CN111445369A - 基于lbs大数据的城市大型聚集活动情报预警方法和装置 - Google Patents
基于lbs大数据的城市大型聚集活动情报预警方法和装置 Download PDFInfo
- Publication number
- CN111445369A CN111445369A CN202010244453.4A CN202010244453A CN111445369A CN 111445369 A CN111445369 A CN 111445369A CN 202010244453 A CN202010244453 A CN 202010244453A CN 111445369 A CN111445369 A CN 111445369A
- Authority
- CN
- China
- Prior art keywords
- data
- database
- information
- early warning
- characteristic
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明提供了基于LBS大数据的城市大型聚集活动情报预警方法和装置,涉及数据处理技术领域,通过获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入LBS特征专题预警模型,获得第一情报预警信息,达到了深度挖掘利用LBS位置大数据,提高LBS位置大数据为大型聚集活动中情报预警的有效性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及基于LBS大数据的城市大型聚集活动情报预警方法和装置。
背景技术
随着我国综合国力的增强,国内公众活动日渐增多,大型聚集活动中由突发事件而引起的公共安全问题,已成为世界各国普遍关注的问题。如何有效监测城市大型聚集活动中区域、场所、道路的人流、车流、客流、应急部署、网络舆情等实时数据,并能够结合相关挖掘模型快速做出情报研判与预警,已成为大型聚集活动中情报工作的研究热点。
如今我们已经进入大数据时代,信息与数据俨然已成为社会的主角,而在这些海量信息中,80%的信息与位置相关,并蕴含着突发事件发生的前兆,LBS位置大数据的意义可见一斑。研究如何利用这些位置信息与数据,并对其进行有效的挖掘与分析,使之成为对大型聚集活动中突发事件预警有用的情报信息,从而为应急指挥部署提供辅助性的决策和预案,将对大型聚集活动中情报预警工作发挥积极作用。在大数据时代,包含地理数据、轨迹数据、空间数据的LBS大数据将为大型聚集活动中情报预警工作发挥巨大潜力。
但本发明申请人发现现有技术至少存在如下技术问题:
现有的LBS位置大数据的挖掘和利用度较低,且利用LBS位置大数据为大型聚集活动中情报预警的成熟度低。
发明内容
本发明实施例提供了基于LBS大数据的城市大型聚集活动情报预警方法和装置,解决了现有技术中LBS位置大数据的挖掘和利用度较低,且利用LBS位置大数据为大型聚集活动中情报预警的成熟度低的技术问题,达到了深度挖掘利用LBS位置大数据,提高LBS位置大数据为大型聚集活动中情报预警的有效性,从而为应急指挥提供辅助性的决策和预案,提高大型聚集活动的可控性的技术效果。
鉴于上述问题,提出了本申请实施例以便提供基于LBS大数据的城市大型聚集活动情报预警方法和装置。
第一方面,本发明提供了基于LBS大数据的城市大型聚集活动情报预警方法,所述方法包括:获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
优选地,所述第一LBS数据流来源于公共服务提供商接口数据,且所述第二LBS数据流来源于交通运输部门的交通运营数据和公安部门实时数据。
优选地,所述第一LBS数据库包含区域人流LBS数据库,且所述第二LBS数据库包含交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。
优选地,所述根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,且根据数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息,包括:
根据大型聚集活动的第一特性划分确定所述第一LBS数据流与所述第二LBS数据流的POI工作区域;在所述第一LBS数据库与所述第二LBS数据库调取所述POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库;根据数据挖掘算法建立第一类专题挖掘模型,通过所述第一类专题挖掘模型处理所述第一专题数据库获得所述POI工作区域的第一突发事件预测信息。
优选地,所述方法还包括:
获得所述POI工作区域的人群特征画像信息;判断所述人群特征画像信息是否满足第一预定条件;当所述人群特征画像信息满足第一预定条件时,获得第一突发事件预测信息。
优选地,所述方法还包括:
根据所述第一LBS数据流与所述第二LBS数据流获得所述POI工作区域的第二特征数据;根据所述第二特征数据建立第二专题数据库,根据所述第二专题数据库统计获得第一历史数据;根据所述第一历史数据确定第一历史曲线,将所述第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型;根据所述贝叶斯多变量统计模型的数据拟合与反复参数修正,获得所述POI区域的第一情报信息的回归溯源公式与第一参数指标;根据所述第一情报信息的回归溯源公式与所述第一参数指标处理待预测数据,获得第一突发事件预测信息。
优选地,所述方法还包括:
获得所述POI工作区域的第一网络舆情信息;判断所述第一网络舆情信息是否满足第二预定条件,其中,所述第二预定条件为所述第一网络舆情信息与大型聚集活动的相关度达到60%以上;当所述第一网络舆情信息满足第二预定条件时,确定所述第一网络舆情信息与所述第一特征属性具有第一关联性;根据所述第一关联性确定第一突发事件预测信息。
第二方面,本发明提供了基于LBS大数据的城市大型聚集活动情报预警装置,所述装置包括:
数据处理单元,所述数据处理单元用于获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;
数据挖掘单元,所述数据挖掘单元用于根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;
