CN113362198A - 一种小区中危险物品制造人员发现系统及方法 - Google Patents

Abstract

本发明属于大数据分析技术领域，具体涉及一种小区中危险物品制造人员发现系统及方法，该系统包括家庭用电用水异常检测子系统、污水排放异常监测子系统和危险物品制造人员筛选子系统；家庭用电用水异常检测子系统获取用电用水异常的住户信息；污水排放异常监测子系统获取污水排放异常的楼宇信息；危险物品制造人员筛选子系统分别与家庭用电用水异常检测子系统和污水排放异常监测子系统连接，根据污水排放异常监测子系统首先确定出存在危险物品制造人员的楼宇，再根据家庭用电用水异常检测子系统确定该楼宇中异常住户的位置。本发明能够查询出小区中可能存在危险物品制造人员的住户，提高了监测力度和准确率。

Description

一种小区中危险物品制造人员发现系统及方法

技术领域

本发明属于大数据分析技术领域，具体涉及一种小区中危险物品制造人员发现系统及方法。

背景技术

小区场所的安全性问题一直是人们重点关注的问题，及时发现小区出现的危险物品是保障小区安全的一个重要前提。

目前，在对小区中是否有人制造危险物品进行判断时，主要是通过群众举报的方式，然后安防人员再进行详细搜查，采用这种人工方式尽管在一定程度上可以实现危险物品排查，但是仍旧体现出较大的局限性，特别是在环境复杂度较高的场所，人工排查的准确性和效率较为低下，漏检率较高。

发明内容

为了解决传统技术手段无法有效对危险物品制造人员进行识别和追踪的问题，本发明的目的是提供一种小区中危险物品制造人员发现系统及方法，能够查询出小区中可能存在危险物品制造人员的住户，提高了监测力度和准确率。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种小区中危险物品制造人员发现系统，包括：

家庭用电用水异常检测子系统，用于获取用电用水异常的住户信息；

污水排放异常监测子系统，用于获取污水排放异常的楼宇信息；

危险物品制造人员筛选子系统，分别与家庭用电用水异常检测子系统和污水排放异常监测子系统连接，根据污水排放异常监测子系统首先确定出存在危险物品制造人员的楼宇，再根据家庭用电用水异常检测子系统确定该楼宇中异常住户的位置。

进一步地，所述家庭用电用水异常检测子系统包括：

前端水电感知设备，用于每隔一小时获取住户的用电用水量，并将该数据保存到数据库一；

数据处理与分析模块一，用于筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

进一步地，所述污水排放异常监测子系统包括：

水质获取设备，用于获取每栋楼下水道的水质样品；

水质分析模块，用于接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二；

污水检测模型，用于筛选出数据库二中含量超标的元素信息，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

进一步地，所述水质分析模块分析出污水中各种元素的含量，由于各种元素含量的单位不同，需对数据进行归一化处理，具体包括：

归一化方式采用Z-score standardization，是基于原始数据的均值和标准差进行标准化，经过处理的数据符合标准正态分布，转换函数如下：

其中，mean为样本数据的均值，Standard deviation为样本数据的标准差。

进一步地，所述污水检测模型采用离散增量结合支持向量机算法，将污水元素中提取到的特征参数输入离散增量算法，再将得到的离散增量值作为特征参数输入支持向量机算法中进行分类预测；

其中离散增量算法具体为：

对于由S维信息符号构成的状态空间X，这里用m_i表示第i个状态出现的个数，其离散源X{m₁，m₂,m₃,…,m_s}的离散量表示为：

其中，M＝∑_im_i；

两个同为S维状态空间的离散源X{n₁，n₂,n₃,…，n_s}和Y{m₁，m₂,m₃，…,m_s}，二者离散量分别表示为：

混合离散源X+Y(n₁+m₁,n₂+m₂,n₃+m₃,…,n_s+m_s)的离散量表示为：

离散源X和Y的离散增量定义为：

ID(X+Y)＝D(X+Y)-D(X)-D(Y)

ID(X，Y)值用于比较两个离散源的相似性程度，ID(X，Y)值越小，表明两个离散源越相似，反之，ID(X，Y)值越大，表明两个离散源的差异越大；

所述支持向量机算法用于自动找出对分类有较好区分能力的支持向量，对数据库二中含量超标与未超标的元素信息进行分类。

采用R-Square对污水检测模型进行评估，具体如下：

其中，y_i表示实际值，

表示模型预测值，

表示实际平均值，w_i为当前数据的权重，SSR为预测数据与原始数据均值之差的平方和，SST为原始数据与原始数据均值之差的平方和，SSE为残差平方和；

R-Square通过数据的变化来表征模型拟合的好坏，取值范围为[0,1]，值越大，消除的波动越多，污水检测模型对数据的拟合越好。

进一步地，所述危险物品制造人员筛选子系统包括：

输入端口，分别连接住户用电用水量异常数据库和污水排放异常数据库；

数据处理与分析模块二，对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出该楼宇中异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库；

