CN111476979A - 一种基于多模型分析的智能安保维稳方法及系统 - Google Patents
一种基于多模型分析的智能安保维稳方法及系统 Download PDFInfo
- Publication number
- CN111476979A CN111476979A CN201911146293.3A CN201911146293A CN111476979A CN 111476979 A CN111476979 A CN 111476979A CN 201911146293 A CN201911146293 A CN 201911146293A CN 111476979 A CN111476979 A CN 111476979A
- Authority
- CN
- China
- Prior art keywords
- area
- data
- patrol
- model
- people flow
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
一种基于多模型分析的智能安保维稳方法及系统,方法包括分析案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,建立事件区域模型;按历史人流量密度对不同区域进行分级规划,建立人员区域模型;对关键场所创建区域分级规划,建立关键场所区域模型;根据建立的三种模型绘制三级防控圈,制定民警的巡逻路线;基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警;对三级防控圈内的各区域进行人员布控,在可疑人员进入的区域进行分色预警。
Description
技术领域
本发明涉及社区治安管理技术领域,具体涉及一种基于多模型分析的智能安保维稳方法及系统。
背景技术
在现有的安保维稳系统中,巡逻是一种重要的人防手段,也是一种重要 的犯罪预防手段,巡逻一方面能够威慑潜在的犯罪分子,使其失去攻击的机 会,另外一方面能够及时响应调度信息,在最短的时间内赶往犯罪现场。对 于社区保安人员,其巡逻规划则主要依据被保护场所内潜在被攻击目标的价 值权重和其被攻击的概率以及区域内的地形结构而设定。巡逻规划应该针对 所包含目标的特征而设定,不同的被保护对象必然有与其相匹配的优化的人 力资源分配方案和巡逻路线规划,优化的巡逻方案能够有效的利用有限的人 力资源,达到较优的巡逻效果。
发明内容
为解决上述技术问题,本发明提供一种基于多模型分析的智能安保维稳方法及系统,具体方案如下:
作为本发明的第一方面,提供一种基于多模型分析的智能安保维稳方法,所述方法包括:
步骤1,对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,建立事件区域模型;
步骤2,对不同区域的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,建立人员区域模型;
步骤3,对关键场所创建区域分级规划,建立关键场所区域模型;
步骤4,根据建立的三种模型绘制三级防控圈,根据所述三级防控圈制定民警的巡逻路线;
步骤5,基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
步骤6,基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
进一步地,所述方法还包括:
基于全国在逃人员数据以及布控人员数据,对三级防控圈内的各区域进行人员布控,在可疑人员进入的区域进行分色预警。
进一步地,步骤1具体包括:
步骤1.1,对简要案情和报警信息进行初始文本处理,采用分词系统 NLPIR对文本进行分词及词性标注,提取出区域特征;
步骤1.2,根据获取的区域特征,对区域特征进行聚合分析,提取区域类别特征;
步骤1.3,使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
进一步地,步骤2具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型。
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
进一步地,步骤4具体包括:
所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
作为本发明的第二方面,提供一种基于多模型分析的智能安保维稳系统,所述系统包括事件区域模型构建模块、人员区域模型构建模块、关键场所区域模型构建模块、三级防控圈绘制模块、巡逻路线规划模块、信息标记模块和第一预警模块;
所述事件区域模型构建模块用于对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,从而建立事件区域模型;
所述人员区域模型构建模块用于对不同区域的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,从而建立人员区域模型;
所述关键场所区域模型构建模块用于对关键场所创建区域分级规划,建立关键场所区域模型;
所述三级防控圈绘制模块用于根据建立的事件区域模型、人员区域模型和关键场所区域模型绘制三级防控圈;
所述巡逻路线规划模块用于根据所述三级防控圈制定民警的巡逻路线;
所述信息标记模块用于基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
所述第一预警模块基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
进一步地,所述系统还包括第二预警模块,所述第二预警模块用于基于全国在逃人员数据以及布控人员数据,对三级防控圈内的各区域进行人员布控,在可疑人员进入的区域进行分色预警。
进一步地,所述事件区域模型构建模块建立事件区域模型具体包括:
