量。
4.根据权利要求2所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S103通过活动网格数据以及时空区域的时间范围筛选出目标人员的轨迹数据。
5.根据权利要求4所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S103通过filter函数执行在行为轨迹库中筛选处于活动网格数据以及时空区域的时间范围内的轨迹数据的数据筛选处理。
6.根据权利要求2所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S104是根据时空区域的空间范围过滤出步骤S103筛选的轨迹数据中不超出给定的时空区域的空间范围的轨迹数据。
7.根据根据权利要求6所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S104通过filter函数执行过滤不超出给定的时空区域的空间范围的轨迹数据的数据过滤处理。
8.根据权利要求3所述的基于行为轨迹库的区域碰撞分析方法,其特征在于,所述步骤S105中的区域碰撞条件为目标人员的活动区域数大于或者大于所述最少匹配活动区域数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910267344.1A CN110019175B (zh) | 2019-04-03 | 2019-04-03 | 一种基于行为轨迹库的区域碰撞分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910267344.1A CN110019175B (zh) | 2019-04-03 | 2019-04-03 | 一种基于行为轨迹库的区域碰撞分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110019175A true CN110019175A (zh) | 2019-07-16 |
CN110019175B CN110019175B (zh) | 2021-03-23 |
Family
ID=67190505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910267344.1A Active CN110019175B (zh) | 2019-04-03 | 2019-04-03 | 一种基于行为轨迹库的区域碰撞分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110019175B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488835A (zh) * | 2020-04-13 | 2020-08-04 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
CN111625591A (zh) * | 2020-05-15 | 2020-09-04 | 深圳市甲易科技有限公司 | 一种实现信息可视化的轨迹规律分析方法 |
CN112598767A (zh) * | 2020-12-29 | 2021-04-02 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
CN112689238A (zh) * | 2019-10-18 | 2021-04-20 | 西安光启未来技术研究院 | 一种基于区域的轨迹碰撞方法、系统、存储介质及处理器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021677A (zh) * | 2014-06-25 | 2014-09-03 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
CN105138689A (zh) * | 2015-09-17 | 2015-12-09 | 上海交通大学 | 一种带有徘徊异常提示的分层视频摘要方法 |
WO2016124714A1 (en) * | 2015-02-04 | 2016-08-11 | Università Degli Studi Di Cagliari | An organic transistor-based system for electrophysiological monitoring of cells and method for the monitoring of the cells |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN108337645A (zh) * | 2017-12-26 | 2018-07-27 | 北京大学 | 一种网格化无线电信号监测系统架构及干扰信号联合检测方法 |
CN108924238A (zh) * | 2018-07-18 | 2018-11-30 | 成都西加云杉科技有限公司 | 轨迹碰撞分析方法及装置 |
-
2019
- 2019-04-03 CN CN201910267344.1A patent/CN110019175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021677A (zh) * | 2014-06-25 | 2014-09-03 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
WO2016124714A1 (en) * | 2015-02-04 | 2016-08-11 | Università Degli Studi Di Cagliari | An organic transistor-based system for electrophysiological monitoring of cells and method for the monitoring of the cells |
CN105138689A (zh) * | 2015-09-17 | 2015-12-09 | 上海交通大学 | 一种带有徘徊异常提示的分层视频摘要方法 |
CN105894539A (zh) * | 2016-04-01 | 2016-08-24 | 成都理工大学 | 基于视频识别和侦测运动轨迹的预防盗窃方法和系统 |
CN108337645A (zh) * | 2017-12-26 | 2018-07-27 | 北京大学 | 一种网格化无线电信号监测系统架构及干扰信号联合检测方法 |
CN108924238A (zh) * | 2018-07-18 | 2018-11-30 | 成都西加云杉科技有限公司 | 轨迹碰撞分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
毛嘉莉 等: ""轨迹大数据异常检测:研究进展及系统框架"", 《软件学报》 * |
瞿中 等: ""运动目标轨迹网格化分析与徘徊行为检测研究"", 《微电子学与计算机》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112689238A (zh) * | 2019-10-18 | 2021-04-20 | 西安光启未来技术研究院 | 一种基于区域的轨迹碰撞方法、系统、存储介质及处理器 |
CN111488835A (zh) * | 2020-04-13 | 2020-08-04 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
CN111488835B (zh) * | 2020-04-13 | 2023-10-10 | 北京爱笔科技有限公司 | 一种同行人员的识别方法及装置 |
CN111625591A (zh) * | 2020-05-15 | 2020-09-04 | 深圳市甲易科技有限公司 | 一种实现信息可视化的轨迹规律分析方法 |
CN112598767A (zh) * | 2020-12-29 | 2021-04-02 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
CN112598767B (zh) * | 2020-12-29 | 2024-05-10 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110019175B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019175A (zh) | 一种基于行为轨迹库的区域碰撞分析方法 | |
CN109977109A (zh) | 一种轨迹数据清洗方法及伴随分析方法 | |
CN109977108A (zh) | 一种基于行为轨迹库的多种轨迹碰撞分析方法 | |
CN109947758A (zh) | 一种基于行为轨迹库的路线碰撞分析方法 | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN108961747B (zh) | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 | |
CN104484993B (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
CN106792523B (zh) | 一种基于大规模WiFi活动轨迹的异常行为检测方法 | |
CN108282860B (zh) | 数据处理方法及装置 | |
CN106792456A (zh) | 数据分析系统和方法 | |
CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
CN107548082A (zh) | 一种质差区域分析的方法、装置及系统 | |
CN106921507A (zh) | 在无线通信网络中对用户投诉进行预测的方法和装置 | |
CN102073059A (zh) | 一种数字化pileup波形处理方法及系统 | |
CN103888961B (zh) | 一种用户监控方法及装置 | |
CN103810717A (zh) | 一种人体行为检测方法及装置 | |
CN106651031B (zh) | 基于历史信息的雷击闪络预警方法及系统 | |
CN111294742B (zh) | 基于信令cdr数据识别伴随手机号码的方法与系统 | |
CN108022428A (zh) | 一种车辆识别方法及装置 | |
CN110084308A (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN108733774A (zh) | 一种基于大数据的失业人口动态监测方法 | |
CN115271373A (zh) | 城市群弹性开发边界划定方法及系统 | |
CN110196215A (zh) | 花粉粉层浓度和种类实时监测系统及方法 | |
CN113764107A (zh) | 基于面部识别技术的空气传播传染病预警方法 |
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 |