传输模块，将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

本发明还提供了一种小区中危险物品制造人员发现方法，包含以下步骤：

获取用电用水异常的住户信息；

获取污水排放异常的楼宇信息；

根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置。

进一步地，所述获取用电用水异常的住户信息，包括：

前端水电感知设备每隔一小时获取住户的用电用水量，并将该数据保存到数据库一，通过网络发送到数据处理与分析模块一；

数据处理与分析模块一筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

进一步地，所述获取污水排放异常的楼宇信息，包括：

水质获取设备获取每栋楼下水道的水质样品，并将水质样品发送到水质分析模块；

水质分析模块接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二；

污水检测模型筛选出数据库二中含量超标的元素信息，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

进一步地，所述根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置，包括：

数据处理与分析模块二对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库；

传输模块将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

与现有技术相比，本发明具有以下优点：

本发明的小区中危险物品制造人员发现系统，包括家庭用电用水异常检测子系统、污水排放异常监测子系统和危险物品制造人员筛选子系统，可以在无人值守的情况下对楼宇下水道的污水排放情况和家庭用电用水情况进行记录，联合上面两种数据信息，查询出小区中可能存在危险物品制造人员的住户，据此，公安部门在犯罪行为实施前就能进行有力打击，提高了监测的力度和准确率，减轻了人工排查的工作量，提高了工作效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的小区中危险物品制造人员发现系统的结构框图；

图2是本发明实施例的小区中危险物品制造人员发现方法的流程图；

图3是本发明实施例的获取用电用水异常的住户信息的流程图；

图4是本发明实施例的获取污水排放异常的楼宇信息的流程图；

图5是本发明实施例的根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

如图1所示，本实施例的小区中危险物品制造人员发现系统，包括家庭用电用水异常检测子系统11、污水排放异常监测子系统12和危险物品制造人员筛选子系统13；家庭用电用水异常检测子系统获取用电用水异常的住户信息；污水排放异常监测子系统获取污水排放异常的楼宇信息；危险物品制造人员筛选子系统分别与家庭用电用水异常检测子系统和污水排放异常监测子系统连接，根据污水排放异常监测子系统首先确定出存在危险物品制造人员的楼宇，再根据家庭用电用水异常检测子系统确定该楼宇中异常住户的位置。

具体的，家庭用电用水异常检测子系统包括：

前端水电感知设备，每隔一小时获取住户的用电用水量(每天记录24次)，把数据保存到数据库一，并把数据发送到数据处理与分析模块一。

数据处理与分析模块一，根据一小时内的用电用水量和住户的常住人口数，求出住户人均用电用水量，根据小区所有住户的用电用水量和小区常住人口数，求出小区人均用电用水量，筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

通过家庭用电用水异常检测子系统，可以进行24小时不间断地获取和分析住户用电用水的数据，筛选出小区中家庭用电用水异常的住户。

具体的，污水排放异常监测子系统包括：

水质获取设备，安装在每栋楼的下水管道，将会获取每栋楼下水道的水质样品，将水质样品发送到水质分析模块。

水质分析模块，接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二。

污水检测模型，筛选出数据库二中含量超标的元素信息，比如污水中含有毒品、火药等成分，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

可以理解的是，水质分析模块分析出污水中各种元素的含量往往具有不同的量纲和量纲单位，这样的情况会影响到污水检测的结果，为了消除各元素之间量纲的影响，需要进行数据标准化处理，以解决各元素特征值之间的可比性。原始数据经过数据标准化处理后，各元素特征值处于同一数量级，适合进行综合对比评价。在本实例中，采用的归一化方式为Z-score standardization，主要是基于原始数据的均值和标准差进行标准化，经过处理的数据符合标准正态分布，转换函数如下：

其中，mean为样本数据的均值，Standard deviation为样本数据的标准差。数据归一化后，可以让不同维度之间的特征值在数值上有一定的比较性，提高了精度。

如果直接将污水各种元素中提取到的特征参数，输入支持向量机算法中，那么输入向量的维数就会非常大，势必造成维数灾难，使得支持向量机算法的优越性大打折扣。为了解决这一问题，污水检测模型采用离散增量结合支持向量机算法(ID-SVM)，将污水元素中提取到的特征参数输入离散增量算法，再将得到的离散增量值作为特征参数输入支持向量机算法中进行分类预测，这样做可以很好地降低支持向量机的输入向量维数，避免SVM过度训练。

