CN111539864B - 一种基于lbs大数据的踩踏事件的情报分析方法和装置 - Google Patents
一种基于lbs大数据的踩踏事件的情报分析方法和装置 Download PDFInfo
- Publication number
- CN111539864B CN111539864B CN202010246342.7A CN202010246342A CN111539864B CN 111539864 B CN111539864 B CN 111539864B CN 202010246342 A CN202010246342 A CN 202010246342A CN 111539864 B CN111539864 B CN 111539864B
- Authority
- CN
- China
- Prior art keywords
- lbs
- model
- database
- data
- event
- 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.)
- Active
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
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
-
- 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
本发明提供了一种基于LBS大数据的踩踏事件的情报分析方法和装置,涉及数据处理技术领域,通过获得电子围栏区域内的第一LBS数据,建立多类LBS数据库;对LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据多类踩踏事件预警专题模型获得第一情报预警信息;获得踩踏事件区域内的LBS实时数据,结合第一情报预警信息,构建应急处置辅助决策模型与踩踏事件预测推演模型;根据数据挖掘时间序列分析算法处理LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型,达到提高LBS大数据为大型聚集活动情报预警的有效性,为应急指挥提供辅助性的决策和预案,增强事后溯源与评估的可靠性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于LBS大数据的踩踏事件的情报分析方法和装置。
背景技术
随着我国社会经济的迅猛发展,具有“城市名片”效应的大型聚集活动显著增多,由此引发突发事件,特别是拥挤踩踏事件的风险也随之增大。事实上,拥挤踩踏事件的发生是一个酝酿、积累、发展、激化的过程,每个过程都存在一定的征兆。因此,如何有效监测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,建立健全拥挤踩踏事件的监测预警与快速处置体系,做到早发现、早化解、早处置,变被动为主动,已成为大型聚集活动中拥挤踩踏事件情报分析工作的研究重点。
随着移动互联网的快速发展,LBS(Location Based Server)乘势而兴,互联网公司相继开发LBS相关软件,为客户提供导航、签到、分享位置、周边服务、优惠推送等个性化服务。据统计,大数据时代,我们生产生活中产生的海量数据,80%的数据跟位置相关,LBS大数据俨然已成为“互联网+”大家庭的重量级成员。因此,深入挖掘LBS大数据在城市公共安全管理体系中的情报价值,特别是在城市大型聚集活动突发事件中风险感知、预警、决策、处置、评估等情报工作的潜在价值,具有重要的研究意义。
但本发明申请人发现现有技术至少存在如下技术问题:
现有的利用LBS大数据分析大型聚集活动区域内的情报预警与事件处置的有效性差,成熟度低。
发明内容
本发明实施例提供了一种基于LBS大数据的踩踏事件的情报分析方法和装置,解决了现有技术中利用LBS大数据分析大型聚集活动区域内的情报预警与事件处置的有效性差,成熟度低的技术问题,达到了提高LBS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,增强事后溯源与评估的可靠性的技术效果。
鉴于上述问题,提出了本申请实施例以便提供一种基于LBS大数据的踩踏事件的情报分析方法和装置。
第一方面,本发明提供了一种基于LBS大数据的踩踏事件的情报分析方法,所述方法包括:获得电子围栏区域内的第一LBS数据,对所述第一LBS 数据清洗、分类、聚类并建立多类LBS数据库;根据所述多类LBS数据库中 LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS 历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
优选地,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知,包括:
根据所述第一LBS数据建立LBS画像特征数据库,其中,所述LBS画像特征数据库属于所述多类LBS数据库;通过对所述LBS画像特征数据库进行深度挖掘分析获得所述电子围栏区域内人流画像特征,并对所述人流画像特征进行感知、识别。
优选地,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据中的LBS人流数据建立LBS人流数据库,其中,所述LBS人流数据库属于所述多类LBS数据库;根据人流聚类估算模型计算所述LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息;根据所述第一人流动态情报信息确定任一时段范围内的人流量分布趋势图,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据所述人流量统计模型推算所述特定时间段所述电子围栏区域的人流量平均阈值;将所述人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型,其中,所述人流总量预警模型中设定人流总量预警级别与人流总量预警阈值;根据所述人流总量预警模型处理所述LBS人流数据库获得第一突发事件预测趋势信息;根据所述人流总量预警阈值与所述第一突发事件预测趋势信息确定第一情报预警信息。
优选地,所述多类踩踏事件预警参数阈值包含所述人流总量预警阈值、人流密度预警阈值、人流对冲预警阈值,所述多类踩踏事件预警专题模型包含所述人流总量预警模型、人流密度预警模型、人流对冲预警模型。
优选地,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;根据舆情分析技术对比所述LBS网络舆情数据库与大型聚集活动,获得第一相关舆情信息;根据所述第一相关舆情信息建立网络舆情预警模型,其中,所述网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型;根据所述网络舆情指标模型获得搜索关键词与所述搜索关键词的搜索频率,且根据所述搜索关键词与所述搜索频率确定第一关注点与第一热度;根据所述第一关注点与所述第一热度获得所述搜索关键词在所述电子围栏区域内的相对搜索指数;根据所述网络舆情评价模型获得所述电子围栏区域内的第一热点话题与网络社交子群体;根据所述第一热点话题与所述网络社交子群体获得所述电子围栏区域内的第一热点指数与子群体中心度指数;根据所述第一热点指数、所述子群体中心度指数与所述相对搜索指数确定第一突发事件预测趋势信息;根据网络舆情预警模型与所述第一突发事件预测趋势信息确定第一情报预警信息。
