CN113473399A - 异常聚集事件检测方法、装置、计算机设备及存储介质 - Google Patents
异常聚集事件检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113473399A CN113473399A CN202110720105.4A CN202110720105A CN113473399A CN 113473399 A CN113473399 A CN 113473399A CN 202110720105 A CN202110720105 A CN 202110720105A CN 113473399 A CN113473399 A CN 113473399A
- Authority
- CN
- China
- Prior art keywords
- geographic grid
- geographic
- determining
- interest
- population
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- 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
- G06F16/29—Geographical information databases
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提出一种异常聚集事件检测方法、装置、计算机设备及存储介质,涉及计算机技术领域。该方法包括:获取每个地理网格在连续时间段内的信令数据集;根据所述每个信令数据集,确定每个所述地理网格的人群分布特征;根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征;根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件。由此,仅利用每个地理网格内的信令数据集及各兴趣点信息,即可确定每个地理网格内是否存在异常聚集事件,可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种异常聚集事件检测方法、装置、计算机设备及存储介质。
背景技术
城市管理过程中,人群的异常聚集需要进行重点关注,并及时采取措施。例如,交通工具运输能力的缺乏会引起人群异常聚集,此时需要增加公共交通进行人群疏散;或者人群聚众进行大型集会,需要增加人员实时监控维持秩序,防止意外情况发生。
现有技术中人群异常聚集检测多为通过视频监控数据进行图像分析,识别人群是否异常聚集。但由于监控设备一般安装在比较重要的公共场合,因此不能大范围检测异常聚集事件。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种异常聚集事件检测方法,包括:
获取每个地理网格在连续时间段内的信令数据集;
根据每个所述信令数据集,确定每个所述地理网格的人群分布特征;
根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征;
根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件。
本公开第二方面实施例提出了一种异常聚集事件检测装置,包括:
第一获取模块,用于获取每个地理网格在连续时间段内的信令数据集;
第一确定模块,用于根据每个所述信令数据集,确定每个所述地理网格的人群分布特征;
第二确定模块,用于根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征;
第三确定模块,用于根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件。
本公开第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的异常聚集事件检测方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质,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本公开第一方面实施例提出的异常聚集事件检测方法。
本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的异常聚集事件检测方法。
本公开提供的异常聚集事件检测方法、装置、计算机设备及存储介质,存在如下有益效果:
首先获取每个地理网格在连续时间段内的信令数据集,之后根据每个信令数据集,确定每个地理网格的人群分布特征,再根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征;从而可以根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,仅利用每个地理网格内的信令数据集及各兴趣点信息,即可确定每个地理网格内是否存在异常聚集事件,无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本公开一实施例所提供的异常聚集事件检测方法的流程示意图;
图2为本公开另一实施例所提供的异常聚集事件检测方法的流程示意图;
图3为本公开一实施例所提供的异常聚集事件检测装置的结构示意图;
图4为本公开另一实施例所提供的异常聚集事件检测装置的结构示意图;
