CN112235727A - 一种基于mac数据的人员流动监测分析方法和系统 - Google Patents

Abstract

一种基于MAC数据的人员流动监测分析方法，包括：采集预设时间段的MAC数据，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数；统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；利用神经网络算法对得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值；根据最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值；根据天数阈值计算区域常驻人员和流动人员数量。本发明解决了现有技术效率低下，耗时耗力，开发成本都比较高、技术难度大、对使用者水平要求高的问题。

Description

一种基于MAC数据的人员流动监测分析方法和系统

技术领域

本发明涉及的是数据挖掘和智慧警务技术领域,特别涉及一种基于MAC数据的人员流动监测分析方法和系统。

背景技术

随着社会的发展，科技越来越发达，信息也更加的通畅，人与人之间的联系更加的密切频繁，海量的数据从中诞生，这些庞大的数据需要专业化的处理，从中挖掘出更大的价值。通过挖掘出的信息应用于社会治理和经济发展、通过大数据分析帮助警务机关、政府企业实现智能化管理、利用数据为社会治理者提供更有效的决策参考价值。

另外物联网技术及传感器技术的不断推广，各类基于大范围数据采集的前端设备被应用于城市的每一个角落，基于前端设备采集的大数据得到了快速应用与发展。其中手机MAC数据就是其中的一种，在互联网高速发展的当代社会，人手一部手机已经成为一种常态。而每一部手机都有一个唯一的标识MAC，因此一条MAC即可表示一人次。在此基础上，我们基于MAC数据、采集时间、地点三者的对应关系，我们利用大数据技术对采集数据进行预处理，并且大规模的训练学习，可以监测特定区域、特定时间段内的人员流动情况，为社会治理、警力部署等政策实施提供有效支撑，具有重要的意义和实际应用价值。

现有技术在进行人员流动数量监测时，主要利用治安卡口、社会治安监控、现场值班民警等措施进行实时人工监测，这种方法效率低下，耗时耗力，需要大量的时间和警力投入，而且监测结果受到人为因素的影响并且监测结果不能持续化。另外，也有一定程度上智能的监测技术手段，比如很多基于实时视频数据、实时卡口电警数据、GPS信号、电子围栏等数据的智能研判系统或者装置，但这些系统或装置开发成本都比较高、技术难度大、对使用者水平要求高，最重要的是这些系统往往需要实时数据的支撑，然而现实的很多研判往往是事后研判，如果事后研判对象不再出现就会给研判造成困境。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于MAC数据的人员流动监测分析方法。

一种基于MAC数据的人员流动监测分析方法，包括：

S100.采集预设时间段的MAC数据，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数；

S200.统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；

S300.利用神经网络算法对S200中得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值；

S400.根据最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值；

S500.根据天数阈值计算区域常驻人员和流动人员数量。

进一步地，采集预设时间段的MAC数据后，还会对每个时间段的数据进行去伪和去重处理。

进一步地，MAC数据采用前端设备wifi探针进行获取。

进一步地，输出结果指从S200中MAC总数结果集中筛选出来的MAC总数，期望值代表采集MAC数据区域内的人员数。

进一步地，通过加权平均值算法，将每组数据的天数权值计算最终加权值。

进一步地，天数阈值计算公式为：

D1＝D*ω

其中，D1表示天数阈值，D表示选取的预设时间段天数，ω表示最终加权值。

进一步地，根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}。

进一步地，通过数据库sql中的groupBy函数对MAC数据进行去重处理。

本发明还公开了一种基于MAC数据的人员流动监测分析系统，包括：MAC数据获取模块、MAC数据预处理模块、神经网络模块、数据输出模块；其中：

MAC数据获取模块，采集预设时间段的MAC数据；

MAC数据预处理模块，用于对采集的MAC数据进行进行去伪和去重处理，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数，还用于统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；

神经网络模块，用于对得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值；

数据输出模块，利用最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值，根据天数阈值计算区域常驻人员和流动人员数量，并将驻人员和流动人员数量输出。

进一步地，MAC数据预处理模块根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}；根据数据库sql中的groupBy函数对MAC数据进行去重处理。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明基于MAC数据、采集时间、地点三者的对应关系，利用大数据技术对采集数据进行预处理，并且大规模的训练学习，可以监测特定区域、特定时间段内的人员流动情况，为社会治理、警力部署等政策实施提供有效支撑，具有重要的意义和实际应用价值。解决了现有技术中，采用人工监控时，效率低下，耗时耗力，需要大量的时间和警力投入，而且监测结果受到人为因素的影响并且监测结果不能持续化的问题。采用智能的监测技术手段时，开发成本都比较高、技术难度大、对使用者水平要求高，事后研判对象不再出现就会给研判造成困境的问题。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中，一种基于MAC数据的人员流动监测分析方法流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