第一设定单元,所述第一设定单元用于根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;
情报预警单元,所述情报预警单元用于根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
优选地,所述第一LBS数据流来源于公共服务提供商接口数据,且所述第二LBS数据流来源于交通运输部门的交通运营数据和公安部门实时数据。
优选地,所述第一LBS数据库包含区域人流LBS数据库,且所述第二LBS数据库包含交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。
优选地,所述数据挖掘单元中根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,且根据数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息,包括:
第一确定单元,所述第一确定单元用于根据大型聚集活动的第一特性划分确定所述第一LBS数据流与所述第二LBS数据流的POI工作区域;
第一建模单元,所述第一建模单元用于在所述第一LBS数据库与所述第二LBS数据库调取所述POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库;
第一获得单元,所述第一获得单元用于根据数据挖掘算法建立第一类专题挖掘模型,通过所述第一类专题挖掘模型处理所述第一专题数据库获得所述POI工作区域的第一突发事件预测信息。
优选地,所述装置还包括:
第二获得单元,所述第二获得单元用于获得所述POI工作区域的人群特征画像信息;
第一判断单元,所述第一判断单元用于判断所述人群特征画像信息是否满足第一预定条件;
第三获得单元,所述第三获得单元用于当所述人群特征画像信息满足第一预定条件时,获得第一突发事件预测信息。
优选地,所述装置还包括:
第四获得单元,所述第四获得单元用于根据所述第一LBS数据流与所述第二LBS数据流获得所述POI工作区域的第二特征数据;
第五获得单元,所述第五获得单元用于根据所述第二特征数据建立第二专题数据库,根据所述第二专题数据库统计获得第一历史数据;
第二建模单元,所述第二建模单元用于根据所述第一历史数据确定第一历史曲线,将所述第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型;
第六获得单元,所述第六获得单元用于根据所述贝叶斯多变量统计模型的数据拟合与反复参数修正,获得所述POI区域的第一情报信息的回归溯源公式与第一参数指标;
第七获得单元,所述第七获得单元用于根据所述第一情报信息的回归溯源公式与所述第一参数指标处理待预测数据,获得第一突发事件预测信息。
优选地,所述装置还包括:
第八获得单元,所述第八获得单元用于获得所述POI工作区域的第一网络舆情信息;
第二判断单元,所述第二判断单元用于判断所述第一网络舆情信息是否满足第二预定条件,其中,所述第二预定条件为所述第一网络舆情信息与大型聚集活动的相关度达到60%以上;
第二确定单元,所述第二确定单元用于当所述第一网络舆情信息满足第二预定条件时,确定所述第一网络舆情信息与所述第一特征属性具有第一关联性;
第三确定单元,所述第三确定单元用于根据所述第一关联性确定第一突发事件预测信息。
第三方面,本发明提供了基于LBS大数据的城市大型聚集活动情报预警装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
第四方面,本发明提供了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任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的基于LBS大数据的城市大型聚集活动情报预警方法和装置,通过获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息,从而解决了现有技术中LBS位置大数据的挖掘和利用度较低,且利用LBS位置大数据为大型聚集活动中情报预警的成熟度低的技术问题,达到了深度挖掘利用LBS位置大数据,提高LBS位置大数据为大型聚集活动中情报预警的有效性,从而为应急指挥提供辅助性的决策和预案,提高大型聚集活动的可控性的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中基于LBS大数据的城市大型聚集活动情报预警方法的流程示意图;
图2为本发明实施例中上海外滩区域人流量趋势图;
图3为本发明实施例中南京东路地铁站、陈毅广场、外滩源的人流量趋势图;
图4为本发明实施例中上海浦东国际机场的人流量指标的历史统计数据与预测数据图;
图5为本发明实施例中基于LBS大数据的城市大型聚集活动情报预警装置的结构示意图;
图6为本发明实施例中另基于LBS大数据的城市大型聚集活动情报预警装置的结构示意图。
附图标记说明:数据处理单元11,数据挖掘单元12,第一设定单元13,情报预警单元14,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本发明实施例提供了基于LBS大数据的城市大型聚集活动情报预警方法和装置,用于解决现有技术中LBS位置大数据的挖掘和利用度较低,且利用LBS位置大数据为大型聚集活动中情报预警的成熟度低的技术问题。
本发明提供的技术方案总体思路如下:获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息,从而达到了深度挖掘利用LBS位置大数据,提高LBS位置大数据为大型聚集活动中情报预警的有效性,从而为应急指挥提供辅助性的决策和预案,提高大型聚集活动的可控性的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中基于LBS大数据的城市大型聚集活动情报预警方法的流程示意图。如图1所示,本发明实施例提供了基于LBS大数据的城市大型聚集活动情报预警方法,所述方法包括:
步骤110:获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同。
进一步的,所述第一LBS数据流来源于公共服务提供商接口数据,且所述第二LBS数据流来源于交通运输部门的交通运营数据和公安部门实时数据。进一步的,所述第一LBS数据库包含区域人流LBS数据库,且所述第二LBS数据库包含交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。
