CN113362198A - 一种小区中危险物品制造人员发现系统及方法 - Google Patents
一种小区中危险物品制造人员发现系统及方法 Download PDFInfo
- Publication number
- CN113362198A CN113362198A CN202110613029.7A CN202110613029A CN113362198A CN 113362198 A CN113362198 A CN 113362198A CN 202110613029 A CN202110613029 A CN 202110613029A CN 113362198 A CN113362198 A CN 113362198A
- Authority
- CN
- China
- Prior art keywords
- water
- database
- data
- abnormal
- manufacturing 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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mi表示第i个状态出现的个数,其离散源X{m1,m2,m3,…,ms}的离散量表示为:
其中,M=∑imi;
两个同为S维状态空间的离散源X{n1,n2,n3,…,ns}和Y{m1,m2,m3,…,ms},二者离散量分别表示为:
混合离散源X+Y(n1+m1,n2+m2,n3+m3,…,ns+ms)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:
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mi表示第i个状态出现的个数,其离散源X{m1,m2,m3,…,ms}的离散量表示为:
其中,M=∑imi;
两个同为S维状态空间的离散源X{n1,n2,n3,…,ns}和Y{m1,m2,m3,…,ms},二者离散量分别表示为:
混合离散源X+Y(n1+m1,n2+m2,n3+m3,…,ns+ms)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:
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。
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mi表示第i个状态出现的个数,其离散源X{m1,m2,m3,…,ms}的离散量表示为:
其中,M=∑imi;
两个同为S维状态空间的离散源X{n1,n2,n3,…,ns}和Y{m1,m2,m3,…,ms},二者离散量分别表示为:
混合离散源X+Y(n1+m1,n2+m2,n3+m3,…,ns+ms)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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613029.7A CN113362198A (zh) | 2021-06-02 | 2021-06-02 | 一种小区中危险物品制造人员发现系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613029.7A CN113362198A (zh) | 2021-06-02 | 2021-06-02 | 一种小区中危险物品制造人员发现系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113362198A true CN113362198A (zh) | 2021-09-07 |
Family
ID=77531123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613029.7A Pending CN113362198A (zh) | 2021-06-02 | 2021-06-02 | 一种小区中危险物品制造人员发现系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362198A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205405152U (zh) * | 2016-02-26 | 2016-07-27 | 厦门柏事特信息科技有限公司 | 一种智能楼宇设备控制系统 |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
CN110057410A (zh) * | 2019-04-23 | 2019-07-26 | 中国市政工程华北设计研究总院有限公司 | 人均日生活污水污染物产生量测算一体化装置及其方法 |
CN110210783A (zh) * | 2019-06-12 | 2019-09-06 | 安徽天中物业管理有限公司 | 一种物业管理水质监控系统 |
CN110246074A (zh) * | 2019-05-27 | 2019-09-17 | 武汉虹信技术服务有限责任公司 | 一种基于多维采集的社区安防管理系统及方法 |
CN110426474A (zh) * | 2019-08-12 | 2019-11-08 | 大连海事大学 | 一种违禁药品的管道回溯方法 |
CN111339172A (zh) * | 2020-02-14 | 2020-06-26 | 大连海事大学 | 一种毒品滥用实时可视化监测方法 |
CN111798955A (zh) * | 2020-06-24 | 2020-10-20 | 漆寿元 | 一种移动便携式药物滥用在线监测分析系统 |
CN111932137A (zh) * | 2020-08-17 | 2020-11-13 | 安徽科达智慧能源科技有限公司 | 一种基于物联网的智慧园区能源管理系统 |
CN112233368A (zh) * | 2020-09-01 | 2021-01-15 | 苏州市豪仕科技有限公司 | 一种综合安防管理平台 |
CN112802560A (zh) * | 2021-02-08 | 2021-05-14 | 何羽强 | 一种基于云计算的信息处理方法和系统 |
-
2021
- 2021-06-02 CN CN202110613029.7A patent/CN113362198A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205405152U (zh) * | 2016-02-26 | 2016-07-27 | 厦门柏事特信息科技有限公司 | 一种智能楼宇设备控制系统 |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
CN110057410A (zh) * | 2019-04-23 | 2019-07-26 | 中国市政工程华北设计研究总院有限公司 | 人均日生活污水污染物产生量测算一体化装置及其方法 |
CN110246074A (zh) * | 2019-05-27 | 2019-09-17 | 武汉虹信技术服务有限责任公司 | 一种基于多维采集的社区安防管理系统及方法 |
CN110210783A (zh) * | 2019-06-12 | 2019-09-06 | 安徽天中物业管理有限公司 | 一种物业管理水质监控系统 |
CN110426474A (zh) * | 2019-08-12 | 2019-11-08 | 大连海事大学 | 一种违禁药品的管道回溯方法 |
CN111339172A (zh) * | 2020-02-14 | 2020-06-26 | 大连海事大学 | 一种毒品滥用实时可视化监测方法 |
CN111798955A (zh) * | 2020-06-24 | 2020-10-20 | 漆寿元 | 一种移动便携式药物滥用在线监测分析系统 |
CN111932137A (zh) * | 2020-08-17 | 2020-11-13 | 安徽科达智慧能源科技有限公司 | 一种基于物联网的智慧园区能源管理系统 |
CN112233368A (zh) * | 2020-09-01 | 2021-01-15 | 苏州市豪仕科技有限公司 | 一种综合安防管理平台 |
CN112802560A (zh) * | 2021-02-08 | 2021-05-14 | 何羽强 | 一种基于云计算的信息处理方法和系统 |
Non-Patent Citations (3)
Title |
---|
孙永利等: "城镇居民人均日生活污水污染物产生量测算之方法构建", 《中国给水排水》 * |
王婷: "使用离散增量结合支持向量机方法预测蛋白酶的类型", 《农业与技术》 * |
邢浩然等: "基于序列信息的融合多种特征参数方法预测膜蛋白类型", 《内蒙古工业大学学报(自然科学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805202B (zh) | 一种用于电解槽故障预警的机器学习方法及其应用 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN109633518A (zh) | 一种智能电能表综合性能评价方法、装置 | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
Li et al. | Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management | |
CN114968774A (zh) | 一种多源异构跨项目软件缺陷预测方法 | |
CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统 | |
CN109739197A (zh) | 一种化工废料处理设备的多工况故障预测方法 | |
CN111784379B (zh) | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN113362198A (zh) | 一种小区中危险物品制造人员发现系统及方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
Yang et al. | Anomaly detection of vehicle data based on LOF algorithm | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
CN115660468A (zh) | 一种多元化产品检验检测方法及系统 | |
CN115508322A (zh) | 一种水污染源多维度溯源方法及装置 | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 | |
Weng et al. | A Correlation Analysis-Based Multivariate Alarm Method With Maximum Likelihood Evidential Reasoning |
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 |