离散增量算法具体包括：

对离散量给出如下定义，对于由S维信息符号构成的状态空间X，这里用m_i表示第i个状态出现的个数，其离散源X{m₁,m₂,m₃,…,m_s}的离散量表示为：

其中，M＝∑_im_i；

两个同为S维状态空间的离散源X{n₁，n₂,n₃,…,n_s}和Y{m₁，m₂,m₃,…,m_s}，二者离散量分别表示为：

混合离散源X+Y(n₁+m₁,n₂+m₂,n₃+m₃,…,n_s+m_s)的离散量表示为：

离散源X和Y的离散增量定义为：

ID(X+Y)＝D(X+Y)-D(X)-D(Y)

ID(X，Y)值用于比较两个离散源的相似性程度，ID(X，Y)值越小，表明两个离散源越相似，反之，ID(X，Y)值越大，表明两个离散源的差异越大。

支持向量机算法(SVM)是建立在统计学理论基础上的机器学习方法，通过学习算法，SVM可以自动找出对分类有较好区分能力的支持向量，对数据库二中含量超标与未超标的元素信息进行分类，具有较高的分类准确率。

污水检测模型训练好后，用模型对测试数据进行测试，为了检测预期结果与真实结果的匹配度，采用R-Square对污水检测模型进行评估，计算公式如下：

其中，y_i表示实际值，

表示模型预测值，

表示实际平均值，w_i为当前数据的权重，SSR为预测数据与原始数据均值之差的平方和，SST为原始数据与原始数据均值之差的平方和，SSE为残差平方和。

R-Square通过数据的变化来表征模型拟合的好坏，取值范围为[0,1]，值越大，消除的波动越多，污水检测模型对数据的拟合越好。

通过污水排放异常监测子系统可以实时监测每栋楼下水道的污水情况，筛选出小区中污水含量超标的楼宇。

具体的，危险物品制造人员筛选子系统包括：

输入端口，分别连接住户用电用水量异常数据库和污水排放异常数据库。

数据处理与分析模块二，对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出该楼宇中异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库。

传输模块，将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

与小区中危险物品制造人员发现系统相应地，如图2所示，本实施例还提供一种小区中危险物品制造人员发现方法，包含以下步骤：

步骤S21，获取用电用水异常的住户信息。

步骤S22，获取污水排放异常的楼宇信息。

步骤S23，根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置。

具体的，获取用电用水异常的住户信息，如图3所示，包括：

步骤S211，前端水电感知设备每隔一小时获取住户的用电用水量(每天记录24次)，并将该数据保存到数据库一，通过网络发送到数据处理与分析模块一；

步骤S212，数据处理与分析模块一接收到发送的数据后，利用数据清理、数据集成、数据变换、数据归约等方式对数据进行预处理，然后对数据进行分析，筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

具体的，获取污水排放异常的楼宇信息，如图4所示，包括：

步骤S221，在每栋楼的下水道安装水质获取设备，水质获取设备获取每栋楼下水道的水质样品，并将水质样品发送到水质分析模块；

步骤S222，水质分析模块接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二；

步骤S223，污水检测模型筛选出数据库二中含量超标的元素信息，比如污水中含有毒品、火药等成分，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

具体的，根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置，如图5所示，包括：

步骤S231，数据处理与分析模块二获取住户用电用水量异常数据库和污水排放异常数据库的数据；

步骤S232，数据处理与分析模块二对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库中加以保存。

步骤S233，传输模块将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本申请说明书以及权利要求书中使用的“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似词语并非现定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种小区中危险物品制造人员发现系统，其特征在于，包括：

家庭用电用水异常检测子系统，用于获取用电用水异常的住户信息；

污水排放异常监测子系统，用于获取污水排放异常的楼宇信息；

危险物品制造人员筛选子系统，分别与家庭用电用水异常检测子系统和污水排放异常监测子系统连接，根据污水排放异常监测子系统首先确定出存在危险物品制造人员的楼宇，再根据家庭用电用水异常检测子系统确定该楼宇中异常住户的位置。

