CN110047025A - 一种基于大数据的社区安防规划方法和系统 - Google Patents
一种基于大数据的社区安防规划方法和系统 Download PDFInfo
- Publication number
- CN110047025A CN110047025A CN201910181871.0A CN201910181871A CN110047025A CN 110047025 A CN110047025 A CN 110047025A CN 201910181871 A CN201910181871 A CN 201910181871A CN 110047025 A CN110047025 A CN 110047025A
- Authority
- CN
- China
- Prior art keywords
- security protection
- community
- data
- planning
- protection case
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 230000006378 damage Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供一种基于大数据的社区安防规划方法和系统。该方法包括:将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;按照安防案件类型对安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;对整个社区进行全域扫描,计算出与易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;通过轮询算法对所述社区传感数据进行实时分析,计算社区传感数据来源的安防设备安全特征值,与安防案件发生区域特点进行相似度比较,发出安防规划提示。本申请提高了安防规划的准确度和效率。
Description
技术领域
本申请涉及安防规划及大数据领域,尤其涉及一种基于大数据的社区安防规划方法和系统。
背景技术
安防,可以理解为“安全防范”的缩略词,主要包括:闭路监控系统、防盗报警系统、楼宇对讲系统、停车厂管理系统、小区一卡通系统、红外周界报警系统、电子围栏、巡更系统、考勤门禁系统、安防机房系统、电子考场系统、智能门锁等等。传统安防规划过程中,一般只是简单的凭借人工经验进行,很少通过大数据规律进行设计,准确度不高,风险防范力度不强;而且,一般不会考虑通过安防历史案件规律预测可能存在安全隐患的区域,也不会根据社区实时数据进行安全规划预警。因此,可以考虑改进,融合大数据技术,设计基于大数据的社区安防规划方法及系统。
发明内容
有鉴于此,本申请的目的在于提出一种基于大数据的社区安防规划方法和系统,降低物联传感控制任务处理延时,解决目前建筑控制过程中,云端控制服务器数据处理效率低、准确度不高的技术问题。
基于上述目的,本申请提出了一种基于大数据的社区安防规划方法,包括:
将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
在一种实施例中,所述将社区传感数据和社区安防案件数据通过社区位置进行聚合,包括:
所述社区传感数据来自于社区中传感设备,传感设备实时采集社区安防设备以及社区动态信息,包括:传感器所关联安防设备的社区位置、使用状态、实时险情,以及非法越界、车辆异常、环境异常、暴力破坏;
所述社区安防案件数据来自于社区安防历史档案,包括安防案件发生的社区位置、发生时间、案件类别、处理方法、发生事由;
将所述社区传感数据和所述社区安防案件数据通过社区位置进行关联碰撞,得到所有安防设备的安防案件发生情况及实时状态情况。
在一些实施例中,所述针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,包括:
针对不同的安防案件类型,以所述社区传感数据和所述社区安防案件数据为输入,以社区各区域、设备发生安防事故概率为输出,训练多层深度学习网络。
在一些实施例中,所述多层深度学习网络包括:
中间隐层神经元的激活函数采用ReLU函数,公式为:
out=max(0,in),
其中out为输出,in为输入;最后一层激活函数采用softmax函数,公式为:
其中outi为第i层输出,zj为输入j经过加权、求和、偏向得到的中间变量;损失函数采用交叉熵损失函数,公式为:
其中x(i)为期望输出,为实际输出;优化函数采用批量梯度下降法,迭代训练直至所述深度学习网络进入稳态。
在一些实施例中,所述对整个社区进行全域扫描,包括:
通过险情偏移加权策略,优先、频繁扫描社区中重点区域、重点安防设备。
在一些实施例中,所述计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划,包括:
对同一类型的安防案件类型,通过属性相似度加权距离,计算出各安防区域与所述易发生安全案件区域之间的相似度距离,对于超过距离阈值的安防区域,生成规划提示。
在一些实施例中,所述轮询算法,包括:
对于发生安防案件频率较高区域、新规划安防区域,轮询过程中提高轮询概率;
对于普通安防区域,采用定期随机抽样轮询方法进行轮询。
基于上述目的,本申请还提出了一种基于大数据的社区安防规划系统,包括:
构建模块,用于将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
特征提取模块,用于按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
计算模块,对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
轮询模块,用于通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
在一些实施例中,所述构建模块,包括:
数据清洗单元,用于对建筑传感数据进行归一化处理,将社区传感数据转换为标准数据;
数据传输单元,用于将社区传感数据在构建模块、特征提取模块、计算模块、轮询模块之间进行传输。
在一些实施例中,所述基于大数据的社区安防规划系统,还包括:
任务调度模块,用于控制任务的分发、资源分配;
效率监控模块,用于控制任务执行效率,并向所述任务调度模块发送监督结果。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的基于大数据的社区安防规划方法的流程图。
