CN111079577A - 一种动态区域聚集预警实时推荐的计算方法及系统 - Google Patents
一种动态区域聚集预警实时推荐的计算方法及系统 Download PDFInfo
- Publication number
- CN111079577A CN111079577A CN201911211752.1A CN201911211752A CN111079577A CN 111079577 A CN111079577 A CN 111079577A CN 201911211752 A CN201911211752 A CN 201911211752A CN 111079577 A CN111079577 A CN 111079577A
- Authority
- CN
- China
- Prior art keywords
- area
- aggregation
- real
- data
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种动态区域聚集预警实时推荐的计算方法及系统,方法包括:采集监控区域内各设备的数据,形成实时数据流;对所述数据流进行标准化处理,根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流,再通过关联结合,获取关联信息并进行实时预警推送;本发明可以通过用户确定的时间段和范围,对检测到的信息进行计算,聚集区域可以随着数据的变化进行动态的生成,由于聚集区域是动态产生,解决并优化了因人为划区的缘故,从而造成相邻的两个设备点被区分成两个区域,当相邻两个设备点检测到人群时且达到预警阈值时不预警现象。本发明可以实时对数据进行计算,聚集区域动态随着数据的变化进行变化,实现了预警的实时性。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种动态区域聚集预警实时推荐的计算方法及系统。
背景技术
视频监控是安全防范系统的重要组成部分,通过视频监控可以对图像进行自动识别、存储和自动报警,在当前智慧安防城市建设过程中,对于人员的管控是一重要体现,而人员的区域聚集实时预警又是人员管控中的一大难点。
目前,在现有的技术中,通常是人为或者使用GeoHash和S2算法对区域进行固定划分,但是,传统的算法也有着明显的缺点,当管控人员聚集在两个相邻的区域时可能会造成无预警的情况。因此,针对这一安全隐患,需要更有效的方式去对区域聚集情况进行判别。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种动态区域聚集预警实时推荐的计算方法及系统,以解决上述技术问题。
本发明提供的动态区域聚集预警实时推荐的计算方法,包括:
采集监控区域内各设备的数据,形成实时数据流;
通过对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
可选的,确定最终区域的最大范围半径maxL、最大时间窗口maxTime及预警阈值(n),获取最大时间窗口maxTime内各设备到其他设备之间的距离Si→k,并以Si→k≤maxL为区域范围,进行聚合,获取初始区域。
可选的,所述监控区域内各设备的数据至少包括对象标识信息(即:对象ID)、时间信息和设备身份信息,对所述初始区域进行聚合,获取对象ID集合和设备集合。
可选的,根据最大时间窗口maxTime内各设备到其他设备之间的距离,获取区域内各设备点到其他设备点的距离之和的集合,并根据集合内一设备点到其他设备点的距离的远近,判定中心点设备,完成动态计算聚集区域和中心点位置。
可选的,判断区域A是否属于区域B的子集/父集,当区域A属于区域B的子集/父集时,则保留父集区域,并将区域A和区域B的对象ID的集合进行合并,生成新的对象ID集合。
可选的,当区域A不属于区域B的子集/父集时,则判断区域A与区域B的对象ID集合是否相同,如果对象ID集合相同,则对聚集区域进行消除处理。
可选的,所述消除处理包括,分别获取区域A和区域B中心设备点到其他各点的最短距离Smin,选择区域A和区域B中Smin最小的区域作为聚集区域。
可选的,如果区域A与区域B的对象ID集合不相,则判断区域A的对象ID集合是否属于区域B的对象ID集合的子集/父集,如果区域A的对象ID集合属于区域B对象ID集合的子集/父集,则合并区域A与区域B,选取父集区域作为聚集区域。
可选的,获取经过标准化处理后的聚集区域及其详细信息,并根据所述详细信息与聚集区域数据流关联结合,获取关联信息,所述关联信息包括聚集区域设备集合、聚集区域中心点设备、聚集区域对象ID集合、实际产生数据的设备、事件时间、对象ID、聚集人员总数。
本发明还提供一种动态区域聚集预警实时推荐系统,包括:
数据采集模块,用于采集监控区域内各设备的数据,形成实时数据流;
标准化处理模块,用于对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
聚集区域计算模块,用于根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
预警推送模块,用于根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述中任一项所述方法。
本发明的有益效果:本发明中的动态区域聚集预警实时推荐的计算方法及系统,可以通过用户确定的时间段和范围,对检测到的信息进行计算,聚集区域可以随着数据的变化进行动态的生成,由于聚集区域是动态产生,解决并优化了因人为划区的缘故,从而造成相邻的两个设备点被区分成两个区域,当相邻两个设备点检测到人群时且达到预警阈值时不预警现象。本发明可以实时对数据进行计算,聚集区域动态随着数据的变化进行变化,实现了预警的实时性。
附图说明
图1是本发明实施例中动态区域聚集预警实时推荐的计算方法的整体流程示意图。
图2是本发明实施例中动态区域聚集预警实时推荐的计算方法的详细计算流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
如图1所示,本实施例中的动态区域聚集预警实时推荐的计算方法,包括:
S101.数据源:采集监控区域内各设备的数据,形成实时数据流;
S102.数据标准化:通过对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
S103.聚集区域计算:根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
S104.数据推送:根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
