CN114323027A - 一种基于多源异构数据处理的数据分析系统及方法 - Google Patents

一种基于多源异构数据处理的数据分析系统及方法 Download PDF

Info

Publication number
CN114323027A
CN114323027A CN202210239778.2A CN202210239778A CN114323027A CN 114323027 A CN114323027 A CN 114323027A CN 202210239778 A CN202210239778 A CN 202210239778A CN 114323027 A CN114323027 A CN 114323027A
Authority
CN
China
Prior art keywords
road section
unit
time
road
data
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
Application number
CN202210239778.2A
Other languages
English (en)
Other versions
CN114323027B (zh
Inventor
郑海青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Qitong Information Technology Co ltd
Original Assignee
Guangzhou Qitong Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Qitong Information Technology Co ltd filed Critical Guangzhou Qitong Information Technology Co ltd
Priority to CN202210239778.2A priority Critical patent/CN114323027B/zh
Publication of CN114323027A publication Critical patent/CN114323027A/zh
Application granted granted Critical
Publication of CN114323027B publication Critical patent/CN114323027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多源异构数据处理的数据分析系统及方法，属于安保巡航路径规划技术领域。本系统包括多源异构数据采集模块、数据处理模块、预测模块、安全程度检测模块、路径规划模块；所述多源异构数据采集模块的输出端与所述数据处理模块的输入端相连接；所述数据处理模块的输出端与所述预测模块的输入端相连接；所述预测模块的输出端与所述安全程度检测模块的输入端相连接；所述安全程度检测模块的输出端与所述路径规划模块的输入端相连接；本发明还提供一种方法用以对系统进行实施，本发明能够有效改善安保人员人数不足以满足安保巡航的需要的状况。

Description

一种基于多源异构数据处理的数据分析系统及方法
技术领域
本发明涉及安保巡航路径规划技术领域，具体为一种基于多源异构数据处理的数据分析系统及方法。
背景技术
多源异构数据其中的多源一般指多个数据持有方，异构指数据的类型、特征等不一致，利用多源异构数据进行统一的数据处理和访问及维护，更有利于建立一体化服务。
在日常的生活中，电动车出行是人们一种常用的环保出行方式，然而在电动车停放后，经常会发生不法分子进行偷盗电动车电瓶的情况，由于电瓶的价值不高，所以通常维权难，即便报警以后也难以追回相应的价值，而且电瓶的突然被盗更会打乱用户出行计划，造成极不方便的影响，使得电瓶车电瓶被盗这一现象成为人们生活中十分头痛的一个问题；而在当前的解决办法中一种是有安保人员进行人工巡航，可是路段范围太大，安保人员太少，难以起到良好的作用；另一种是设置摄像装置进行拍照摄像，但是多源头的复杂数据难以汇集到一起进行分析，并且在电瓶已经被盗的情况下，只能有助于警察抓到不法分子，却难以弥补用户的损失；
因此，人们需要一种能够融合多源异构数据处理的数据分析系统，以此来规划出一种能够适应少量安保人员的巡航路径，满足人们的日常需要。
发明内容
本发明的目的在于提供一种基于多源异构数据处理的数据分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于多源异构数据处理的数据分析系统，该系统包括多源异构数据采集模块、数据处理模块、预测模块、安全程度检测模块、路径规划模块；
所述多源异构数据采集模块用于从多源头采集各种数据，并进行汇总；所述数据处理模块用于对多源异构数据采集模块汇总的数据进行处理；所述预测模块用于进行预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；所述安全程度检测模块用于对各路段进行安全程度检测；所述路径规划模块用于根据路段的安全程度进行安保巡航的路径规划；
所述多源异构数据采集模块的输出端与所述数据处理模块的输入端相连接；所述数据处理模块的输出端与所述预测模块的输入端相连接；所述预测模块的输出端与所述安全程度检测模块的输入端相连接；所述安全程度检测模块的输出端与所述路径规划模块的输入端相连接；
所述多源异构数据采集模块包括遥感影像数据采集单元、路口监控采集单元、行走时间分析单元；
所述遥感影像数据采集单元用于采集遥感影像数据，从而建立路段区域网络；所述路口监控采集单元用于检测路段区域网络的各入口处的行人数量和时间；所述行走时间分析单元用于对每一路段的行走时间进行分析；