2.根据权利要求1所述的小区中危险物品制造人员发现系统，其特征在于，所述家庭用电用水异常检测子系统包括：

前端水电感知设备，用于每隔一小时获取住户的用电用水量，并将该数据保存到数据库一；

数据处理与分析模块一，用于筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

3.根据权利要求2所述的小区中危险物品制造人员发现系统，其特征在于，所述污水排放异常监测子系统包括：

水质获取设备，用于获取每栋楼下水道的水质样品；

水质分析模块，用于接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二；

污水检测模型，用于筛选出数据库二中含量超标的元素信息，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

4.根据权利要求3所述的小区中危险物品制造人员发现系统，其特征在于，所述水质分析模块分析出污水中各种元素的含量，由于各种元素含量的单位不同，需对数据进行归一化处理，具体包括：

归一化方式采用Z-score standardization，是基于原始数据的均值和标准差进行标准化，经过处理的数据符合标准正态分布，转换函数如下：

其中，mean为样本数据的均值，Standard deviation为样本数据的标准差。

5.根据权利要求4所述的小区中危险物品制造人员发现系统，其特征在于，所述污水检测模型采用离散增量结合支持向量机算法，将污水元素中提取到的特征参数输入离散增量算法，再将得到的离散增量值作为特征参数输入支持向量机算法中进行分类预测；

其中离散增量算法具体为：

对于由S维信息符号构成的状态空间X，这里用m_i表示第i个状态出现的个数，其离散源X{m₁,m₂,m₃,…,m_s}的离散量表示为：

其中，M＝∑_im_i；

两个同为S维状态空间的离散源X{n₁,n₂,n₃,…,n_s}和Y{m₁,m₂,m₃,…,m_s}，二者离散量分别表示为：

混合离散源X+Y(n₁+m₁,n₂+m₂,n₃+m₃,…,n_s+m_s)的离散量表示为：

离散源X和Y的离散增量定义为：

ID(X+Y)＝D(X+Y)-D(X)-D(Y)

ID(X，Y)值用于比较两个离散源的相似性程度，ID(X，Y)值越小，表明两个离散源越相似，反之，ID(X，Y)值越大，表明两个离散源的差异越大；

所述支持向量机算法用于自动找出对分类有较好区分能力的支持向量，对数据库二中含量超标与未超标的元素信息进行分类。

采用R-Square对污水检测模型进行评估，具体如下：

其中，y_i表示实际值，

表示模型预测值，

表示实际平均值，w_i为当前数据的权重，SSR为预测数据与原始数据均值之差的平方和，SST为原始数据与原始数据均值之差的平方和，SSE为残差平方和；

R-Square通过数据的变化来表征模型拟合的好坏，取值范围为[0,1]，值越大，消除的波动越多，污水检测模型对数据的拟合越好。

6.根据权利要求3所述的小区中危险物品制造人员发现系统，其特征在于，所述危险物品制造人员筛选子系统包括：

输入端口，分别连接住户用电用水量异常数据库和污水排放异常数据库；

数据处理与分析模块二，对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出该楼宇中异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库；

传输模块，将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

7.一种小区中危险物品制造人员发现方法，其特征在于，包含以下步骤：

获取用电用水异常的住户信息；

获取污水排放异常的楼宇信息；

根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置。

8.根据权利要求7所述的小区中危险物品制造人员发现方法，其特征在于，所述获取用电用水异常的住户信息，包括：

前端水电感知设备每隔一小时获取住户的用电用水量，并将该数据保存到数据库一，通过网络发送到数据处理与分析模块一；

数据处理与分析模块一筛选出住户人均用水量大于小区人均用水量2倍以上的住户且住户人均用电量大于小区人均用电量2倍以上的住户，并加以标记，将标记结果保存到住户用电用水量异常数据库。

9.根据权利要求8所述的小区中危险物品制造人员发现方法，其特征在于，所述获取污水排放异常的楼宇信息，包括：

水质获取设备获取每栋楼下水道的水质样品，并将水质样品发送到水质分析模块；

水质分析模块接收到水质获取设备发送的水质样品后，对水质样品进行成分检查，分析出污水中各种元素的含量，并将分析结果保存到数据库二；

污水检测模型筛选出数据库二中含量超标的元素信息，并对该数据进行标记，并将标记结果保存到污水排放异常数据库。

10.根据权利要求9所述的小区中危险物品制造人员发现方法，其特征在于，所述根据获取污水排放异常的楼宇信息确定出存在危险物品制造人员的楼宇，再根据获取用电用水异常的住户信息确定该楼宇中异常住户的位置，包括：

数据处理与分析模块二对两个数据库中的数据进行处理分析，根据污水排放异常数据库确定出存在危险物品制造人员的楼宇，再根据住户用电用水量异常数据库确定出异常住户的具体位置，并把结果保存至疑似危险物品制造人员数据库；

传输模块将疑似危险物品制造人员数据库中的数据发送给系统管理终端。

Images