CN111597461A - 一种目标对象聚集预测方法、装置以及电子设备 - Google Patents
一种目标对象聚集预测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111597461A CN111597461A CN202010383161.9A CN202010383161A CN111597461A CN 111597461 A CN111597461 A CN 111597461A CN 202010383161 A CN202010383161 A CN 202010383161A CN 111597461 A CN111597461 A CN 111597461A
- Authority
- CN
- China
- Prior art keywords
- target object
- information
- target
- field
- prediction
- 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
- 238000004220 aggregation Methods 0.000 title claims abstract description 114
- 230000002776 aggregation Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004891 communication Methods 0.000 claims abstract description 92
- 230000015654 memory Effects 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种目标对象聚集预测方法、装置以及电子设备,涉及信息处理技术领域。具体实现方案为:加载多个对象的通信数据;基于多个对象的通信数据,获取目标对象的目标字段的信息,其中,多个对象包括目标对象,目标字段包括身份标识字段、位置字段以及时间字段;基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果。在进行聚集预测过程中,加载多个对象的通信数据,可从中获取目标对象的身份标识字段、位置字段以及时间字段的信息,然后基于目标对象的目标字段的信息,即可实现对目标对象的聚集预测。无需对通信数据进行人工分析判断是否发生聚集,从而可提高对象聚集预测的效果。
Description
技术领域
本申请涉及计算机技术中的信息处理技术领域,尤其涉及一种目标对象聚集预测方法、装置以及电子设备。
背景技术
在安全领域,经常有针对嫌疑人团伙进行聚集的分析需求,以发现嫌疑人团伙发生聚集。
目前,常用判断嫌疑人团伙是否发生聚集的方法,是调用固定的应用程序接口(API)获取嫌疑人团伙成员的位置信息,通过人工分析获取的位置信息以预测嫌疑人团伙成员是否发生聚集,如此,导致对嫌疑人团伙是否发生聚集的预测效率较差,即聚集预测效率较差。
发明内容
本申请提供一种目标对象聚集预测方法、装置和电子设备,以解决现有聚集预测效率较差的问题。
第一方面,本申请一个实施例提供一种目标对象聚集预测方法,包括:
加载多个对象的通信数据;
基于所述多个对象的通信数据,获取目标对象的目标字段的信息,其中,所述多个对象包括所述目标对象,所述目标字段包括身份标识字段、位置字段以及时间字段;
基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果。
本申请实施例的目标对象聚集预测方法,在进行聚集预测过程中,在加载多个对象的通信数据后,可从中获取目标对象的身份标识字段、位置字段以及时间字段的信息,然后基于目标对象的目标字段的信息,即可实现对目标对象的聚集预测,得到预测结果。无需对通信数据进行人工分析判断是否发生聚集,从而可提高对象聚集预测的效果。
第二方面,本申请一个实施例提供一种目标对象聚集预测装置,所述装置包括:
第一加载模块,用于加载多个对象的通信数据;
第一获取模块,用于基于所述多个对象的通信数据,获取目标对象的目标字段的信息,其中,所述多个对象包括所述目标对象,所述目标字段包括身份标识字段、位置字段以及时间字段;
预测模块,用于基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果。
本申请实施例的目标对象聚集预测装置,在进行聚集预测过程中,在加载多个对象的通信数据后,可从中获取目标对象的身份标识字段、位置字段以及时间字段的信息,然后基于目标对象的目标字段的信息,即可实现对目标对象的聚集预测,得到预测结果。无需对通信数据进行人工分析判断是否发生聚集,从而可提高对象聚集预测的效果。
第三方面,本申请一个实施例还提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请各实施例提供的方法。
第四方面,本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请各实施例提供的方法。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请提供的一个实施例的目标对象聚集预测方法的流程示意图之一;
图2是本申请提供的一个实施例的目标对象聚集预测方法的流程示意图之二;
图3是实现本申请实施例的目标对象聚集预测方法的聚集预测系统的架构图;
图4是本申请提供的一个实施例的目标对象聚集预测装置的结构图之一;
图5是本申请提供的一个实施例的目标对象聚集预测装置的结构图之二;
图6是本申请提供的一个实施例的目标对象聚集预测装置的结构图之三;