所述遥感影像数据采集单元的输出端与所述路口监控采集单元的输入端相连接；所述路口监控采集单元的输出端与所述行走时间分析单元的输入端相连接；所述行走时间分析单元的输出端与所述数据处理模块的输入端相连接；
在行走时间分析单元中，包括数据库、数据分析单元；
所述数据库用于存储和调取行人在路段区域网络内的行走时间的大数据信息；所述数据分析单元用于根据大数据得出每个路段的平均行走时间；
所述数据库的输出端与所述数据分析单元的输入端相连接。
所述数据处理模块包括数据接收单元、数据处理单元；
所述数据接收单元用于对多源异构数据采集模块的数据进行接收；所述数据处理单元用于对数据接收单元接收的数据进行进一步处理归类；
所述数据接收单元的输出端与所述数据处理单元的输入端相连接；所述数据处理单元的输出端与所述预测模块的输入端相连接。
根据上述技术方案，所述预测模块包括最短路径规划单元、时间记录单元、标记单元、预测单元；
所述最短路径规划单元用于对进入任一入口的行人到达带有电动车存放点路段的最短路径进行规划；所述时间记录单元用于记录时间；所述标记单元用于对时间超出一定范围值的路段和时间段进行标记；所述预测单元用于预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；
所述最短路径规划单元的输出端与所述时间记录单元的输入端相连接；所述时间记录单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述预测单元的输入端相连接；所述预测单元的输出端与所述安全程度检测模块的输入端相连接。
根据上述技术方案，所述安全程度检测模块包括安全程度计算单元、补偿值计算单元；
所述安全程度计算单元用于进行计算各个路段的安全程度；所述补偿值计算单元用于进行补偿值的确定；
所述补偿值计算单元的输出端与所述安全程度计算单元的输入端相连接；所述安全程度计算单元的输出端与所述路径规划模块的输入端相连接。
根据上述技术方案，所述路径规划模块包括路径规划单元、发送单元；
所述路径规划单元用于根据安全程度检测模块的结果安保巡航路径进行规划；所述发送单元用于将规划结果发送至巡查管理端；
所述路径规划单元的输出端与所述发送单元的输入端相连接。
一种基于多源异构数据处理的数据分析方法，该方法包括以下步骤：
S1、利用遥感影像建立路段区域网络，采集路段区域网络内带有电动车存放点的路段，进行标记；
S2、利用进入路段区域网络路口上的监控装置采集进入路段区域网络的行人数量和时间；
S3、利用历史大数据信息对行人在路段区域网络内的行走时间进行分析处理，得到路段区域网络内任一路段与行走时间的关系；
S4、根据步骤S1、S2、S3得出的多源异构数据进行处理分析，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率，计算路段的安全程度；
S5、根据步骤S4的数据对路段区域网络内存放的电动车进行安保巡航的路径规划，降低巡航消耗的资源；
在本发明中，基于小偷在有行人经过的路段进行偷盗的概率很低，因此对于路段区域网络内的行人轨迹进行预测，那么在路段区域网络内的行人都可以充当安保人员的角色，可以极大降低小偷进行电动车电瓶偷盗的概率，利用多源异构数据的处理，就可以得到路段在固定时间段内的安全程度，对所有路段的安全程度进行汇总，就可以从中挑选安全程度较低的路段进行安保巡航，就可以减少安保人员的人数，更符合当前的现实情况。
在步骤S1中，对遥感影像数据进行分析处理后建立路段区域网络，路段区域网络中的路段以路口为依据进行划分，即有且只有两个路口所形成的一段路程，在路段区域网络中，路段
Figure 415953DEST_PATH_IMAGE001
为路段区域网络内的任意路段，路段
Figure 939469DEST_PATH_IMAGE002
为路段区域网络内不带有电动车存放点的任意路段，路段
Figure 824380DEST_PATH_IMAGE003
为路段区域网络内带有电动车存放点的任意路段，
Figure 874376DEST_PATH_IMAGE004
为路段区域网络路段总数量，即存在
Figure 740700DEST_PATH_IMAGE005
；
在步骤S2中，路段区域网络内存在有
Figure 870287DEST_PATH_IMAGE006
个入口，对
Figure 27730DEST_PATH_IMAGE006
个入口上的监控装置进行标记，记为集合
Figure 135495DEST_PATH_IMAGE007
，所述
Figure 438300DEST_PATH_IMAGE008
分别代表
Figure 795463DEST_PATH_IMAGE006
个入口上的监控装置，对每一个进入路段区域网络内的行人进行采集，根据采集得到的视频信息数据进行数据处理后，得到其进入的路口、时间、所在路段，记为：
Figure 225439DEST_PATH_IMAGE009
其中，
Figure 984447DEST_PATH_IMAGE010
代表进入的路口；
Figure 536782DEST_PATH_IMAGE011
代表时间；
Figure 771455DEST_PATH_IMAGE012
代表所在路段；
在步骤S3中，调取历史大数据信息，在路段
Figure DEST_PATH_IMAGE014AA
上对
Figure 484415DEST_PATH_IMAGE015
个行人的行走时间进行采集，记为集合
Figure 363509DEST_PATH_IMAGE016
，所述
Figure 273696DEST_PATH_IMAGE017
分别代表路段
Figure DEST_PATH_IMAGE014AAA
上
Figure 293867DEST_PATH_IMAGE015
个行人的行走时间，根据公式：
Figure 49334DEST_PATH_IMAGE018
其中，
Figure 720617DEST_PATH_IMAGE019
即代表行人在路段
Figure DEST_PATH_IMAGE014AAAA
上行走通过需要的时间；对每一位行人行走于各个路段的时间信息进行数据计算，得到路段
Figure DEST_PATH_IMAGE014_5A
和时间
Figure 31732DEST_PATH_IMAGE019
的关系，记为
Figure 726150DEST_PATH_IMAGE020
；
在步骤S4中，对步骤S1、S2、S3的多源异构数据进行处理分析，任一行人从任一路口进入到路段区域网络，其到达任一路段
Figure 426253DEST_PATH_IMAGE021
的路径采用最短路径原理进行规划得出，在规划路径内，需要通过
Figure 217622DEST_PATH_IMAGE022
个路口，每个路口存在的路口选择记为集合
Figure 938454DEST_PATH_IMAGE023
，所述
Figure 510380DEST_PATH_IMAGE024
分别代表
Figure 358382DEST_PATH_IMAGE022
个路口中每个路口存在的路口选择；每相邻两路口需要的行走时间记为集合
Figure 552994DEST_PATH_IMAGE025
，所述
Figure 320093DEST_PATH_IMAGE026
分别代表每相邻两路口需要的行走时间；可得出任一行人从任一路口进入到达任一路段
Figure 316999DEST_PATH_IMAGE021
的消耗时长
Figure 217959DEST_PATH_IMAGE027
和概率
Figure 780659DEST_PATH_IMAGE028
，根据公式：
Figure 859604DEST_PATH_IMAGE029
因此，搭建出进入到路段
Figure 78227DEST_PATH_IMAGE021
的时刻模型即为
Figure 658244DEST_PATH_IMAGE030
。
根据上述的行走时间和经过的路段，对所有的行走时间求和，再根据入口处的采集情况，得到进入待测路段的每一时刻信息。
根据上述技术方案，在步骤S4中，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率步骤如下：
S7-1、根据进入到路段
Figure 200084DEST_PATH_IMAGE021
的时刻模型，对每一个进入到路段区域网络的行人进行预测其到达路段
Figure 574565DEST_PATH_IMAGE021
的时刻，并将所有时刻进行记录；S7-2、对所有时刻按照时间顺序进行排序，按照每一小时的整点进行分析处理，构建时间差记为
Figure 212307DEST_PATH_IMAGE031
，所述
Figure 330436DEST_PATH_IMAGE031
包括任意两个
Figure 726782DEST_PATH_IMAGE033
时刻之间的差值、
Figure 272164DEST_PATH_IMAGE034
与每一小时的初始整点时刻之间的差值，
Figure 137483DEST_PATH_IMAGE035
与每一小时的终点整点时刻之间的差值，所述
Figure 793724DEST_PATH_IMAGE034
与
Figure 388784DEST_PATH_IMAGE035
分别为该整点内的最小时刻值与最大时刻值，路段
Figure 229701DEST_PATH_IMAGE021
所需的行走时间记为
Figure 972529DEST_PATH_IMAGE036
；若存在
Figure 635723DEST_PATH_IMAGE031
大于
Figure 751534DEST_PATH_IMAGE036
，进入步骤S7-3；若
Figure 638719DEST_PATH_IMAGE031
不大于
Figure 462318DEST_PATH_IMAGE036
，则进入步骤S7-4；
S7-3、对路段
Figure 725941DEST_PATH_IMAGE021
进行标记，对
Figure 967697DEST_PATH_IMAGE031
部分进行标记，对所有
Figure 229046DEST_PATH_IMAGE031
部分进行求和，根据公式：
Figure 680887DEST_PATH_IMAGE038
其中，
Figure 607254DEST_PATH_IMAGE039
为无人经过时间占比；
Figure 31413DEST_PATH_IMAGE040
为所有
Figure 525980DEST_PATH_IMAGE041
部分的时间总和；
计算路段
Figure 334624DEST_PATH_IMAGE021
的安全程度，根据公式：
Figure 143311DEST_PATH_IMAGE042
其中，
Figure 953135DEST_PATH_IMAGE043
为路段
Figure 8816DEST_PATH_IMAGE021
的安全程度，
Figure 372932DEST_PATH_IMAGE044
为进入到路段区域网络的行人序号，
Figure 782048DEST_PATH_IMAGE045
为进入到路段区域网络的行人数量，
Figure 321745DEST_PATH_IMAGE046
为调节系数1，
Figure 423693DEST_PATH_IMAGE047
为调节系数2，
Figure 930898DEST_PATH_IMAGE048
为补偿值；
S7-4、计算路段
Figure 81388DEST_PATH_IMAGE021
的安全程度，根据公式：
Figure 148961DEST_PATH_IMAGE049
其中，
Figure 766019DEST_PATH_IMAGE043
为路段
Figure 167044DEST_PATH_IMAGE021
的安全程度，
Figure 777017DEST_PATH_IMAGE044
为进入到路段区域网络的行人序号，
Figure 681519DEST_PATH_IMAGE045