具体而言,本申请实施例中采集LBS数据来源主要来自LBS公共服务提供商、政府政务部门两个层面。LBS(Location Based Service),基于位置服务,一般是指通过电信移动运营商的无线电通讯网络或外部定位方式,获取移动终端用户的位置信息,在GIS平台的支持下,为用户提供相应服务的一种增值业务。通过公共服务提供商采集获得第一LBS数据流,LBS公共服务提供商有移动、联通、电信等移动通信运营商,以及百度、腾讯、高德等互联网位置服务提供商。LBS公共服务提供商利用移动通信网络、GPS、Wi-Fi、NFC、Bluetooth等定位技术,获取用户移动终端的地理位置信息,向用户提供位置定位服务,并利用用户移动智能设备中集成的加速计、陀螺仪、磁力计等传感器通信数据,分析计算用户的运动状态,为用户提供导航、运动健康监测等增值服务。通过应用程序的调用接口(API)对接LBS公共服务提供商接口数据,可以实时获取某个特定区域、场所、道路的第一LBS数据流,并通过属性关联分析第一LBS数据流,可以获得特定区域或场所的人流密度、人流区域分布(也称为“热力图分布”)、人流流动状态等信息,从而建立该特定区域的第一LBS数据库,即人流LBS数据库。在人流LBS数据库中,可以建立IMSI信息、IMEI信息、用户网络ID、GPS经纬度信息、基站信息(LAC、CID)、wifi信息、运动状态信息(加速计、陀螺仪、磁力计)、即时通讯工具(ID账号)、其他属性等相关数据属性。
第二LBS数据流是通过交通运输部门和公安部门采集获得,政府的交通运输部门及其所监管的交通运营公司,通过GPS定位装置及RFID物联网络,掌握着特定区域内各类交通运营工具的LBS回传数据,并且还掌握了这些交通方式中驾乘人员的初步信息。公安部门的治安、交管等监控系统通过区域、场所、道路的卡口视频和RFID物联网络,可以实时采集特定区域、场所、道路的车流、人流、客流情况,掌握着特定地理位置下的实时视频数据、通行车辆信息数据、实时人流客流数据;通过民警携带的单兵、集群通信等通讯传感设备,实时掌握特定区域内应急处置力量的部署位置分布情况;通过公安内网,实时掌握大型聚集活动现场的移动通信情况和网络舆情情况。第二LBS数据流包括通过对接交通运输部门的交通运营数据,通过数据的属性关联,可以获取大型聚集活动现场的各类交通运输工具的实时位置数据、交通轨迹数据、票务基础信息数据、载客流量数据、交通运维承载数据等;第二LBS数据流还包括通过对接公安部门的卡口监控数据、集群与单兵传感数据、内网通信等实时数据,通过视频分析与数据关联,可以获取大型聚集活动现场的交通压力情况、人流情况、客流情况、网络舆情等信息,并实时掌握现场应急处置力量的部署情况。进而,根据所述第二LBS数据流建立第二LBS数据库,也就是说,可以建立第二LBS数据流中数据相应的交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。其中,交通运维数据库,可以包含交通运输方式、运输工具基础信息(交通工具识别号码、运输线路标识码、出发地、抵达地等基础属性)、交通运输工具位置轨迹信息、驾乘信息、票务信息、POI热点客流数据信息、交通运维压力状态信息等数据属性;人客流位置数据库,可以包含一卡通ID基础信息、抵达地信息、用户位置轨迹信息等数据属性;应急处置位置数据库,可以包含应急人员ID、人员基础信息、单兵传感器识别码、集群设备识别码、GPS经纬度信息、集群通信信息、数据回传信息等数据属性;现场视频非结构化数据库,主要以云存储的方式,以卡口ID、视频设备识别码、时间轴、多媒体数据为基本数据属性;网络舆情数据库,可以包含IMSI、IMEI、网络用户ID、GPS经纬度信息、wifi信息、移动基站信息、通信数据等数据属性。
步骤120:根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息。
进一步的,所述根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,且根据数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息,包括:根据大型聚集活动的第一特性划分确定所述第一LBS数据流与所述第二LBS数据流的POI工作区域;在所述第一LBS数据库与所述第二LBS数据库调取所述POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库;根据数据挖掘算法建立第一类专题挖掘模型,通过所述第一类专题挖掘模型处理所述第一专题数据库获得所述POI工作区域的第一突发事件预测信息。
具体而言,根据大型聚集活动的第一特性划分确定第一LBS数据流与第二LBS数据流的POI工作区域,其中,大型聚集活动的第一特性包括大型聚集活动的性质、类型、规模、场所以及安保应急要求。POI工作区域为LBS数据的兴趣点区域。在第一LBS数据库与第二LBS数据库调取POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库。其中,第一特征数据为POI工作区域相应的人流数据、人流分布、人群特征、人流走向等数据信息;第一专题数据库是依据第一特征数据建立的,如人客流数据仓库、POI视频数据仓库、交通流量数据仓库、POI人员基础信息库、LBS地理坐标基础数据仓库、网络舆情数据仓库、应急处理专家知识仓库等。根据数据挖掘算法建立第一类专题挖掘模型,其中,第一类专题挖掘模型包括POI热点区域内的人流统计模型、POI热点区域人群的特征画像分析模型等。通过第一类专题挖掘模型对第一专题数据库中的数据进行属性分类、关联分析、语义推理、溯源与预测、预警与决策树等研判分析,获得POI工作区域以可视化的形式,实时展示大型聚集活动区域的各类数据分析结果,即第一突发事件预测信息。第一突发事件预测信息中包含对突发事件的发生概率、类型、规模、波及范围、危害程度、发展演变趋势等做出预测。举例而言,通过第一类专题挖掘模型倒推预测大型聚集活动POI区域内大流量人员的LBS行为特征,估算出POI区域内的人流情况,为大型活动安保提供指引。通过对大型活动区域内的LBS数据的统计分析,在地理位置信息系统上以直观、可视化的色度表达形式(“热力图”)展示POI区域内的人流数量估值、人流密度、人流分布等信息。例如,2014年12月31日上海外滩踩踏事故发生后,百度研究院大数据实验室根据事故发生时收集的LBS大数据生成了上海外滩人群热力图,直观地展示了事故发生时外滩区域人流的位置分布与人流密度情况。2016年2月15日在南京秦淮灯会上,腾讯LBS大数据平台根据南京市公安局提供的数据信息,建立模型后对现场人流量提供不同时段的估算值以及人流热力分布图。通过对POI热点区域内的人流统计不仅能够实时或者分时段估算POI区域内人流的数量或人流密度,而且还可以利用数据挖掘模型以热力分布图的形式直观展现POI区域内人流的精准地理位置分布,而且这种分布可以具体到特定经纬度范围、指定的街道、指定的楼宇、指定的楼层。同时,这也是现有的大型聚集活动突发事件应急情报体系中无法实现的。
