CN113377845B - 基于大数据的智慧养老数据处理方法及系统 - Google Patents
基于大数据的智慧养老数据处理方法及系统 Download PDFInfo
- Publication number
- CN113377845B CN113377845B CN202110922911.XA CN202110922911A CN113377845B CN 113377845 B CN113377845 B CN 113377845B CN 202110922911 A CN202110922911 A CN 202110922911A CN 113377845 B CN113377845 B CN 113377845B
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- model
- analysis model
- monitored
- 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
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Abstract
本发明公开了基于大数据的智慧养老数据处理方法,包括:获取第一数据;对第一数据聚类生成第一聚类模型;对第一聚类模型进行修正生成第二聚类模型;生成第一分析模型;获第二数据输入第一分析模型输出异常阈值;实时获取第三数据输入第一分析模型,并在第一分析模型的输出低于异常阈值时,判断待监控老人异常。本发明还公开了基于大数据的智慧养老数据处理系统。本发明基于大数据的智慧养老数据处理方法及系统,通过对待监控老人行为进行大数据的概率分析,实现了对待监控老人的行为更为准确的评价,相比于现有简单粗犷式的评价方式,结果更为准确,对大数据的利用也更为科学。
Description
技术领域
本发明涉及大数据技术,具体涉及基于大数据的智慧养老数据处理方法及系统。
背景技术
在目前市场上的智慧养老,缺少数据支持,无法达到理想化运营,存在以下问题:
1. 数据赋能程度弱
没有数据的支撑,对政府决策无法起到实质性效果,对社区基层无法做到减负增效,无法与政务部门条线数据互通,无法解决数据孤岛问题。
2. 老人行为规律掌握弱
目前社区养老还不够智慧化,现有养老产品也只是结合物联设备数据对老人的监控,无法做到预测和分析老人的规律,无法感知老人的异常情况,没有数据的支撑,缺少对老人个体的行为模型分析,社区无法做到千人千面的管理方式。
大数据有四个特性,分别为Volume(大量)、Variety(多样)、Velocity(高速)、Value(价值)。借助数据量大特性我们可以挖掘出针对老人有价值的数据提供老人的养老帮组和社区管理。借助数据的多样性,来自于不同主体的数据融合,如民政部门、人社部门、街道社区采集、老人穿戴设备上报,这样的数据优势是外部产品无法拥有的。借助高效特性,可以利用已有数据高速的计算老人的行为规律,掌握老人的一举一动,最大化保障老人的健康、安全。借助大数据的价值特性。
现有智慧养老场景,常见方法如下:
方法一:社区录入老年人台账,分配给老人可穿戴设备,设备内嵌物联网卡,上报行为轨迹;
方法二:后台获取到上报的行为数据后,实时监控老人去向和报警;
方法三:针对养老场景,有关部门和机构分别安装相关管理系统。
综上可知,目前市场上智慧养老单一的运营模式上,没有数据的支撑,只能做为一个大而全的管理系统运营,无法做到智慧化。
发明内容
本发明所要解决的技术问题是目前对于智慧养老的方式没有对数据进行细化分析,很难做到智慧化,目的在于提供基于大数据的智慧养老数据处理方法及系统,解决上述问题。
本发明通过下述技术方案实现:
基于大数据的智慧养老数据处理方法,包括:
从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类的概率;
从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
现有技术中,对老年人的大数据采集技术研究已经大规模发展,但是对于老年人大数据的利用还处于较为粗浅的阶段,在实践中发明人发现,对于老年人大数据无法有效利用的原因主要在于老年人的活动虽然相对较为规律,但是无法从过往的历史数据对老年人的活动是否异常进行准确定性,至多只能监控老年人多久未归等粗浅数据,不利于智慧养老的大规模推广。
本实施例实施时,为了更为准确的对老人活动方式是否异常进行准确的判断,本实施例采用了基于行为概率的一种活动异常判别方法,在第一数据的获取当中,应当理解的是,本申请中所述的多个日期中多个老人在多个时间节点的意思是指,获取不同日期下,在每个日期中不同时间的坐标数据。示例的,获取七月份中的数据时,以半个小时为间隔获取每天8点、8点半、9点……21点半、22点对应的坐标数据作为第一数据。作为优选的,可以选取间隔为十分钟的数据来增大样本量,提高后期检测的准确度。
将相同时间节点的所述坐标数据合并入同一集合后,每一个集合就是进行聚类分析的一个样本集,对每个样本集都进行聚类分析后,可以生成一系列的聚类模型,每个聚类模型会对应一个时间节点,这样的一系列聚类模型在本实施例中被称为第一聚类模型。由于在第一聚类模型中所采用的聚类距离是物理距离,所以第一聚类模型可以大致表征在某一时间节点老人的聚集情况,应当理解的是在本实施例中所述的物理距离可以采用诸如欧拉距离的现有的物理距离方式。
通过预设区域内老人的聚集区域可以对第一聚类模型进行修正,修正方式可以包括剔除多余的样本点、划定更准确的聚集半径、提供二次聚类的参考中心点等各种方式,修正后的第二聚类模型就可以较为准确的表达在某一时间节点老人的分布情况。
在本实施例中,发明人发现虽然建立了一系列对应不同时间节点的老人分布情况的模型,但是由于人类本身活动是具有随机性的,所以无法通过单一的模型直接对人类活动进行判断,所以在本实施例中创造性的采用了一组聚类模型生成第一分析模型。第一分析模型的本质是一个统计模型,统计内容为输入的坐标数据落入对应时间节点的聚类模型中的比例。应当理解的是,作为输入数据,坐标数据应当只输入到与坐标数据的时间节点对应的第二聚类模型中,以此保证第一分析模型输出数据的标准。