在本实施例中,首先会从各个监控探测设备数据源中实时抽取数据,产生实时数据流,数据包含了三个重要的信息:对象标识信息(即:对象ID)、时间、设备名称。本实施例中的对象ID只是一个泛指,代表某一类型数据的唯一ID,如果数据源是人脸抓拍信息,那么就代表人脸信息;如果是MAC采集流信息,那么对象ID就是MAC地址;如果是RFID采集信息,那么对象ID就是RFID。对数据流进行标准化处理,对数据进行去重,同时得到对应设备的经纬度,通过标准化处理,可以减少数据量,避免重复计算,提高计算效率。再根据时间段内的数据,动态计算聚集区域和中心点位置,最终确定聚集区域,并与标准化后的数据流结合,对预警数据进行实时推送。
如图2所示,具体计算流程为:
S201、接入实时数据流,对数据流过滤,筛选对象的数据流,同时对数据进行标准化清洗,得到设备对应的经纬度信息。
S202、用户确定区域的最大范围(maxL)、最大时间窗口(maxTime)以及预警阈值(n)。
S203、确定初始聚集区域。对maxTime内的数据流进行计算,
P={P(x1,y1),P(x2,y2),P(x3,y3)...P(xn,yn)} 公式(1)
其中,P表示以点Pα为中心点的区域内所有设备的集合,α∈(1,2,3...n);P(xn,yn)指的是具体某点,其中x,y分别代表这个点的经纬度。
Si→k=F(P(xi,yi),P(xk,yk)) 公式(2)
其中,Si→k表示点Pi到点Pk的距离。
计算各设备到其他设备间的距离Si→k,其中以Si→k≤maxL为区域范围,进行聚合,确定为初始的区域,以该区域进行聚合,得到对象ID的集合{F}和设备的集合{P}。
S204、通过公式(3)计算各设备到该区域其他设备之间的距离之和Si,得到集合{S1,S2,S3...Sn,}。
其中,Si表示点Pi到其他各点的距离之和。
S205、对集合{S}求最小值,及这个点到其他点的距离最短,则判定此点为中心点设备Pα。
S206、判断区域A是否属于区域B的子集/父集,当区域A属于区域B的子集/父集时,保留父集区域,将区域A及区域B的对象ID的集合进行合并,生成新的对象ID集合。
S207、当S205步骤不满足时,判断区域A与区域B的对象ID集合是否相同,当对象ID集合相同时,则选取区域A和区域B中取Smin最小的聚集区域。
其中,Smin表示该区域中某点到其他各点的最短距离。
S208、当S206不满足时,判断区域A的对象ID集合是否属于区域B的对象ID集合的子集/父集,当区域A的对象ID集合属于区域B对象ID集合的子集/父集时,则合并区域A与区域B,选取父集区域作为聚集区域。
S209、重复S205/S206/S207步骤,当都不满足时,说明此区域是一个最小聚集区域,输出该聚集区域详细信息。
S210、将聚集区域数据流以预警阈值(n)进行过滤,当聚集人数达到阈值,则与去重过滤后的标准化数据流关联结合,得到相关信息:聚集区域设备集合、聚集区域中心点设备、聚集区域对象ID集合、实际产生数据的设备、事件时间、对象ID、聚集人员总数。将此信息进行实时推送。
在本实施例中,例如某相关职能部门需要对部分人员实施管控,避免这部分人员的不正当聚众行为,影响社会的稳定性,可以通过本实施例中的动态区域聚集预警实时推荐的计算方法进行布控预警。相关职能部门需人员首先设置一个阈值,然后使用信息采集设备(摄像头/MAC等)对这部分人的信息进行采集,生成实时数据流,当这部分人都出现在某个范围内且数量达到某个阈值时,这监控系统就会发出警报,地图上就可以展示出这个聚集区域的具体位置、中心点位置、以及采集到这些信息的时间、对象信息和具体采集到此信息的设备,可以达到实时预警的效果。相关职能部门需人员可以根据情况去现场查看,采取不同的措施,将聚众闹事、影响社会稳定等事件发生的概率降到最低,从而维护了社会的秩序。本方法适用于各类对象区域聚集预警情况。
相应的,本实施例还提供一种动态区域聚集预警实时推荐系统,包括
数据采集模块,用于采集监控区域内各设备的数据,形成实时数据流;
标准化处理模块,用于对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
聚集区域计算模块,用于根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
预警推送模块,用于根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
本实施例中的动态区域聚集预警实时推荐系统采用上述方法,实现管控人员区域聚集的实时预警,同时对区域聚集地进行有效的判别,可以通过显示模块动态的展示区域聚集地,将相邻的区域进行动态的组合,确定区域的中心点位置,对最优的聚集区域进行展现。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。如果说明书描述了部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性不是必须被包括的。如果说明书或权利要求提及“一”元件,并非表示仅有一个元件。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种动态区域聚集预警实时推荐的计算方法,其特征在于,包括:
采集监控区域内各设备的数据,形成实时数据流;
通过对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
2.根据权利要求1所述的动态区域聚集预警实时推荐的计算方法,其特征在于,确定最终区域的最大范围半径maxL、最大时间窗口maxTime及预警阈值(n),获取最大时间窗口maxTime内各设备到其他设备之间的距离Si→k,并以Si→k≤maxL为区域范围,进行聚合,获取初始区域。
3.根据权利要求2所述的动态区域聚集预警实时推荐的计算方法,其特征在于,所述监控区域内各设备的数据至少包括对象标识信息、时间信息和设备身份信息,对所述初始区域进行聚合,获取对象标识信息集合和设备集合。
4.根据权利要求2所述的动态区域聚集预警实时推荐的计算方法,其特征在于,根据最大时间窗口maxTime内各设备到其他设备之间的距离,获取区域内各设备点到其他设备点的距离之和的集合,并根据集合内一设备点到其他设备点的距离的远近,判定中心点设备,完成动态计算聚集区域和中心点位置。
5.根据权利要求3所述的动态区域聚集预警实时推荐的计算方法,其特征在于,
判断区域A是否属于区域B的子集/父集,当区域A属于区域B的子集/父集时,则保留父集区域,并将区域A和区域B的对象标识信息的集合进行合并,生成新的对象标识信息集合。
6.根据权利要求5所述的动态区域聚集预警实时推荐的计算方法,其特征在于,当区域A不属于区域B的子集/父集时,则判断区域A与区域B的对象标识信息集合是否相同,如果对象标识信息集合相同,则对聚集区域进行消除处理。