为进入到路段区域网络的行人数量，
Figure 797374DEST_PATH_IMAGE046
为调节系数；
在这里用行走时间作为一个参考值，因为在一路段上，只要存在行人走过就可以达到本发明中的降低小偷偷盗电瓶概率的效果，因此在间隔时间不超出行走时间的情况下，就会出现是可有人行走在这一路段，若超出了行走时间，就会在间隔时间内出现的空档期，就会使小偷加大偷盗的概率；同时设立两个调节系数，基于路段最短路径到达概率和无人经过时间两个条件，对安全程度进行计算，同时添加了补偿值进行补偿，以保证结果而更加精准。
根据上述技术方案，补偿值
Figure 295482DEST_PATH_IMAGE048
具有如下规定：
设置小偷进行盗窃电动车电瓶所需时间为
Figure 850091DEST_PATH_IMAGE050
，若存在任一
Figure 733734DEST_PATH_IMAGE051
大于
Figure 82807DEST_PATH_IMAGE050
，则
Figure 796773DEST_PATH_IMAGE048
不等于0，且
Figure 623914DEST_PATH_IMAGE048
大于0；其他情况下，
Figure 706271DEST_PATH_IMAGE048
均为0。
补偿值的情况主要是因为存在一种情况，即当前用来增加安全程度的行人即为小偷，因为系统无法识别小偷，因此系统会认为其属于正常行人，因此增加道路的安全程度，所以添加一个补偿值用来均衡；而又因为小偷偷盗需要一定的时间，那么如果间隔时间
Figure 85300DEST_PATH_IMAGE051
不大于
Figure 89159DEST_PATH_IMAGE050
，就会形成一种情况，即虽然该行人为小偷，但是其没有时间进行偷盗，因为在这一时间内，下一行人已经到达该路段或上一行人还未离开该路段，也可以有效降低小偷进行偷盗的概率，所以不需要补偿，因此此时补偿值
Figure 923254DEST_PATH_IMAGE048
为0。
根据上述技术方案，在步骤S5中，进行安保巡航的路径规划的步骤如下：
S9-1、根据步骤S4中得到的各路段在各时间段内的安全程度，对同一时间段内的各路段安全程度进行排序；
S9-2、设置安全程度阈值
Figure 656855DEST_PATH_IMAGE052
，将该时间段内所有超出
Figure 737943DEST_PATH_IMAGE052
的路段进行标记，并对这些路段进行安保巡航。
与现有技术相比，本发明所达到的有益效果是：
1、本发明能够减少安保人员的人数，进行巡航路径的有效规划，节约人力资源，更符合现实情况；
2、本发明能够将多源异构数据进行融合处理，从多方面进行电动车存放路段的安全程度概率预测，为路径规划提供基础；
3、本发明能够从行人出发，利用小偷在有行人经过时不敢偷盗的心理，从而使每一个行人都成为安保人员，能够在很大程度震慑小偷，避免了偷盗电瓶车电瓶的情况发生，能够进一步提高用户体验，减少用户损失；
4、本发明考虑到系统无法识别行人和小偷，因此设立了补偿值进行调节，并对补偿值的设立做出解释说明，使得最终的结果更加准确。
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是本发明一种基于多源异构数据处理的数据分析系统的结构示意图；
图2是本发明一种基于多源异构数据处理的数据分析方法的步骤示意图；
图3是本发明一种基于多源异构数据处理的数据分析方法的流程示意图；
图4是本发明一种基于多源异构数据处理的数据分析系统及方法的实施例示意图。
具体实施方式
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-图3，本发明提供技术方案：一种基于多源异构数据处理的数据分析系统，该系统包括多源异构数据采集模块、数据处理模块、预测模块、安全程度检测模块、路径规划模块；
所述多源异构数据采集模块用于从多源头采集各种数据，并进行汇总；所述数据处理模块用于对多源异构数据采集模块汇总的数据进行处理；所述预测模块用于进行预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；所述安全程度检测模块用于对各路段进行安全程度检测；所述路径规划模块用于根据路段的安全程度进行安保巡航的路径规划；
所述多源异构数据采集模块的输出端与所述数据处理模块的输入端相连接；所述数据处理模块的输出端与所述预测模块的输入端相连接；所述预测模块的输出端与所述安全程度检测模块的输入端相连接；所述安全程度检测模块的输出端与所述路径规划模块的输入端相连接；
所述多源异构数据采集模块包括遥感影像数据采集单元、路口监控采集单元、行走时间分析单元；
所述遥感影像数据采集单元用于采集遥感影像数据，从而建立路段区域网络；所述路口监控采集单元用于检测路段区域网络的各入口处的行人数量和时间；所述行走时间分析单元用于对每一路段的行走时间进行分析；
所述遥感影像数据采集单元的输出端与所述路口监控采集单元的输入端相连接；所述路口监控采集单元的输出端与所述行走时间分析单元的输入端相连接；所述行走时间分析单元的输出端与所述数据处理模块的输入端相连接；
在行走时间分析单元中，包括数据库、数据分析单元；
所述数据库用于存储和调取行人在路段区域网络内的行走时间的大数据信息；所述数据分析单元用于根据大数据得出每个路段的平均行走时间；
所述数据库的输出端与所述数据分析单元的输入端相连接。
所述数据处理模块包括数据接收单元、数据处理单元；
所述数据接收单元用于对多源异构数据采集模块的数据进行接收；所述数据处理单元用于对数据接收单元接收的数据进行进一步处理归类；
所述数据接收单元的输出端与所述数据处理单元的输入端相连接；所述数据处理单元的输出端与所述预测模块的输入端相连接。
所述预测模块包括最短路径规划单元、时间记录单元、标记单元、预测单元；