一种基于MAC数据的人员流动监测分析方法，包括：

S100.采集预设时间段的MAC数据，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数。

在一些优选实施例中，通过前端设备wifi探针进行获取MAC数据，采集到MAC数据后，还会对每个时间段的数据进行去伪和去重处理。具体的，根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}。当MAC数据的第一个字节的第二位十六进制不为{0,4,8,C}时，则当前MAC数据为伪造，直接将其剔除。在本实施例中，通过数据库sql中的groupBy函数对MAC数据进行去重处理。通过对MAC数据的去伪和去提高数据样本的质量，从而为后续的计算提供可靠的数据基础。通过时间和MAC二个维度统计每个MAC每天出现的次数，此过程可以实现对MAC的去重处理，然后在此基础以MAC维度统计每个MAC出现的天数。

在本实施例中，可以理解的，采集的预设时间段越多，数据样本的数量就越多，则本实施例神经网络训练集越多，训练结果更准确。

S200.统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；例如在时间段A1内出现的天数据为2、3、4、5、8...等等，则分别计算出现天数大于2、大于3、大于4、大于5、大于8时，对应的MAC数量。

S300.利用神经网络算法对S200中得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值。

具体的，本实施例优选BP神经网络进行训练，具体的训练过程为：首先将结果集作为神经网络样本进行输入，确定输入样本公式；确定神经网络中隐含层公式，通过神经网络模型对样本进行训练，输出训练结果，并将输出结果与期望值进行误差计算，重新带入隐含层和输入层，根据误差不断调整网络权值，使网络输出不断逼近预测输出，最终把每组数据的权值记录下来作为出现天数权值，根据天数权值计算最终加权值。

在本实施例中，输出结果指从S200中MAC总数结果集中筛选出来的MAC总数，期望值代表采集MAC数据区域内的人员数。最终加权值计算方法为：将每组数据的权值记录下来作为出现天数权值ω1、ω2、ω3...ωn。通过加权平均计算获取加权值ω范围(0,1)。

S400.根据最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值。

在本实施例中，天数阈值计算公式为：

D1＝D*ω

其中，D1表示天数阈值，D表示选取的预设时间段天数，ω表示最终加权值。

例如，当最终权值为0.9时，预设时间段天数为10天，则天数阈值为9.

S500.根据天数阈值计算区域常驻人员和流动人员数量。具体的，基于S200的结果计算出现天数大于D*ω的MAC数量即为常住人员数量，反之计算出现天数小于D*ω的MAC数量为流动人口数量。

本实施例公开的一种基于MAC数据的人员流动监测分析方法，基于MAC数据、采集时间、地点三者的对应关系，利用大数据技术对采集数据进行预处理，并且大规模的训练学习，可以监测特定区域、特定时间段内的人员流动情况，为社会治理、警力部署等政策实施提供有效支撑，具有重要的意义和实际应用价值。解决了现有技术中，采用人工监控时，效率低下，耗时耗力，需要大量的时间和警力投入，而且监测结果受到人为因素的影响并且监测结果不能持续化的问题。采用智能的监测技术手段时，开发成本都比较高、技术难度大、对使用者水平要求高，事后研判对象不再出现就会给研判造成困境的问题。

实施例二

本实施例还公开了一种基于MAC数据的人员流动监测分析系统，包括：MAC数据获取模块、MAC数据预处理模块、神经网络模块、数据输出模块；其中：

MAC数据获取模块，采集预设时间段的MAC数据。在本实施例中，通过前端设备wifi探针进行获取MAC数据。

MAC数据预处理模块，用于对采集的MAC数据进行进行去伪和去重处理，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数，还用于统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；具体的，根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}。当MAC数据的第一个字节的第二位十六进制不为{0,4,8,C}时，则当前MAC数据为伪造，直接将其剔除。在本实施例中，通过数据库sql中的groupBy函数对MAC数据进行去重处理。通过对MAC数据的去伪和去提高数据样本的质量，从而为后续的计算提供可靠的数据基础。通过时间和MAC二个维度统计每个MAC每天出现的次数，此过程可以实现对MAC的去重处理，然后在此基础以MAC维度统计每个MAC出现的天数。

在本实施例中，统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；例如在时间段A1内出现的天数据为2、3、4、5、8...等等，则分别计算出现天数大于2、大于3、大于4、大于5、大于8时，对应的MAC数量。

神经网络模块，用于对得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值。

具体的，本实施例优选BP神经网络进行训练，具体的训练过程为：首先将结果集作为神经网络样本进行输入，确定输入样本公式；确定神经网络中隐含层公式，通过神经网络模型对样本进行训练，输出训练结果，并将输出结果与期望值进行误差计算，重新带入隐含层和输入层，根据误差不断调整网络权值，使网络输出不断逼近预测输出，最终把每组数据的权值记录下来作为出现天数权值，根据天数权值计算最终加权值。

数据输出模块，利用最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值，根据天数阈值计算区域常驻人员和流动人员数量，并将驻人员和流动人员数量输出。

本实施例中，天数阈值计算公式为：

D1＝D*ω

其中，D1表示天数阈值，D表示选取的预设时间段天数，ω表示最终加权值。

具体的，基于出现天数大于每一个已知出现天数的MAC总数的结果，计算出现天数大于D*ω的MAC数量即为常住人员数量，反之计算出现天数小于D*ω的MAC数量为流动人口数量。

本实施例公开的一种基于MAC数据的人员流动监测分析系统，基于MAC数据、采集时间、地点三者的对应关系，利用大数据技术对采集数据进行预处理，并且大规模的训练学习，可以监测特定区域、特定时间段内的人员流动情况，为社会治理、警力部署等政策实施提供有效支撑，具有重要的意义和实际应用价值。解决了现有技术中，采用人工监控时，效率低下，耗时耗力，需要大量的时间和警力投入，而且监测结果受到人为因素的影响并且监测结果不能持续化的问题。采用智能的监测技术手段时，开发成本都比较高、技术难度大、对使用者水平要求高，事后研判对象不再出现就会给研判造成困境的问题。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种基于MAC数据的人员流动监测分析方法，其特征在于，包括：

S100.采集预设时间段的MAC数据，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数；

S200.统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；

S300.利用神经网络算法对S200中得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值；S400.根据最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值；

S500.根据天数阈值计算区域常驻人员和流动人员数量。

2.如权利要求1的一种基于MAC数据的人员流动监测分析方法，其特征在于，采集预设时间段的MAC数据后，还会对每个时间段的数据进行去伪和去重处理。

3.如权利要求1的一种基于MAC数据的人员流动监测分析方法，其特征在于，MAC数据采用前端设备wifi探针进行获取。

4.如权利要求1的一种基于MAC数据的人员流动监测分析方法，其特征在于，输出结果指从S200中MAC总数结果集中筛选出来的MAC总数，期望值代表采集MAC数据区域内的人员数。

5.如权利要求1的一种基于MAC数据的人员流动监测分析方法，其特征在于，通过加权平均值算法，将每组数据的天数权值计算最终加权值。

6.如权利要求1的一种基于MAC数据的人员流动监测分析方法，其特征在于，天数阈值计算公式为：

D1＝D*ω

其中，D1表示天数阈值，D表示选取的预设时间段天数，ω表示最终加权值。

7.如权利要求2的一种基于MAC数据的人员流动监测分析方法，其特征在于，

根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}。

8.如权利要求2的一种基于MAC数据的人员流动监测分析方法，其特征在于，通过数据库sql中的groupBy函数对MAC数据进行去重处理。

9.一种基于MAC数据的人员流动监测分析系统，其特征在于，包括：MAC数据获取模块、MAC数据预处理模块、神经网络模块、数据输出模块；其中：

MAC数据获取模块，采集预设时间段的MAC数据；

MAC数据预处理模块，用于对采集的MAC数据进行进行去伪和去重处理，统计每一个时间段内每个MAC出现的天数，将该天数作为已知天数，还用于统计每个时间段内，出现天数大于每一个已知出现天数的MAC总数；

神经网络模块，用于对得到的大于每个已知天数的MAC总数结果集进行训练，通过输出结果与期望值进行误差计算，根据误差不断调整神经网络权值，使神经网络输出结果不断逼近期望值，当最终误差小于预设误差时，把每组数据的权值作为出现天数权值，根据天数权值计算最终加权值；

数据输出模块，利用最终加权值计算任意时间段内MAC出现天数阈值，并将天数阈值作为常驻人员出现天数阈值，根据天数阈值计算区域常驻人员和流动人员数量，并将驻人员和流动人员数量输出。

10.如权利要求9的一种基于MAC数据的人员流动监测分析系统，其特征在于，MAC数据预处理模块根据国际通信协议对MAC数据进行去除伪，具体为：判断MAC数据的第一个字节的第二位十六进制是否为{0,4,8,C}；根据数据库sql中的groupBy函数对MAC数据进行去重处理。

Images