7.根据权利要求6所述的动态区域聚集预警实时推荐的计算方法,其特征在于,所述消除处理包括,分别获取区域A和区域B中心设备点到其他各点的最短距离Smin,选择区域A和区域B中Smin最小的区域作为聚集区域。
8.根据权利要求7所述的动态区域聚集预警实时推荐的计算方法,其特征在于,如果区域A与区域B的对象标识信息集合不相,则判断区域A的对象标识信息集合是否属于区域B的对象标识信息集合的子集/父集,如果区域A的对象标识信息集合属于区域B对象标识信息集合的子集/父集,则合并区域A与区域B,选取父集区域作为聚集区域。
9.根据权利要求8所述的动态区域聚集预警实时推荐的计算方法,其特征在于,获取经过标准化处理后的聚集区域及其详细信息,并根据所述详细信息与达到聚集区域预警阈值(n)的数据流关联结合,获取关联信息,所述关联信息包括聚集区域设备集合、聚集区域中心点设备、聚集区域对象标识信息集合、实际产生数据的设备、事件时间、对象标识信息、聚集人员总数。
10.一种动态区域聚集预警实时推荐系统,其特征在于,包括
数据采集模块,用于采集监控区域内各设备的数据,形成实时数据流;
标准化处理模块,用于对所述数据流进行标准化处理,完成对数据进行去重,并获取各设备的位置信息;
聚集区域计算模块,用于根据时间段内的数据,动态计算聚集区域和中心点位置,形成聚集区域数据流;
预警推送模块,用于根据所述聚集区域数据流和标准化处理后的实际数据流进行关联结合,获取关联信息并进行实时预警推送。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1至9中任一项所述方法。
12.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至9中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211752.1A CN111079577B (zh) | 2019-12-02 | 2019-12-02 | 一种动态区域聚集预警实时推荐的计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211752.1A CN111079577B (zh) | 2019-12-02 | 2019-12-02 | 一种动态区域聚集预警实时推荐的计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079577A true CN111079577A (zh) | 2020-04-28 |
CN111079577B CN111079577B (zh) | 2021-02-26 |
Family
ID=70312317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211752.1A Active CN111079577B (zh) | 2019-12-02 | 2019-12-02 | 一种动态区域聚集预警实时推荐的计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079577B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
CN111785392A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
CN111985098A (zh) * | 2020-08-13 | 2020-11-24 | 中国科学院软件研究所 | 一种面向工业大数据的多尺度时变动态可视化方法 |
CN112750274A (zh) * | 2020-12-17 | 2021-05-04 | 青岛以萨数据技术有限公司 | 一种基于面部特征识别的聚集预警系统、方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574154A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据平台的城市宏观区域信息分析系统 |
CN106331657A (zh) * | 2016-11-02 | 2017-01-11 | 北京弘恒科技有限公司 | 人群聚集及移动的视频分析检测方法及系统 |
CN107958258A (zh) * | 2016-10-18 | 2018-04-24 | 安讯士有限公司 | 用于追踪限定区域中的对象的方法和系统 |
CN108268519A (zh) * | 2016-12-30 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 一种推荐网络对象的方法和装置 |
CN110415012A (zh) * | 2019-06-05 | 2019-11-05 | 中国联合网络通信集团有限公司 | 动态场景区域确定方法、装置、设备及可读存储介质 |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
-
2019
- 2019-12-02 CN CN201911211752.1A patent/CN111079577B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574154A (zh) * | 2015-12-16 | 2016-05-11 | 浙江汉鼎宇佑金融服务有限公司 | 一种基于大数据平台的城市宏观区域信息分析系统 |
CN107958258A (zh) * | 2016-10-18 | 2018-04-24 | 安讯士有限公司 | 用于追踪限定区域中的对象的方法和系统 |
CN106331657A (zh) * | 2016-11-02 | 2017-01-11 | 北京弘恒科技有限公司 | 人群聚集及移动的视频分析检测方法及系统 |
CN108268519A (zh) * | 2016-12-30 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 一种推荐网络对象的方法和装置 |
CN110415012A (zh) * | 2019-06-05 | 2019-11-05 | 中国联合网络通信集团有限公司 | 动态场景区域确定方法、装置、设备及可读存储介质 |
CN110493333A (zh) * | 2019-08-15 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 一种目标位置点的确定方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