图2示出根据本发明实施例的基于大数据的社区安防规划系统的构成图。
图3示出根据本发明实施例的构建模块的构成图。
图4示出根据本发明实施例的基于大数据的社区安防规划系统的构成图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出根据本发明实施例的基于大数据的社区安防规划方法的流程图。如图1所示,该基于大数据的社区安防规划方法包括:
步骤S11、将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
在一种实施方式中,将社区传感数据和社区安防案件数据通过社区位置进行聚合,包括:
社区传感数据来自于社区中传感设备,传感设备实时采集社区安防设备以及社区动态信息,包括:传感器所关联安防设备的社区位置、使用状态、实时险情,以及非法越界、车辆异常、环境异常、暴力破坏;
社区安防案件数据来自于社区安防历史档案,包括安防案件发生的社区位置、发生时间、案件类别、处理方法、发生事由;
将所述社区传感数据和所述社区安防案件数据通过社区位置进行关联碰撞,得到所有安防设备的安防案件发生情况及实时状态情况。
举例来说,社区安防案件数据显示社区中位于边缘位置的围栏,经常发生小偷翻越围栏闯入社区的案件;同时,分布于该区域的传感器也显示,该段围栏有人为破坏迹象,且存在人员空中翻越、非法进入社区的行动识别数据。通过将这两类数据进行碰撞关联,可以得到该区域需要进行安防规划的各类具体数据。
又如,社区安防案件数据显示:社区中某拐弯区域进场发生行车碰撞儿童事件;同时,分布于该区域的传感器能够捕捉到,该区域障碍物设置情况、标识物状态情况、行车视野范围情况、儿童通过限制情况等传感数据,为社区安防规划提供充足的数据基础。
又如,通过对海量的社区传感数据分析得出,某一区域老年住户聚集存在规律性、周期性,可以提示社区规划人员在该区域增加方便老人的器械、安全防护装置等。
社区安防案件数据和社区传感数据的数据量十分庞大,需要建立一个稳定、高效的大数据库系统进行存储。
步骤S12、按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
在一种实施方式中,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,包括:
针对不同的安防案件类型,以所述社区传感数据和所述社区安防案件数据为输入,以社区各区域、设备发生安防事故概率为输出,训练多层深度学习网络。
在一种实施方式中,所述多层深度学习网络包括:
中间隐层神经元的激活函数采用ReLU函数,公式为:
out=max(0,in),
其中out为输出,in为输入;最后一层激活函数采用softmax函数,公式为:
其中outi为第i层输出,zj为输入j经过加权、求和、偏向得到的中间变量;损失函数采用交叉熵损失函数,公式为:
其中x(i)为期望输出,为实际输出;优化函数采用批量梯度下降法,迭代训练直至所述深度学习网络进入稳态。
步骤S13、对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
在一种实施方式中,所述对整个社区进行全域扫描,包括:
通过险情偏移加权策略,优先、频繁扫描社区中重点区域、重点安防设备。
具体来说,安防规划实践经验表明,社区中经常发生安全问题的重点区域、重点安防设备处于关键地位,例如社区门口如果发生非法闯入将对社区造成重大安全影响,又如车库拦挡如果发生故障,将影响整个社区的交通出行,对于这些重点区域,需要优先、频繁进行扫描,确保问题率降到最低。一旦发现问题,需要及时发现,立即反馈至规划方,进行规划调整。
偏移加权策略的实施过程中,通过对重点区域、重点安防设备增加权重的方式,从而提高这些区域、设备的扫描权重、优先级,加大对这些区域、设备的巡查力度。
在一种实施方式中,所述计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划,包括:
对同一类型的安防案件类型,通过属性相似度加权距离,计算出各安防区域与所述易发生安全案件区域之间的相似度距离,对于超过距离阈值的安防区域,生成规划提示。
具体来说,不同类型的安防案件,所具有的案件属性不同,促发案件发生的因素也会有很大区别,例如,火灾类案件和车辆剐蹭案件之间的案件属性及促发案件发生的因素完全不一样,因此,有必要对不同类型的案件,区分进行相似度的计算。
通过对同一类案件的相似度进行比较,可以发现预测出与典型社区安防案件具有相似属性的区域、设备,从而为社区规划指明目标,并提供规划参考。
步骤S14、通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
在一种实施方式中,所述轮询算法,包括:
对于发生安防案件频率较高区域、新规划安防区域,轮询过程中提高轮询概率;
对于普通安防区域,采用定期随机抽样轮询方法进行轮询。
具体来说,安防规划实践经验表明,社区中经常发生安全问题的区域即使进行了安全加强,由于犯罪分子的经验以及规划区域本身的环境因素,仍然容易发生安全问题,因此,有必要在进行全域扫描时,加强该区域的扫描。
另外,当引入新安防设备,或是对已有安防设备改造升级后,设备可能不够稳定,这些设备构成了重点安防设备,也需要加强对该区域的扫描。
然而,普通区域由于长期不发生社区案件,可以采用定期随机抽样轮询方法进行轮询,从而减少轮询频率,降低通信负载压力,提高系统循行效率。
图2示出根据本发明实施例的基于大数据的社区安防规划系统的构成图。如图2所示,该基于大数据的社区安防规划系统整体可以分为:
构建模块21,用于将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
特征提取模块22,用于按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
计算模块23,对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
轮询模块24,用于通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
图3示出根据本发明实施例的构建模块的构成图。如图3所示,该构建模块可以分为:
数据清洗单元211,用于对建筑传感数据进行归一化处理,将社区传感数据转换为标准数据;
数据传输单元212,用于将社区传感数据在构建模块、特征提取模块、计算模块、轮询模块之间进行传输。
图4示出根据本发明实施例的基于大数据的社区安防规划系统的构成图。如图4所示,该基于大数据的社区安防规划系统还包括:
任务调度模块25,用于控制任务的分发、资源分配;
效率监控模块26,用于控制任务执行效率,并向所述任务调度模块发送监督结果。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的社区安防规划方法,其特征在于,包括:
将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
2.根据权利要求1所述的方法,其特征在于,所述将社区传感数据和社区安防案件数据通过社区位置进行聚合,包括:
所述社区传感数据来自于社区中传感设备,传感设备实时采集社区安防设备以及社区动态信息,包括:传感器所关联安防设备的社区位置、使用状态、实时险情,以及非法越界、车辆异常、环境异常、暴力破坏;
所述社区安防案件数据来自于社区安防历史档案,包括安防案件发生的社区位置、发生时间、案件类别、处理方法、发生事由;
将所述社区传感数据和所述社区安防案件数据通过社区位置进行关联碰撞,得到所有安防设备的安防案件发生情况及实时状态情况。
3.根据权利要求1所述的方法,其特征在于,所述针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,包括:
针对不同的安防案件类型,以所述社区传感数据和所述社区安防案件数据为输入,以社区各区域、设备发生安防事故概率为输出,训练多层深度学习网络。
4.根据权利要求4所述的方法,其特征在于,所述多层深度学习网络包括:
中间隐层神经元的激活函数采用ReLU函数,公式为:
out=max(0,in),
其中out为输出,in为输入;最后一层激活函数采用softmax函数,公式为:
其中outi为第i层输出,zj为输入j经过加权、求和、偏向得到的中间变量;损失函数采用交叉熵损失函数,公式为:
其中x(i)为期望输出,为实际输出;优化函数采用批量梯度下降法,迭代训练直至所述深度学习网络进入稳态。
5.根据权利要求1所述的方法,其特征在于,所述对整个社区进行全域扫描,包括:
通过险情偏移加权策略,优先、频繁扫描社区中重点区域、重点安防设备。
6.根据权利要求1所述的方法,其特征在于,所述计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划,包括:
对同一类型的安防案件类型,通过属性相似度加权距离,计算出各安防区域与所述易发生安全案件区域之间的相似度距离,对于超过距离阈值的安防区域,生成规划提示。
7.根据权利要求1所述的方法,其特征在于,所述轮询算法,包括:
对于发生安防案件频率较高区域、新规划安防区域,轮询过程中提高轮询概率;
对于普通安防区域,采用定期随机抽样轮询方法进行轮询。
8.一种基于大数据的社区安防规划系统,其特征在于,包括:
构建模块,用于将社区传感数据和社区安防案件数据通过社区位置进行聚合,形成安防规划基础数据集,导入大数据存储系统中;
特征提取模块,用于按照安防案件类型对所述安防规划基础数据集分类,针对不同的安防案件类型,通过深度学习网络算法提取安防案件所发生社区位置的特征,得到易发生安防案件区域特点;
计算模块,对整个社区进行全域扫描,计算出与所述易发生安全案件区域特点相似的地区,根据安防案件类型,进行安防规划;
轮询模块,用于通过轮询算法对所述社区传感数据进行实时分析,计算所述社区传感数据来源的安防设备安全特征值,与所述安防案件发生区域特点进行相似度比较,发出安防规划提示。
9.根据权利要求8所述的系统,其特征在于,所述构建模块,包括:
数据清洗单元,用于对建筑传感数据进行归一化处理,将社区传感数据转换为标准数据;
数据传输单元,用于将社区传感数据在构建模块、特征提取模块、计算模块、轮询模块之间进行传输。
10.根据权利要求8所述的系统,其特征在于,所述基于大数据的社区安防规划系统,还包括:
任务调度模块,用于控制任务的分发、资源分配;
效率监控模块,用于控制任务执行效率,并向所述任务调度模块发送监督结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181871.0A CN110047025A (zh) | 2019-03-11 | 2019-03-11 | 一种基于大数据的社区安防规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181871.0A CN110047025A (zh) | 2019-03-11 | 2019-03-11 | 一种基于大数据的社区安防规划方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110047025A true CN110047025A (zh) | 2019-07-23 |
Family
ID=67273674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181871.0A Pending CN110047025A (zh) | 2019-03-11 | 2019-03-11 | 一种基于大数据的社区安防规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110047025A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956564A (zh) * | 2019-10-29 | 2020-04-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区老年人设施规划方法和系统 |
CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和系统 |
CN117407573A (zh) * | 2023-11-13 | 2024-01-16 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820961A (zh) * | 2015-05-19 | 2015-08-05 | 重庆大学 | 一种基于网格化管理的公共危机网络预警评估方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN108320256A (zh) * | 2017-12-08 | 2018-07-24 | 中国电子科技集团公司电子科学研究院 | 基于大数据的社会安全事件识别方法、设备及存储介质 |
CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