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的异常聚集事件检测方法、装置、计算机设备和存储介质。
图1为本公开实施例所提供的异常聚集事件检测方法的流程示意图。
本公开实施例以该异常聚集事件检测方法被配置于异常聚集事件检测装置中来举例说明,该异常聚集事件检测装置可以应用于任一计算机设备中,以使该计算机设备可以执行异常聚集事件检测功能。
其中,计算机设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该异常聚集事件检测方法可以包括以下步骤:
步骤101,获取每个地理网格在连续时间段内的信令数据集。
其中,每个地理网格可以为地图上一个大小为n*n的网格,比如,若用 geohash7值表示地理网格的大小,则每个地理网格可以为150m*150m,本公开对此不做限定。
其中,信令数据集是指网络侧记录的每个地理网格内的每个人在连续时间段内使用通信网络产生的信令数据的集合,比如,信令数据可以为每个人的通话数据、或者为每个人发送或接收的文本消息数据等等,本公开对此不做限定。
通常,信令数据集中包括每个人的位置,因此,本公开可以根据每个人的的位置和每个地理网格的位置确定人群所在的地理网格。
比如,当前为2020年7月1日,则获取的每个地理网格在连续时间段内内的信令数据集,可以为2020年4月1日至2020年6月31日内每个地理网格内的信令数据集。
需要说明的是,本公开中是为了对异常聚集事件进行检测,因此本公开中的信令数据集,可以仅指包含每个人的位置及通信时间的数据集合。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中信令数据集的限定。
步骤102,根据每个信令数据集,确定每个地理网格的人群分布特征。
比如,获取的信令数据集为2020年4月1日至2020年6月31日内每个地理网格内的信令数据集,则可以对该时间段内的信令数据集进行分析,确定每个地理网格内的人口数量分布特征。比如确定地理网格内每个月内的人口数量均值、人口数量方差、人口数量中位数、人口数量最大值、变化周期和周期性人口数量极值;或者,确定地理网格内每个星期内的人口数量均值、人口数量方差、人口数量中位数、人口数量最大值、变化周期和周期性人口数量极值;或者,确定地理网格内每天内的人口数量均值、人口数量方差、人口数量中位数、人口数量最大值、变化周期和周期性人口数量极值。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中人群分布特征的限定。
步骤103,根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征。
其中,每个地理网格的空间特征,用于描述每个地理网格的地理属性。
比如,某个地理网格内对应的兴趣点信息为住宅,相应的该地理网格的空间特征可以为住宅和开放时间。
或者,某个地理网格内对应的兴趣点信息为商场,相应的该地理网格的空间特征可以为商场、开放时间和是否限流等等。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中各兴趣点信息和空间特征的限定。
步骤104,根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。
具体的,由于地理网格的人群分布特征,可以表征该地理网格内的人口数量及分布状况,而空间特征,可以表征该地理网格的地理属性,从而根据该地理网格的人口数量、分布状况及地理属性,即可确定该地理网格是否存在异常聚集事件。
比如,若地理网格的地理属性为住宅,而该地理网格内在某一个时刻的人口数量远远大于其余时刻的人口数量,则可以确定该地理网格在该时刻发生了异常聚集事件。
或者,还可以将每个地理网格的人群特征分布及空间特征输入训练好的网络模型中,输出每个地理网格在连续时间段内存在异常聚集事件的概率,进而确定每个地理网格在连续时间段内是否存在异常聚集事件。
本公开实施例中,首先获取每个地理网格在连续时间段内的信令数据集,之后根据每个信令数据集,确定每个地理网格的人群分布特征,再根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征;从而可以根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,仅利用每个地理网格内信令数据集及各兴趣点信息,即可确定每个地理网格内是否存在异常聚集事件,无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
在一种可能的实施方式中,各兴趣点信息包括各兴趣点的类型及位置,从而根据每个地理网格内包含的各个兴趣点的类型和/或每个兴趣点在地理网格内的分布区域,确定每个地理网格的空间特征,下面结合图2对上述过程进行进一步说明。
图2为本公开一实施例所提供的异常聚集事件检测方法的流程示意图,如图2所示,该异常聚集事件检测方法可以包括以下步骤:
步骤201,获取每个地理网格在连续时间段内的信令数据集。
步骤202,按照预设的统计周期,对每个信令数据集进行周期性统计,以确定每个地理网格在各统计周期内的人群分布特征。
比如,预设的统计周期为一天,获取的信令数据集为2020年4月1日至 2020年6月31日内每个地理网格中每5分钟内的人口数量和每个人的位置,则可以统计每个地理网格每天内的人群分布特征,比如,统计每天的人口数量均值、人口数量方差和人口数量最大值。