步骤130:根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值。
步骤140:根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
具体而言,通过步骤110对大型聚集活动区域、场所、道路内LBS数据的实时、全面、多维度采集,实现各类LBS数据信息的高效整合与步骤120建立情报研判所需的各类专题挖掘模型的基础上,通过对过去已发生的大型聚集活动突发事件中与LBS数据相关联的数据进行收集与分析,根据数据分类与关联算法确定第一LBS数据流、第二LBS数据流和突发事件关联的第一特征属性,其中,第一特征属性如人流、交通承载量、人客流对冲等。并且可以根据第一特征属性对应的第一LBS数据流、第二LBS数据流中数据建立突发事件案例资料信息库与专家知识库。利用数据建模和关联预测算法,对可能诱发突发事件,特别是踩踏事件的第一特征属性推算准确的预警阈值,进而设定第一预警阈值,并根据突发事件的类型、规模、环境等因素建立大型聚集活动的LBS特征专题预警模型;根据构建的LBS特征预警专题模型,实时采集第一特征属性相关的LBS数据,将实时特征数据输入LBS特征专题预警模型并通过高效并行计算处理,监测实时特征数据的指标与走势,当第一特征属性相关的LBS数据超过第一预警阈值时,进而获得第一情报预警信息,对大型聚集活动进行情报预警。同时,可以实时掌握大型聚集活动区域内相关应急人员、车辆、设备的地理位置信息及现场部署情况,调用突发事件案例资料信息库与专家知识库对过去突发事件处理的经验和教训进行归纳与分析,找到合理处置突发事件的模型与算法,并结合现场应急部署力量的LBS数据,建立具有对突发事件环境、规模、事件类型、算法模型等为一体的突发事件解决方案智库,为各类突发事件发生前的预警、发生中的处理、和事件平息后的善后处理提出针对性的决策和预案,提高大型聚集活动中突发事件的可控性。
其中,第一预警阈值主要有POI热点区域内的人流密度预警阈值、POI热点区域内的交通承载预警阈值、POI热点区域内的人客流对冲预警阈值等。设定POI热点区域内的人流密度预警阈值是因为根据分析历史踩踏事件数据表明,当在狭小区域内的人群密度过高,尤其是每平方米在5-10人时,前面的行人逐渐放慢前进速度,形成了对后方人群的阻碍,拥挤踩踏事件发生的频率就会大幅上升。因此,LBS特征预警专题模型中可以设置相应的人流密度预警阈值。举例而言,以腾讯位置大数据统计结果为例,腾讯地图根据LBS大数据对北京国贸地区和上海外滩地区在2014年12月31日23:00到00:00时间段内的人流热力分布进行了比较。通过对比可以发现,北京国贸地区虽然人群高度聚集的面积不如上海外滩地区,但增长速度却相似,人流密度已经接近危险临界阈值。但北京国贸地区在跨年活动紧急叫停之后,23:30左右,人流密度就已开始下降,而外滩陈毅广场此时密度还在持续上升,直到零点之后才开始出现下降趋势。再以百度大数据统计结果为例,图2中统计了2014年12月29日至2015年1月2日,上海外滩地区人流量相对值趋势曲线。根据统计上海外滩地区跨年活动前(12月29日-30日)的历史人流量数据,并设置为正常特征阈值,即人流量相对值设置为1。如图2所示,人流量相对值为1.0处的虚线为预警阈值参考线,事故发生当晚,人流量相对值已超过正常特征预警阈值的3倍多。
大型聚集活动中POI区域内的交通承载情况,间接反映了活动区域内人客流的演变与发展趋势。通过使用数据挖掘中的聚类分析与神经网络算法,可以利用采集的LBS大数据研判出大型聚集活动区域内的公交、出租车、地铁等的交通运维情况,统计分析POI区域内的年、月、日平均客流量指标数据,从而再结合大型聚集活动的类型、规模、环境等因素,建立交通承载预警模型,并设置交通承载预警阈值。举例而言,以腾讯位置大数据为例,其统计分析了2014年12月31日18:00至2015年1月1日7:00,南京东路地铁站、陈毅广场、外滩源的人客流相对值走势。如图3所示,南京东站地铁站人流量相对值从下午18时开始就已经超过正常预警阈值的2.5倍,并持续增大。在20时后出现了一个人流高峰,之后逐渐下降,在24时达到最低值。而陈毅广场的人流量相对值走势基本与南京东站地铁站相似,只是分别在21时和24时出现了两个人流高峰。因此,可以看出聚集活动区域的人流量与该区域的交通承载情况有一定的关联特性,大型聚集活动POI区域内的人客流量峰值是发生在交通站点、地铁站等地点人流量高峰之后,其滞后时间与两者的地理位置等因素有关。同时,图3中黑色虚线是踩踏事故发生的时间节点,此时,外滩源和南京东站地铁站的人流量都在最低值附近,陈毅广场的人流量正在向峰值发展。
根据大型聚集活动突发事件,特别是踩踏事件除了人流量大的特征之外,引发事故的另一原因之一是人流对冲,即在狭小区域内的人群密度过高,尤其是每平方米在5-10人时,前面的人群发生逆向流动,会导致人群往不同的方向分流,进而导致人群失控。利用移动用户终端或移动传感器内集成的加速计、陀螺仪、磁力计等传感器件,获得移动用户的LBS位置数据,利用相关数据运算处理,获得用户的LBS运动特征数据,其中既可包括用户运动速度、用户运动方向、用户小规模聚集行为等数据信息。通过对已发群体性踩踏事件中LBS轨迹特征数据向量的抓取与关联分析,可以计算出LBS运动特征数据的预警模型以及人客流对冲预警阈值。例如,百度位置大数据在生成上海外滩踩踏事故发生时外滩人流热力图分布数据的基础上,对POI区域内的部分移动用户的位置传感数据进行分析,并量化处理,得到了外滩区域的人群流向分布图,并与中秋前夜、国庆当晚的人群流向分布进行了比较。通过对外滩区域人群流向的方位统计结果进行比较,发现中秋和国庆当晚的人流方向比较简单,即南北走向人流较多,其他方向人流较少,而跨年当晚的外滩区域除了南北双向的人流,很有其他多个方向的人流,人群流向分布混乱。这种情况下,一个微小的移动都可能对旁边的人产生压力,这种效果就好比河流泛起了一圈圈的波浪,人会非常容易失衡摔倒在地,从而导致踩踏悲剧的发生。