在本实施例中,为了准确的对待监控老人的日常行为进行评价,采用了从大数据中提取第二数据,然后将第二数据输入到第一分析模型中,此时通过第一分析模型输出的数据,就可以获取一个比例作为异常阈值,所述异常阈值可以表征这名待监控老人与大数据统计出来的老人日常行为的差异程度,这样既考虑了大数据所表征的老人行为的共性,又兼顾了老人日常行为的个性。在本实施例中采用第三数据作为输入数据最后输出的数据与异常阈值进行比较就较为准确的判断这名老人活动情况,偏离越大说明活动情况越异常。
示例的,一名待监控老人甲通过第一分析模型输出的异常阈值是35.8%,而在这名待监控老人甲的日常生活中,如果他的轨迹正常,那么通过第一分析模型输出的数据一般在30%~40%之间,如果某天或者连续多天,他对应的数据降低到了10%左右,说明他的活动轨迹发生了很大变化,引起变化的原因可能是家事、健康等诸多事项,此时就说明其的轨迹发生的很大异常。
本实施例通过对待监控老人行为进行大数据的概率分析,实现了对待监控老人的行为更为准确的评价,相比于现有简单粗犷式的评价方式,结果更为准确,对大数据的利用也更为科学。
进一步的,还包括:
从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
进一步的,根据预设区域内老人的聚集区域和聚集数量对所述第一聚类模型进行修正生成第二聚类模型包括:
在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
进一步的,还包括:
从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
进一步的,将所述第五数据加入所述第一分析模型生成第二分析模型包括:
所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
基于大数据的智慧养老数据处理系统,包括:
提取单元,被配置为从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
聚类单元,被配置为对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
修正单元,被配置为根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
处理单元,被配置为将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类的概率;
所述提取单元还被配置为从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;
阈值单元,被配置为将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
判断单元,被配置为当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
所述判断单元还被配置为将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
进一步的,所述提取单元还被配置为从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
所述修正单元还被配置为根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
进一步的,所述修正单元还被配置为在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
所述修正单元还被配置为将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
所述修正单元还被配置为将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
进一步的,所述提取单元还被配置为从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
所述处理单元还被配置为将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
所述判断单元还被配置为当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
进一步的,所述处理单元还被配置为所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明基于大数据的智慧养老数据处理方法及系统,通过对待监控老人行为进行大数据的概率分析,实现了对待监控老人的行为更为准确的评价,相比于现有简单粗犷式的评价方式,结果更为准确,对大数据的利用也更为科学。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例方法步骤示意图;
图2为本发明实施例系统架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
请结合参阅图1,为本发明实施例所提供的基于大数据的智慧养老数据处理方法的流程示意图,所述基于大数据的智慧养老数据处理方法可以应用于图2中的基于大数据的智慧养老数据处理系统,进一步地,所述基于大数据的智慧养老数据处理方法具体可以包括以下步骤S1-步骤S7所描述的内容:
S1:从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
S2:对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
S3:根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
S4:将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类的概率;
S5:从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
S6:当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