或者,预设的统计周期为一个星期,获取的信令数据集为2021年2月1 日至2021年2月28日内以每5分钟为时间点获取的每个地理网格中的人口数量和每个人的位置,则可以统计每个地理网格每个星期内的人群分布特征,比如统计每个星期对应的人口数量均值、人口数量方差、人口数量中位数和人口数量最大值。
需要说明的是,预设的统计周期可以根据需要设置,比如可以为一个星期、一天、一个月、每小时等等,本公开对此不做限定。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中信令数据集、预设的统计周期和人群分布特征的限定。
步骤203,对每个信令数据集进行时序特征提取,以确定每个地理网格的周期性人群分布特征。
比如,信令数据集为2020年4月1日至2020年6月31日内以每10分钟为时间点获取的每个地理网格中的人口数量和每个人的位置,可以采用时序特征提取工具包,比如tsfresh算法对信令数据集进行时序特征提取,获取每个地理网格的变化周期和周期性极值。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中信令数据集、时序特征提取方法和周期性人群分布特征的限定。
步骤204,根据每个兴趣点的位置及每个地理网格的位置,确定每个地理网格内包含的各个兴趣点及每个兴趣点在地理网格内的分布区域。
步骤205,根据每个地理网格内包含的各个兴趣点的类型和/或每个兴趣点在地理网格内的分布区域,确定每个地理网格的空间特征。
其中,不同的兴趣点可能对应不同的空间特征,空间特征可以包括网格类型、开放时间和是否限流等,本公开对此不做限定。
可以通过以下方式确定每个地理网格的空间特征。
方式一
响应于任一地理网格内包含的各个兴趣点的类型相同,根据各个兴趣点的类型,确定任一地理网格的空间特征。
比如,某个地理网格中包含的各兴趣点的类型相同,均为街道,且不限流,则该地理网格的类型也为街道,相应的空间特征为街道、不限流。
或者,某个地理网格中包含的各兴趣点的类型相同,均为商场、且各个商场均限流,则该地理网格的类型也为商场,相应的空间特征为商场、开放时间和限流。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中空间特征的限定。
方式二
响应于任一地理网格内包含的各个兴趣点的类型不同,根据各个类型的兴趣点在任一地理网格内的分布区域,确定任一地理网格对应的目标兴趣点类型;根据任一地理网格对应的目标兴趣点类型,确定任一地理网格的空间特征。
比如,某个地理网格中包含的各兴趣点的类型不同,包含街道、住宅和学校,且住宅类型的各兴趣点在该地理网格中的分布区域最大,则该地理网格的目标兴趣点类型为住宅,相应的空间特征包括:住宅和开放时间。
或者,某个地理网格中包含的各兴趣点的类型不同,包含医院、公园和商场,且公园类型的各兴趣点在该地理网格中的分布区域最大,则该地理网格的目标兴趣点类型为公园,相应的空间特征包括:公园、开放时间和是否限流。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中空间特征的限定。
步骤206,根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。
其中,人群分布特征包括以下至少一项:统计周期内的人口数量均值,统计周期内的人口数量方差,统计周期内的人口数量中位数,统计周期内的人口数量最大值,变化周期及周期性极值。
具体的,可以通过以下任一方式,确定每个地理网格在连续时间段内是否存在异常聚集事件。
方式一
当有训练数据集时,利用训练数据集训练随机森林模型,之后即可将每个地理网格的人群分布特征及空间特征输入训练好的随机森林模型中,以获取随机森林模型输出的每个地理网格在连续时间段内存在异常聚集事件的概率。进一步的,还可以利用随机森林模型,确定人群分布特征和空间特征分别对应的权重。从而根据各个特征对应的权重,确定该异常聚集事件的处理方式。
其中,训练数据集中可以包括已标注的地理网格内的人群分布特征、空间特征及用于表征是否存在异常聚集事件的标签,之后将历史人群分布特征和历史空间特征输入初始随机森林模型,以标注的事件标签作为模型的目标输出,训练随机森林模型。
方式二
当没有历史数据时,可以将每个地理网格的人群分布特征及空间特征输入训练好的隔离森林模型中,获取每个地理网格在连续时间段内存在异常聚集事件的概率,并根据预设的概率阈值,确定每个地理网格是否存在异常聚集事件。
本公开实施例,首先对每个地理网格的信令数据集进行周期性统计,以确定每个地理网格的各统计周期内的人群分布特征,再对每个地理网格内的信令数据集进行时序特征提取,以确定每个地理网格的周期性人群分布特征。根据每个兴趣点的位置及每个地理网格的位置,确定每个地理网格内包含的各个兴趣点及每个兴趣点在地理网格内的分布区域,进而根据每个地理网格内包含的各个兴趣点的类型和/或每个兴趣点在地理网格内的分布区域,确定每个地理网格的空间特征,最后根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,在对异常聚集事件的检测时,既考虑了每个地理网格中异常聚集事件在时间上的周期性,又同时兼顾了异常聚集事件根据各兴趣点的不同对应的空间特征不同,且无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
为了实现上述实施例,本公开还提出一种异常聚集事件检测装置。