进一步的,所述方法还包括:获得所述POI工作区域的人群特征画像信息;判断所述人群特征画像信息是否满足第一预定条件;当所述人群特征画像信息满足第一预定条件时,获得第一突发事件预测信息。
具体而言,基于LBS相关的其他关联数据属性,可以通过整合多维度数据源的挖掘分析结果,获得POI工作区域的人群特征画像信息,如人群特征、行为偏好、人流走向等信息,其中人群特征可以更加具体的提供人群年龄分布、性别比例、个性喜好、人流走向等。设定人群特征画像信息的第一预定条件,具体为:年龄比例中40岁以下达到60%以上。当人群特征画像信息满足第一预定条件时,根据第一类专题挖掘模型获得第一突发事件预测信息。
进一步的,所述方法还包括:根据所述第一LBS数据流与所述第二LBS数据流获得所述POI工作区域的第二特征数据;根据所述第二特征数据建立第二专题数据库,根据所述第二专题数据库统计获得第一历史数据;根据所述第一历史数据确定第一历史曲线,将所述第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型;根据所述贝叶斯多变量统计模型的数据拟合与反复参数修正,获得所述POI区域的第一情报信息的回归溯源公式与第一参数指标;根据所述第一情报信息的回归溯源公式与所述第一参数指标处理待预测数据,获得第一突发事件预测信息。
具体而言,根据第一LBS数据流与第二LBS数据流获得POI工作区域的第二特征数据,其中,第二特征数据为人客流量历史(平均)数据、人客流画像特征的历史(平均)数据等。据第二特征数据建立第二专题数据库,根据第二专题数据库统计获得第一历史数据,其中,第一历史数据包含以年、月、日、时、分等任意时段内大型聚集活动中POI区域的人客流量历史(平均)数据、人客流画像特征的历史(平均)数据、车流量历史(平均)数据、客流输运承载历史(平均)数据等相关情报信息。根据第一历史数据确定第一历史曲线,将第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型,通过数据拟合与反复参数修正,获得POI区域的第一情报信息的回归溯源公式与第一参数指标。根据第一情报信息的回归溯源公式与第一参数指标处理待预测数据,获得第一突发事件预测信息。其中,待预测数据为大型聚集活动当日的实时统计数据。举例而言,图4为腾讯位置大数据提供的上海市浦东国际机场在2017年1月18日0时至19日14时30分的人流量指标历史统计数据曲线,以及19日14时30分后的人流量指标预测数据曲线。曲线中不同的深浅程度代表不同的统计日期,其中,在19日的曲线数据中,实线部分为截至14时30分,浦东国际机场的人口流实时统计数据,而虚线部分则为根据该区域的回归溯源公式与拟合参数,预测的未来人流量指标发展趋势。
进一步的,所述方法还包括:获得所述POI工作区域的第一网络舆情信息;判断所述第一网络舆情信息是否满足第二预定条件,其中,所述第二预定条件为所述第一网络舆情信息与大型聚集活动的相关度达到60%以上;当所述第一网络舆情信息满足第二预定条件时,确定所述第一网络舆情信息与所述第一特征属性具有第一关联性;根据所述第一关联性确定第一突发事件预测信息。
具体而言,基于LBS大数据处理和数据挖掘技术,在保护公民隐私的基础上,通过对各类通信网络的自动采集和多维度分析,可以对互联网新闻媒体、微博、贴吧、微信、BBS论坛等媒体进行实时监控,获得POI工作区域的第一网络舆情信息。设定第二预定条件,其中,第二预定条件具体为第一网络舆情信息与大型聚集活动的相关度达到60%以上。当第一网络舆情信息满足第二预定条件时,确定第一网络舆情信息与第一特征属性具有第一关联性,且根据第一关联性确定第一突发事件预测信息。也就是说,将监控第一网络舆情信息与大型聚集活动具有强关联性的相关舆情进行自动的识别与聚合,获取最新相关舆情信息,并进行语义解析与分析,从而实现对最新相关舆情信息的深度分析,为应急指挥决策层全面掌握舆情动态、做出正确舆论引导提供依据。举例而言,百度搜索引擎统计了2014年12月31日晚21时至24时,上海外滩区域人群中检索“灯光秀取消了么”和“灯光秀门票”等关键词的数据统计结果。从23时20分开始,这类关键词的搜索指数急剧上升,在23时50分左右达到高峰,说明在这时间段内,有大量游客到了陈毅广场后才发现灯光秀地点更改,于是使用百度搜索引擎检索“灯光秀取消了么”和“灯光秀门票”等关键词,从而引起了人群的湍流现象。
实施例二
基于与前述实施例中基于LBS大数据的城市大型聚集活动情报预警方法同样的发明构思,本发明还提供基于LBS大数据的城市大型聚集活动情报预警方法装置,如图5所示,所述装置包括:
数据处理单元11,所述数据处理单元11用于获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;
数据挖掘单元12,所述数据挖掘单元12用于根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;
第一设定单元13,所述第一设定单元13用于根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;
情报预警单元14,所述情报预警单元14用于根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
进一步的,所述第一LBS数据流来源于公共服务提供商接口数据,且所述第二LBS数据流来源于交通运输部门的交通运营数据和公安部门实时数据。
进一步的,所述第一LBS数据库包含区域人流LBS数据库,且所述第二LBS数据库包含交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。
进一步的,所述数据挖掘单元中根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,且根据数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息,包括:
第一确定单元,所述第一确定单元用于根据大型聚集活动的第一特性划分确定所述第一LBS数据流与所述第二LBS数据流的POI工作区域;
第一建模单元,所述第一建模单元用于在所述第一LBS数据库与所述第二LBS数据库调取所述POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库;