CN111785392A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
CN111785392B (zh) * | 2020-07-01 | 2024-02-09 | 医渡云(北京)技术有限公司 | 人口数量的预警方法、装置、电子设备及计算机可读介质 |
CN111985098A (zh) * | 2020-08-13 | 2020-11-24 | 中国科学院软件研究所 | 一种面向工业大数据的多尺度时变动态可视化方法 |
CN112750274A (zh) * | 2020-12-17 | 2021-05-04 | 青岛以萨数据技术有限公司 | 一种基于面部特征识别的聚集预警系统、方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111079577B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079577B (zh) | 一种动态区域聚集预警实时推荐的计算方法及系统 | |
US20220092881A1 (en) | Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program | |
Kounadi et al. | Population at risk: Using areal interpolation and Twitter messages to create population models for burglaries and robberies | |
US9582719B2 (en) | Geographical area condition determination | |
Wang et al. | Tweeting cameras for event detection | |
Khalifa et al. | Identifying urban crowds using geo-located Social media data: a Twitter experiment in New York City | |
WO2014150987A1 (en) | Systems and methods for identifying entites using geographical and social mapping | |
WO2010138864A2 (en) | Forecasting hotspots using predictive visual analytics approach | |
Steiger et al. | Mining and correlating traffic events from human sensor observations with official transport data using self-organizing-maps | |
Ranjbar et al. | A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings | |
EP2897088A1 (en) | Method and apparatus for optimum spatial clustering | |
ES2943148T3 (es) | Ocupación de lugares en tiempo real | |
Atzmueller | Detecting community patterns capturing exceptional link trails | |
CN111522995A (zh) | 目标对象分析方法、装置及电子设备 | |
Zhang et al. | Analysis of street crime predictors in web open data | |
Wei et al. | Detecting latest local events from geotagged tweet streams | |
Alfarrarjeh et al. | Spatial coverage measurement of geo-tagged visual data: A database approach | |
Nkwunonwo | Assessment of social vulnerability for efficient management of urban pluvial flooding in the Lagos metropolis of Nigeria | |
Jiang et al. | Data-driven tracking of the bounce-back path after disasters: critical milestones of population activity recovery and their spatial inequality | |
Shiode | Revisiting John Snow's map: network-based spatial demarcation of cholera area | |
Patrascu et al. | Spatial model for predictive recovery monitoring based on hazard, built environment, and population features and their spillover effects | |
Villegas et al. | Lessons from Harvey: Improving traditional damage estimates with social media sourced damage estimates | |
CN110895543A (zh) | 人口迁徙跟踪展示方法、装置及存储介质 | |
CN113473399B (zh) | 异常聚集事件检测方法、装置、计算机设备及存储介质 | |
Park | Estimating Hourly Population Distribution Patterns at High Spatiotemporal Resolution in Urban Areas Using Geo-Tagged Tweets and Dasymetric Mapping |
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 |