S7:将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
现有技术中,对老年人的大数据采集技术研究已经大规模发展,但是对于老年人大数据的利用还处于较为粗浅的阶段,在实践中发明人发现,对于老年人大数据无法有效利用的原因主要在于老年人的活动虽然相对较为规律,但是无法从过往的历史数据对老年人的活动是否异常进行准确定性,至多只能监控老年人多久未归等粗浅数据,不利于智慧养老的大规模推广。
本实施例实施时,为了更为准确的对老人活动方式是否异常进行准确的判断,本实施例采用了基于行为概率的一种活动异常判别方法,在第一数据的获取当中,应当理解的是,本申请中所述的多个日期中多个老人在多个时间节点的意思是指,获取不同日期下,在每个日期中不同时间的坐标数据。示例的,获取七月份中的数据时,以半个小时为间隔获取每天8点、8点半、9点……21点半、22点对应的坐标数据作为第一数据。作为优选的,可以选取间隔为十分钟的数据来增大样本量,提高后期检测的准确度。
将相同时间节点的所述坐标数据合并入同一集合后,每一个集合就是进行聚类分析的一个样本集,对每个样本集都进行聚类分析后,可以生成一系列的聚类模型,每个聚类模型会对应一个时间节点,这样的一系列聚类模型在本实施例中被称为第一聚类模型。由于在第一聚类模型中所采用的聚类距离是物理距离,所以第一聚类模型可以大致表征在某一时间节点老人的聚集情况,应当理解的是在本实施例中所述的物理距离可以采用诸如欧拉距离的现有的物理距离方式。
通过预设区域内老人的聚集区域可以对第一聚类模型进行修正,修正方式可以包括剔除多余的样本点、划定更准确的聚集半径、提供二次聚类的参考中心点等各种方式,修正后的第二聚类模型就可以较为准确的表达在某一时间节点老人的分布情况。
在本实施例中,发明人发现虽然建立了一系列对应不同时间节点的老人分布情况的模型,但是由于人类本身活动是具有随机性的,所以无法通过单一的模型直接对人类活动进行判断,所以在本实施例中创造性的采用了一组聚类模型生成第一分析模型。第一分析模型的本质是一个统计模型,统计内容为输入的坐标数据落入对应时间节点的聚类模型中的比例。应当理解的是,作为输入数据,坐标数据应当只输入到与坐标数据的时间节点对应的第二聚类模型中,以此保证第一分析模型输出数据的标准。
在本实施例中,为了准确的对待监控老人的日常行为进行评价,采用了从大数据中提取第二数据,然后将第二数据输入到第一分析模型中,此时通过第一分析模型输出的数据,就可以获取一个比例作为异常阈值,所述异常阈值可以表征这名待监控老人与大数据统计出来的老人日常行为的差异程度,这样既考虑了大数据所表征的老人行为的共性,又兼顾了老人日常行为的个性。在本实施例中采用第三数据作为输入数据最后输出的数据与异常阈值进行比较就较为准确的判断这名老人活动情况,偏离越大说明活动情况越异常。
示例的,作为优选方案,采用Spark进行大数据整合,并可以通过Spark所兼容的聚类算法执行本实施例相关计算。
示例的,一名待监控老人甲通过第一分析模型输出的异常阈值是35.8%,而在这名待监控老人甲的日常生活中,如果他的轨迹正常,那么通过第一分析模型输出的数据一般在30%~40%之间,如果某天或者连续多天,他对应的数据降低到了10%左右,说明他的活动轨迹发生了很大变化,引起变化的原因可能是家事、健康等诸多事项,此时就说明其的轨迹发生的很大异常。
本实施例通过对待监控老人行为进行大数据的概率分析,实现了对待监控老人的行为更为准确的评价,相比于现有简单粗犷式的评价方式,结果更为准确,对大数据的利用也更为科学。
在一个实施例中,还包括:
从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
本实施例实施时,在第二聚类模型中,每个聚类结果一般都对应于老人聚集的区域,例如助餐点、医疗机构、菜场等地区,所以根据聚类结果中的最大值对这些地方的服务设施数量进行修正,从而提升老人的生活体验。
在一个实施例中,根据预设区域内老人的聚集区域和聚集数量对所述第一聚类模型进行修正生成第二聚类模型包括:
在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
本实施例实施时,发明人在实践中发现,聚类算法本身属于一种无监督的学习算法,其生成的聚类结果经常会出现与现实有一定的偏差,而如果直接在聚类时引入中心点进行计算,就会将聚类算法直接改变为全监督的分类算法,一些没有引入中心点的区域就无法进入聚类范围,如小区门口等可能发生老人聚集的地方,影响精度,所以本实施例中采用了对第一聚类模型引入中心点二次聚类的半监督算法,可以更准确的反应老年人的分布情况。同时在本实施例中将无法聚类的数据和聚类数量少于阈值的簇删除,减少了后续第一分析模型的数据漂移,提高了精度。
在一个实施例中,还包括:
从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
本实施例实施时,为了加强老年人的健康管理,并将这些数据更好的融入上述实施例中,本实施例采用提取第五数据加入第一分析模型的方式进行,应当理解的是第二分析模型输出的为所述坐标数据可以被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。即增加了对第五数据识别的部分,如果活动范围落入第五数据那么也对这一次识别输出真值。
在一个实施例中,将所述第五数据加入所述第一分析模型生成第二分析模型包括:
所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
基于上述同样的发明构思,请结合参阅图2,还提供了基于大数据的智慧养老数据处理系统的功能模块框图,关于所述基于大数据的智慧养老数据处理系统的详细描述如下。
基于大数据的智慧养老数据处理系统,包括:
提取单元,被配置为从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
聚类单元,被配置为对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
修正单元,被配置为根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