所述最短路径规划单元用于对进入任一入口的行人到达带有电动车存放点路段的最短路径进行规划；所述时间记录单元用于记录时间；所述标记单元用于对时间超出一定范围值的路段和时间段进行标记；所述预测单元用于预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；
所述最短路径规划单元的输出端与所述时间记录单元的输入端相连接；所述时间记录单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述预测单元的输入端相连接；所述预测单元的输出端与所述安全程度检测模块的输入端相连接。
所述安全程度检测模块包括安全程度计算单元、补偿值计算单元；
所述安全程度计算单元用于进行计算各个路段的安全程度；所述补偿值计算单元用于进行补偿值的确定；
所述补偿值计算单元的输出端与所述安全程度计算单元的输入端相连接；所述安全程度计算单元的输出端与所述路径规划模块的输入端相连接。
所述路径规划模块包括路径规划单元、发送单元；
所述路径规划单元用于根据安全程度检测模块的结果安保巡航路径进行规划；所述发送单元用于将规划结果发送至巡查管理端；
所述路径规划单元的输出端与所述发送单元的输入端相连接。
一种基于多源异构数据处理的数据分析方法，该方法包括以下步骤：
S1、利用遥感影像建立路段区域网络，采集路段区域网络内带有电动车存放点的路段，进行标记；
S2、利用进入路段区域网络路口上的监控装置采集进入路段区域网络的行人数量和时间；
S3、利用历史大数据信息对行人在路段区域网络内的行走时间进行分析处理，得到路段区域网络内任一路段与行走时间的关系；
S4、根据步骤S1、S2、S3得出的多源异构数据进行处理分析，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率，计算路段的安全程度；
S5、根据步骤S4的数据对路段区域网络内存放的电动车进行安保巡航的路径规划，降低巡航消耗的资源；
在步骤S1中，对遥感影像数据进行分析处理后建立路段区域网络，路段区域网络中的路段以路口为依据进行划分，即有且只有两个路口所形成的一段路程，在路段区域网络中，路段
Figure 25836DEST_PATH_IMAGE001
为路段区域网络内的任意路段，路段
Figure 398043DEST_PATH_IMAGE002
为路段区域网络内不带有电动车存放点的任意路段，路段
Figure 980291DEST_PATH_IMAGE003
为路段区域网络内带有电动车存放点的任意路段，
Figure 717434DEST_PATH_IMAGE004
为路段区域网络路段总数量，即存在
Figure 23781DEST_PATH_IMAGE054
；
在步骤S2中，路段区域网络内存在有
Figure 121050DEST_PATH_IMAGE006
个入口，对
Figure 829243DEST_PATH_IMAGE006
个入口上的监控装置进行标记，记为集合
Figure 737288DEST_PATH_IMAGE007
，所述
Figure 530931DEST_PATH_IMAGE008
分别代表
Figure 166312DEST_PATH_IMAGE006
个入口上的监控装置，对每一个进入路段区域网络内的行人进行采集，根据采集得到的视频信息数据进行数据处理后，得到其进入的路口、时间、所在路段，记为：
Figure 729011DEST_PATH_IMAGE009
其中，
Figure 807957DEST_PATH_IMAGE010
代表进入的路口；
Figure 817458DEST_PATH_IMAGE011
代表时间；
Figure 522109DEST_PATH_IMAGE012
代表所在路段；
在步骤S3中，调取历史大数据信息，在路段
Figure 939315DEST_PATH_IMAGE055
上对
Figure 189162DEST_PATH_IMAGE015
个行人的行走时间进行采集，记为集合
Figure 691819DEST_PATH_IMAGE016
，所述
Figure 669002DEST_PATH_IMAGE017
分别代表路段
Figure 206294DEST_PATH_IMAGE055
上
Figure 627042DEST_PATH_IMAGE015
个行人的行走时间，根据公式：
Figure 820257DEST_PATH_IMAGE018
其中，
Figure 476497DEST_PATH_IMAGE019
即代表行人在路段
Figure 992929DEST_PATH_IMAGE055
上行走通过需要的时间；对每一位行人行走于各个路段的时间信息进行数据计算，得到路段
Figure 726791DEST_PATH_IMAGE055
和时间
Figure 79406DEST_PATH_IMAGE019
的关系，记为
Figure 539337DEST_PATH_IMAGE020
；
在步骤S4中，对步骤S1、S2、S3的多源异构数据进行处理分析，任一行人从任一路口进入到路段区域网络，其到达任一路段
Figure 175855DEST_PATH_IMAGE021
的路径采用最短路径原理进行规划得出，在规划路径内，需要通过
Figure 63039DEST_PATH_IMAGE022
个路口，每个路口存在的路口选择记为集合
Figure 637371DEST_PATH_IMAGE023
，所述
Figure 900993DEST_PATH_IMAGE024
分别代表
Figure 205067DEST_PATH_IMAGE022
个路口中每个路口存在的路口选择；每相邻两路口需要的行走时间记为集合
Figure 653366DEST_PATH_IMAGE025
，所述
Figure 105207DEST_PATH_IMAGE026
分别代表每相邻两路口需要的行走时间；可得出任一行人从任一路口进入到达任一路段