-
2019
- 2019-03-11 CN CN201910181871.0A patent/CN110047025A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820961A (zh) * | 2015-05-19 | 2015-08-05 | 重庆大学 | 一种基于网格化管理的公共危机网络预警评估方法 |
CN107545577A (zh) * | 2017-08-23 | 2018-01-05 | 电子科技大学 | 基于神经网络的沉积相图像分割方法 |
CN108320256A (zh) * | 2017-12-08 | 2018-07-24 | 中国电子科技集团公司电子科学研究院 | 基于大数据的社会安全事件识别方法、设备及存储介质 |
CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956564A (zh) * | 2019-10-29 | 2020-04-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区老年人设施规划方法和系统 |
CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和系统 |
CN117407573A (zh) * | 2023-11-13 | 2024-01-16 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
CN117407573B (zh) * | 2023-11-13 | 2024-04-12 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047025A (zh) | 一种基于大数据的社区安防规划方法和系统 | |
JP6867153B2 (ja) | 異常監視システム | |
CN110334563A (zh) | 一种基于大数据的社区安全管理方法和系统 | |
CN108712404A (zh) | 一种基于机器学习的物联网入侵检测方法 | |
CN112183265A (zh) | 基于图像识别的电力施工视频监控告警方法及系统 | |
CN110298278A (zh) | 一种基于人工智能的地下停车库行人车辆监测方法 | |
CN108009690A (zh) | 一种基于模块度最优化的地面公交扒窃团体自动检测方法 | |
CN112907869B (zh) | 基于多种传感技术的入侵检测系统 | |
US20170193782A1 (en) | Passive infrared systems and methods that use pattern recognition to distinguish between human occupants and pets | |
Nguyen et al. | Multistage real-time fire detection using convolutional neural networks and long short-term memory networks | |
CN104915654B (zh) | 一种基于受限玻尔兹曼机的路径点数据行为识别方法 | |
CN111274786A (zh) | 一种自动量刑的方法和系统 | |
CN115984767A (zh) | 一种基于监控画面实时分析的异常预警方法及系统 | |
CN115205796A (zh) | 轨道线路异物侵限监测与风险预警方法及系统 | |
Xie et al. | High-speed railway perimeter intrusion detection approach based on Internet of Things | |
Ghahnavieh et al. | Enhancing the license plates character recognition methods by means of SVM | |
CN110040592A (zh) | 基于双路监控视频分析的电梯轿厢载客数检测方法及系统 | |
Patil et al. | Automated wild-animal intrusion detection and repellent system using artificial intelligence of things | |
US20160125296A1 (en) | System and Method for Securing an Architectural Environment Against Crime and Minimizing Criminal Elements | |
Kaluža et al. | Detection of suspicious behavior from a sparse set of multiagent interactions | |
US11610436B2 (en) | Efficient watchlist searching with normalized similarity | |
Johnson et al. | Security has gone to pot: an analysis of marijuana cultivation security laws and regulations in the United States | |
Saleh et al. | Human activities classification based on ϕ-OTDR system by utilizing gammatone filter cepstrum coefficient envelope using support vector machine | |
Shin et al. | Anomaly detection algorithm based on global object map for video surveillance system | |
Kaluža et al. | A probabilistic risk analysis for multimodal entry control |
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: 20190723 |