CN111767355B - 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 PDFInfo
- Publication number
- CN111767355B CN111767355B CN202010586962.5A CN202010586962A CN111767355B CN 111767355 B CN111767355 B CN 111767355B CN 202010586962 A CN202010586962 A CN 202010586962A CN 111767355 B CN111767355 B CN 111767355B
- Authority
- CN
- China
- Prior art keywords
- latitude
- longitude
- monitoring
- center point
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009792 diffusion process Methods 0.000 title claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 44
- 230000008447 perception Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
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)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (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
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 (1)
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,所述活动中心点为人在活动场所活动时的主要位置,
其中,或者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,
或者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,
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;
其中,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;
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,
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,实现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,扩大监控感知范围,方便后续分析。
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 CN111767355A (zh) | 2020-10-13 |
CN111767355B true 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 (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4660217B2 (ja) * | 2005-01-31 | 2011-03-30 | 株式会社東芝 | 記憶媒体、再生方法、記録方法、再生装置及び記録装置 |
TWI368754B (en) * | 2007-12-31 | 2012-07-21 | Ind Tech Res Inst | Method and system for localization |
-
2020
- 2020-06-24 CN CN202010586962.5A patent/CN111767355B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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)
Title |
---|
Ryan McCune 等.Decentralized K-means clustering with MANET swarms.《ADS '14: Proceedings of the 2014 Symposium on Agent Directed Simulation》.2014,1-8. * |
SLEUTH模型支持下的太原城区建设用地扩展分析与预测;盛成香;《中国优秀硕士学位论文全文数据库 基础科学辑》(第09期);A008-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767355A (zh) | 2020-10-13 |
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 | |
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
Logan et al. | Identifying and bounding ethnic neighborhoods | |
CN106714109A (zh) | 基于众包数据的WiFi指纹库更新方法 | |
JP4032125B1 (ja) | 移動体位置推定システム、及び、移動体位置推定方法 | |
Ramachandra et al. | Peri-urban to urban landscape patterns elucidation through spatial metrics | |
CN108566675B (zh) | 基于多重接入点选择的WiFi室内定位方法 | |
CN112837799B (zh) | 基于区块链的远程互联网大数据智慧医疗系统 | |
CN111652198A (zh) | 一种城市边缘区识别方法及系统 | |
CN111767355B (zh) | 一种基于活动中心点圈层扩散组织监控感知区的方法 | |
US9612315B2 (en) | Methods of and systems for extracting patterns of human extent and density from geographically anchored radio signal sources | |
Scrucca | Clustering multivariate spatial data based on local measures of spatial autocorrelation | |
Getis | Analytically derived neighborhoods in a rapidly growing West African city: The case of Accra, Ghana | |
WO2020258951A1 (zh) | 用户常驻位置的获取方法、装置以及计算机可读存储介质 | |
Lamb et al. | Data-driven approach for targeted RSU deployment in an urban environment | |
Dismer et al. | Identification of TB space-time clusters and hotspots in Ouest département, Haiti, 2011–2016 | |
CN108960298A (zh) | 基于密度核心和动态扫描半径的体检报告聚类方法 | |
CN114595300A (zh) | 一种结合多源时空数据的活动链重建方法及系统 | |
CN111132020B (zh) | 一种基于机器学习的rssi室内环境感知与检测方法 | |
CN112270999A (zh) | 一种基于大数据和人工智能的流行病早期发现系统和方法 | |
KR101647078B1 (ko) | 자주 방문하는 장소를 판별하는 방법 및 이를 위한 장치 | |
Redlich | Quantitative Analysis of Geomasking Methods | |
Nguyen et al. | A machine learning approach for detecting wind farm noise amplitude modulation |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240730 Address after: Room 801, 8th Floor, No. 43, Handan Road, Hongkou District, Shanghai, 200437 Patentee after: SHANGHAI CAIAN FINANCIAL SERVICES GROUP CO.,LTD. Country or region after: China Address before: Room 552, building 7, 509 Huajing Road, Xuhui District, Shanghai Patentee before: CETC KEHUAYUN INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
TR01 | Transfer of patent right |