对简要案情和报警信息进行初始文本处理,采用分词系统NLPIR对文本进行分词及词性标注,提取出区域特征;
根据获取的区域特征,对区域特征进行聚合分析,提取区域类别特征;
使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
进一步地,所述人员区域模型构建模块建立人员区域模型具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型;
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
进一步地,所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
本发明具有以下有益效果:
现阶段几乎人手一部智能终端,基于移动通信网络技术,可实时实现移动用户的精准定位和特征分析。因此,基于移动通信技术和机器学习方法,实现重点区域人流量的实时监控成为现实,本发明,通过对案事件,人流密集区,关键场所等区域进行非线性映射进行定量分析,从而可以及时、准确地绘制三级防控圈,同时做出对策制定相应的预警方法和预警系统,此系统可将相关研究成果应用于预警管理系统中,为布控人员预警监测提供一种新的、可操作的方法并为预警软件的编制提供思路路线。
附图说明
图1为本发明实施例提供的一种基于多模型分析的智能安保维稳方法流程图。
图2为本发明实施例提供的三级防控圈及巡逻路线示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,作为本发明的第一实施例,提供一种基于多模型分析的智能安保维稳方法,所述方法包括:
步骤1,对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,建立事件区域模型,即案件高发地的模型;
步骤2,对不同区域(例如商圈、景点、医院等区域)的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,建立人员区域模型,得到各区域的人流量数据信息;
步骤3,对关键场所(例如市委、市政府、公安局等场所)创建区域分级规划,建立关键场所区域模型;
步骤4,根据建立的三种模型绘制三级防控圈,根据所述三级防控圈制定民警的巡逻路线;
步骤5,基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
步骤6,基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
其中,人流量波动趋势以及当天未来时间内的人流量的波动走势基于人流量预测;人流量预测可以通过移动平均法、指数平滑法(holt-winters)、 ARIMA模型、STL分解法与ARIMA模型结合等等,通过对人流量数据的分析发现,人流量序列是非平稳时间序列,且存在周期变化的规律,因此适合采用STL分解法与指数平滑法结合或者STL分解法与ARIMA模型结合的方法去进行时间序列模型拟合。
STL分解法、指数平滑法、ARIMA模型的三种方法如下:
STL分解法是以鲁棒局部加权回归作为平滑方法的时间序列分解方法, STL分解将时间序列分解成季节项、趋势项及残余项,其中Loess(locally weighted scatterplotsmoothing,LOWESS or LOESS)为局部多项式回归拟合,是对两维散点图进行平滑的常用方法,它结合了传统线性回归的简洁性和非线性回归的灵活性,当要估计某个响应变量值时,先从其预测变量附近取一个数据子集,然后对该子集进行线性回归或二次回归,回归时采用加权最小二乘法,即越靠近估计点的值其权重越大,最后利用得到的局部回归模型来估计响应变量的值。用这种方法进行逐点运算得到整条拟合曲线。
指数平滑法又分为一次指数平滑法,二次指数平滑法及三次指数平滑法,在这里介绍三次指数平滑法,它可以对同时含有趋势和季节性的时间序列进行预测,三次指数平滑在二次指数平滑法的基础上保留了季节性的信息,使得其可以预测带有季节性的时间序列,三次指数平滑添加了一个新的参数来表示平滑后的趋势。
ARIMA模型,全称为自回归积分滑动平均模型,所谓ARIMA模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。其中ARIMA(p,d, q)称为差分自回归移动平均模型,AR是自回归,p为自回归项数;MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数。 ARIMA模型根据原序列是否平稳以及回归中所含部分的不同,包括移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA 过程。
采用STL分解法与指数平滑法结合或者STL分解法与ARIMA模型结合的方法对人流量数据进行建模拟合之后,可以得到用于拟合的样本数据每一时刻对应人流量拟合值,不可避免地该拟合值与真实值之间会存在差距,好的拟合模型则是要尽量地减少差距。
采用1%分位数作为突减异常检测的阈值,99%分位数作为突增异常检测的阈值,若当前时刻人流量一阶差分数据小1%分位数,则作为突减异常进行报警,若当前时刻人流量一阶差分数据大于99%分位数,则作为突增异常进行报警,并在系统平台界面展示;采用的是当前时刻前一月的数据,则每次计算得到的1%,99%分位数的值也会根据数据的改变自适应地变化,也就是说本系统的智能异常检测方法中的阈值不是一层不变的,可以适应最新的人流量变化。
优选地,所述方法还包括:
基于全国在逃人员数据以及布控人员数据,对三级防控圈内的各区域进行人员布控,在可疑人员进入的区域进行分色预警。
本发明,通过对案事件,人流密集区,关键场所等区域进行非线性映射进行定量分析,从而可以及时、准确地绘制三级防控圈,同时做出对策制定相应的预警方法和预警系统,此系统可将相关研究成果应用于预警管理系统中,为布控人员预警监测提供一种新的、可操作的方法并为预警软件的编制提供思路路线。
优选地,步骤1具体包括:
步骤1.1,对简要案情和报警信息进行初始文本处理,采用中科院分词系统NLPIR对文本进行分词及词性标注,提取出区域特征,区域特征包括地域范围元素、行政区划元素和处所特征元素等
步骤1.2,根据获取的区域特征(地域范围元素、行政区划元素、处所特征元素),对区域特征进行聚合分析,提取区域类别特征,公式如下:
步骤1.3,使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
优选地,步骤2具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:由于系统收集到的人流量数据会存在重复和缺失的情况。重复值则是指同一时间值对应的人流量值存在多个,缺失值则是指某一时刻的人流量值丢失,所以需要对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型。
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
线性插值法是指使用连接两个已知变量的直线来确定在这两个已知量之间的一个未知量的值的方法。假设已知坐标(x0,y0)与(x1,y1),要得到[x0, x1]区间内某一位置x在直线上的值。则可以得到两点式直线方程,公式如下:
优选地,如图2所示,所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
作为本发明的第二实施例,提供一种基于多模型分析的智能安保维稳系统,所述系统包括事件区域模型构建模块、人员区域模型构建模块、关键场所区域模型构建模块、三级防控圈绘制模块、巡逻路线规划模块、信息标记模块和第一预警模块;
所述事件区域模型构建模块用于对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,从而建立事件区域模型;
所述人员区域模型构建模块用于对不同区域的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,从而建立人员区域模型;
所述关键场所区域模型构建模块用于对关键场所创建区域分级规划,建立关键场所区域模型;
所述三级防控圈绘制模块用于根据建立的事件区域模型、人员区域模型和关键场所区域模型绘制三级防控圈;
所述巡逻路线规划模块用于根据所述三级防控圈制定民警的巡逻路线;
所述信息标记模块用于基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
所述第一预警模块基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
优选地,所述系统还包括第二预警模块,所述第二预警模块用于基于全国在逃人员数据以及布控人员数据,对三级防控圈内的各区域进行人员布控,在可疑人员进入的区域进行分色预警。
优选地,所述事件区域模型构建模块建立事件区域模型具体包括:
对简要案情和报警信息进行初始文本处理,采用分词系统NLPIR对文本进行分词及词性标注,提取出区域特征;
根据获取的区域特征,对区域特征进行聚合分析,提取区域类别特征;
使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
进一步地,所述人员区域模型构建模块建立人员区域模型具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型;
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
优选地,所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多模型分析的智能安保维稳方法,其特征在于,所述方法包括:
步骤1,对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,建立事件区域模型;
步骤2,对不同区域的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,建立人员区域模型;
步骤3,对关键场所创建区域分级规划,建立关键场所区域模型;
步骤4,根据建立的三种模型绘制三级防控圈,根据所述三级防控圈制定民警的巡逻路线;
步骤5,基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
步骤6,基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
2.根据权利要求1所述的基于多模型分析的智能安保维稳方法,其特征在于,步骤1具体包括:
步骤1.1,对简要案情和报警信息进行初始文本处理,采用分词系统NLPIR对文本进行分词及词性标注,提取出区域特征;
步骤1.2,根据获取的区域特征,对区域特征进行聚合分析,提取区域类别特征;
步骤1.3,使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
3.根据权利要求1所述的基于多模型分析的智能安保维稳方法,其特征在于,步骤2具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型;
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
4.根据权利要求3所述的基于多模型分析的智能安保维稳方法,其特征在于,步骤4具体包括:
所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
5.一种基于多模型分析的智能安保维稳系统,其特征在于,所述系统包括事件区域模型构建模块、人员区域模型构建模块、关键场所区域模型构建模块、三级防控圈绘制模块、巡逻路线规划模块、信息标记模块和第一预警模块;
所述事件区域模型构建模块用于对历史案件以及警情进行分析,按类别分析出案件的高发区域,按照案件或警情发生次数以及严重程度对高发区域进行分级规划,从而建立事件区域模型;