优选地,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据建立LBS车流数据库、LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;根据所述LBS车流数据库获得车流量时间分布趋势图与车流量特征模型;根据所述车流量时间分布趋势图与所述车流量特征模型获得特定时段的车流量预警阈值;根据所述车流量时间分布趋势图建立车流量预警模型,且根据所述车流量预警模型与所述车流量预警阈值确定第一情报预警信息。
优选地,所述方法还包括:
根据所述LBS客流数据库获得所述电子围栏区域内的人流总量数值、人流分布趋势图;根据所述人流总量数值与所述人流分布趋势图建立客流承载预警模型,且根据所述客流承载预警模型确定第一情报预警信息。
第二方面,本发明提供了一种基于LBS大数据的踩踏事件的情报分析装置,所述装置包括:
数据处理单元,所述数据处理单元用于获得电子围栏区域内的第一LBS 数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;
建模预警单元,所述建模预警单元用于根据所述多类LBS数据库中LBS 数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;
应急处置单元,所述应急处置单元用于获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;
溯源评估单元,所述溯源评估单元用于获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;
第一优化单元,所述第一优化单元用于根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
优选地,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知,包括:
第一建模单元,所述第一建模单元用于根据所述第一LBS数据建立LBS 画像特征数据库,其中,所述LBS画像特征数据库属于所述多类LBS数据库;
第一获得单元,所述第一获得单元用于通过对所述LBS画像特征数据库进行深度挖掘分析获得所述电子围栏区域内人流画像特征,并对所述人流画像特征进行感知、识别。
优选地,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第一处理单元,所述第一处理单元用于根据所述第一LBS数据中的LBS 人流数据建立LBS人流数据库,其中,所述LBS人流数据库属于所述多类 LBS数据库;
第二获得单元,所述第二获得单元用于根据人流聚类估算模型计算所述 LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息;
第二建模单元,所述第二建模单元用于根据所述第一人流动态情报信息确定任一时段范围内的人流量分布趋势图,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据所述人流量统计模型推算所述特定时间段所述电子围栏区域的人流量平均阈值;
第三建模单元,所述第三建模单元用于将所述人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型,其中,所述人流总量预警模型中设定人流总量预警级别与人流总量预警阈值;
第三获得单元,所述第三获得单元用于根据所述人流总量预警模型处理所述LBS人流数据库获得第一突发事件预测趋势信息;
第一确定单元,所述第一确定单元用于根据所述人流总量预警阈值与所述第一突发事件预测趋势信息确定第一情报预警信息。
优选地,所述多类踩踏事件预警参数阈值包含所述人流总量预警阈值、人流密度预警阈值、人流对冲预警阈值,所述多类踩踏事件预警专题模型包含所述人流总量预警模型、人流密度预警模型、人流对冲预警模型。
优选地,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第二处理单元,所述第二处理单元用于根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;
第四获得单元,所述第四获得单元用于根据舆情分析技术对比所述LBS 网络舆情数据库与大型聚集活动,获得第一相关舆情信息;
第四建模单元,所述第四建模单元用于根据所述第一相关舆情信息建立网络舆情预警模型,其中,所述网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型;
第二确定单元,所述第二确定单元用于根据所述网络舆情指标模型获得搜索关键词与所述搜索关键词的搜索频率,且根据所述搜索关键词与所述搜索频率确定第一关注点与第一热度;
第五获得单元,所述第五获得单元用于根据所述第一关注点与所述第一热度获得所述搜索关键词在所述电子围栏区域内的相对搜索指数;
第六获得单元,所述第六获得单元用于根据所述网络舆情评价模型获得所述电子围栏区域内的第一热点话题与网络社交子群体;
第七获得单元,所述第七获得单元用于根据所述第一热点话题与所述网络社交子群体获得所述电子围栏区域内的第一热点指数与子群体中心度指数;
第三确定单元,所述第三确定单元用于根据所述第一热点指数、所述子群体中心度指数与所述相对搜索指数确定第一突发事件预测趋势信息;
第四确定单元,所述第四确定单元用于根据网络舆情预警模型与所述第一突发事件预测趋势信息确定第一情报预警信息。
优选地,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第三处理单元,所述第三处理单元用于根据所述第一LBS数据建立LBS 车流数据库、LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;
第八获得单元,所述第八获得单元用于根据所述LBS车流数据库获得车流量时间分布趋势图与车流量特征模型;
第九获得单元,所述第九获得单元用于根据所述车流量时间分布趋势图与所述车流量特征模型获得特定时段的车流量预警阈值;
第五确定单元,所述第五确定单元用于根据所述车流量时间分布趋势图建立车流量预警模型,且根据所述车流量预警模型与所述车流量预警阈值确定第一情报预警信息。
优选地,所述装置还包括:
第十获得单元,所述第十获得单元用于根据所述LBS客流数据库获得所述电子围栏区域内的人流总量数值、人流分布趋势图;
第六确定单元,所述第六确定单元用于根据所述人流总量数值与所述人流分布趋势图建立客流承载预警模型,且根据所述客流承载预警模型确定第一情报预警信息。
第三方面,本发明提供了一种基于LBS大数据的踩踏事件的情报分析装置,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一种基于LBS大数据的踩踏事件的情报分析方法和装置,通过获得电子围栏区域内的第一LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,能够提高LBS大数据为大型聚集活动中情报预警的有效性;进而获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型,从而为应急指挥提供辅助性的决策和预案,进而降低伤亡损失;获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型,进而增强事后溯源与评估的可靠性,为更好地处理踩踏事故奠定知识基础和决策依据的技术效果,从而解决了现有技术中利用LBS大数据分析大型聚集活动区域内的情报预警与事件处置的有效性差,成熟度低的技术问题。
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为本发明实施例中一种基于LBS大数据的踩踏事件的情报分析方法的流程示意图;
图2为本发明实施例中一种基于LBS大数据的踩踏事件的情报分析装置的结构示意图;
图3为本发明实施例中另一种基于LBS大数据的踩踏事件的情报分析装置的结构示意图。