图7是用来实现本申请实施例的目标对象聚集预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如图1所示,根据本申请的实施例,本申请提供一种目标对象聚集预测方法,可应用于电子设备,该方法包括:
步骤S101:加载多个对象的通信数据。
对象可以理解为用户,通信数据可以从运营商侧获取。作为一个示例,通信数据可以包括身份标识信息、位置信息以及时间信息,也还可以包括通信标识号(例如,手机号等)以及MAC(Media Access Control Address,物理地址)等。
步骤S102:基于多个对象的通信数据,获取目标对象的目标字段的信息。
其中,多个对象包括目标对象,目标字段包括身份标识字段、位置字段以及时间字段。时间字段对应的时间可以理解为出现在位置字段对应位置时的时间。另外,目标字段还可包括通信标识号字段以及MAC字段等。目标对象可以理解为预先已知的目标对象。例如,多个对象包括n个对象,即包括对象A1、对象A2、对象A3、……、对象An,对目标对象中属于同一团伙的对象进行聚集预测,例如,目标对象的数量多个,目标对象中属于同一团伙X的对象包括对象A1和对象A2,在加载上述n个对象的通信数据之后,即可从中获取对象A1和对象A2的目标字段的信息。上述目标对象中属于同一团伙Y的对象包括对象A3和对象A4,在加载上述n个对象的通信数据之后,即可从中获取对象A3和对象A4的目标字段的信息。后续再进行聚集预测时,可分别对不同团伙内的目标对象进行聚集预测,例如,对对象A1和对象A2进行聚集预测,得到对象A1和对象A2对应的聚集预测结果,以及对对象A3和对象A4进行聚集预测,得到对象A3和对象A4对应的聚集预测结果。
通信数据中包括目标字段的信息,即包括身份标识字段的信息(身份标识信息)、位置字段的信息(位置信息)以及时间字段的信息(时间信息)。加载多个对象的通信数据后,可从多个对象的通信数据中,获取目标对象的目标字段的信息。
作为一个示例,目标对象已知,为已知对象(可以理解为已知的嫌疑对象)中的对象,即表示目标对象的身份标识信息已知,从而,基于多个对象的通信数据,获取目标对象的目标字段的信息,可以包括:筛选多个对象与已知对象中相同的目标对象,从多个对象的通信数据中获取目标对象的通信数据;基于目标对象的通信数据,获取目标对象的目标字段的信息。例如,多个对象包括n个对象,即包括对象A1、对象A2、对象A3、……、对象An,已知对象包括对象A1、对象A2、对象A3、对象A4和对象B1,可知,多个对象和已知对象中相同的对象即目标对象包括对象A1、对象 A2、对象A3和对象A4,在加载多个对象的通信数据后,即可从中筛选出目标对象,并从多个对象的通信数据中获取目标对象的通信数据,然后根据目标对象的通信数据获取目标对象的目标字段的信息。
步骤S103:基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果。
得到目标对象的目标字段的信息之后,即可基于目标对象的目标字段的信息,实现对目标对象是否发生聚集的预测,得到预测结果。由于目标字段包括身份标识字段、位置字段以及时间字段,也即是根据目标对象的身份标识字段、位置字段以及时间字段对目标对象进行聚集预测。作为一个示例,可对目标对象中属于同一团伙的对象进行分组聚集预测,例如,目标对象有多个,且分别也有对应的团伙,例如,目标对象中对象A1和对象A2是属于同一团伙X,目标对象中对象A3和对象A4是属于同一团伙Y,则在聚集预测过程中,可对目标对象中属于同一团伙X的对象A1 和对象A2进行聚集预测,得到对象A1和对象A2对应的预测结果,以及对目标对象中属于同一团伙Y的对象A3和对象A4进行聚集预测,得到对象A3和对象A4对应的预测结果。
在一个示例中,加载多个对象的通信数据,可以包括:加载多个对象在预设有效期内的通信数据,通信数据的预设有效期为通信数据的记录时间之后的第一预设时长范围,例如,第一预设时长范围为2小时,则通信数据的记录时间之后的2小时内,该通信数据是在有效期内的,若通信数据的记录时间之后超过2小时,该通信数据失效,该通信数据不在有效期内,此时,可将失效的通信数据清除,以节约存储空间。在本实施例中,利用在有效期内的通信数据进行聚集预测,可提高聚集预测的准确性以及减少计算量可提高预测效率。
本申请实施例的目标对象聚集预测方法,在进行聚集预测过程中,在加载多个对象的通信数据后,可从中获取目标对象的身份标识字段、位置字段以及时间字段的信息,然后基于目标对象的目标字段的信息,即可实现对目标对象的聚集预测,得到预测结果。无需对通信数据进行人工分析判断是否发生聚集,从而可提高对象聚集预测的效果。与此同时,本申请实施例的目标对象聚集预测方法,是结合目标对象的身份标识字段、位置字段以及时间字段的信息进行聚集预测,可提高对象聚集预测的准确性。另外,本申请实施例的目标对象聚集预测方法,无需警务人员进行编程来进行聚集预测,可扩展性强,适用性高,应用较灵活。
在一个实施例中,基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果,包括:确定目标对象的目标字段的信息是否满足目标对象对应的预设规则,其中,若满足,则确定目标对象发生聚集的预测结果,若不满足,则确定目标对象未发生聚集的预测结果。即在本实施例中,如图2所示,提供一种目标对象聚集预测方法,包括:
步骤S201:加载多个对象的通信数据。
步骤S202:基于多个对象的通信数据,获取目标对象的目标字段的信息。
步骤S201-S202与上述步骤S101-S102一一对应,在此不再赘述。
步骤S203:确定目标对象的目标字段的信息是否满足目标对象对应的预设规则。
若满足,则执行步骤S204:确定目标对象发生聚集的预测结果。
若不满足,则执行步骤S205:确定目标对象未发生聚集的预测结果。