所述人员区域模型构建模块用于对不同区域的历史人流量统计数据进行分析,按人流量密度对各区域进行分级规划,从而建立人员区域模型;
所述关键场所区域模型构建模块用于对关键场所创建区域分级规划,建立关键场所区域模型;
所述三级防控圈绘制模块用于根据建立的事件区域模型、人员区域模型和关键场所区域模型绘制三级防控圈;
所述巡逻路线规划模块用于根据所述三级防控圈制定民警的巡逻路线;
所述信息标记模块用于基于三级防控圈的人流量数据信息,运用折线图方式直观呈现三级防控圈各区域的当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势;
所述第一预警模块基于呈现的三级防控圈的各区域当前人流量、历史人流量、人流量波动趋势以及当天未来时间内的人流量的波动走势,统计单一时刻人流量数量,并在单一时刻人流量超过预设的预警阈值或陡增/陡降时进行预警。
6.根据权利要求5所述的基于多模型分析的智能安保维稳系统,其特征在于,所述事件区域模型构建模块建立事件区域模型具体包括:
对简要案情和报警信息进行初始文本处理,采用分词系统NLPIR对文本进行分词及词性标注,提取出区域特征;
根据获取的区域特征,对区域特征进行聚合分析,提取区域类别特征;
使用提取出的区域类别特征到搜索服务器elasticsearch中匹配对应的经纬度,通过搜索服务器elasticsearch的lasticsearch-cardinality对案发区域进行统计并建立事件区域模型。
7.根据权利要求5所述的基于多模型分析的智能安保维稳系统,其特征在于,所述人员区域模型构建模块建立人员区域模型具体包括:
数据收集:获取各区域的人流量数据,该数据为时间序列型数据,有时间及对应的人流量指标值两大特征,收集到一定时间的数据后按人流量密度对各区域进行分级规划;
数据处理:对收集到的各区域的人流量数据进行去重、插值处理,即对于人流量存在重复及缺失的情况进行数据处理,将重复的数据删除处理,缺失的数据进行插值处理;
数据统计:基于处理后的数据进行聚合算法,统计出人流密集场所并建立人员区域模型;
其中,重复数据删除处理方式为:取重复值中的最大值作为该时刻下的人流量值,得到xt=max{xt1,xt2,…,xtn};其中,xt为缺失值替代后的该时刻的人流量值,xt1,xt2,…,xtn为t时刻存在的多个人流量值;
缺失数据插值处理方式为:采用线性插值方式实现缺失值插值,从而将人流量数据填充为连续型时间序列。
8.根据权利要去7所述的基于多模型分析的智能安保维稳系统,其特征在于,所述三级防控圈包括高危区域、危险区域和风险区域,风险区域、危险区域和高危区域的区域等级依次递增,将巡逻区域、风险区域、危险区域和高危区域依次标记为蓝色区域、黄色区域、橙色区域和红色区域;
所述巡逻路线基于巡逻区域的实际面积、巡逻人员的数量以及所述三级防控圈规划,巡逻路线分别贯穿三级防控圈的各区域,且每条巡逻路线均贯穿高危区域,巡逻路线贯穿高危区域、危险区域和风险区域的数量依次递减,即高危区域内巡逻路线最多,危险区域内巡逻路线其次,风险区域内巡逻路线最少;其中,所述巡逻路线为弧形巡逻路线,每条所述弧形巡逻路线以高危区域为出发点,以巡逻区域外周边为目的地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146293.3A CN111476979A (zh) | 2019-11-21 | 2019-11-21 | 一种基于多模型分析的智能安保维稳方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146293.3A CN111476979A (zh) | 2019-11-21 | 2019-11-21 | 一种基于多模型分析的智能安保维稳方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476979A true CN111476979A (zh) | 2020-07-31 |
Family
ID=71744978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146293.3A Pending CN111476979A (zh) | 2019-11-21 | 2019-11-21 | 一种基于多模型分析的智能安保维稳方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476979A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194280A (zh) * | 2021-01-25 | 2021-07-30 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113602919A (zh) * | 2021-07-30 | 2021-11-05 | 浙江新再灵科技股份有限公司 | 基于人流量的电梯管理方法 |
CN116599865A (zh) * | 2023-05-17 | 2023-08-15 | 广州天懋信息系统股份有限公司 | 分布式流量去重统计方法、装置、设备及存储介质 |
CN117592765A (zh) * | 2024-01-19 | 2024-02-23 | 杭州乐湾科技有限公司 | 一种基于监控图像的老年人安全管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110106530A (ko) * | 2010-03-23 | 2011-09-29 | 버츄얼빌더스 주식회사 | 통합적 방범성능 평가시스템 및 그 방법 |
CN107392390A (zh) * | 2017-08-07 | 2017-11-24 | 江苏警官学院 | 一种基于深度学习算法的社区治安巡逻路径优化设计方法 |