附图标记说明:数据处理单元11,建模预警单元12,应急处置单元13,溯源评估单元14,第一优化单元15,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一种基于LBS大数据的踩踏事件的情报分析方法和装置,用于解决现有技术中利用LBS大数据分析大型聚集活动区域内的情报预警与事件处置的有效性差,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:获得电子围栏区域内的第一LBS 数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型,从而达到了提高 LBS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,增强事后溯源与评估的可靠性的技术效果。
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为本发明实施例中一种基于LBS大数据的踩踏事件的情报分析方法的流程示意图。如图1所示,本发明实施例提供了一种基于LBS大数据的踩踏事件的情报分析方法,所述方法包括:
步骤110:获得电子围栏区域内的第一LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库。
具体而言,在对城市大型聚集活动的情报研判中,首先根据活动的时间、地点、规模、性质等情况,充分考虑周边环境因素,借助地理信息系统划定 LBS数据采集的工作区域,其次根据围栏区域内采集的LBS关联数据,比如人流总量、人流密度、人群画像特征、网络舆情、车流量、视频监控、应急处置等,结合数据挖掘算法,建立不同场景下的数据分析模型,最终实现各类专题应用,称为LBS大数据中的电子围栏技术,通过LBS位置大数据,利用电子围栏技术,可以更加准确、清晰地了解人流特征、车流特征、网络舆情等信息,结合电子围栏技术,可以对指定地理范围内的人流数据进行精确感知与分析,构建拥挤踩踏事件情报预警指标体系,并在超过一定预警阈值时,及时发出拥挤踩踏事件的预警信号,动态预测事件预发生的地理位点。本申请实施例中包含地理数据、轨迹数据、空间数据的第一LBS数据为基础,以城市公共安全管理平台建设为依托,以情报分析研判为视角,将大型聚集活动中拥挤踩踏事件的情报分析工作分成事前感知与预警、事中处置与事态演化预测、事后溯源与评估三个环节。其中,第一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。通过电信运营商、互联网位置服务提供商以及政府相关部门采集电子围栏区域内的第一LBS数据,对第一LBS数据进行清洗、分类、聚类并建立多类LBS数据库,如LBS画像特征数据库、LBS人流数据库、 LBS网络舆情数据库等。
步骤120:根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息。
进一步的,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知,包括:根据所述第一LBS数据建立LBS画像特征数据库,其中,所述 LBS画像特征数据库属于所述多类LBS数据库;通过对所述LBS画像特征数据库进行深度挖掘分析获得所述电子围栏区域内人流画像特征,并对所述人流画像特征进行感知、识别。进一步的,所述根据所述多类LBS数据库中LBS 数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:根据所述第一LBS数据中的LBS人流数据建立LBS 人流数据库,其中,所述LBS人流数据库属于所述多类LBS数据库;根据人流聚类估算模型计算所述LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息;根据所述第一人流动态情报信息确定任一时段范围内的人流量分布趋势图,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据所述人流量统计模型推算所述特定时间段所述电子围栏区域的人流量平均阈值;将所述人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型,其中,所述人流总量预警模型中设定人流总量预警级别与人流总量预警阈值;根据所述人流总量预警模型处理所述LBS人流数据库获得第一突发事件预测趋势信息;根据所述人流总量预警阈值与所述第一突发事件预测趋势信息确定第一情报预警信息。进一步的,所述多类踩踏事件预警参数阈值包含所述人流总量预警阈值、人流密度预警阈值、人流对冲预警阈值,所述多类踩踏事件预警专题模型包含所述人流总量预警模型、人流密度预警模型、人流对冲预警模型。进一步的,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;根据舆情分析技术对比所述LBS网络舆情数据库与大型聚集活动,获得第一相关舆情信息;根据所述第一相关舆情信息建立网络舆情预警模型,其中,所述网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型;根据所述网络舆情指标模型获得搜索关键词与所述搜索关键词的搜索频率,且根据所述搜索关键词与所述搜索频率确定第一关注点与第一热度;根据所述第一关注点与所述第一热度获得所述搜索关键词在所述电子围栏区域内的相对搜索指数;根据所述网络舆情评价模型获得所述电子围栏区域内的第一热点话题与网络社交子群体;根据所述第一热点话题与所述网络社交子群体获得所述电子围栏区域内的第一热点指数与子群体中心度指数;根据所述第一热点指数、所述子群体中心度指数与所述相对搜索指数确定第一突发事件预测趋势信息;根据网络舆情预警模型与所述第一突发事件预测趋势信息确定第一情报预警信息。进一步的,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:根据所述第一LBS数据建立LBS车流数据库、 LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;根据所述LBS车流数据库获得车流量时间分布趋势图与车流量特征模型;根据所述车流量时间分布趋势图与所述车流量特征模型获得特定时段的车流量预警阈值;根据所述车流量时间分布趋势图建立车流量预警模型,且根据所述车流量预警模型与所述车流量预警阈值确定第一情报预警信息。进一步的,所述方法还包括:根据所述LBS客流数据库获得所述电子围栏区域内的人流总量数值、人流分布趋势图;根据所述人流总量数值与所述人流分布趋势图建立客流承载预警模型,且根据所述客流承载预警模型确定第一情报预警信息。
具体而言,根据所述LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,其中,多类踩踏事件预警专题模型包括人流总量预警模型、人流总量预警模型、人流对冲预警模型、网络舆情预警模型等。本申请实施例将从事前多特征因素进行动态感知与研判预警。首先,根据第一LBS数据中关联的数据,如生活购物数据、社交数据、活动轨迹数据、导航数据等,建立LBS画像特征数据库。通过对整合的LBS画像特征数据库进行深度挖掘分析,可刻画出电子围栏区域内的人流画像特征,从而可以对电子围栏区域内的常住人口、流动人口、年龄分布、性别比例、职业情况、个性喜好、重点人员、高危人员等人流画像特征进行感知、识别与研判。
其次,通过对第一LBS数据中的LBS人流数据进行数据清洗、数据集成、数据标准化,建立LBS人流数据库,根据人流聚类估算模型计算LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息,其中,第一人流动态情报信息包括电子围栏区域内人流总量估值、人流密度、人流分布等情报信息。除此之外,利用用户智能终端或智能穿戴设备内集成的传感器件,可实时采集用户所处环境及运动姿态数据,经过相关数据的运算处理,在保护公民个人隐私的基础上,可获得用户的LBS运动特征数据,其中即包括针对单一用户的状态识别检测、智能计步、运动速度检测、运动方向检测、位置海拔检测等情报信息,还包括针对小规模用户群体的聚集运动行为特征、人流对冲指数等情报信息。通过对电子围栏区域内LBS人流数据的统计分析,结合地理位置信息系统,利用原始数据绘图、简单统计值标绘、多视图协调关联等可视化方法进行表达呈现。人流情况以实时人数、实时视频、人流对冲指数和人热力图的方式展现。其中,实时人数即为当前时刻区域内的人流总量;实时视频为区域内监控探头的实时视频流,每一个监控探头的位置、IP 都在地理信息系统中被标记出,可被任意调取;人流对冲指数则是基于分析人群运动状态和移动轨迹所计算出的人群冲撞情况。人流分布图像则以热力图的形式来展示,热力图能够通过颜色的变化深浅反映人流地理位置分布和人流密度。还可以依托人流量数据库建立人流量变化模型,可以对人流量做出预测分析。统计电子围栏区域内人流量在不同时段的数据变化情况,绘制时间变量的人流量变化曲线。再采用关联规则、时间序列模式、回归预测模型等数据挖掘方法,结合人流量统计曲线,建立贝叶斯分析模型。进而得到区域内人流量随时间变化的线性回归公式,建立以一天时段为时间轴的人流量趋势变化预测曲线。通过对人流动态感知,进而要对人流进行预警。拥挤踩踏人流预警包括人群流量、聚集密度、速度和走向等指标。因此,基于LBS 大数据的人流预警主要包括人流总量预警、人流密度预警和实时人流对冲预警。根据第一人流动态情报信息确定电子围栏区域内在年、月、日、时、分等任一时段范围内的人流量分布趋势图,结合电子围栏区域内的地形地貌特征,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据人流量统计模型推算特定时间段电子围栏区域的人流量平均阈值。将人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型。聚集活动的第一特征属性为聚集活动的性质、规模、时段。结合以往聚集活动中踩踏事件的LBS数据,以及人流量平均阈值设定人流总量预警级别与人流总量预警阈值,如人流总量预警级别可以分为三个级别:低级、中级、高级,对应的三个级别的人流总量预警级别设定三个人流总量预警阈值。根据人流总量预警模型处理LBS人流数据库获得第一突发事件预测趋势信息,根据人流总量预警阈值与第一突发事件预测趋势信息确定第一情报预警信息,从而实现电子围栏区域内的人流量实时预警。除了人流总量预警,还有人流密度预警和实时人流对冲预警。其中,人流密度预警临界值的界定,在国内尚未有统一标准。但根据分析历史踩踏事件数据表明,当每平米人数超过7人时,拥挤踩踏事件发生的频率就会大幅度上升。人流密度的预警阈值与人流总量、人流速度是相互关联和影响的,就大型活动而言,还应结合大型活动的规模和性质得出合理的人流密度阈值。通用的人流密度预警阈值一般为人群静止状态下的预警阈值为7-9人/m2,人群运动状态下的预警阈值为4-6人/m2。因此,应当综合考虑电子围栏区域内的地理特征、道路规划、活动场地设施配备、活动具体方案等客观因素,并结合该电子围栏区域内活动历史数据库和专家知识库,建立科学定量的拥挤踩踏事件人流密度预警模型,根据电子围栏区域内不同聚集位点的地理性质,设置相应的预警级别及其对应的预警阈值,从而实现了电子围栏区域内不同客观环境下的人流密度个性化预警。同时,根据电子围栏区域内的人群画像特征,如性别比例、年龄分布,可实时动态调整人流密度的预警阈值。引发踩踏事件的另一重要原因是人流对冲,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。各个地理区域的人流对冲承载能力不尽相同,如上海外滩踩踏事故中,上海外滩甬道人流对冲承载能力就远远小于像陈毅广场这些开阔的地方。因此,在实际应用中,应当根据电子围栏区域内不同地理位置的人流对冲承载力、人群实时运动特征、人群画像特征来确定具体的人流对冲预警模型,设置针对不同地理位置坐标的个性化人流对冲预警阈值。
其次,当人们关注某个活动而去检索或讨论相关信息时,就会在ICP网络服务器上产生相应的检索日志和通讯内容,如手机IMSI和IMEI信息、上网IP地址、登陆基站、检索内容、用户ID、讨论专题、讨论内容等数据。因此,基于LBS大数据处理和数据挖掘技术,在保护公民个人隐私的基础上,通过实时监控电子围栏区域内地图搜索、互联网搜索引擎、新闻媒体、微博、微信朋友圈、抖音、快手等多媒体数据,即第一LBS数据中网络舆情数据。根据第一LBS数据中网络舆情数据建立LBS网络舆情数据库。根据信息检索、话题追踪、倾向挖掘等舆情分析技术对比LBS网络舆情数据库与大型聚集活动强关联的信息,获得第一相关舆情信息。对第一相关舆情信息进行语义解析,发现搜索热词或热点专题建立网络舆情预警模型,其中,网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型。网络舆情指标模型包括关键词搜索量、大型活动访问请求量、专题发布转发评论数据、情感倾向性等基础指标。网络舆情评价模型可以采取多级模糊推理、贝叶斯网络建模、BP 神经网络等方式建立。根据网络舆情指标模型获得搜索关键词与搜索关键词的搜索频率,且根据搜索关键词与搜索频率确定第一关注点与第一热度。根据第一关注点与第一热度获得搜索关键词在电子围栏区域内的相对搜索指数。其中,相对搜索指数是搜索关键词在电子围栏区域内的搜索频次的相关指数。根据网络舆情评价模型获得电子围栏区域内的人群的互动专题及关注互动关系,进而确定第一热点话题与网络社交子群体。根据第一热点话题与网络社交子群体获得电子围栏区域内的第一热点指数与子群体中心度指数。其中,子群体中心度指数是指电子围栏区域内互动度高的子群体的密集指数。根据第一热点指数、子群体中心度指数与相对搜索指数确定第一突发事件预测趋势信息。并根据网络舆情预警模型与第一突发事件预测趋势信息确定第一情报预警信息,即利用网络舆情预警模型及时发布相应级别的舆情预警信息,从而减少拥挤踩踏发生的可能性。
其次,通过政府政务部门和互联网位置服务提供商的数据查询接口,可实时采集电子围栏区域内第一LBS数据中的车辆轨迹数据、驾乘人员数据、票务交易数据等,并建立LBS车流数据库、LBS客流数据库,对电子围栏区域内车流、客流、路况、公共交通运载等信息实时监控。例如,通过抓取活动区域内公交车辆、地铁、出租车、网约车的交易数据,可实时监测电子围栏区域内的客流运载能力,为电子围栏区域内的人客流量数据监测提供数据支撑。通过抓取活动区域内车辆轨迹数据,可对电子围栏区域内路网路况信息进行实时监测。基于第一LBS数据的车流预警主要包括车流量预警、车流拥堵预警、客流承载预警等。其中,电子围栏区域内建立的LBS车流数据库,可实时统计分析电子围栏区域内的车流总量、车流速度、车流聚集位点、客流承载总量等信息。根据LBS车流数据库获得电子围栏区域内某一路段在年、月、日、时、分时段范围内车流量时间分布趋势图和该路段与活动、节日、时段相关联的车车流量特征模型。根据车流量时间分布趋势图与车流量特征模型获得特定时段的车流量预警阈值。根据车流量时间分布趋势图建立车流量预警模型,且根据车流量预警模型与车流量预警阈值确定第一情报预警信息。同时,根据电子围栏区域内LBS车流数据库中的车流速度数据,结合监视频数据中该路段的车流拥堵状况,并结合聚集活动的性质、地理位置、规模、时段,设置电子围栏区域内各路段的预警级别及其对应的车流拥挤预警阈值,并对车流拥挤进行预警。根据LBS客流数据库获得电子围栏区域内的人流总量数值、人流分布趋势图。根据人流总量数值与人流分布趋势图建立客流承载预警模型,且根据客流承载预警模型确定第一情报预警信息,其中,第一情报预警信息包含离开电子围栏区域内的客流量以及对进入围栏区域内的客流进行预警。