目标对象对应的预设规则为预先针对目标对象设置的聚集规则,可预先从规则数据库中加载该预设规则,获取到目标对象的目标字段的信息后,确定目标对象的目标字段的信息是否满足预设规则,实现对目标对象是否发生聚集的预测,得到预测结果。若确定目标对象的目标字段的信息满足预设规则,表示目标对象发生聚集,得到的预测结果为目标对象发生聚集的预测结果,后续警务人员可对目标对象制定相应的措施,预先防止目标对象聚集进行违法犯罪行为的发生或对目标对象聚集进行违法犯罪行为进行及时制止和打击。若确定目标对象的目标字段的信息不满足预设规则,表示目标对象未发生聚集,得到的预测结果为目标对象未发生聚集的预测结果。
即在本实施例中,通过判断目标对象的目标字段的信息是否满足预设规则的方式来确定目标对象是否发生聚集,不同目标对象可对应不同的预设规则,利用目标对象对应的预设规则进行聚集预测,以提高聚集预测的准确性。
在一个示例中,预设规则中包括规则有效时间范围,规则有效时间范围可以是预设规则的生成时间之后的第二预设时长范围,表示在预设规则的生成时间之后的第二预设时长范围内预设规则有效,该预设规则为有效预设规则,一旦超过第二预设时长范围,预设规则失效,则无法根据该预设规则进行聚集预测。上述确定目标对象的目标字段的信息是否满足目标对象对应的预设规则,可以理解为确定目标对象的目标字段的信息是否满足目标对象对应的有效预设规则。
在一个实施例中,确定目标对象的目标字段的信息是否满足目标对象对应的预设规则之前,还包括:将规则数据库中目标对象对应的预设规则加载至规则引擎中;
其中,确定目标对象的目标字段的信息是否满足目标对象对应的预设规则,包括:通过规则引擎确定目标对象的目标字段的信息是否满足目标对象对应的预设规则。
即利用规则引擎分析目标对象的目标字段的信息是否满足预设规则,即可实现对目标对象的聚集预测,得到预测结果,若通过规则引擎分析目标对象的目标字段的信息满足预设规则,则确定目标对象发生聚集,得到的预测结果为目标对象发生聚集的预测结果。若通过规则引擎分析目标对象的目标字段的信息不满足预设规则,则确定目标对象未发生聚集,得到的预测结果为目标对象未发生聚集的预测结果。是利用规则引擎分析目标对象的目标字段的信息是否满足预设规则,以实现对目标对象的聚集预测,可减少人工聚集分析容易产生错误的情况发生,提高对象聚集预测的准确性。
作为一个示例,规则引擎运行在内存中,即规则数据库中目标对象对应的预设规则加载至内存中的规则引擎,如此,可提高聚集预测效率。
在一个实施例中,确定目标对象发生聚集的预测结果之后,还包括:
在第一时间距离最近一次报警的时间之间的时间差大于或等于预设规则中的报警周期的情况下,输出报警信息,报警信息用于提示目标对象发生聚集;
其中,第一时间为确定目标对象发生聚集的预测结果的时间。
预设规则中包括报警周期,最近一次报警的时间可以理解为在本次确定目标对象发生聚集的预测结果之前,最近一次确定目标对象发生聚集的预测结果,输出报警信息的时间。第一时间可以理解为本次确定目标对象发生聚集的预测结果的时间。即在本实施例中,本次输出报警信息进行报警的时间与最近一次报警的时间之间的时间差可大于报警周期,即使确定目标对象发生聚集,是间隔发出报警,以免频繁报警对警务人员工作带来影响,且可减少输出报警信息的频次,从而可减少工作量等。
例如,报警周期为10分钟,最近一次报警的时间为8:00,若本次确定目标对象发生聚集的第一时间为8:09,时间差为9分钟,小于报警周期 10分钟,则本次不报警,若本次确定目标对象发生聚集的第一时间为8:11,时间差为11分钟,大于报警周期10分钟,则输出报警信息进行报警。
在一个实施例中,目标对象对应的预设规则基于针对预设参数的输入信息确定;
其中,预设参数包括数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数,身份标识参数的输入信息包括目标对象对应的团伙中每个成员对象的身份标识信息,团伙中成员对象包括目标对象,预设规则与团伙对应。
该团伙是预先已知的团伙中的团伙,其中,团伙中每个成员对象预先已知,可输入将团伙中每个成员对象的身份标识信息。预先已知的团伙中的每一个团伙分别对应有一个预设规则,每个团伙有对应的预设规则,不同团伙对应的预设规则的预设参数的输入信息可不同。若目标对象对应的团伙有多个,例如,目标对象包括对象A1、对象A2、对象A3和对象A4,对象A1和对象A2是属于同一团伙X,团伙X包括对象A1和对象A2,身份标识参数的输入信息包括对象A1和对象A2的身份标识信息。对象 A3和对象A4是属于同一团伙Y,团伙Y包括对象A3和对象A4,身份标识参数的输入信息包括对象A3和对象A4的身份标识信息。目标对象对应的团伙包括团伙X和团伙Y,预设规则包括对象A1和对象A2对应的预设规则(即团伙X对应的预设规则)以及对象A3和对象A4对应的预设规则(即团伙Y对应的预设规则)。
则在聚集预测过程中,可对目标对象中属于同一团伙X的对象A1和对象A2进行聚集预测,得到对象A1和对象A2对应的预测结果,以及对目标对象中属于同一团伙Y的对象A3和对象A4进行聚集预测,得到对象A3和对象A4对应的预测结果。
作为一个示例,预设参数包括数量参数、间隔时长参数、位置参数、距离参数以及身份标识参数,数量参数的输入信息为第一数量、间隔时长参数的输入信息为第一间隔时长、位置参数的输入信息为第一位置、距离参数的输入信息为第一距离,身份标识参数的输入信息包括目标对象的身份标识信息,目标对象的预设规则可以为在第一位置的第一距离的半径范围内出现目标对象中有第一数量个对象,且第一数量个对象出现在第一位置的第一距离的半径范围内的时间间隔小于第一间隔时长。
在本实施例中,预设规则基于针对预设参数的输入信息确定,且预设参数包括数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数,即基于数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数的输入信息确定预设规则,不同的预设规则,其上述各参数的输入信息可不同,利用预设规则进行聚集预测,如此,可提高聚集预测的准确性。
在一个实施例中,基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果之前,还包括:获取在预设规则模板中针对预设参数的输入信息;基于预设参数的输入信息,生成目标对象对应的预设规则;将预设规则存储至规则数据库中。
即预先生成了目标对象对应的预设规则,并存储在规则数据库中,后续需要预设规则进行聚集预测的过程中,从规则数据库中加载该预设规则即可,即便于后续聚集预测。
基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果之前,还包括:获取在预设规则模板中针对预设参数的N次第一输入信息,N为正整数;基于预设参数的N次第一输入信息,生成N个第一规则,其中,身份标识参数的N次第一输入信息不同,则生成的N个第一规则不同;将N个第一设规则存储至规则数据库中。其中,N个第一设规则包括上述预设规则,即预设参数的N次第一输入信息中存在一次的第一输入信息与生成预设规则的输入信息相同。
在一个实施例中,通信数据为文本文件类型的通信数据、索引数据类型的通信数据或数据流类型的通信数据。
即在本实施例中,支持不同类型的通信数据的加载,可从不同类型的通信数据中获取目标对象的目标字段的信息,如此,可提高数据加载灵活性,与此同时,可提高可加载数据的规模,提高数据能力。
下面以一个具体实施例对上述目标对象聚集预测方法的过程加以具体说明。
上述目标对象聚集预测方法可应用于聚集预测系统,通过聚集预测系统实现聚集预测,如图3,该聚集预测系统的架构包括规则生成模块、规则加载模块、数据统一加载模块、规则触发模块以及报警模块。
规则生成模块:采用的通用的模板即预设规则模板,通用的模板中包括预设参数,并在前端展示,用户例如警务人员,可在现实的通用的模板中输入预设参数的信息,例如,根据预设参数的一次输入信息可生成一个具体的规则,如此,执行多次,根据预设参数的多次输入信息,可生成多个规则,并存储于规则数据库中。
通用的模板中预设参数的具体值可根据前端用户的输入信息确定以及替换,预设参数可包括数量参数、间隔时长参数、位置参数、距离参数以及身份标识参数,通过在通用的模板中对预设参数的具体值进行输入,如此,可根据数量参数、间隔时长参数、位置参数、距离参数以及身份标识参数的输入信息生成对应的规则,并存储在规则数据库中。针对不同的团伙可定制规则,即可生成不同的规则。
规则加载模块:轮询扫描规则生成模块生成或更新的规则,可将规则加载到内存中规则引擎中。
由于在实际应用中,实际场景较多,例如,数万、数十万甚至跟多的场景,为了提高加载效率,将规则加载至内存后,可针对在规则的有效时间范围内发生改变的规则进行动态的新增加载到内存中。
数据统一加载模块:用于加载用户的通信数据,并针对不同使用场景的元信息(字段信息),对用户的通信数据(运营商提供的通信数据)进行处理,提取目标对象的目标字段的信息,提供统一的数据接入。
即针对团伙成员对象的聚集,定义好统一的元信息,可包括身份标识字段、位置字段(经纬度字段)、时间字段、通信标识号字段以及MAC 字段等,针对不同客户(例如,不同地区的公安部),通信数据的来源不同,例如,可分为文本文件类型的通信数据、索引数据类型(例如,ES (Elasticsearch,是一个基于Lucene的搜索服务器)索引数据类型)的通信数据或数据流类型(例如,spark数据流类型)的通信数据。本申请实施例中的数据统一加载模块,支持不同类型数据源接入,采用上述统一的元信息进行处理,得到元信息对应的具体值,从而可获得统一元信息的具体值,即目标字段的信息。
规则触发模块:对应规则引擎,接入的目标对象的目标字段的信息流入规则触发模块,根据目标对象对应的客户定义生成的规则(规则生成模块生成,即上述目标对象对应的预设规则),判断目标对象的目标字段的信息是否满足预设规则,若满足,触发报警,将触发的报警信息写入报警模块。
通过数据统一加载模块加载的通信数据流入规则触发模块,凡是满足相关团伙成员的数据,均进行相应记录,并为相关团伙成员的数据设置有效期,如此,相关团伙成员的位置在一定有效期内存在于电子设备的内存中,不断的累积。若相关团伙成员开始满足客户对应预先定义的规则,比如,多少人、在多久的时长范围内、相隔的距离在多大的半径内,则触发相关报警,并清理过期的数据,报警信息传入报警模块进行报警。
报警模块:接收报警信息后进行报警,针对不同的客户,可分别采用关系型数据库或消息队列来存储报警信息,并提供相关报警信息的查询 API,供前端UI界面显示报警信息,方便查询报警信息。另外,报警模块可将报警信息发出,例如,通过邮件、短信或显示方式(在UI界面显示报警信息)将报警信息发出。
本申请实施例的目标对象聚集预测方法,将运营商提供的通信数据进行统一处理,获得目标对象的目标字段的信息,将目标对象对应的预设规则加载到规则引擎中,可灵活地基于目标对象对应的预设规则进行聚集预测,若预测到目标对象发生聚集,则进行报警,防止目标对象做出危害社会安全的行为,具有交底的上手难度,能够在公共安全领域发挥较大的办案辅助作用。
举例说明,上述目标对象聚集预测方法应用在公安系统对嫌疑对象聚集预测中,嫌疑对象预先已知,例如,嫌疑对象包括对象A1、对象A2、对象A3、对象A4和对象B1,其中,对象A1、对象A2属于同一团伙X,对象A3、对象4和对象B1属于同一团伙Y。可预先对团伙X设定对应的预设规则,即在通用的规则模板中对预设参数进行相应的输入,其中,预设参数中的身份标识参数的输入信息为对象A1的身份标识信息以及对象 A2的身份标识信息,并可依据团伙X的情况,对预设参数中数量参数、间隔时长参数、位置参数以及距离参数进行相应的信息输入,例如,数量参数的信息为2,间隔时长参数的信息为1小时,位置参数的信息为商场 Z1,距离参数的信息为1公里,如此,可生成团伙X对应的预设规则。