图3为本公开实施例所提供的异常聚集事件检测装置的结构示意图。
如图3所示,该异常聚集事件检测装置100可以包括:第一获取模块110、第一确定模块120、第二确定模块130、第三确定模块140。
其中,第一获取模块110,用于获取每个地理网格在连续时间段内的信令数据集。
第一确定模块120,用于根据信令数据集,确定每个地理网格的人群分布特征。
第二确定模块130,用于根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征。
第三确定模块140,用于根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的异常事件检测装置,首先获取每个地理网格在连续时间段内的信令数据集,之后根据每个信令数据集,确定每个地理网格的人群分布特征,再根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征;从而可以根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,仅利用每个地理网格内的信令数据集及各兴趣点信息,即可确定每个地理网格内是否存在异常聚集事件,无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
进一步地,在本公开实施例的一种可能的实现方式中,参见图4,在图3 所示实施例的基础上,第一确定模块120,具体用于按照预设的统计周期,对每个信令数据集进行周期性统计,以确定每个地理网格在各统计周期内的人群分布特征;对每个信令数据集进行时序特征提取,以确定每个地理网格的周期性人群分布特征。
在一种可能的实现方式中,人群分布特征包括以下至少一项:统计周期内的人口数量均值,统计周期内的人口数量方差,统计周期内的人口数量中位数,统计周期内的人口数量最大值,变化周期及周期性人口数量极值。
在一种可能的实现方式中,各兴趣点信息包括各兴趣点的类型及位置,第二确定模块130,包括:
第一确定单元1310,用于根据每个兴趣点的位置及每个地理网格的位置,确定每个地理网格内包含的各个兴趣点及每个兴趣点在地理网格内的分布区域;
第二确定单元1320,用于根据每个地理网格内包含的各个兴趣点的类型和/或每个兴趣点在地理网格内的分布区域,确定每个地理网格的空间特征。
在一种可能的实现方式中,第二确定单元1320,具体用于响应于任一地理网格内包含的各个兴趣点的类型相同,根据各个兴趣点的类型,确定任一地理网格的空间特征。
在一种可能的实现方式中,第二确定单元1320,还具体用于响应于任一地理网格内包含的各个兴趣点的类型不同,根据各个类型的兴趣点在任一地理网格内的分布区域,确定任一地理网格对应的目标兴趣点类型;根据任一地理网格对应的目标兴趣点类型,确定任一地理网格的空间特征。
在一种可能的实现方式中,第二确定单元130,具体用于将每个地理网格的人群分布特征及空间特征输入训练完成的随机森林模型,以获取每个地理网格在连续时间段内存在异常聚集事件的概率、及人群分布特征和空间特征分别对应的权重。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的异常聚集事件检测装置,首先对每个地理网格内的信令数据集进行周期性统计,以确定每个地理网格的各统计周期内的人群分布特征,再对每个地理网格内的信令数据集进行时序特征提取,以确定每个地理网格的周期性人群分布特征。根据每个兴趣点的位置及每个地理网格的位置,确定每个地理网格内包含的各个兴趣点及每个兴趣点在地理网格内的分布区域,进而根据每个地理网格内包含的各个兴趣点的类型和/或每个兴趣点在地理网格内的分布区域,确定每个地理网格的空间特征,最后根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,在对异常聚集事件的检测时,既考虑了每个地理网格中异常聚集事件在时间上的周期性,又同时兼顾了异常聚集事件根据各兴趣点的不同对应的空间特征不同,且无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
为了实现上述实施例,本公开还提出一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的异常聚集事件检测方法。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现如本公开前述实施例提出的异常聚集事件检测方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的异常聚集事件检测方法。
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图 5显示的计算机设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备12以通用计算设备的形式表现。计算机设备12 的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构 (Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称: VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5 中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入 /输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20 与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网) 通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/ 或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