最后,通过对踩踏事件发生前对应急力量感知,利用拥挤踩踏应急处置力量(公安、武警、消防、医疗等)和应急装备(车辆、仪器、移动通信终端等)自带的LBS定位设备,可收集应急力量的地理位置数据,即根据第一 LBS数据中的应急力量的地理位置数据建立应急处置数据库,可对电子围栏区域内应急力量的位置分布实时监控,对应急力量回传的文本、图片、视频等数据信息实时监控与处理。
步骤130:获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型。
具体而言,当踩踏事件发生后,必须快速启动应急机制,第一时间掌握现场伤亡情况,按照应急预案立即组织应急力量进行现场处置,将人员伤亡、财产损失降到最低。获得踩踏事件区域内的LBS实时数据,结合第一情报预警信息对LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型,同时,结合历史数据库、案例知识库、专家知识库对事件的事态演变趋势进行动态推演,建立踩踏事件预测推演模型。
应急处置辅助决策模型中具有辅助编制人流疏导预案、辅助编制客流疏导预案、辅助编制交通疏导预案以及辅助应急力量部署。第一,利用电子围栏区域内的LBS人流数据库,可以对拥挤踩踏事件发生位点的人流数据进行建模分析,实时评估事件影响的区域范围、人群总量等情报信息,为现场应急力量部署提供情报支撑。同时,利用LBS画像特征数据库,对拥挤踩踏事件现场的人群进行画像特征分析,评估事件的附加影响,指导应急预案的制定。例如,统计分析现场人群的年龄、性别和职业组成,有助于帮助应急人员针对性地开展事故救援、安置与心理疏导;统计分析现场人群的来源地、居住地、工作地,可以帮助应急人员及时合理安排人群的疏导和安置。第二,利用LBS车流数据库,实时掌握电子围栏区域内的公共交通工具总量,预估交通客流承载能力,从而为拥挤踩踏事件现场的人流疏导和疏散提供参考。并根据现场人群的来源地、居住地、工作地等数据,统计分析各来源地、居住地、工作地的人群比例,构建交通应急疏导运维模型,科学合理制定公共交通应急承运路线规划,实现最有效的人流疏散。第三,利用LBS车流数据库,实时掌握拥挤踩踏事件现场的车流、路网、路况等数据,并利用LBS大数据分析建模方法,辅助制定车流最佳疏导路线,从而为现场交通疏导与管制提供数据参考。同时,利用LBS大数据建立的专家知识库和案例数据库,结合现场实时路网交通数据,辅助决策拥挤踩踏事件的应急交通管制方案,实现最高效的交通疏导。同时,利用LBS的应急处置数据库,实时掌握电子围栏区域内各类应急处置力量(公安、武警、消防、医疗、卫生等)和应急装备(车辆、仪器、移动通信终端等)的数量、状态、位置分布、实时运动轨迹、现场回传图片和音视频等数据信息,为城市公共安全管理平台突发事件的指挥调度提供可视化的数据参考。基于LBS实时数据,可以对电子围栏区域内的人流、客流、车流、路网、路况、公共交通承载等数据进行综合研判,通过构建应急处置辅助决策模型,可在地理信息系统上智能规划应急救援入场路线,为应急力量的到达规划出最优路线,并将分析结果回传给应急处置力量,使其以最快速度抵达中心现场开展工作。基于LBS实时数据,依托城市公共安全管理平台,应急处置的指挥决策者在掌握应急力量实时位置状态的基础上,可以直接与现场应急力量进行通讯,以掌握现场实时状况。通过设备回传的位置数据、图片、音视频等数据,可以为指挥决策者可视化展现现场应急处置的全景画面,为下一步工作部署提供保障。
踩踏事件预测推演模型是动态推演事件应急处理中人流、车流、网络舆情等的变化趋势,为应急指挥决策提供动态情报支撑。基于电子围栏区域内的LBS实时数据,结合应急处置预案,实时监测应急预案实施后拥挤踩踏发生位点的人流总量、人流密度、人流对冲、车流量、路况、网络舆情等监测指标,利用数据挖掘的关联与回归算法,结合多类LBS数据库、专家知识库、案例知识库,构建踩踏事件的踩踏事件预测推演模型。
步骤140:获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型。
步骤150:根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
具体而言,通过获得踩踏事件区域内的LBS历史数据库,即LBS历史数据库包含多类LBS数据库以及LBS实时数据建立的数据库。利用数据挖掘时间序列分析算法,抽取踩踏事件发生前后时间段内区域的人流总量、人流密度、人流分布、人流对冲、人流画像、网络舆情、应急力量等监测指标数据,建立踩踏事件溯源分析模型,并结合事故现场的地形地貌特征数据、音视频数据、网络舆情数据,可以定性或定量地挖掘分析踩踏事故发生的主要风险源和主关联因素,溯源事件发生的诱导机制,查找拥挤踩踏事件监测预警机制的短板,从而为专家和案例知识库的中案例数据模型的完善提供参考与依据。在得到踩踏事件主要成因的基础上,建立应急处置效果评估模型。应急处置效果评估模型要能够反映事件区域和人流疏导路线的人流量、人流密度、人流分布的时序变化趋势,并能够关联事件相关的网络舆情中人群情感倾向、情感强度的时间演变等。结合现场人员伤亡情况和应急力量的指挥部署情况,依据应急处置效果评估模型评估踩踏事件的应急处置方案的第一应急处置效果。并根据第一应急处置效果优化多类踩踏事件预警专题模型,根据第一应急处置效果为修订应急处置辅助决策模型与踩踏事件预测推演模型提供参考,增强事后溯源与评估的可靠性,为更好地处理踩踏事故奠定知识基础和决策依据。
实施例二
基于与前述实施例中一种基于LBS大数据的踩踏事件的情报分析方法同样的发明构思,本发明还提供一种基于LBS大数据的踩踏事件的情报分析方法装置,所述装置包括:
数据处理单元11,所述数据处理单元11用于获得电子围栏区域内的第一 LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;
建模预警单元12,所述建模预警单元12用于根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;
应急处置单元13,所述应急处置单元13用于获得踩踏事件区域内的LBS 实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;
溯源评估单元14,所述溯源评估单元14用于获得踩踏事件区域内的LBS 历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;
第一优化单元15,所述第一优化单元15用于根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
进一步的,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知,包括:
第一建模单元,所述第一建模单元用于根据所述第一LBS数据建立LBS 画像特征数据库,其中,所述LBS画像特征数据库属于所述多类LBS数据库;
第一获得单元,所述第一获得单元用于通过对所述LBS画像特征数据库进行深度挖掘分析获得所述电子围栏区域内人流画像特征,并对所述人流画像特征进行感知、识别。
进一步的,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第一处理单元,所述第一处理单元用于根据所述第一LBS数据中的LBS 人流数据建立LBS人流数据库,其中,所述LBS人流数据库属于所述多类 LBS数据库;
第二获得单元,所述第二获得单元用于根据人流聚类估算模型计算所述 LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息;
第二建模单元,所述第二建模单元用于根据所述第一人流动态情报信息确定任一时段范围内的人流量分布趋势图,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据所述人流量统计模型推算所述特定时间段所述电子围栏区域的人流量平均阈值;
第三建模单元,所述第三建模单元用于将所述人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型,其中,所述人流总量预警模型中设定人流总量预警级别与人流总量预警阈值;
第三获得单元,所述第三获得单元用于根据所述人流总量预警模型处理所述LBS人流数据库获得第一突发事件预测趋势信息;
第一确定单元,所述第一确定单元用于根据所述人流总量预警阈值与所述第一突发事件预测趋势信息确定第一情报预警信息。
进一步的,所述多类踩踏事件预警参数阈值包含所述人流总量预警阈值、人流密度预警阈值、人流对冲预警阈值,所述多类踩踏事件预警专题模型包含所述人流总量预警模型、人流密度预警模型、人流对冲预警模型。
进一步的,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第二处理单元,所述第二处理单元用于根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;
第四获得单元,所述第四获得单元用于根据舆情分析技术对比所述LBS 网络舆情数据库与大型聚集活动,获得第一相关舆情信息;
第四建模单元,所述第四建模单元用于根据所述第一相关舆情信息建立网络舆情预警模型,其中,所述网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型;
第二确定单元,所述第二确定单元用于根据所述网络舆情指标模型获得搜索关键词与所述搜索关键词的搜索频率,且根据所述搜索关键词与所述搜索频率确定第一关注点与第一热度;
第五获得单元,所述第五获得单元用于根据所述第一关注点与所述第一热度获得所述搜索关键词在所述电子围栏区域内的相对搜索指数;
第六获得单元,所述第六获得单元用于根据所述网络舆情评价模型获得所述电子围栏区域内的第一热点话题与网络社交子群体;
第七获得单元,所述第七获得单元用于根据所述第一热点话题与所述网络社交子群体获得所述电子围栏区域内的第一热点指数与子群体中心度指数;
第三确定单元,所述第三确定单元用于根据所述第一热点指数、所述子群体中心度指数与所述相对搜索指数确定第一突发事件预测趋势信息;
第四确定单元,所述第四确定单元用于根据网络舆情预警模型与所述第一突发事件预测趋势信息确定第一情报预警信息。
进一步的,所述建模预警单元中根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
第三处理单元,所述第三处理单元用于根据所述第一LBS数据建立LBS 车流数据库、LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;
第八获得单元,所述第八获得单元用于根据所述LBS车流数据库获得车流量时间分布趋势图与车流量特征模型;
第九获得单元,所述第九获得单元用于根据所述车流量时间分布趋势图与所述车流量特征模型获得特定时段的车流量预警阈值;
第五确定单元,所述第五确定单元用于根据所述车流量时间分布趋势图建立车流量预警模型,且根据所述车流量预警模型与所述车流量预警阈值确定第一情报预警信息。
进一步的,所述装置还包括:
第十获得单元,所述第十获得单元用于根据所述LBS客流数据库获得所述电子围栏区域内的人流总量数值、人流分布趋势图;
第六确定单元,所述第六确定单元用于根据所述人流总量数值与所述人流分布趋势图建立客流承载预警模型,且根据所述客流承载预警模型确定第一情报预警信息。
前述图1实施例一中的一种基于LBS大数据的踩踏事件的情报分析方法的各种变化方式和具体实例同样适用于本实施例的一种基于LBS大数据的踩踏事件的情报分析装置,通过前述对一种基于LBS大数据的踩踏事件的情报分析方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于 LBS大数据的踩踏事件的情报分析装置的实施方法,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一种基于LBS大数据的踩踏事件的情报分析方法同样的发明构思,本发明还提供一种基于LBS大数据的踩踏事件的情报分析装置,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一种基于LBS大数据的踩踏事件的情报分析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:获得电子围栏区域内的第一LBS 数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
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一种基于LBS大数据的踩踏事件的情报分析方法和装置,通过获得电子围栏区域内的第一LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,能够提高LBS大数据为大型聚集活动中情报预警的有效性;进而获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述 LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型,从而为应急指挥提供辅助性的决策和预案;获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型,进而增强事后溯源与评估的可靠性的技术效果,从而解决了现有技术中利用LBS大数据分析大型聚集活动区域内的情报预警与事件处置的有效性差,成熟度低的技术问题。
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 (8)
1.一种基于LBS大数据的踩踏事件的情报分析方法,其特征在于,所述方法包括如下步骤:
S100:获得电子围栏区域内的第一LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;其中,
根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;
根据所述第一LBS数据建立LBS车流数据库、LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;
根据LBS车流数据库获得电子围栏区域内某一路段在年、月、日、时、分时段范围内车流量时间分布趋势图和该路段与活动、节日、时段相关联的车车流量特征模型;
S200:根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据中的LBS人流数据建立LBS人流数据库,其中,所述LBS人流数据库属于所述多类LBS数据库;
根据人流聚类估算模型计算所述LBS人流数据库,获得所述电子围栏区域内第一人流动态情报信息;
根据所述第一人流动态情报信息确定任一时段范围内的人流量分布趋势图,并构建所述电子围栏区域内在特定时间段的人流量统计模型,根据所述人流量统计模型推算所述特定时间段所述电子围栏区域的人流量平均阈值;
将所述人流量平均阈值结合聚集活动的第一特征属性建立所述电子围栏区域内的人流总量预警模型,其中,所述人流总量预警模型中设定人流总量预警级别与人流总量预警阈值;
根据所述人流总量预警模型处理所述LBS人流数据库获得第一突发事件预测趋势信息;
根据所述人流总量预警阈值与所述第一突发事件预测趋势信息确定第一情报预警信息;
其中,所述多类踩踏事件预警参数阈值包含所述人流总量预警阈值、人流密度预警阈值、人流对冲预警阈值,所述多类踩踏事件预警专题模型包含所述人流总量预警模型、人流密度预警模型、人流对冲预警模型;
S300:获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;其中,
基于电子围栏区域内的LBS实时数据,结合应急处置预案,实时监测应急预案实施后拥挤踩踏发生位点的人流总量、人流密度、人流对冲、车流量、网络舆情监测指标,利用数据挖掘的关联与回归算法,结合多类LBS数据库、专家知识库、案例知识库,构建踩踏事件的踩踏事件预测推演模型;
S400:获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;
S500:根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
2.如权利要求1所述的方法,其特征在于,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知,包括:
根据所述第一LBS数据建立LBS画像特征数据库,其中,所述LBS画像特征数据库属于所述多类LBS数据库;
通过对所述LBS画像特征数据库进行深度挖掘分析获得所述电子围栏区域内人流画像特征,并对所述人流画像特征进行感知、识别。
3.如权利要求1所述的方法,其特征在于,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据中网络舆情数据建立LBS网络舆情数据库,其中,所述LBS网络舆情数据库属于所述多类LBS数据库;
根据舆情分析技术对比所述LBS网络舆情数据库与大型聚集活动,获得第一相关舆情信息;
根据所述第一相关舆情信息建立网络舆情预警模型,其中,所述网络舆情预警模型包含网络舆情指标模型与网络舆情评价模型;
根据所述网络舆情指标模型获得搜索关键词与所述搜索关键词的搜索频率,且根据所述搜索关键词与所述搜索频率确定第一关注点与第一热度;
根据所述第一关注点与所述第一热度获得所述搜索关键词在所述电子围栏区域内的相对搜索指数;
根据所述网络舆情评价模型获得所述电子围栏区域内的第一热点话题与网络社交子群体;
根据所述第一热点话题与所述网络社交子群体获得所述电子围栏区域内的第一热点指数与子群体中心度指数;
根据所述第一热点指数、所述子群体中心度指数与所述相对搜索指数确定第一突发事件预测趋势信息;
根据网络舆情预警模型与所述第一突发事件预测趋势信息确定第一情报预警信息。
4.如权利要求1所述的方法,其特征在于,所述根据所述多类LBS数据库中LBS数据的深度集成与智能感知构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息,包括:
根据所述第一LBS数据建立LBS车流数据库、LBS客流数据库,其中,所述LBS车流数据库、所述LBS客流数据库属于所述多类LBS数据库;
根据所述LBS车流数据库获得车流量时间分布趋势图与车流量特征模型;
根据所述车流量时间分布趋势图与所述车流量特征模型获得特定时段的车流量预警阈值;
根据所述车流量时间分布趋势图建立车流量预警模型,且根据所述车流量预警模型与所述车流量预警阈值确定第一情报预警信息。
5.如权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述LBS客流数据库获得所述电子围栏区域内的人流总量数值、人流分布趋势图;
根据所述人流总量数值与所述人流分布趋势图建立客流承载预警模型,且根据所述客流承载预警模型确定第一情报预警信息。
6.一种基于LBS大数据的踩踏事件的情报分析装置,其特征在于,
所述装置用于实施权利要求1所述的一种基于LBS大数据的踩踏事件的情报分析方法;
所述装置包括:
数据处理单元,所述数据处理单元用于获得电子围栏区域内的第一LBS数据,对所述第一LBS数据清洗、分类、聚类并建立多类LBS数据库;
建模预警单元,所述建模预警单元用于根据所述多类LBS数据库中LBS数据的深度集成与智能感知,构建多类踩踏事件预警参数阈值以及相应的多类踩踏事件预警专题模型,且根据所述多类踩踏事件预警专题模型获得第一情报预警信息;
应急处置单元,所述应急处置单元用于获得踩踏事件区域内的LBS实时数据,结合所述第一情报预警信息对所述LBS实时数据中区域范围、人群总量与分布、人群属性进行评估,构建应急处置辅助决策模型与踩踏事件预测推演模型;
溯源评估单元,所述溯源评估单元用于获得踩踏事件区域内的LBS历史数据库,根据数据挖掘时间序列分析算法处理所述LBS历史数据库,构建踩踏事件溯源分析模型与应急处置效果评估模型;
第一优化单元,所述第一优化单元用于根据所述应急处置效果评估模型获得踩踏事件的第一应急处置效果,且根据所述第一应急处置效果优化所述多类踩踏事件预警专题模型和所述应急处置辅助决策模型与踩踏事件预测推演模型。
7.一种基于LBS大数据的踩踏事件的情报分析装置,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1-5任一项所述方法的步骤。
8.一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1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246342.7A CN111539864B (zh) | 2020-03-31 | 2020-03-31 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246342.7A CN111539864B (zh) | 2020-03-31 | 2020-03-31 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539864A CN111539864A (zh) | 2020-08-14 |
CN111539864B true CN111539864B (zh) | 2023-07-11 |
Family
ID=71974885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010246342.7A Active CN111539864B (zh) | 2020-03-31 | 2020-03-31 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539864B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113674127B (zh) * | 2021-08-25 | 2023-04-28 | 深圳市盛泰博康智能技术有限公司 | 一种基于物联网的应急移动监控指挥平台 |
CN114936944B (zh) * | 2022-04-13 | 2023-06-13 | 浙江蓝景科技有限公司 | 一种基于定位信息和电子围栏的渔业管理系统 |
CN116167625B (zh) * | 2023-04-25 | 2023-08-18 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
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 |
Citations (8)
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 |
CN105261148A (zh) * | 2015-10-14 | 2016-01-20 | 广州医科大学 | 一种基于天网监控系统的踩踏事件预警疏散方法 |
CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
CN105787853A (zh) * | 2016-04-14 | 2016-07-20 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警系统 |
