CN111767355A - 一种基于活动中心点圈层扩散组织监控感知区的方法 - Google Patents

一种基于活动中心点圈层扩散组织监控感知区的方法 Download PDF

Info

Publication number
CN111767355A
CN111767355A CN202010586962.5A CN202010586962A CN111767355A CN 111767355 A CN111767355 A CN 111767355A CN 202010586962 A CN202010586962 A CN 202010586962A CN 111767355 A CN111767355 A CN 111767355A
Authority
CN
China
Prior art keywords
longitude
latitude
monitoring sensing
monitoring
cluster
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
Application number
CN202010586962.5A
Other languages
English (en)
Other versions
CN111767355B (zh
Inventor
闵圣捷
饶定远
方波
李琛鸽
翁威
董静宜
魏卓
陈燕秋
马孟云
尹强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cetc Kehuayun Information Technology Co ltd
Original Assignee
Cetc Kehuayun Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cetc Kehuayun Information Technology Co ltd filed Critical Cetc Kehuayun Information Technology Co ltd
Priority to CN202010586962.5A priority Critical patent/CN111767355B/zh
Publication of CN111767355A publication Critical patent/CN111767355A/zh
Application granted granted Critical
Publication of CN111767355B publication Critical patent/CN111767355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种基于活动中心点圈层扩散组织监控感知区的方法，其包括如下步骤：获取预置地区内所有活动场所的经纬度及与所活动场所对应的监控感知设备的经纬度；聚类所有活动场所的经纬度、监控感知设备的经纬度得到K个簇；从K个簇中选取监控感知簇并获取监控感知簇的聚类图中心点；以聚类图中心点的经纬度为起点，在监控感知簇中查找与其距离最小的经纬度并连接；再以距离最小的经纬度为起点，在除去聚类图中心点之外的监控感知簇中查找与其距离最小的经纬度并连接，依次类推，直至监控感知簇内的所有经纬度全部连接从而得到监控感知区。本发明基于活动中心点位置划分区域，扩大了监控感知范围，方便后续分析某些特殊活动。

Description

一种基于活动中心点圈层扩散组织监控感知区的方法
技术领域
本发明涉及监控领域，具体而言，本发明涉及一种基于活动中心点圈层扩散组织监控感知区的方法。
背景技术
活动场所包括娱乐，餐饮，住宿等公共场所以及其他私人场所，有人的地方就是一个活动场所。活动场所中人与人之间的活动多种多样，人们活动的场所空间不单一不确定，这样对于分析活动中心点圈层扩散组织监控感知区变得更加繁重重复，更甚者对于某些特殊活动所在区域的监控感知设备极少，这对于后续分析工作有很大影响。所以为了更方便简洁地对某些特殊活动区域监控感知进行分析，需要一种基于活动中心点圈层扩散组织监控感知区的方法。
发明内容
为了寻找更为有效的基于活动中心点圈层扩散组织监控感知区的实现方案，本发明提供了一种基于活动中心点圈层扩散组织监控感知区的方法，其包括如下步骤：
步骤S101：获取预置地区内所有活动场所的经纬度及与所述活动场所对应的监控感知设备的经纬度，所述预置地区基于活动中心点确定；
步骤S103：采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇；从所述K个簇中选取监控感知簇并获取所述监控感知簇的聚类图中心点，其中，所述监控感知簇为包括所述活动中心点的经纬度的簇，所述K为正整数；
步骤S105：以所述聚类图中心点的经纬度为起点，在所述监控感知簇中查找与其距离最小的经纬度并连接；再以所述距离最小的经纬度为起点，在除去所述聚类图中心点之外的所述监控感知簇中查找与所述距离最小的经纬度的距离最小的经纬度并连接，依次类推，直至所述监控感知簇内的所有经纬度全部连接从而得到监控感知区。
优选地，所述采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇，包括如下步骤：
基于误差平方和确定K值；
根据所述K值采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇。
优选地，所述基于误差平方和确定K值包括如下步骤：
将所有活动场所的经纬度、监控感知设备的经纬度进行K-means算法聚类，获取误差平方和与K值的关系图；
选取所述关系图中肘部对应的数值作为K值。
优选地，所述预置地区基于活动中心点确定包括如下步骤：
将以所述活动中心点为圆心，以预设值为半径的圆形区域作为预置地区。
优选地，所述预置地区基于活动中心点确定包括如下步骤：
获取所述活动中心点所在的市级行政区划，以所述市级行政区划作为预置地区。
优选地，所述步骤S105之后，包括以下步骤：
获取新增的监控感知设备的经纬度并将其与原有的监控感知设备的经纬度合并，重复步骤S101至步骤S103。
与现有技术相比，本发明一种基于活动中心点圈层扩散组织监控感知区的方法具有如下有益效果：
本发明一种基于活动中心点圈层扩散组织监控感知区的方法基于活动中心点位置划分区域，实现了将多个距离紧密的监控感知所聚集在一起成为一个大的监控感知区，扩大了监控感知范围，方便后续分析某些特殊活动。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一种基于活动中心点圈层扩散组织监控感知区的方法的流程示意图；
图2为本发明实施例一种基于活动中心点圈层扩散组织监控感知区的方法的一种误差平方和与K值的关系示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
请参阅图1，本发明实施例一种基于活动中心点圈层扩散组织监控感知区的方法，其包括如下步骤：
步骤S101：获取预置地区内所有活动场所的经纬度及与所述活动场所对应的监控感知设备的经纬度，所述预置地区基于活动中心点确定。可以理解的是，活动中心点为在活动场所活动时的主要位置。
在实际中，预置地区的确定可以为规则的几何形状，譬如将以活动中心点为圆心，以预设值为半径的圆形区域作为预置地区。也可以为不规则的形状，譬如以市级行政区划作为预置地区，这样，预置地区基于活动中心点确定包括如下步骤：获取活动中心点所在的市级行政区划，以市级行政区划作为预置地区。
步骤S103：采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇；从所述K个簇中选取监控感知簇并获取所述监控感知簇的聚类图中心点，其中，所述监控感知簇为包括所述活动中心点的经纬度的簇，所述K为正整数。
K-means算法是一种基于样本间相似性度量的间接聚类方法，属于非监督学习方法，其是一种较典型的逐点修改迭代的动态聚类算法，其要点是以误差平方和为准则函数。逐点修改类中心：一个象元样本按某一原则，归属于某一组类后，就要重新计算这个组类的均值，并且以新的均值作为凝聚中心点进行下一次象元素聚类；逐批修改类中心：在全部象元样本按某一组的类中心分类之后，再计算修改各类的均值，作为下一次分类的凝聚中心点。
具体地，采用K-means算法聚类所有活动场所的经纬度、监控感知设备的经纬度得到K个簇，包括如下步骤：
基于误差平方和确定K值；
根据K值采用K-means算法聚类所有活动场所的经纬度、监控感知设备的经纬度得到K个簇。
请参阅图2，在一些实施方式中，基于误差平方和确定K值包括如下步骤：
将所有活动场所的经纬度、监控感知设备的经纬度进行K-means算法聚类，获取误差平方和与K值的关系图；
选取关系图中肘部对应的数值作为K值。
示例地，图2示出了一种误差平方和与K值的关系示意图，其中纵轴为误差平方和，横轴为K值，从图2中可以看出，肘部对应的数值为1，因此，此处的K值为1。
步骤S105：以所述聚类图中心点的经纬度为起点，在所述监控感知簇中查找与其距离最小的经纬度并连接；再以所述距离最小的经纬度为起点，在除去所述聚类图中心点之外的所述监控感知簇中查找与所述距离最小的经纬度的距离最小的经纬度并连接，依次类推，直至所述监控感知簇内的所有经纬度全部连接从而得到监控感知区。
在一些实施方式中，在步骤S105之后，包括以下步骤：
获取新增的监控感知设备的经纬度并将其与原有的监控感知设备的经纬度合并，重复步骤S101至步骤S103。
与现有技术相比，本发明实施例一种基于活动中心点圈层扩散组织监控感知区的方法具有如下有益效果：
本发明实施例一种基于活动中心点圈层扩散组织监控感知区的方法基于活动中心点位置划分区域，实现了将多个距离紧密的监控感知所聚集在一起成为一个大的监控感知区，扩大了监控感知范围，方便后续分析某些特殊活动。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述基于活动中心点圈层扩散组织监控感知区的方法包括如下步骤：
步骤S101：获取预置地区内所有活动场所的经纬度及与所述活动场所对应的监控感知设备的经纬度，所述预置地区基于活动中心点确定；
步骤S103：采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇；从所述K个簇中选取监控感知簇并获取所述监控感知簇的聚类图中心点，其中，所述监控感知簇为包括所述活动中心点的经纬度的簇，所述K为正整数；
步骤S105：以所述聚类图中心点的经纬度为起点，在所述监控感知簇中查找与其距离最小的经纬度并连接；再以所述距离最小的经纬度为起点，在除去所述聚类图中心点之外的所述监控感知簇中查找与所述距离最小的经纬度的距离最小的经纬度并连接，依次类推，直至所述监控感知簇内的所有经纬度全部连接从而得到监控感知区。
2.如权利要求1所述的基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇，包括如下步骤：
基于误差平方和确定K值；
根据所述K值采用K-means算法聚类所述所有活动场所的经纬度、监控感知设备的经纬度得到K个簇。
3.如权利要求2所述的基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述基于误差平方和确定K值包括如下步骤：
将所有活动场所的经纬度、监控感知设备的经纬度进行K-means算法聚类，获取误差平方和与K值的关系图；
选取所述关系图中肘部对应的数值作为K值。
4.如权利要求1所述的基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述预置地区基于活动中心点确定包括如下步骤：
将以所述活动中心点为圆心，以预设值为半径的圆形区域作为预置地区。
5.如权利要求1所述的基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述预置地区基于活动中心点确定包括如下步骤：
获取所述活动中心点所在的市级行政区划，以所述市级行政区划作为预置地区。
6.如权利要求1所述的基于活动中心点圈层扩散组织监控感知区的方法，其特征在于，所述步骤S105之后，包括以下步骤：
获取新增的监控感知设备的经纬度并将其与原有的监控感知设备的经纬度合并，重复步骤S101至步骤S103。
CN202010586962.5A 2020-06-24 2020-06-24 一种基于活动中心点圈层扩散组织监控感知区的方法 Active CN111767355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010586962.5A CN111767355B (zh) 2020-06-24 2020-06-24 一种基于活动中心点圈层扩散组织监控感知区的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010586962.5A CN111767355B (zh) 2020-06-24 2020-06-24 一种基于活动中心点圈层扩散组织监控感知区的方法

Publications (2)

Publication Number Publication Date
CN111767355A true CN111767355A (zh) 2020-10-13
CN111767355B CN111767355B (zh) 2024-02-27

Family

ID=72722081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586962.5A Active CN111767355B (zh) 2020-06-24 2020-06-24 一种基于活动中心点圈层扩散组织监控感知区的方法

Country Status (1)

Country Link
CN (1) CN111767355B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090319448A1 (en) * 2007-12-31 2009-12-24 Industrial Technology Research Institute Method and system for positioning
CN103198151A (zh) * 2013-04-24 2013-07-10 北京航空航天大学 区域性城市公交车辆运行信息的索引查询系统及方法
US20140177410A1 (en) * 2005-01-31 2014-06-26 Kabushiki Kaisha Toshiba Information storage medium, reproducing method, and recording method
CN105630884A (zh) * 2015-12-18 2016-06-01 中国科学院信息工程研究所 一种微博热点事件的地理位置发现方法
CN108572905A (zh) * 2018-04-23 2018-09-25 中国农业银行股份有限公司 一种基于分布式计算的监控方法及系统
CN109325502A (zh) * 2018-08-20 2019-02-12 杨学霖 基于视频渐进区域提取的共享单车停放检测方法和系统
CN110163544A (zh) * 2018-04-03 2019-08-23 西安科技大学 一种基于优化的遗传算法进行货物配送的方法
CN110175656A (zh) * 2019-06-04 2019-08-27 北京交通大学 基于城市群白货流量的提高列车编组效率的城市聚类模型
CN110555005A (zh) * 2019-08-12 2019-12-10 中国南方电网有限责任公司 应用于电网监控系统的可扩展开放式范式化方法与装置
CN111093057A (zh) * 2019-12-03 2020-05-01 安徽四创电子股份有限公司 一种城市视频监控系统网络架构的规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140177410A1 (en) * 2005-01-31 2014-06-26 Kabushiki Kaisha Toshiba Information storage medium, reproducing method, and recording method
US20090319448A1 (en) * 2007-12-31 2009-12-24 Industrial Technology Research Institute Method and system for positioning
CN103198151A (zh) * 2013-04-24 2013-07-10 北京航空航天大学 区域性城市公交车辆运行信息的索引查询系统及方法
CN105630884A (zh) * 2015-12-18 2016-06-01 中国科学院信息工程研究所 一种微博热点事件的地理位置发现方法
CN110163544A (zh) * 2018-04-03 2019-08-23 西安科技大学 一种基于优化的遗传算法进行货物配送的方法
CN108572905A (zh) * 2018-04-23 2018-09-25 中国农业银行股份有限公司 一种基于分布式计算的监控方法及系统
CN109325502A (zh) * 2018-08-20 2019-02-12 杨学霖 基于视频渐进区域提取的共享单车停放检测方法和系统
CN110175656A (zh) * 2019-06-04 2019-08-27 北京交通大学 基于城市群白货流量的提高列车编组效率的城市聚类模型
CN110555005A (zh) * 2019-08-12 2019-12-10 中国南方电网有限责任公司 应用于电网监控系统的可扩展开放式范式化方法与装置
CN111093057A (zh) * 2019-12-03 2020-05-01 安徽四创电子股份有限公司 一种城市视频监控系统网络架构的规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RYAN MCCUNE 等: "Decentralized K-means clustering with MANET swarms", 《ADS \'14: PROCEEDINGS OF THE 2014 SYMPOSIUM ON AGENT DIRECTED SIMULATION》, pages 1 - 8 *
盛成香: "SLEUTH模型支持下的太原城区建设用地扩展分析与预测", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 09, pages 008 - 85 *

Also Published As

Publication number Publication date
CN111767355B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN106792514B (zh) 基于信令数据的用户职住地分析方法
Belbin Environmental representativeness: regional partitioning and reserve selection
Elith et al. Predictions and their validation: rare plants in the Central Highlands, Victoria, Australia
Laffan et al. Assessing endemism at multiple spatial scales, with an example from the Australian vascular flora
Zhan et al. Inferring urban land use using large-scale social media check-in data
Das et al. Assessment of urban sprawl using landscape metrics and Shannon’s entropy model approach in town level of Barrackpore sub-divisional region, India
Logan et al. Identifying and bounding ethnic neighborhoods
Kitsiou et al. Categorical mapping of marine eutrophication based on ecological indices
CN103954277B (zh) 检测兴趣点位置的方法及装置
CN104850649A (zh) 一种在地图上进行兴趣点采样的方法及系统
Biljecki et al. Raise the roof: Towards generating LOD2 models without aerial surveys using machine learning
Garreton et al. Identifying an optimal analysis level in multiscalar regionalization: A study case of social distress in greater Santiago
CN110543540B (zh) 基于循环相关的覆冰微地形识别方法及系统
Getis Analytically derived neighborhoods in a rapidly growing West African city: The case of Accra, Ghana
Lemant et al. Robust, universal tree balance indices
Dawod et al. GIS-based public services analysis based on municipal election areas: A methodological approach for the city of Makkah, Saudi Arabia
CN111767355A (zh) 一种基于活动中心点圈层扩散组织监控感知区的方法
Eckman et al. Methods of geo-spatial sampling
Zhu et al. A dual spatial clustering method in the presence of heterogeneity and noise
Green et al. A neighbourhood level mortality classification of England and Wales, 2006–2009
Lamb et al. Data-driven approach for targeted RSU deployment in an urban environment
CN114780817A (zh) 恶臭污染物溯源方法、装置、计算机设备和存储介质
JP2022554041A (ja) Ｉｐ位置特定方法および装置、コンピュータ記憶媒体、計算装置
Van Dijk et al. Using the spatial analysis of family names to gain insight into demographic change
Cui et al. Analyzing the spatiotemporal distribution of different industries in wuhan city using enterprise registration data

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