首先获取每个地理网格在连续时间段内的信令数据集,之后根据每个信令数据集,确定每个地理网格的人群分布特征,再根据每个地理网格的位置及各兴趣点信息,确定每个地理网格的空间特征;从而可以根据每个地理网格的人群分布特征及空间特征,确定每个地理网格在连续时间段内是否存在异常聚集事件。由此,仅利用每个地理网格内的信令数据集及各兴趣点信息,即可确定每个地理网格内是否存在异常聚集事件,无需布设专门的检测设备,即可以实现对大范围内的异常聚集事件的检测,而且提高了异常检测事件的准确性和可靠性,降低了异常聚集事件的检测成本。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言, "计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器 (RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种异常聚集事件检测方法,其特征在于,包括:
获取每个地理网格在连续时间段内的信令数据集;
根据每个所述信令数据集,确定每个所述地理网格的人群分布特征;
根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征;
根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件。
2.如权利要求1所述的方法,其特征在于,所述根据每个所述信令数据集,确定每个所述地理网格的人群分布特征,包括:
按照预设的统计周期,对每个所述信令数据集进行周期性统计,以确定每个所述地理网格在各统计周期内的人群分布特征;
对每个所述信令数据集进行时序特征提取,以确定每个所述地理网格的周期性人群分布特征。
3.如权利要求2所述的方法,其特征在于,所述人群分布特征包括以下至少一项:统计周期内的人口数量均值,统计周期内的人口数量方差,统计周期内的人口数量中位数,统计周期内的人口数量最大值,变化周期及周期性人口数量极值。
4.如权利要求1所述的方法,其特征在于,所述各兴趣点信息包括各兴趣点的类型及位置,所述根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征,包括:
根据每个所述兴趣点的位置及每个所述地理网格的位置,确定每个所述地理网格内包含的各个兴趣点及每个兴趣点在所述地理网格内的分布区域;
根据每个所述地理网格内包含的各个兴趣点的类型和/或每个兴趣点在所述地理网格内的分布区域,确定每个所述地理网格的所述空间特征。
5.如权利要求4所述的方法,其特征在于,所述根据每个所述地理网格内包含的各个兴趣点的类型和/或每个兴趣点在所述地理网格内的分布区域,确定每个所述地理网格的空间特征,包括:
响应于任一地理网格内包含的各个兴趣点的类型相同,根据所述各个兴趣点的类型,确定所述任一地理网格的空间特征。
6.如权利要求4所述的方法,其特征在于,所述根据每个所述地理网格内包含的各个兴趣点的类型和/或每个兴趣点在所述地理网格内的分布区域,确定每个所述地理网格的空间特征,包括:
响应于任一地理网格内包含的各个兴趣点的类型不同,根据各个类型的兴趣点在所述任一地理网格内的分布区域,确定所述任一地理网格对应的目标兴趣点类型;
根据所述任一地理网格对应的目标兴趣点类型,确定所述任一地理网格的空间特征。
7.如权利要求1-6任一所述的方法,其特征在于,所述根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件,包括:
将每个所述地理网格的所述人群分布特征及所述空间特征输入训练完成的随机森林模型,以获取每个所述地理网格在所述连续时间段内存在异常聚集事件的概率、及所述人群分布特征和所述空间特征分别对应的权重。
8.一种异常聚集事件检测装置,其特征在于,包括:
第一获取模块,用于获取每个地理网格在连续时间段内的信令数据集;
第一确定模块,用于根据所述信令数据集,确定每个所述地理网格的人群分布特征;
第二确定模块,用于根据每个所述地理网格的位置及各兴趣点信息,确定每个所述地理网格的空间特征;
第三确定模块,用于根据每个所述地理网格的所述人群分布特征及所述空间特征,确定每个所述地理网格在所述连续时间段内是否存在异常聚集事件。
9.如权利要求8所述的装置,其特征在于,所述第一确定模块,具体用于:
按照预设的统计周期,对每个所述信令数据集进行周期性统计,以确定每个所述地理网格在各统计周期内的人群分布特征;
对所述每个所述信令数据集进行时序特征提取,以确定每个所述地理网格的周期性人群分布特征。
10.如权利要求9所述的装置,其特征在于,所述人群分布特征包括以下至少一项:统计周期内的人口数量均值,统计周期内的人口数量方差,统计周期内的人口数量中位数,统计周期内的人口数量最大值,变化周期及周期性人口数量极值。
11.如权利要求8所述的装置,其特征在于,所述各兴趣点信息包括各兴趣点的类型及位置,所述第二确定模块,包括:
第一确定单元,用于根据每个所述兴趣点的位置及每个所述地理网格的位置,确定每个所述地理网格内包含的各个兴趣点及每个兴趣点在所述地理网格内的分布区域;
第二确定单元,用于根据每个所述地理网格内包含的各个兴趣点的类型和/或每个兴趣点在所述地理网格内的分布区域,确定每个所述地理网格的所述空间特征。
12.如权利要求11所述的装置,其特征在于,所述第二确定单元,具体用于:
响应于任一地理网格内包含的各个兴趣点的类型相同,根据所述各个兴趣点的类型,确定所述任一地理网格的空间特征。
13.如权利要求11所述的装置,其特征在于,所述第二确定单元,具体用于:
响应于任一地理网格内包含的各个兴趣点的类型不同,根据各个类型的兴趣点在所述任一地理网格内的分布区域,确定所述任一地理网格对应的目标兴趣点类型;
根据所述任一地理网格对应的目标兴趣点类型,确定所述任一地理网格的空间特征。
14.如权利要求8-13任一所述的装置,其特征在于,所述第三确定模块,具体用于:
将所述每个所述地理网格的所述人群分布特征及所述空间特征输入训练完成的随机森林模型,以获取每个所述地理网格在所述连续时间段内存在异常聚集事件的概率、及所述人群分布特征和所述空间特征分别对应的权重。
15.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-7中任一所述的异常聚集事件检测方法。
16.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的异常聚集事件检测方法。
17.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-7中任一项所述的异常聚集事件检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720105.4A CN113473399B (zh) | 2021-06-28 | 2021-06-28 | 异常聚集事件检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110720105.4A CN113473399B (zh) | 2021-06-28 | 2021-06-28 | 异常聚集事件检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113473399A true CN113473399A (zh) | 2021-10-01 |
CN113473399B CN113473399B (zh) | 2023-04-07 |
Family
ID=77873506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110720105.4A Active CN113473399B (zh) | 2021-06-28 | 2021-06-28 | 异常聚集事件检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113473399B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546733A (zh) * | 2022-11-23 | 2022-12-30 | 北京数业专攻科技有限公司 | 基于移动信令的群体性行为特征预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156138A (zh) * | 2015-04-10 | 2016-11-23 | 高德软件有限公司 | 兴趣点的空间索引的建立、周边搜索方法和装置 |
CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 处理地图数据的方法及装置 |
CN111582948A (zh) * | 2020-05-25 | 2020-08-25 | 北京航空航天大学 | 一种基于手机信令数据与poi兴趣点的个体行为分析方法 |
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别系统 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
CN112312317A (zh) * | 2020-10-30 | 2021-02-02 | 智慧足迹数据科技有限公司 | 公共聚集事件识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-06-28 CN CN202110720105.4A patent/CN113473399B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156138A (zh) * | 2015-04-10 | 2016-11-23 | 高德软件有限公司 | 兴趣点的空间索引的建立、周边搜索方法和装置 |
CN108875013A (zh) * | 2018-06-19 | 2018-11-23 | 百度在线网络技术(北京)有限公司 | 处理地图数据的方法及装置 |
CN111582948A (zh) * | 2020-05-25 | 2020-08-25 | 北京航空航天大学 | 一种基于手机信令数据与poi兴趣点的个体行为分析方法 |