Figure 104344DEST_PATH_IMAGE021
的消耗时长
Figure 935028DEST_PATH_IMAGE027
和概率
Figure 695173DEST_PATH_IMAGE028
，根据公式：
Figure 493365DEST_PATH_IMAGE057
因此，搭建出进入到路段
Figure 36473DEST_PATH_IMAGE021
的时刻模型即为
Figure 377455DEST_PATH_IMAGE030
在步骤S4中，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率步骤如下：
S7-1、根据进入到路段
Figure 918289DEST_PATH_IMAGE021
的时刻模型，对每一个进入到路段区域网络的行人进行预测其到达路段
Figure 79143DEST_PATH_IMAGE021
的时刻，并将所有时刻进行记录；S7-2、对所有时刻按照时间顺序进行排序，按照每一小时的整点进行分析处理，构建时间差记为
Figure 222680DEST_PATH_IMAGE031
，所述
Figure 146730DEST_PATH_IMAGE031
包括任意两个
Figure 920782DEST_PATH_IMAGE033
时刻之间的差值、
Figure 241036DEST_PATH_IMAGE034
与每一小时的初始整点时刻之间的差值，
Figure 391526DEST_PATH_IMAGE035
与每一小时的终点整点时刻之间的差值，所述
Figure 566156DEST_PATH_IMAGE034
与
Figure 573426DEST_PATH_IMAGE035
分别为该整点内的最小时刻值与最大时刻值，路段
Figure 646555DEST_PATH_IMAGE021
所需的行走时间记为
Figure 272840DEST_PATH_IMAGE036
；若存在
Figure 442921DEST_PATH_IMAGE031
大于
Figure 480147DEST_PATH_IMAGE036
，进入步骤S7-3；若
Figure 97030DEST_PATH_IMAGE031
不大于
Figure 589323DEST_PATH_IMAGE036
，则进入步骤S7-4；
S7-3、对路段
Figure 223697DEST_PATH_IMAGE021
进行标记，对
Figure 572770DEST_PATH_IMAGE031
部分进行标记，对所有
Figure 541863DEST_PATH_IMAGE031
部分进行求和，根据公式：
Figure 837847DEST_PATH_IMAGE059
其中，
Figure 716941DEST_PATH_IMAGE039
为无人经过时间占比；
Figure 440177DEST_PATH_IMAGE040
为所有
Figure 912878DEST_PATH_IMAGE031
部分的时间总和；
计算路段
Figure 764551DEST_PATH_IMAGE021
的安全程度，根据公式：
Figure 498152DEST_PATH_IMAGE061
其中，
Figure 579240DEST_PATH_IMAGE043
为路段
Figure 335975DEST_PATH_IMAGE021
的安全程度，
Figure 770499DEST_PATH_IMAGE044
为进入到路段区域网络的行人序号，
Figure 233972DEST_PATH_IMAGE045
为进入到路段区域网络的行人数量，
Figure 361328DEST_PATH_IMAGE046
为调节系数1，
Figure 792309DEST_PATH_IMAGE047
为调节系数2，
Figure 764945DEST_PATH_IMAGE048
为补偿值；
S7-4、计算路段
Figure 82925DEST_PATH_IMAGE021
的安全程度，根据公式：
Figure 313006DEST_PATH_IMAGE049
其中，
Figure 841070DEST_PATH_IMAGE043
为路段
Figure 742030DEST_PATH_IMAGE021
的安全程度，
Figure 570309DEST_PATH_IMAGE044
为进入到路段区域网络的行人序号，
Figure 649254DEST_PATH_IMAGE045
为进入到路段区域网络的行人数量，
Figure 867877DEST_PATH_IMAGE046
为调节系数；
补偿值
Figure 182315DEST_PATH_IMAGE048
具有如下规定：
设置小偷进行盗窃电动车电瓶所需时间为
Figure 724155DEST_PATH_IMAGE050
，若存在任一
Figure 364215DEST_PATH_IMAGE051
大于
Figure 70134DEST_PATH_IMAGE050
，则
Figure 57769DEST_PATH_IMAGE048
不等于0；其他情况下，
Figure 516432DEST_PATH_IMAGE048
均为0。
在步骤S5中，进行安保巡航的路径规划的步骤如下：
S9-1、根据步骤S4中得到的各路段在各时间段内的安全程度，对同一时间段内的各路段安全程度进行排序；
S9-2、设置安全程度阈值
Figure 265077DEST_PATH_IMAGE052
，将该时间段内所有超出
Figure 255029DEST_PATH_IMAGE052
的路段进行标记，并对这些路段进行安保巡航。
在本实施例中：
采集遥感影像数据建立路段区域网络，路段区域网络中共存在5个路段，其中只有一个路段存在电动车存放点，如图4所示，即路段3上设有电动车存放点；
在路段区域网络内存在有4个入口，对每一个进入路段区域网络内的行人进行采集，根据采集得到的视频信息数据进行数据处理后，得到其进入的路口、时间、所在路段，记为
Figure 380111DEST_PATH_IMAGE063
；
调取历史大数据信息，分别调取了5个人在每一路段上的行走时间，如下：
路段1：6、6.5、6.4、6.3、6.8；
路段2：7、7.2、7.4、7、7.2；
路段3：5、6、5.5、5.6、5.4；
路段4：6、6.2、6.4、6、6.4；
路段5：10、10.5、11、10.5、10；
因此根据公式：
Figure 647276DEST_PATH_IMAGE065
得出，每个路段上的行人行走时间如下（单位：分钟）：
路段1：6.4；
路段2：7.2；
路段3：5.5；
路段4：6.2；
路段5：10.5；
设置在15点30分开始统计，发现共有5人走进路段区域网络，记录分别为：
Figure 629138DEST_PATH_IMAGE067
、
Figure 44070DEST_PATH_IMAGE069
、
Figure 972843DEST_PATH_IMAGE071
、
Figure 609361DEST_PATH_IMAGE073
、
Figure 693948DEST_PATH_IMAGE075
；
得出五位行人从各自路口进入到达路段3的消耗时长
Figure 924072DEST_PATH_IMAGE077
和概率
Figure 797482DEST_PATH_IMAGE079
，根据公式：
Figure 367134DEST_PATH_IMAGE081
行人1：在15点36分24秒到达，概率为
Figure 690799DEST_PATH_IMAGE083
；
行人2：在15点46分24秒到达，概率为
Figure 1695DEST_PATH_IMAGE083
；
行人3：在15点40分30秒到达，概率为
Figure 6691DEST_PATH_IMAGE083
；
行人4：在16点00分30秒到达，概率为
Figure 493167DEST_PATH_IMAGE083
；
行人5：在16点02分12秒到达，概率为
Figure 597521DEST_PATH_IMAGE083
；
对15点30分到16点30分，进行安全程度分析；对所有时刻按照时间顺序进行排序，计算
Figure 491919DEST_PATH_IMAGE085
分别为如下：6.4；4.1；5.9；14.1；1.7；27.8
路段3的
Figure 18715DEST_PATH_IMAGE036
为5.5；
因此，根据公式：
Figure 297381DEST_PATH_IMAGE087
可得，
Figure 962849DEST_PATH_IMAGE039
=0.521；
设置小偷进行盗窃电动车电瓶所需时间为10分钟，存在14.1大于10，因此补偿值为0.2
计算路段3的安全程度，
Figure 999069DEST_PATH_IMAGE046
为调节系数1，为0.5；
Figure 611447DEST_PATH_IMAGE047
为调节系数2，为1.2；根据公式：
Figure 541357DEST_PATH_IMAGE089
得出
Figure 502360DEST_PATH_IMAGE043
为0.7895；
设置阈值
Figure 150510DEST_PATH_IMAGE052
为0.5；因为0.7895大于0.5，所以对路段3进行标记，需要进行安保巡航，并将此结果发送至安保巡航端。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于多源异构数据处理的数据分析系统，其特征在于：该系统包括多源异构数据采集模块、数据处理模块、预测模块、安全程度检测模块、路径规划模块；
所述多源异构数据采集模块用于从多源头采集各种数据，并进行汇总；所述数据处理模块用于对多源异构数据采集模块汇总的数据进行处理；所述预测模块用于进行预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；所述安全程度检测模块用于对各路段进行安全程度检测；所述路径规划模块用于根据路段的安全程度进行安保巡航的路径规划；
所述多源异构数据采集模块的输出端与所述数据处理模块的输入端相连接；所述数据处理模块的输出端与所述预测模块的输入端相连接；所述预测模块的输出端与所述安全程度检测模块的输入端相连接；所述安全程度检测模块的输出端与所述路径规划模块的输入端相连接；
所述多源异构数据采集模块包括遥感影像数据采集单元、路口监控采集单元、行走时间分析单元；
所述遥感影像数据采集单元用于采集遥感影像数据，从而建立路段区域网络；所述路口监控采集单元用于检测路段区域网络的各入口处的行人数量和时间；所述行走时间分析单元用于对每一路段的行走时间进行分析；
所述遥感影像数据采集单元的输出端与所述路口监控采集单元的输入端相连接；所述路口监控采集单元的输出端与所述行走时间分析单元的输入端相连接；所述行走时间分析单元的输出端与所述数据处理模块的输入端相连接；
在行走时间分析单元中，包括数据库、数据分析单元；
所述数据库用于存储和调取行人在路段区域网络内的行走时间的大数据信息；所述数据分析单元用于根据大数据得出每个路段的平均行走时间；
所述数据库的输出端与所述数据分析单元的输入端相连接。
2.根据权利要求1所述的一种基于多源异构数据处理的数据分析系统，其特征在于：所述数据处理模块包括数据接收单元、数据处理单元；
所述数据接收单元用于对多源异构数据采集模块的数据进行接收；所述数据处理单元用于对数据接收单元接收的数据进行进一步处理归类；
所述数据接收单元的输出端与所述数据处理单元的输入端相连接；所述数据处理单元的输出端与所述预测模块的输入端相连接。
3.根据权利要求1所述的一种基于多源异构数据处理的数据分析系统，其特征在于：所述预测模块包括最短路径规划单元、时间记录单元、标记单元、预测单元；