第一获得单元,所述第一获得单元用于根据数据挖掘算法建立第一类专题挖掘模型,通过所述第一类专题挖掘模型处理所述第一专题数据库获得所述POI工作区域的第一突发事件预测信息。
进一步的,所述装置还包括:
第二获得单元,所述第二获得单元用于获得所述POI工作区域的人群特征画像信息;
第一判断单元,所述第一判断单元用于判断所述人群特征画像信息是否满足第一预定条件;
第三获得单元,所述第三获得单元用于当所述人群特征画像信息满足第一预定条件时,获得第一突发事件预测信息。
进一步的,所述装置还包括:
第四获得单元,所述第四获得单元用于根据所述第一LBS数据流与所述第二LBS数据流获得所述POI工作区域的第二特征数据;
第五获得单元,所述第五获得单元用于根据所述第二特征数据建立第二专题数据库,根据所述第二专题数据库统计获得第一历史数据;
第二建模单元,所述第二建模单元用于根据所述第一历史数据确定第一历史曲线,将所述第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型;
第六获得单元,所述第六获得单元用于根据所述贝叶斯多变量统计模型的数据拟合与反复参数修正,获得所述POI区域的第一情报信息的回归溯源公式与第一参数指标;
第七获得单元,所述第七获得单元用于根据所述第一情报信息的回归溯源公式与所述第一参数指标处理待预测数据,获得第一突发事件预测信息。
进一步的,所述装置还包括:
第八获得单元,所述第八获得单元用于获得所述POI工作区域的第一网络舆情信息;
第二判断单元,所述第二判断单元用于判断所述第一网络舆情信息是否满足第二预定条件,其中,所述第二预定条件为所述第一网络舆情信息与大型聚集活动的相关度达到60%以上;
第二确定单元,所述第二确定单元用于当所述第一网络舆情信息满足第二预定条件时,确定所述第一网络舆情信息与所述第一特征属性具有第一关联性;
第三确定单元,所述第三确定单元用于根据所述第一关联性确定第一突发事件预测信息。
前述图1实施例一中的基于LBS大数据的城市大型聚集活动情报预警方法的各种变化方式和具体实例同样适用于本实施例的基于LBS大数据的城市大型聚集活动情报预警装置,通过前述对基于LBS大数据的城市大型聚集活动情报预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于LBS大数据的城市大型聚集活动情报预警装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中基于LBS大数据的城市大型聚集活动情报预警方法同样的发明构思,本发明还提供基于LBS大数据的城市大型聚集活动情报预警装置,如图6所示,包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现前文所述购物社交的方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中基于LBS大数据的城市大型聚集活动情报预警方法同样的发明构思,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以下步骤:获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
在具体实施过程中,该程序被处理器执行时,还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明实施例提供的基于LBS大数据的城市大型聚集活动情报预警方法和装置,通过获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息,从而解决了现有技术中LBS位置大数据的挖掘和利用度较低,且利用LBS位置大数据为大型聚集活动中情报预警的成熟度低的技术问题,达到了深度挖掘利用LBS位置大数据,提高LBS位置大数据为大型聚集活动中情报预警的有效性,从而为应急指挥提供辅助性的决策和预案,提高大型聚集活动的可控性的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于LBS大数据的城市大型聚集活动情报预警方法,其特征在于,所述方法包括:
获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;
根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;
根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;
根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
2.如权利要求1所述的方法,其特征在于,所述第一LBS数据流来源于公共服务提供商接口数据,且所述第二LBS数据流来源于交通运输部门的交通运营数据和公安部门实时数据。
3.如权利要求1所述的方法,其特征在于,所述第一LBS数据库包含区域人流LBS数据库,且所述第二LBS数据库包含交通运维LBS数据库、人客流LBS数据库、应急处置LBS数据库、现场视频非结构化数据库、网络舆情数据库。
4.如权利要求1所述的方法,其特征在于,所述根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,且根据数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息,包括:
根据大型聚集活动的第一特性划分确定所述第一LBS数据流与所述第二LBS数据流的POI工作区域;
在所述第一LBS数据库与所述第二LBS数据库调取所述POI工作区域的第一特征数据,且通过筛选、集成、整合所述第一特征数据,建立第一专题数据库;
根据数据挖掘算法建立第一类专题挖掘模型,通过所述第一类专题挖掘模型处理所述第一专题数据库获得所述POI工作区域的第一突发事件预测信息。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得所述POI工作区域的人群特征画像信息;
判断所述人群特征画像信息是否满足第一预定条件;
当所述人群特征画像信息满足第一预定条件时,获得第一突发事件预测信息。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第一LBS数据流与所述第二LBS数据流获得所述POI工作区域的第二特征数据;
根据所述第二特征数据建立第二专题数据库,根据所述第二专题数据库统计获得第一历史数据;