CN111813835A (zh) * | 2020-07-14 | 2020-10-23 | 上海元卓信息科技有限公司 | 一种基于手机信令和poi数据的公共活动中心识别系统 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
CN112312317A (zh) * | 2020-10-30 | 2021-02-02 | 智慧足迹数据科技有限公司 | 公共聚集事件识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘甜甜: "基于手机信令数据的城市居民活动空间研究--以贵阳市为例", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
彭大芹等: "基于移动信令数据的城市热点识别方法", 《重庆邮电大学学报( 自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546733A (zh) * | 2022-11-23 | 2022-12-30 | 北京数业专攻科技有限公司 | 基于移动信令的群体性行为特征预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113473399B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | A new insight into land use classification based on aggregated mobile phone data | |
Böse et al. | CISN ShakeAlert: An earthquake early warning demonstration system for California | |
US20170286845A1 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN109543909B (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
CN109326087B (zh) | 一种基于排水管网监测的城市内涝预警方法及装置 | |
US20080183393A1 (en) | Method and system for forecasting earthquakes | |
CN111079577B (zh) | 一种动态区域聚集预警实时推荐的计算方法及系统 | |
CN111866727A (zh) | 司机聚集点的展示方法、装置、电子设备、存储介质 | |
CN113473399B (zh) | 异常聚集事件检测方法、装置、计算机设备及存储介质 | |
CN113722409A (zh) | 空间关系的确定方法、装置、计算机设备及存储介质 | |
CN114970621A (zh) | 异常聚集事件的检测方法、装置、电子设备和存储介质 | |
Hao et al. | Assessing disaster impact in real time: Data-driven system integrating humans, hazards, and the built environment | |
KR20130071755A (ko) | 사용자 행동의 예측에 기반하여 서비스를 제공하기 위한 서비스 서버 및 단말 | |
CN110895543B (zh) | 人口迁徙跟踪展示方法、装置及存储介质 | |
CN115936443A (zh) | 台风暴雨灾害的风险评估方法、装置及电子设备 | |
FR3003666A1 (fr) | Dispositif d'estimation de probabilite de presence dans une piece, procede et programme correspondants | |
CN114095335B (zh) | 一种网络告警处理方法、装置和电子设备 | |
US9276826B1 (en) | Combining multiple signals to determine global system state | |
Wo et al. | Unintended consequences? The effects of neighbourhood walkability on crime in nine US cities | |
US11576188B2 (en) | External interference radar | |
CN111382986A (zh) | 学生管理方法及装置、计算机装置和计算机可读存储介质 | |
Zhang et al. | Empirical study on taxi gps traces for vehicular ad hoc networks | |
Zhou et al. | Understanding the disparate impacts of the 2021 Texas winter storm and power outages through mobile phone location data and nighttime light images | |
JP5563683B1 (ja) | 環境情報提供装置及びプログラム |
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 |