处理单元,被配置为将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类的概率;
所述提取单元还被配置为从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;
阈值单元,被配置为将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
判断单元,被配置为当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
所述判断单元还被配置为将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
在一个实施例中,所述提取单元还被配置为从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
所述修正单元还被配置为根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
在一个实施例中,所述修正单元还被配置为在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
所述修正单元还被配置为将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
所述修正单元还被配置为将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
在一个实施例中,所述提取单元还被配置为从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
所述处理单元还被配置为将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
所述判断单元还被配置为当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
在一个实施例中,所述处理单元还被配置为所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据可以被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,均应包含在本发明的保护范围之内。
Claims (10)
1.基于大数据的智慧养老数据处理方法,其特征在于,包括:
从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据被对应时间节点的所述第二聚类模型分类的概率;
从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
2.根据权利要求1所述的基于大数据的智慧养老数据处理方法,其特征在于,还包括:
从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
3.根据权利要求1所述的基于大数据的智慧养老数据处理方法,其特征在于,根据预设区域内老人的聚集区域和聚集数量对所述第一聚类模型进行修正生成第二聚类模型包括:
在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
4.根据权利要求1所述的基于大数据的智慧养老数据处理方法,其特征在于,还包括:
从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
5.根据权利要求4所述的基于大数据的智慧养老数据处理方法,其特征在于,将所述第五数据加入所述第一分析模型生成第二分析模型包括:
所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
6.基于大数据的智慧养老数据处理系统,其特征在于,包括:
提取单元,被配置为从大数据中获取预设区域内多个日期中多个老人在多个时间节点的坐标数据,并将相同时间节点的所述坐标数据合并入同一集合生成第一数据;
聚类单元,被配置为对所述第一数据中每个集合都进行聚类分析生成对应每个时间节点的第一聚类模型;所述聚类分析的聚类距离采用物理距离;
修正单元,被配置为根据预设区域内老人的聚集区域对所述第一聚类模型进行修正生成第二聚类模型;
处理单元,被配置为将不同时间节点对应的多个第二聚类模型进行处理生成第一分析模型;所述第一分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第一分析模型的输出为坐标数据被对应时间节点的所述第二聚类模型分类的概率;
所述提取单元还被配置为从大数据中获取待监控老人多个日期中在预设区域多个时间节点对应的坐标数据作为第二数据;
阈值单元,被配置为将所述第二数据和所述第二数据对应的时间节点输入所述第一分析模型,并将所述第一分析模型的输出作为异常阈值;
判断单元,被配置为当判断待监控老人的行为是否异常时,实时获取待监控老人在预设区域内的多个时间点对应的坐标数据作为第三数据;
所述判断单元还被配置为将所述第三数据和所述第三数据对应的时间节点输入所述第一分析模型,并在所述第一分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
7.根据权利要求6所述的基于大数据的智慧养老数据处理系统,其特征在于,所述提取单元还被配置为从所述第二聚类模型中提取每个聚集区域在多个时间节点的坐标数据数量的最大值作为每个聚集区域的第四数据;
所述修正单元还被配置为根据所述第四数据对每个聚集区域中的服务设施数量进行修正。
8.根据权利要求6所述的基于大数据的智慧养老数据处理系统,其特征在于,所述修正单元还被配置为在所述预设区域内提取老人的聚集区域,并提取多个所述聚集区域的中心点;
所述修正单元还被配置为将所述中心点作为新增的聚类中心导入所述第一聚类模型,并对所述第一聚类模型进行二次聚类分析生成预聚类模型;
所述修正单元还被配置为将所述预聚类模型中无法聚类的数据和聚类数量少于阈值的簇删除,生成第二聚类模型。
9.根据权利要求6所述的基于大数据的智慧养老数据处理系统,其特征在于,所述提取单元还被配置为从大数据中获取待监控老人的健康数据,并根据所述健康数据生成推荐场所和所述推荐场所对应的时间节点作为第五数据;
所述处理单元还被配置为将所述第五数据加入所述第一分析模型生成第二分析模型,并将所述第五数据向所述待监控老人推送;
所述判断单元还被配置为当判断待监控老人的行为是否异常时,将所述第三数据和所述第三数据对应的时间节点输入所述第二分析模型,并在所述第二分析模型的输出低于所述异常阈值时,判断所述待监控老人异常。
10.根据权利要求9所述的基于大数据的智慧养老数据处理系统,其特征在于,所述处理单元还被配置为所述第二分析模型的输入为坐标数据和坐标数据对应的时间节点,所述第二分析模型的输出为坐标数据被对应时间节点的所述第二聚类模型分类或符合对应时间节点的所述第五数据的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922911.XA CN113377845B (zh) | 2021-08-12 | 2021-08-12 | 基于大数据的智慧养老数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922911.XA CN113377845B (zh) | 2021-08-12 | 2021-08-12 | 基于大数据的智慧养老数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377845A CN113377845A (zh) | 2021-09-10 |
CN113377845B true CN113377845B (zh) | 2021-10-29 |
Family
ID=77576910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922911.XA Active CN113377845B (zh) | 2021-08-12 | 2021-08-12 | 基于大数据的智慧养老数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377845B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638524A (zh) * | 2022-03-28 | 2022-06-17 | 哈尔滨商业大学 | 智慧养老综合服务中心信息统计方法 |
CN114926153B (zh) * | 2022-07-20 | 2022-09-23 | 浙江大学滨海产业技术研究院 | 一种智慧养老出行辅助管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879791A (zh) * | 2012-10-09 | 2013-01-16 | 潮州市创佳电子有限公司 | 一种基于北斗定位终端的老人活跃度数据感知系统 |
US9710761B2 (en) * | 2013-03-15 | 2017-07-18 | Nordic Technology Group, Inc. | Method and apparatus for detection and prediction of events based on changes in behavior |
CN109035695A (zh) * | 2018-06-04 | 2018-12-18 | 桂林电子科技大学 | 一种基于bds和超宽带双模定位技术的居家老人应急监测系统 |
CN110609881A (zh) * | 2019-08-28 | 2019-12-24 | 中山大学 | 车辆轨迹偏离检测方法、系统和存储介质 |
CN110751164A (zh) * | 2019-03-01 | 2020-02-04 | 西安电子科技大学 | 一种基于位置服务的老人出行异常检测方法 |
CN112215666A (zh) * | 2020-11-03 | 2021-01-12 | 广州市交通规划研究院 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
CN112401856A (zh) * | 2020-11-16 | 2021-02-26 | 武汉烽火凯卓科技有限公司 | 一种基于毫米波雷达的疗养院监护方法及系统 |
CN112684430A (zh) * | 2020-12-23 | 2021-04-20 | 哈尔滨工业大学(威海) | 一种室内老人行走健康检测方法、系统、存储介质、终端 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3996428B2 (ja) * | 2001-12-25 | 2007-10-24 | 松下電器産業株式会社 | 異常検知装置及び異常検知システム |
US7388488B2 (en) * | 2003-10-30 | 2008-06-17 | Peter Lupoli | Method and system for storing, retrieving, and managing data for tags |
-
2021
- 2021-08-12 CN CN202110922911.XA patent/CN113377845B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102879791A (zh) * | 2012-10-09 | 2013-01-16 | 潮州市创佳电子有限公司 | 一种基于北斗定位终端的老人活跃度数据感知系统 |
US9710761B2 (en) * | 2013-03-15 | 2017-07-18 | Nordic Technology Group, Inc. | Method and apparatus for detection and prediction of events based on changes in behavior |
CN109035695A (zh) * | 2018-06-04 | 2018-12-18 | 桂林电子科技大学 | 一种基于bds和超宽带双模定位技术的居家老人应急监测系统 |
CN110751164A (zh) * | 2019-03-01 | 2020-02-04 | 西安电子科技大学 | 一种基于位置服务的老人出行异常检测方法 |
CN110609881A (zh) * | 2019-08-28 | 2019-12-24 | 中山大学 | 车辆轨迹偏离检测方法、系统和存储介质 |
CN112215666A (zh) * | 2020-11-03 | 2021-01-12 | 广州市交通规划研究院 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
CN112401856A (zh) * | 2020-11-16 | 2021-02-26 | 武汉烽火凯卓科技有限公司 | 一种基于毫米波雷达的疗养院监护方法及系统 |
CN112684430A (zh) * | 2020-12-23 | 2021-04-20 | 哈尔滨工业大学(威海) | 一种室内老人行走健康检测方法、系统、存储介质、终端 |
Non-Patent Citations (3)
Title |
---|
"Real-time big data processing for anomaly detection: A Survey";Riyaz AhamedAriyaluran Habeeb 等;《International Journal of Information Management》;20190430(第45期);289-307 * |
"基于位置和运动轨迹的老年人异常行为检测";孔令富 等;《计算机工程与设计》;20120216;第33卷(第02期);735-739 * |
"社区老年人空间行为轨迹异常分析方法";孟祥泽 等;《科学技术与工程》;20210328;第21卷(第09期);3676-3681 * |
Also Published As
Publication number | Publication date |
---|---|
CN113377845A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113377845B (zh) | 基于大数据的智慧养老数据处理方法及系统 | |
CN108597605B (zh) | 一种个人健康生活大数据采集与分析系统 | |
CN110993103A (zh) | 疾病风险预测模型的建立方法和疾病保险产品的推荐方法 | |
CN112801805A (zh) | 基于深度自监督神经网络的医保小卡欺诈检测方法及系统 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
Azari et al. | Imbalanced learning to predict long stay Emergency Department patients | |
CN112397204B (zh) | 一种预测高原病的方法、装置、计算机设备和存储介质 | |
Beriwal et al. | Techniques for suicidal ideation prediction: a qualitative systematic review | |
Farid et al. | An ensemble approach to classifier construction based on bootstrap aggregation | |
KR20220117729A (ko) | 머신러닝 기반의 약물 부작용 탐지 방법 및 그 장치 | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN115908076A (zh) | 基于历史多维数据流与主动反馈的居家养老环境改进方法 | |
CN115938600A (zh) | 一种基于关联分析的心理健康状态预测方法与系统 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 | |
Jang et al. | Long-term influenza outbreak forecast using time-precedence correlation of web data | |
Fonseca et al. | An application for risk of crime prediction using machine learning | |
CN111768031A (zh) | 一种基于arma算法预测人群聚集趋势的方法 | |
CN112884593A (zh) | 一种基于图聚类分析的医保骗保行为检测方法及预警装置 | |
CN115204496B (zh) | 一种校园人际关系数据分析方法及装置 | |
Allmuttar et al. | Using data mining techniques deep analysis and theoretical investigation of COVID-19 pandemic | |
Palczewska et al. | RobustSPAM for inference from noisy longitudinal data and preservation of privacy | |
CN117076994B (zh) | 一种多通道生理时间序列分类方法 | |
Al-Dhaibani et al. | Data Benchmark Collection Of Patients With Malaria For Machine Learning: A Study In Hadhramout-Yemen | |
Rasyid et al. | Sentiment Analysis of Health Care Professionals on Twitter | |
US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation |
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 |