根据所述第一历史数据确定第一历史曲线,将所述第一历史曲线结合数据挖掘算法中的时间序列计算与回归溯源计算,建立贝叶斯多变量统计模型;
根据所述贝叶斯多变量统计模型的数据拟合与反复参数修正,获得所述POI区域的第一情报信息的回归溯源公式与第一参数指标;
根据所述第一情报信息的回归溯源公式与所述第一参数指标处理待预测数据,获得第一突发事件预测信息。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得所述POI工作区域的第一网络舆情信息;
判断所述第一网络舆情信息是否满足第二预定条件,其中,所述第二预定条件为所述第一网络舆情信息与大型聚集活动的相关度达到60%以上;
当所述第一网络舆情信息满足第二预定条件时,确定所述第一网络舆情信息与所述第一特征属性具有第一关联性;
根据所述第一关联性确定第一突发事件预测信息。
8.基于LBS大数据的城市大型聚集活动情报预警装置,其特征在于,所述装置包括:
数据处理单元,所述数据处理单元用于获得第一LBS数据流与第二LBS数据流,根据第一LBS数据流建立第一LBS数据库,且根据所述第二LBS数据流建立第二LBS数据库,其中,所述第二LBS数据流与所述第一LBS数据流的来源不同;
数据挖掘单元,所述数据挖掘单元用于根据所述第一LBS数据库与所述第二LBS数据库建立POI工作区域的第一专题数据库,采用数据挖掘算法建立第一类专题挖掘模型处理所述第一专题数据库,获得第一突发事件预测信息;
第一设定单元,所述第一设定单元用于根据数据分类与关联算法确定所述第一LBS数据流、所述第二LBS数据流和突发事件关联的第一特征属性,根据所述第一突发事件预测信息与所述第一特征属性设定第一预警阈值;
情报预警单元,所述情报预警单元用于根据所述第一预警阈值建立LBS特征专题预警模型,将实时特征数据输入所述LBS特征专题预警模型,获得第一情报预警信息。
9.基于LBS大数据的城市大型聚集活动情报预警装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
10.一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1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244453.4A CN111445369B (zh) | 2020-03-31 | 2020-03-31 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010244453.4A CN111445369B (zh) | 2020-03-31 | 2020-03-31 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445369A true CN111445369A (zh) | 2020-07-24 |
CN111445369B CN111445369B (zh) | 2023-07-14 |
Family
ID=71652600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010244453.4A Active CN111445369B (zh) | 2020-03-31 | 2020-03-31 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445369B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069269A (zh) * | 2020-08-27 | 2020-12-11 | 黄天红 | 基于大数据和多维特征的数据溯源方法及大数据云服务器 |
CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种踩踏事故早期预警方法及系统 |
CN114821933A (zh) * | 2021-01-29 | 2022-07-29 | 江苏中协智能科技有限公司 | 一种自调节安防报警系统 |
CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
CN117455554A (zh) * | 2023-12-26 | 2024-01-26 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933093A (zh) * | 2015-05-19 | 2015-09-23 | 武汉泰迪智慧科技有限公司 | 基于大数据的地区舆情监控及决策辅助系统和方法 |
CN106254142A (zh) * | 2016-09-05 | 2016-12-21 | 电子科技大学成都研究院 | 一种基于移动通信运营数据的城市群体行为监测系统 |
CN108009688A (zh) * | 2017-12-15 | 2018-05-08 | 东软集团股份有限公司 | 聚集事件预测方法、装置及设备 |
CN109764244A (zh) * | 2018-12-26 | 2019-05-17 | 成都熊谷油气科技有限公司 | 基于手机信号lbs和大数据的油气管道灾害应急处理方法 |
CN109829119A (zh) * | 2018-12-26 | 2019-05-31 | 成都熊谷油气科技有限公司 | 基于lbs大数据在智慧管网中的情报预警方法 |
-
2020
- 2020-03-31 CN CN202010244453.4A patent/CN111445369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933093A (zh) * | 2015-05-19 | 2015-09-23 | 武汉泰迪智慧科技有限公司 | 基于大数据的地区舆情监控及决策辅助系统和方法 |
CN106254142A (zh) * | 2016-09-05 | 2016-12-21 | 电子科技大学成都研究院 | 一种基于移动通信运营数据的城市群体行为监测系统 |
CN108009688A (zh) * | 2017-12-15 | 2018-05-08 | 东软集团股份有限公司 | 聚集事件预测方法、装置及设备 |
CN109764244A (zh) * | 2018-12-26 | 2019-05-17 | 成都熊谷油气科技有限公司 | 基于手机信号lbs和大数据的油气管道灾害应急处理方法 |