CN107249010A (zh) * | 2016-09-14 | 2017-10-13 | 深圳位置网科技有限公司 | 一种非法集会分析系统及分析方法 |
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 |
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 |
CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
-
2020
- 2020-03-31 CN CN202010246342.7A patent/CN111539864B/zh active Active
Patent Citations (8)
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 |
CN105261148A (zh) * | 2015-10-14 | 2016-01-20 | 广州医科大学 | 一种基于天网监控系统的踩踏事件预警疏散方法 |
CN105763853A (zh) * | 2016-04-14 | 2016-07-13 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警方法 |
CN105787853A (zh) * | 2016-04-14 | 2016-07-20 | 北京中电万联科技股份有限公司 | 一种公共区域拥挤、踩踏事件应急预警系统 |
CN107249010A (zh) * | 2016-09-14 | 2017-10-13 | 深圳位置网科技有限公司 | 一种非法集会分析系统及分析方法 |
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 |
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 |
CN110147904A (zh) * | 2019-04-23 | 2019-08-20 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111539864A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Iqbal et al. | Intelligent transportation system (ITS) for smart-cities using Mamdani fuzzy inference system | |
Kuo et al. | Using geographical information systems to organize police patrol routes effectively by grouping hotspots of crash and crime data | |
Khattak et al. | Modeling traffic incident duration using quantile regression | |
Cui et al. | Detecting urban road network accessibility problems using taxi GPS data | |
Mouchili et al. | Smart city data analysis | |
CN111445369B (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 | |
Hidayati et al. | Realised pedestrian accessibility of an informal settlement in Jakarta, Indonesia | |
Kijewska et al. | Analysis of data needs and having for the integrated urban freight transport management system | |
Du et al. | Detecting pickpocket suspects from large-scale public transit records | |
Marisamynathan et al. | Estimation of pedestrian safety index value at signalized intersections under mixed traffic conditions | |
Santos et al. | Context-aware vehicle route recommendation platform: Exploring open and crowdsourced data | |
Yang et al. | Toward a real‐time smart parking data management and prediction (SPDMP) system by attributes representation learning | |
Chand et al. | Examining the macro-level factors affecting vehicle breakdown duration | |
CN114511432A (zh) | 一种基于区块链的数字乡村管理服务系统 | |
Zhou et al. | Spatiotemporal traffic network analysis: technology and applications | |
Henriques de Gusmão et al. | The use of a decision support system to aid a location problem regarding a public security facility | |
Kim et al. | 5G based smartcity convergence service platform for data sharing | |
CN115796287A (zh) | 基于深度学习的场所流量控制方法、系统及可读介质 | |
Wang et al. | Analysis of hospitalizing behaviors based on big trajectory data | |
Mukherjee et al. | Proactive pedestrian safety evaluation at urban road network level, an experience in Kolkata City, India | |
Khedher et al. | R-Safety: a mobile crowdsourcing platform for road safety in smart cities | |
Lemonde et al. | Exploring multimodal mobility patterns with big data in the city of lisbon | |
Shahi et al. | Spatial analysis of road traffic crashes and user based assessment of road safety: A case study of Rotterdam | |
CN112115185A (zh) | 面向政务执法的人口大数据分析方法、系统、设备及介质 |
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 |