CN108024207A (zh) * | 2017-12-06 | 2018-05-11 | 南京华苏科技有限公司 | 基于三层防控圈的人流量监控方法 |
JP2019067208A (ja) * | 2017-10-02 | 2019-04-25 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN109978215A (zh) * | 2017-12-28 | 2019-07-05 | 杭州橙鹰数据技术有限公司 | 巡防管理方法和装置 |
-
2019
- 2019-11-21 CN CN201911146293.3A patent/CN111476979A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110106530A (ko) * | 2010-03-23 | 2011-09-29 | 버츄얼빌더스 주식회사 | 통합적 방범성능 평가시스템 및 그 방법 |
CN107392390A (zh) * | 2017-08-07 | 2017-11-24 | 江苏警官学院 | 一种基于深度学习算法的社区治安巡逻路径优化设计方法 |
JP2019067208A (ja) * | 2017-10-02 | 2019-04-25 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN108024207A (zh) * | 2017-12-06 | 2018-05-11 | 南京华苏科技有限公司 | 基于三层防控圈的人流量监控方法 |
CN109978215A (zh) * | 2017-12-28 | 2019-07-05 | 杭州橙鹰数据技术有限公司 | 巡防管理方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113194280A (zh) * | 2021-01-25 | 2021-07-30 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113194280B (zh) * | 2021-01-25 | 2023-04-18 | 深圳市奔凯安全技术股份有限公司 | 安防区域的安防等级生成方法、装置、存储设备及电子设备 |
CN113602919A (zh) * | 2021-07-30 | 2021-11-05 | 浙江新再灵科技股份有限公司 | 基于人流量的电梯管理方法 |
CN116599865A (zh) * | 2023-05-17 | 2023-08-15 | 广州天懋信息系统股份有限公司 | 分布式流量去重统计方法、装置、设备及存储介质 |
CN116599865B (zh) * | 2023-05-17 | 2024-05-24 | 广州天懋信息系统股份有限公司 | 分布式流量去重统计方法、装置、设备及存储介质 |
CN117592765A (zh) * | 2024-01-19 | 2024-02-23 | 杭州乐湾科技有限公司 | 一种基于监控图像的老年人安全管理方法 |
CN117592765B (zh) * | 2024-01-19 | 2024-04-19 | 杭州乐湾科技有限公司 | 一种基于监控图像的老年人安全管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
CN106412501B (zh) | 一种视频的施工安全行为智能监控系统及其监控方法 | |
CN100583128C (zh) | 基于自然视频的实时智能监控方法 | |
CN101795395B (zh) | 一种人群态势监控系统及方法 | |
CN102098180B (zh) | 一种网络安全态势感知方法 | |
CN103106766B (zh) | 林火识别方法与系统 | |
CN110380896A (zh) | 基于攻击图的网络安全态势感知模型和方法 | |
CN109461106A (zh) | 一种多维信息感知处理方法 | |
CN105681298A (zh) | 公共信息平台中的数据安全异常监测方法及系统 | |
CN106254317A (zh) | 一种数据安全异常监控系统 | |
CN103441982A (zh) | 一种基于相对熵的入侵报警分析方法 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN110677430B (zh) | 基于网络安全设备日志数据的用户风险度评估方法和系统 | |
CN105791022A (zh) | 一种拥挤度检测预警系统 | |
CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
CN114973140A (zh) | 基于机器视觉的危险区域人员闯入监测方法及系统 | |
CN109978215B (zh) | 巡防管理方法和装置 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN115691044A (zh) | 一种动态风险评估预警方法、系统及装置 | |
CN114898889A (zh) | 一种基于大数据的聚集性风险控制模型的设计方法 | |
CN114706988A (zh) | 基于知识图谱的监控预警方法及装置 | |
CN117612060A (zh) | 基于人工智能检测的视频预警系统、方法、设备及介质 | |
CN116054416B (zh) | 一种基于物联网的智能监控运维管理系统 | |
CN110322049B (zh) | 一种公安大数据预警方法 | |
CN107992449B (zh) | 一种基于低秩表示的地铁异常流量检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |