CN111950470A - 一种智能监控方法、装置、计算机设备及存储介质 - Google Patents
一种智能监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111950470A CN111950470A CN202010819492.2A CN202010819492A CN111950470A CN 111950470 A CN111950470 A CN 111950470A CN 202010819492 A CN202010819492 A CN 202010819492A CN 111950470 A CN111950470 A CN 111950470A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- personnel
- data
- mobile personnel
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 45
- 239000000523 sample Substances 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种智能监控方法、装置、计算机设备及存储介质，其中，方法包括：采集流动人员的基本信息、目标地址以及随身电子设备的MAC地址；根据目标地址，生成行动路径及活动空间；收集实时数据并对实时数据进行结构化处理获得结构化数据，将结构化数据存储在加速处理层中，将历史数据存储在批处理层中；对实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；通过基于监督学习的分类模型输出轨迹异常的概率，当概率超过阈值时向外发出警报。本发明通过采集流动人员的相关信息并结合多个监测点对流动人员进行监控，提高了流动人员信息覆盖面，加强了对流动人员的轨迹追踪，保障了社区住户的利益。
Description
技术领域
本发明涉及智能监控技术领域，特别涉及一种基于时空关系的智能监控方法、装置、计算机设备及存储介质。
背景技术
随着我国社会经济的高速发展，特别近年来以人为本的新型城镇化建设，使得人口正快速地向城镇聚集。大中型城市中人员的流动性不断加强，同时以社区为单位的本地服务不断精细化，社区人员流动情况愈加复杂。
新时代背景下的社区住户服务需求愈发多元化。保姆、保洁、维修安装等家政服务人员与中介、外卖配送、家教等商业服务人员频繁进出社区，给社区的安防带来更大考验。
传统的物业信息与门禁系统，仅仅是配合安防人员在社区出入口进行人工登记、放行等工作，存在对流动人员信息覆盖面低、流动人员进入小区后无法进行轨迹追踪等问题，难以满足高质量的现代智能社区的运营模式。
发明内容
本发明的目的是提供一种基于时空关系的智能监控方法、装置、计算机设备及存储介质，旨在提高流动人员信息覆盖面，加强对流动人员进入社区后的轨迹追踪。
本发明实施例提供一种基于时空关系的智能监控方法，其包括：
采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
优选的，所述根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间，包括：
采集社区的不动产信息和社区地图；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
优选的，所述将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间，包括：
采集流动人员所通过的智能门禁系统的地理坐标；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上查找到对应的目标不动产位置；
根据所述目标不动产位置以及智能门禁系统的地理坐标，在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
优选的，所述当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间，包括：
当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间；
通过所述有序时间戳序列和设备地理坐标信息绘制所述流动人员的行为空间轨迹。
优选的，所述通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报，包括：
对所述实时数据、行动路径及活动空间进行标注，得到样本集；
对所述样本集进行划分，得到训练样本集和测试样本集；
利用所述基于监督学习的分类模型对所述训练样本集进行训练，然后利用所述测试样本集对所述基于监督学习的分类模型进行测试，得到最终的基于监督学习的分类模型；
利用最终的基于监督学习的分类模型进行预测，得到轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
优选的，还包括：
根据流动人员的行为空间轨迹和在各监测点的停留时间，绘制流动人员行为空间轨迹图、流动人员人流热力图、历史数据的时序统计图，并进行显示。
优选的，所述当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间，包括：
当接收到查询请求时，获取查询类型；
若查询类型为实时业务，则通过流数据形式对存储在加速处理层的实时数据进行调用，以进行实时业务的处理；
若查询类型为历史业务，则通过批量数据形式对存储在批处理层的历史数据进行调用，以进行历史业务的处理。
本发明实施例提供一种基于时空关系的智能监控装置，其包括：
流动人员信息采集单元，用于采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
实时数据获取单元，用于基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
数据存储单元，用于对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
数据分析单元，用于当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
异常报警单元，用于通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
本发明实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于时空关系的智能监控方法。
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于时空关系的智能监控方法。
本发明实施例提供了一种基于时空关系的智能监控方法、装置、计算机设备及存储介质，其中，方法包括：采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。本发明实施例通过采集流动人员的相关信息，结合所设置的多个监测点对流动人员进入社区后进行实时监控，并在流动人员轨迹出现异常时向外报警，提高了流动人员在社区内的信息覆盖面，加强了对流动人员进入社区后的轨迹追踪，保障了社区住户的人身安全和财产安全。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种基于时空关系的智能监控方法的流程示意图；
图2为本发明实施例所提供的一种基于时空关系的智能监控装置的示意性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1为本发明实施例提供的一种基于时空关系的智能监控方法的流程示意图，该方法可以包括步骤S101～S105：
S101、采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
在本步骤中，在流动人员进入社区时，通过智能门禁系统的问询机制采集该流动人员的基本信息及目标地址，并获取所述流动人员随身电子设备的MAC地址。所述流动人员的基本信息包括姓名和电话等，并根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间。
在智能门禁系统采集了流动人员的基本信息及目标地址后，记录流动人员进入社区的当前时间，在流动人员离开社区时记录下离开社区的时间，以统计流动人员在社区活动的总时长。
对进入社区的流动人员的行动路径及活动空间进行准确规划。具体的，当生成流动人员的行动路径及活动空间后，将流动人员的行动路径及活动空间在可视化平台进行显示。
在一实施例中，所述根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间，包括：
采集社区的不动产信息和社区地图；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
在本实施例中，所述流动人员在社区内的行动路径及活动空间是基于目标社区的不动产信息和社区地图来进行规划的。所述不动产信息通过GIS社区地图和社区建筑信息库等组件进行采集(GIS即地理信息系统，是一种在计算机硬、软件系统支持下，对整个或部分地球表层空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统)，通过对比目标地址和不动产信息，在社区地图上找出最佳路径，并规划出流动人员在社区内的活动空间。
通过规划流动人员在社区内的行动路径和活动空间，设定了流动人员的活动范围，并以此作为后续地理位置分析的基础。
在一具体实施例中，所述将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间，包括：
采集流动人员所通过的智能门禁系统的地理坐标；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上查找到对应的目标不动产位置；
根据所述目标不动产位置以及智能门禁系统的地理坐标，在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
在本实施例中，所述智能门禁系统布置在社区的各个出入口，流动人员通过其中一个智能门禁系统进入社区。通过所述智能门禁系统自身具有的地理坐标信息，确定所述流动人员进入社区的坐标，并对流动人员在社区内的行动路径及活动空间进行规划。具体的，根据流动人员所需前往的目标地址，在社区地图内找出与目标地址对应的不动产位置，再根据社区地图，对流动人员的行动路径和活动空间进行规划。
若流动人员所需前往的目标地址不止一个，则依次在社区地图上找出所有目标地址所在的不动产位置，并根据各个不动产位置在社区地图上进行规划。举例来说，外卖人员A需前往目标地址b、目标地址c和目标地址d，目标地址b位于社区内的B栋楼房、目标地址c位于社区内的C栋楼房、目标地址d位于社区内的D栋楼房，则根据B栋楼房、C栋楼房和D栋楼房与外卖人员A所在的智能门禁系统的距离，规划出外卖人员前往各栋楼的行动路径和活动空间。
若多个目标地址所在的不动产位置为同一不动产位置，则直接规划出前往该不动产位置的行动路径和活动空间。
S102、基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
在本步骤中，所述实时数据通过AP探针进行收集，所述AP探针设置在监测点上，所述监测点分布在社区中的多个位置。
除所述AP探针外，所述监测点还包括：RFID模块、Wi-Fi模块、数据采集器、数据分析器和数据存储器。其中，所述AP探针的输入端分别连接于RFID模块和Wi-Fi模块的输入端，AP探针的输出端连接于数据采集器的输入端，数据采集器的输出端连接于数据分析器的输入端，数据分析器的输入端还连接于数据存储器的输出端。
所述监测点通过收集所述电子设备的MAC地址以及电子设备信号强度，监测所述电子设备所处的实时坐标位置，并根据当前信号强度的持续时间，获取电子设备在当前位置的停留时间，以此推算流动人员的实时坐标位置以及停留时间。
所述实时坐标位置包括地理坐标信息，所述地理坐标信息包括点(特定位置)、线(道路或河流)、面(园区)、体(立体空间)等维度。
S103、对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
在本步骤中，通过所述实时数据的时间戳和地理坐标信息，构建具有时空关系的结构化数据，所述时间戳的精度依据所述RFID模块和Wi-Fi模块的有效信号频率获取。
所述实时数据采用Lambda架构进行存储，所述Lambda架构包括加速处理层(SpeedLayer)、批处理层(BatchLayer)和服务层(ServingLayer)。在Lambda架构中，ServingLayer用于响应用户的查询请求，BatchLayer用于处理离线数据，SpeedLayer用于处理实时数据。数据的产生是连续的，实时数据在持续产生的过程中，之前被保存的实时数据将会被现有的实时数据所覆盖，此时之前的实时数据相对于现有的实时数据来说就成为了历史数据。为了将现有的实时数据与历史数据区分，将所述数据以结构化数据的形式存储在加速处理层的关系型内存数据库里，并定期将历史数据持久化存储到批处理层的磁盘数据库里。
S104、当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
在本步骤中，所述实时数据包括实时坐标位置以及停留时间，基于所述实时数据的时空关系并结合社区地图获取所述流动人员的行为空间轨迹，通过各个监测点设置的AP探针进行监测获取流动人员在各监测点的停留时间。
在一实施例中，所述S104包括：
当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间；
通过所述有序时间戳序列和设备地理坐标信息绘制所述流动人员的行为空间轨迹。
在本实施例中，通过获取流动人员在各监测点的有序时间戳序列，对所述流动人员的行为空间轨迹进行绘制。时间戳是最基本的时间序列数据，用于把数值与时点关联在一起。
在社区中，分布了许多的监测点，当流动人员进入某一个监测点的监测范围时，该监测点将记录流动人员进入监测范围的进入时间，当流动人员离开该监测点时，记录离开时间，以此获得流动人员在各监测点的停留时间。
在一具体实施例中，所述当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间，包括：
当接收到查询请求时，获取查询类型；
若查询类型为实时业务，则通过流数据形式对存储在加速处理层的实时数据进行调用，以进行实时业务的处理；
若查询类型为历史业务，则通过批量数据形式对存储在批处理层的历史数据进行调用，以进行历史业务的处理。
在本实施例中，所述查询类型分为实时业务和历史业务，根据查询类型的不同，调用不同处理层的数据进行处理。
在Lambda架构中，加速处理层用于存储实时数据，批处理层用于存储历史数据。因此当查询类型为实时业务时，对加速处理层的实时数据进行调用，以进行实时业务的处理；当查询类型为历史业务时，对批处理层的历史数据进行调用，以进行历史业务的处理。
S105、通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
在本步骤中，通过已知的实时数据、行动路径及活动空间这些参数，基于监督学习的分类模型对这些参数进行学习，输出流动人员行为空间轨迹异常的概率，若概率高于预定的阈值，则向外发出异常警报，以提高对该流动人员的监控，保证社区住户的人身安全以及财产安全。
所述监督学习是机器学习方法中的一类，指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。基于监督学习的方法，对有标签的数据集进行训练得到分类模型，通过分类模型输出轨迹异常的概率，以此实现对出现轨迹异常的流动人员的判定。
在一实施例中，所述S105包括：
对所述实时数据、行动路径及活动空间进行标注，得到样本集；
对所述样本集进行划分，得到训练样本集和测试样本集；
利用所述基于监督学习的分类模型对所述训练样本集进行训练，然后利用所述测试样本集对所述基于监督学习的分类模型进行测试，得到最终的基于监督学习的分类模型；
利用最终的基于监督学习的分类模型进行预测，得到轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
在本实施例中，所述监督学习是一个训练的过程，通过对所述实时数据、行动路径及活动空间进行标注并划分获得训练样本集和测试样本集。所述训练样本集通过基于监督学习的分类模型进行训练后，再通过测试样本集对基于监督学习的分类模型进行测试，以获得最终的基于监督学习的分类模型。所述最终的基于监督学习的分类模型将输出轨迹异常概率，并在所述概率超过阈值后向外发出异常警报。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。
在一实施例中，还包括：
根据流动人员的行为空间轨迹和在各监测点的停留时间，绘制流动人员行为空间轨迹图、流动人员人流热力图、历史数据的时序统计图，并进行显示。
在本实施例中，通过流动人员的行为空间轨迹绘制流动人员行为空间轨迹图，并进行显示，使监测人员对社区内的流动人员的监控更加客观、方便。若流动人员在社区内发生异常状况，通过可视化界面也可以使得社区安保人员更加及时的反应。通过绘制流动人员人流热力图，可以观察流动人员的活动范围以及流动人员在区域的聚集密度，以方便社区管理人员更合理地调度社区安保力量对流动人员进行有效管理。所述历史数据的时序统计图可对流动人员进入社区的时段进行统计，找出流动人员进出高峰期，并在流动人员进出高峰期时加大监控力度，保证社区住户的安全。
请参阅图2，图2为本发明实施例提供的一种基于时空关系的智能监控装置的示意性框图，该基于时空关系的智能监控装置200包括：
流动人员信息采集单元201，用于采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
实时数据获取单元202，用于基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
数据存储单元203，用于对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
数据分析单元204，用于当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
异常报警单元205，用于通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
在一实施例中，所述流动人员信息采集单元201包括：
社区信息采集单元，用于采集社区的不动产信息和社区地图；
第一信息比对单元，用于将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
在一实施例中，所述第一信息比对单元包括：
门禁坐标采集单元，用于采集流动人员所通过的智能门禁系统的地理坐标；
不动产确认单元，用于将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上查找到对应的目标不动产位置；
路径规划单元，用于根据所述目标不动产位置以及智能门禁系统的地理坐标，在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
在一实施例中，所述数据分析单元204包括：
时间序列获取单元，用于当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间；
轨迹绘制单元，用于通过所述有序时间戳序列和设备地理坐标信息绘制所述流动人员的行为空间轨迹。
在一实施例中，所述异常报警单元205包括：
样本集获取单元，用于对所述实时数据、行动路径及活动空间进行标注，得到样本集；
样本集划分单元，用于对所述样本集进行划分，得到训练样本集和测试样本集；
训练测试单元，用于利用所述基于监督学习的分类模型对所述训练样本集进行训练，然后利用所述测试样本集对所述基于监督学习的分类模型进行测试，得到最终的基于监督学习的分类模型；
异常概率预测单元，用于利用最终的基于监督学习的分类模型进行预测，得到轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
在一实施例中，所述基于时空关系的智能监控装置还包括：
图像显示单元，用于根据流动人员的行为空间轨迹和在各监测点的停留时间，绘制流动人员行为空间轨迹图、流动人员人流热力图、历史数据的时序统计图，并进行显示。
在一实施例中，所述时间序列获取单元包括：
查询类型获取单元，用于当接收到查询请求时，获取查询类型；
实时业务处理单元，用于若查询类型为实时业务，则通过流数据形式对存储在加速处理层的实时数据进行调用，以进行实时业务的处理；
历史业务处理单元，用于若查询类型为历史业务，则通过批量数据形式对存储在批处理层的历史数据进行调用，以进行历史业务的处理。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于时空关系的智能监控方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于时空关系的智能监控方法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于时空关系的智能监控方法，其特征在于，包括：
采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
2.根据权利要求1所述的基于时空关系的智能监控方法，其特征在于，所述根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间，包括：
采集社区的不动产信息和社区地图；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
3.根据权利要求2所述的基于时空关系的智能监控方法，其特征在于，所述将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上规划出流动人员在社区内的行动路径及活动空间，包括：
采集流动人员所通过的智能门禁系统的地理坐标；
将目标地址与所述不动产信息进行比对，根据比对结果在所述社区地图上查找到对应的目标不动产位置；
根据所述目标不动产位置以及智能门禁系统的地理坐标，在所述社区地图上规划出流动人员在社区内的行动路径及活动空间。
4.根据权利要求1所述的基于时空关系的智能监控方法，其特征在于，所述当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间，包括：
当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间；
通过所述有序时间戳序列和设备地理坐标信息绘制所述流动人员的行为空间轨迹。
5.根据权利要求4所述的基于时空关系的智能监控方法，其特征在于，所述通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报，包括：
对所述实时数据、行动路径及活动空间进行标注，得到样本集；
对所述样本集进行划分，得到训练样本集和测试样本集；
利用所述基于监督学习的分类模型对所述训练样本集进行训练，然后利用所述测试样本集对所述基于监督学习的分类模型进行测试，得到最终的基于监督学习的分类模型；
利用最终的基于监督学习的分类模型进行预测，得到轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
6.根据权利要求1所述的基于时空关系的智能监控方法，其特征在于，还包括：
根据流动人员的行为空间轨迹和在各监测点的停留时间，绘制流动人员行为空间轨迹图、流动人员人流热力图、历史数据的时序统计图，并进行显示。
7.根据权利要求4所述的基于时空关系的智能监控方法，其特征在于，所述当接收查询请求时，根据所述实时数据获取流动人员在各监测点的有序时间戳序列，并获取在各监测点的停留时间，包括：
当接收到查询请求时，获取查询类型；
若查询类型为实时业务，则通过流数据形式对存储在加速处理层的实时数据进行调用，以进行实时业务的处理；
若查询类型为历史业务，则通过批量数据形式对存储在批处理层的历史数据进行调用，以进行历史业务的处理。
8.一种基于时空关系的智能监控装置，其特征在于，包括：
流动人员信息采集单元，用于采集进入社区的流动人员的基本信息、目标地址以及流动人员随身电子设备的MAC地址；根据流动人员的目标地址，生成流动人员在社区内的行动路径及活动空间；
实时数据获取单元，用于基于设置在多个监测点的AP探针，收集包含电子设备的MAC地址信息的实时数据，所述实时数据包括实时坐标位置以及停留时间；
数据存储单元，用于对所述实时数据进行结构化处理获得具有时空关系的结构化数据，并将结构化数据存储在加速处理层的关系型内存数据库中，并定期将历史数据持久化存储在批处理层的磁盘数据库中；
数据分析单元，用于当接收查询请求时，对所述实时数据的时空关系进行关联分析，输出流动人员的行为空间轨迹和在各监测点的停留时间；
异常报警单元，用于通过基于监督学习的分类模型对所述实时数据、行动路径及活动空间进行学习，输出轨迹异常的概率，当所述概率超过阈值时向外发出流动人员轨迹异常警报。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于时空关系的智能监控方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于时空关系的智能监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010819492.2A CN111950470A (zh) | 2020-08-14 | 2020-08-14 | 一种智能监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010819492.2A CN111950470A (zh) | 2020-08-14 | 2020-08-14 | 一种智能监控方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950470A true CN111950470A (zh) | 2020-11-17 |
Family
ID=73342388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010819492.2A Pending CN111950470A (zh) | 2020-08-14 | 2020-08-14 | 一种智能监控方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950470A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112735015A (zh) * | 2020-12-25 | 2021-04-30 | 重庆中科云从科技有限公司 | 一种社区管理方法、装置、机器可读介质及设备 |
| CN113326823A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市赛菲姆科技有限公司 | 一种基于社区场景下人员路径确定方法、系统 |
| CN113365221A (zh) * | 2021-06-04 | 2021-09-07 | 国网江苏省电力有限公司管理培训中心 | 用于封闭或者半封闭场所的人员轨迹识别系统 |
| CN113536256A (zh) * | 2021-07-27 | 2021-10-22 | 江西高创保安服务技术有限公司 | 一种人口流动数据的统计分析方法、装置及电子设备 |
| CN113989510A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
| CN114547228A (zh) * | 2022-04-22 | 2022-05-27 | 阿里云计算有限公司 | 轨迹生成方法、装置、设备及存储介质 |
| CN114743300A (zh) * | 2021-12-09 | 2022-07-12 | 全民认证科技（杭州）有限公司 | 基于行为大数据模型的门禁访问控制方法及系统 |
| WO2022247712A1 (zh) * | 2021-05-24 | 2022-12-01 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100207762A1 (en) * | 2009-02-19 | 2010-08-19 | Panasonic Corporation | System and method for predicting abnormal behavior |
| CN105049814A (zh) * | 2015-08-12 | 2015-11-11 | 山东合天智汇信息技术有限公司 | 一种监测分析人员运动轨迹的方法及系统 |
| CN106780244A (zh) * | 2016-11-24 | 2017-05-31 | 江苏旭云物联信息科技有限公司 | 一种社区安防管理系统及方法 |
| CN110738095A (zh) * | 2019-08-23 | 2020-01-31 | 珠海格力电器股份有限公司 | 一种行为分析方法及装置 |
| CN110852148A (zh) * | 2019-09-23 | 2020-02-28 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标追踪的访客目的地核验方法及系统 |
-
2020
- 2020-08-14 CN CN202010819492.2A patent/CN111950470A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100207762A1 (en) * | 2009-02-19 | 2010-08-19 | Panasonic Corporation | System and method for predicting abnormal behavior |
| CN105049814A (zh) * | 2015-08-12 | 2015-11-11 | 山东合天智汇信息技术有限公司 | 一种监测分析人员运动轨迹的方法及系统 |
| CN106780244A (zh) * | 2016-11-24 | 2017-05-31 | 江苏旭云物联信息科技有限公司 | 一种社区安防管理系统及方法 |
| CN110738095A (zh) * | 2019-08-23 | 2020-01-31 | 珠海格力电器股份有限公司 | 一种行为分析方法及装置 |
| CN110852148A (zh) * | 2019-09-23 | 2020-02-28 | 重庆特斯联智慧科技股份有限公司 | 一种基于目标追踪的访客目的地核验方法及系统 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112735015A (zh) * | 2020-12-25 | 2021-04-30 | 重庆中科云从科技有限公司 | 一种社区管理方法、装置、机器可读介质及设备 |
| WO2022247712A1 (zh) * | 2021-05-24 | 2022-12-01 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
| CN113365221A (zh) * | 2021-06-04 | 2021-09-07 | 国网江苏省电力有限公司管理培训中心 | 用于封闭或者半封闭场所的人员轨迹识别系统 |
| CN113536256A (zh) * | 2021-07-27 | 2021-10-22 | 江西高创保安服务技术有限公司 | 一种人口流动数据的统计分析方法、装置及电子设备 |
| CN113326823A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市赛菲姆科技有限公司 | 一种基于社区场景下人员路径确定方法、系统 |
| CN114743300A (zh) * | 2021-12-09 | 2022-07-12 | 全民认证科技（杭州）有限公司 | 基于行为大数据模型的门禁访问控制方法及系统 |
| CN113989510A (zh) * | 2021-12-28 | 2022-01-28 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
| CN113989510B (zh) * | 2021-12-28 | 2022-03-11 | 深圳市万物云科技有限公司 | 一种河道排水口溢流检测方法、装置及相关设备 |
| CN114547228A (zh) * | 2022-04-22 | 2022-05-27 | 阿里云计算有限公司 | 轨迹生成方法、装置、设备及存储介质 |
| CN114547228B (zh) * | 2022-04-22 | 2022-07-19 | 阿里云计算有限公司 | 轨迹生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950470A (zh) | 一种智能监控方法、装置、计算机设备及存储介质 | |
| Wang et al. | Applying mobile phone data to travel behaviour research: A literature review | |
| CN109923595B (zh) | 一种基于浮动车数据的城市道路交通异常检测方法 | |
| CN105049814B (zh) | 一种监测分析人员运动轨迹的方法及系统 | |
| US6232915B1 (en) | System and method for identifying clusters of geographic locations | |
| CN105246033B (zh) | 一种基于终端定位的人群状态监测方法和监测装置 | |
| CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
| CN112185579B (zh) | 一种基于元胞自动机的新冠密切接触人员数据获取方法 | |
| CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
| CN111539864A (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
| CN112862233A (zh) | 一种基于车联网数据的故障关联性分析系统及方法 | |
| CN114970621A (zh) | 异常聚集事件的检测方法、装置、电子设备和存储介质 | |
| van Doormaal et al. | Understanding site selection of illegal border crossings into a fenced protected area: a rational choice approach | |
| CN117035419A (zh) | 企业项目实施智能管理系统及方法 | |
| JP2009075652A (ja) | 情報表示装置 | |
| CN112188478B (zh) | 基于大数据分析的常驻人口数据采集方法 | |
| CN116054416B (zh) | 一种基于物联网的智能监控运维管理系统 | |
| CN116994405A (zh) | 一种智能灾变预警方法及系统 | |
| Santiago-Chaparro et al. | Automated turning movement counts for shared lanes: leveraging vehicle detection data | |
| CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
| Wang | Understanding activity location choice with mobile phone data | |
| CN115311591A (zh) | 异常行为的预警方法、装置及智能摄像头 | |
| CN113093586A (zh) | 一种基于大数据的环保监测系统 | |
| CN112396196A (zh) | 针对智能交通系统实现智慧运维管理的系统 | |
| Xiong et al. | A Data-Driven Analytical Framework of Estimating Multimodal Travel Demand Patterns using Mobile Device Location 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 |