CN109829119A (zh) * | 2018-12-26 | 2019-05-31 | 成都熊谷油气科技有限公司 | 基于lbs大数据在智慧管网中的情报预警方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069269A (zh) * | 2020-08-27 | 2020-12-11 | 黄天红 | 基于大数据和多维特征的数据溯源方法及大数据云服务器 |
CN112069269B (zh) * | 2020-08-27 | 2021-03-26 | 中润普达(深圳)大数据技术有限公司 | 基于大数据和多维特征的数据溯源方法及大数据云服务器 |
CN114821933A (zh) * | 2021-01-29 | 2022-07-29 | 江苏中协智能科技有限公司 | 一种自调节安防报警系统 |
CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种踩踏事故早期预警方法及系统 |
CN117455554A (zh) * | 2023-12-26 | 2024-01-26 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
CN117455554B (zh) * | 2023-12-26 | 2024-03-22 | 数字苏州建设有限公司 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111445369B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
Xie et al. | Analysis of traffic crashes involving pedestrians using big data: Investigation of contributing factors and identification of hotspots | |
Mazimpaka et al. | Trajectory data mining: A review of methods and applications | |
Chen et al. | Dynamic cluster-based over-demand prediction in bike sharing systems | |
Rahman et al. | Analysis of bus travel time distributions for varying horizons and real-time applications | |
Necula | Analyzing traffic patterns on street segments based on GPS data using R | |
CN111539864B (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
Torbaghan et al. | Understanding the potential of emerging digital technologies for improving road safety | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN102779410A (zh) | 一种多源异类海量交通数据融合的并行实现方法 | |
Aziz et al. | Identifying and characterizing truck stops from GPS data | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
Ma et al. | Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review | |
Agamennoni et al. | Mining GPS data for extracting significant places | |
CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
Nandury et al. | Strategies to handle big data for traffic management in smart cities | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
Zhao et al. | CellTrans: Private Car or Public Transportation? Infer Users' Main Transportation Modes at Urban Scale with Cellular Data | |
Celes et al. | From mobility traces to knowledge: Design guidance for intelligent vehicular networks | |
Ucar et al. | Vehicular knowledge networking and application to risk reasoning | |
Fu et al. | Spatial analysis of taxi speeding event using GPS trajectory data | |
You et al. | PANDA: predicting road risks after natural disasters leveraging heterogeneous urban data | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
Mi et al. | A framework for intersection traffic safety screening with the implementation of complex network theory | |
CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 |
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 |