另外,还需预先对团伙Y设定对应的预设规则,即在通用的规则模板中对预设参数进行相应的输入,其中,预设参数中的身份标识参数的输入信息为对象A3的身份标识信息、对象A4的身份标识信息和对象B1的身份标识信息,并依据团伙Y的情况,对预设参数中数量参数、间隔时长参数、位置参数以及距离参数进行相应的信息输入,例如,数量参数的信息为2,间隔时长参数的信息为1小时,位置参数的信息为商场Z2,距离参数的信息为1公里,如此,可生成团伙Y对应的预设规则。
在加载多个对象的通信数据后,可筛选出多个对象和上述嫌疑对象中相同的目标对象,例如,多个对象包括对象A1、对象A2、对象A3、对象A4、……、An,嫌疑对象包括对象A1、对象A2、对象A3、对象A4 和对象B1,则目标对象包括对象A1、对象A2、对象A3、对象A4,并获取目标对象的通信数据,根据目标对象的通信数据,可获取目标对象的身份标识字段的信息、位置字段的信息、时间字段的信息、通信标识号字段的信息以及MAC字段的信息等。
基于目标对象的身份标识字段的信息、位置字段的信息、时间字段的信息、通信标识号字段的信息以及MAC字段的信息等,判断目标对象中属于同一团伙的对象是否满足对应的预设规则,例如,判断上述对象A1 和对象A2是否满足对应的预设规则,若满足,例如,对象A1和对象A2 在1小时内均在商场Z1的一公里区域内出现,表示对象A1和对象A2发生聚集,得到发生聚集的预测结果,并可输出报警信息,实现报警。以及判断上述对象A3和对象A4是否满足对应的预设规则,若满足,例如,对象A3和对象A4在1小时内均在商场Z2的一公里区域内出现,表示对象A3和对象A4发生聚集,得到发生聚集的预测结果,并可输出报警信息,实现报警。如此,可及时对目标对象是否发生聚集进行预测得到预测结果,以便在预测到发生聚集的情况下警务人员能够及时制定相应的应对措施,减少发生聚集的对象危害社会安全的风险。
请参考图4,本申请提供一种实施例的目标对象聚集预测装置400,装置包括:
第一加载模块401,用于加载多个对象的通信数据;
第一获取模块402,用于基于多个对象的通信数据,获取目标对象的目标字段的信息,其中,多个对象包括目标对象,目标字段包括身份标识字段、位置字段以及时间字段;
预测模块403,用于基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果。
在一个实施例中,基于目标对象的目标字段的信息,对目标对象进行聚集预测,得到预测结果,包括:
确定目标对象的目标字段的信息是否满足目标对象对应的预设规则,其中,若满足,则确定目标对象发生聚集的预测结果,若不满足,则确定目标对象未发生聚集的预测结果。
请参考图5,在一个实施例中,装置400还包括:
输出模块404,用于预测模块确定目标对象发生聚集的预测结果之后,在第一时间距离最近一次报警的时间之间的时间差大于或等于预设规则中的报警周期的情况下,输出报警信息,报警信息用于提示目标对象发生聚集;
其中,第一时间为确定目标对象发生聚集的预测结果的时间。
在一个实施例中,目标对象对应的预设规则基于针对预设参数的输入信息确定;
其中,预设参数包括数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数,身份标识参数的输入信息包括目标对象对应的团伙中每个成员对象的身份标识信息,团伙中成员对象包括目标对象,预设规则与团伙对应。
请参考图6,在一个实施例中,装置400还包括:
第二获取模块405,用于获取在预设规则模板中针对预设参数的输入信息;
规则生成模块406,用于基于预设参数的输入信息,生成目标对象对应的预设规则;
存储模块407,用于将预设规则存储至规则数据库中。
在一个实施例中,通信数据为文本文件类型的通信数据、索引数据类型的通信数据或数据流类型的通信数据。
上述各实施例的目标对象聚集预测装置为实现上述各实施例的目标对象聚集预测方法的装置,技术特征对应,技术效果对应,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的目标对象聚集预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUM的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器 701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的目标对象聚集预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的目标对象聚集预测方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的目标对象聚集预测方法对应的程序指令/模块(例如,附图4所示的第一加载模块401、第一获取模块402、预测模块403)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的目标对象聚集预测方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据键盘显示的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器 702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至键盘显示的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
目标对象聚集预测方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与键盘显示的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASMC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者第二可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用过程和/或面向对象的编程语言、和/ 或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/ 或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,在加载多个对象的通信数据后,可从中获取目标对象的身份标识字段、位置字段以及时间字段的信息,然后基于目标对象的目标字段的信息,即可实现对目标对象的聚集预测,得到预测结果。无需对通信数据进行人工分析判断是否发生聚集,从而可提高对象聚集预测的效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种目标对象聚集预测方法,其特征在于,所述方法包括:
加载多个对象的通信数据;
基于所述多个对象的通信数据,获取目标对象的目标字段的信息,其中,所述多个对象包括所述目标对象,所述目标字段包括身份标识字段、位置字段以及时间字段;
基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果,包括:
确定所述目标对象的目标字段的信息是否满足所述目标对象对应的预设规则,其中,若满足,则确定所述目标对象发生聚集的预测结果,若不满足,则确定所述目标对象未发生聚集的预测结果。
3.根据权利要求2所述的方法,其特征在于,所述确定所述目标对象发生聚集的预测结果之后,还包括:
在第一时间距离最近一次报警的时间之间的时间差大于或等于所述预设规则中的报警周期的情况下,输出报警信息,所述报警信息用于提示所述目标对象发生聚集;
其中,所述第一时间为所述确定所述目标对象发生聚集的预测结果的时间。
4.根据权利要求2所述的方法,其特征在于,所述目标对象对应的预设规则基于针对预设参数的输入信息确定;
其中,所述预设参数包括数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数,所述身份标识参数的输入信息包括所述目标对象对应的团伙中每个成员对象的身份标识信息,所述团伙中成员对象包括所述目标对象,所述预设规则与所述团伙对应。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果之前,还包括:
获取在预设规则模板中针对所述预设参数的输入信息;
基于所述预设参数的输入信息,生成所述目标对象对应的预设规则;
将所述预设规则存储至规则数据库中。
6.根据权利要求1所述的方法,其特征在于,所述通信数据为文本文件类型的通信数据、索引数据类型的通信数据或数据流类型的通信数据。
7.一种目标对象聚集预测装置,其特征在于,所述装置包括:
第一加载模块,用于加载多个对象的通信数据;
第一获取模块,用于基于所述多个对象的通信数据,获取目标对象的目标字段的信息,其中,所述多个对象包括所述目标对象,所述目标字段包括身份标识字段、位置字段以及时间字段;
预测模块,用于基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果。
8.根据权利要求7所述的装置,其特征在于,所述基于所述目标对象的目标字段的信息,对所述目标对象进行聚集预测,得到预测结果,包括:
确定所述目标对象的目标字段的信息是否满足所述目标对象对应的预设规则,其中,若满足,则确定所述目标对象发生聚集的预测结果,若不满足,则确定所述目标对象未发生聚集的预测结果。
9.根据权利要求8所述的装置,其特征在于,还包括输出模块,用于所述预测模块确定所述目标对象发生聚集的预测结果之后,在第一时间距离最近一次报警的时间之间的时间差大于或等于所述预设规则中的报警周期的情况下,输出报警信息,所述报警信息用于提示所述目标对象发生聚集;
其中,所述第一时间为所述确定所述目标对象发生聚集的预测结果的时间。
10.根据权利要求8所述的装置,其特征在于,所述目标对象对应的预设规则基于针对预设参数的输入信息确定;
其中,所述预设参数包括数量参数、间隔时长参数、位置参数以及距离参数中至少一项以及身份标识参数,所述身份标识参数的输入信息包括所述目标对象对应的团伙中每个成员对象的身份标识信息,所述团伙中成员对象包括所述目标对象,所述预设规则与所述团伙对应。
11.根据权利要求10所述的装置,其特征在于,还包括:
第二获取模块,用于获取在预设规则模板中针对所述预设参数的输入信息;
规则生成模块,用于基于所述预设参数的输入信息,生成所述目标对象对应的预设规则;
存储模块,用于将所述预设规则存储至规则数据库中。
12.根据权利要求7所述的装置,其特征在于,所述通信数据为文本文件类型的通信数据、索引数据类型的通信数据或数据流类型的通信数据。
13.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-6中任一项的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行如权利要求1-6中任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383161.9A CN111597461B (zh) | 2020-05-08 | 2020-05-08 | 一种目标对象聚集预测方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383161.9A CN111597461B (zh) | 2020-05-08 | 2020-05-08 | 一种目标对象聚集预测方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597461A true CN111597461A (zh) | 2020-08-28 |
CN111597461B CN111597461B (zh) | 2023-11-17 |
Family
ID=72185282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010383161.9A Active CN111597461B (zh) | 2020-05-08 | 2020-05-08 | 一种目标对象聚集预测方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597461B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418244A (zh) * | 2022-03-29 | 2022-04-29 | 北京零点远景网络科技有限公司 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978342A (zh) * | 2014-04-08 | 2015-10-14 | 阿里巴巴集团控股有限公司 | 用户聚集现象检测、查询系统方法及系统 |
US20160100301A1 (en) * | 2014-10-06 | 2016-04-07 | Honeywell International Inc. | Method and system for generation and transmission of alert notifications relating to a crowd gathering |
CN105657658A (zh) * | 2016-01-20 | 2016-06-08 | 北京小米移动软件有限公司 | 聚集事件处理方法及装置 |
CN106060778A (zh) * | 2016-06-30 | 2016-10-26 | 北京奇虎科技有限公司 | 目标位置确定方法及装置 |
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 |
US20180196880A1 (en) * | 2017-01-12 | 2018-07-12 | Google Inc. | Content data determination, transmission and storage for local devices |
CN108416293A (zh) * | 2018-03-08 | 2018-08-17 | 中国科学院大学 | 一种特殊群体聚集行为早期检测及聚集地预测方法和系统 |
CN109446989A (zh) * | 2018-10-29 | 2019-03-08 | 上海七牛信息技术有限公司 | 人群聚集检测方法、装置及存储介质 |
CN109698934A (zh) * | 2017-10-23 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种区域监控方法及装置 |
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 |
CN110399537A (zh) * | 2019-07-22 | 2019-11-01 | 苏州量盾信息科技有限公司 | 一种基于人工智能技术的警情时空预测方法 |
CN110471979A (zh) * | 2019-07-03 | 2019-11-19 | 国电南瑞科技股份有限公司 | 基于多源仿真数据聚集与挖掘的电网信息展示仿真系统 |
US10635506B1 (en) * | 2019-02-05 | 2020-04-28 | Bank Of America Corporation | System for resource requirements aggregation and categorization |
-
2020
- 2020-05-08 CN CN202010383161.9A patent/CN111597461B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978342A (zh) * | 2014-04-08 | 2015-10-14 | 阿里巴巴集团控股有限公司 | 用户聚集现象检测、查询系统方法及系统 |
US20160100301A1 (en) * | 2014-10-06 | 2016-04-07 | Honeywell International Inc. | Method and system for generation and transmission of alert notifications relating to a crowd gathering |
CN105657658A (zh) * | 2016-01-20 | 2016-06-08 | 北京小米移动软件有限公司 | 聚集事件处理方法及装置 |
CN106060778A (zh) * | 2016-06-30 | 2016-10-26 | 北京奇虎科技有限公司 | 目标位置确定方法及装置 |
US20180196880A1 (en) * | 2017-01-12 | 2018-07-12 | Google Inc. | Content data determination, transmission and storage for local devices |
CN109698934A (zh) * | 2017-10-23 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种区域监控方法及装置 |
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 |
CN108416293A (zh) * | 2018-03-08 | 2018-08-17 | 中国科学院大学 | 一种特殊群体聚集行为早期检测及聚集地预测方法和系统 |
CN109446989A (zh) * | 2018-10-29 | 2019-03-08 | 上海七牛信息技术有限公司 | 人群聚集检测方法、装置及存储介质 |
US10635506B1 (en) * | 2019-02-05 | 2020-04-28 | Bank Of America Corporation | System for resource requirements aggregation and categorization |
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 |
CN110471979A (zh) * | 2019-07-03 | 2019-11-19 | 国电南瑞科技股份有限公司 | 基于多源仿真数据聚集与挖掘的电网信息展示仿真系统 |
CN110399537A (zh) * | 2019-07-22 | 2019-11-01 | 苏州量盾信息科技有限公司 | 一种基于人工智能技术的警情时空预测方法 |
Non-Patent Citations (1)
Title |
---|
霍卓群;: "基于LSB技术的人群聚集场所监测及预警系统研究与设计", 通化师范学院学报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418244A (zh) * | 2022-03-29 | 2022-04-29 | 北京零点远景网络科技有限公司 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
CN114418244B (zh) * | 2022-03-29 | 2022-07-08 | 北京零点远景网络科技有限公司 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111597461B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017202818B2 (en) | Volumetric event forecasting system | |
CN110519263B (zh) | 防刷量方法、装置、设备及计算机可读存储介质 | |
CN111897694A (zh) | 小程序中消息处理方法及装置、设备、存储介质 | |
CN112311597B (zh) | 消息推送方法和装置 | |
US10897512B2 (en) | Generating push notifications | |
CN112491617B (zh) | 一种链路跟踪方法、装置、电子设备和介质 | |
US20210194899A1 (en) | Configurable cyber-attack trackers | |
CN112269885A (zh) | 用于处理数据的方法、装置、设备以及存储介质 | |
CN112802325A (zh) | 车辆排队长度检测方法及装置 | |
CN110852780A (zh) | 数据分析方法、装置、设备和计算机存储介质 | |
CN111597461A (zh) | 一种目标对象聚集预测方法、装置以及电子设备 | |
CN112446574A (zh) | 产品评估方法、装置、电子设备及存储介质 | |
CN110995687B (zh) | 一种猫池设备识别方法、装置、设备及存储介质 | |
CN112328658A (zh) | 用户档案数据处理方法、装置、设备及存储介质 | |
CN111726402B (zh) | 用户行为数据处理方法、装置、电子设备及存储介质 | |
US20180137520A1 (en) | Real time situation detection across systems | |
CN112382090A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN112507249A (zh) | 兴趣点生成的方法、装置、电子设备及存储介质 | |
CN112598251A (zh) | 分类模型预测结果的处理方法、装置、设备和存储介质 | |
CN113452647B (zh) | 特征鉴定方法、装置、电子设备及计算机可读存储介质 | |
CN112819491B (zh) | 一种转化数据处理的方法、装置、电子设备及存储介质 | |
CN112738567B (zh) | 平台内容处理方法、装置、电子设备和存储介质 | |
CN111698298B (zh) | 新增车辆能源站的确定方法和装置 | |
CN117472475A (zh) | 文件缩减的方法和装置 | |
CN115455127A (zh) | 电子围栏压盖的处理方法和装置 |
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 |