所述最短路径规划单元用于对进入任一入口的行人到达带有电动车存放点路段的最短路径进行规划；所述时间记录单元用于记录时间；所述标记单元用于对时间超出一定范围值的路段和时间段进行标记；所述预测单元用于预测各个带有电动车存放点路段在各个时间范围内行人通过的频率；
所述最短路径规划单元的输出端与所述时间记录单元的输入端相连接；所述时间记录单元的输出端与所述标记单元的输入端相连接；所述标记单元的输出端与所述预测单元的输入端相连接；所述预测单元的输出端与所述安全程度检测模块的输入端相连接。
4.根据权利要求1所述的一种基于多源异构数据处理的数据分析系统，其特征在于：所述安全程度检测模块包括安全程度计算单元、补偿值计算单元；
所述安全程度计算单元用于进行计算各个路段的安全程度；所述补偿值计算单元用于进行补偿值的确定；
所述补偿值计算单元的输出端与所述安全程度计算单元的输入端相连接；所述安全程度计算单元的输出端与所述路径规划模块的输入端相连接。
5.根据权利要求1所述的一种基于多源异构数据处理的数据分析系统，其特征在于：所述路径规划模块包括路径规划单元、发送单元；
所述路径规划单元用于根据安全程度检测模块的结果安保巡航路径进行规划；所述发送单元用于将规划结果发送至巡查管理端；
所述路径规划单元的输出端与所述发送单元的输入端相连接。
6.一种基于多源异构数据处理的数据分析方法，其特征在于：该方法包括以下步骤：
S1、利用遥感影像建立路段区域网络，采集路段区域网络内带有电动车存放点的路段，进行标记；
S2、利用进入路段区域网络路口上的监控装置采集进入路段区域网络的行人数量和时间；
S3、利用历史大数据信息对行人在路段区域网络内的行走时间进行分析处理，得到路段区域网络内任一路段与行走时间的关系；
S4、根据步骤S1、S2、S3得出的多源异构数据进行处理分析，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率，计算路段的安全程度；
S5、根据步骤S4的数据对路段区域网络内存放的电动车进行安保巡航的路径规划，降低巡航消耗的资源；
在步骤S1中，对遥感影像数据进行分析处理后建立路段区域网络，路段区域网络中的路段以路口为依据进行划分，即有且只有两个路口所形成的一段路程，在路段区域网络中，路段
Figure 84722DEST_PATH_IMAGE001
为路段区域网络内的任意路段，路段
Figure 134717DEST_PATH_IMAGE002
为路段区域网络内不带有电动车存放点的任意路段，路段
Figure 266621DEST_PATH_IMAGE003
为路段区域网络内带有电动车存放点的任意路段，
Figure 136488DEST_PATH_IMAGE004
为路段区域网络路段总数量，即存在
Figure 592851DEST_PATH_IMAGE005
；
在步骤S2中，路段区域网络内存在有
Figure 435036DEST_PATH_IMAGE006
个入口，对
Figure 878787DEST_PATH_IMAGE006
个入口上的监控装置进行标记，记为集合
Figure 439212DEST_PATH_IMAGE007
，所述
Figure 118455DEST_PATH_IMAGE008
分别代表
Figure 877464DEST_PATH_IMAGE006
个入口上的监控装置，对每一个进入路段区域网络内的行人进行采集，根据采集得到的视频信息数据进行数据处理后，得到其进入的路口、时间、所在路段，记为：
Figure 429799DEST_PATH_IMAGE009
其中，
Figure 149625DEST_PATH_IMAGE010
代表进入的路口；
Figure 507925DEST_PATH_IMAGE011
代表时间；
Figure 318843DEST_PATH_IMAGE012
代表所在路段；
在步骤S3中，调取历史大数据信息，在路段
Figure 963451DEST_PATH_IMAGE013
上对
Figure 295206DEST_PATH_IMAGE014
个行人的行走时间进行采集，记为集合
Figure 394880DEST_PATH_IMAGE015
，所述
Figure 3847DEST_PATH_IMAGE016
分别代表路段
Figure 694723DEST_PATH_IMAGE013
上
Figure 717037DEST_PATH_IMAGE014
个行人的行走时间，根据公式：
Figure 276194DEST_PATH_IMAGE017
其中，
Figure 129880DEST_PATH_IMAGE018
即代表行人在路段
Figure 194919DEST_PATH_IMAGE013
上行走通过需要的时间；对每一位行人行走于各个路段的时间信息进行数据计算，得到路段
Figure 105195DEST_PATH_IMAGE013
和时间
Figure 77830DEST_PATH_IMAGE018
的关系，记为
Figure 254864DEST_PATH_IMAGE019
；
在步骤S4中，对步骤S1、S2、S3的多源异构数据进行处理分析，任一行人从任一路口进入到路段区域网络，其到达任一路段
Figure 677755DEST_PATH_IMAGE020
的路径采用最短路径原理进行规划得出，在规划路径内，需要通过
Figure 205820DEST_PATH_IMAGE021
个路口，每个路口存在的路口选择记为集合
Figure 857512DEST_PATH_IMAGE022
，所述
Figure 623474DEST_PATH_IMAGE023
分别代表
Figure 827053DEST_PATH_IMAGE021
个路口中每个路口存在的路口选择；每相邻两路口需要的行走时间记为集合
Figure 967048DEST_PATH_IMAGE024
，所述
Figure 281486DEST_PATH_IMAGE025
分别代表每相邻两路口需要的行走时间；可得出任一行人从任一路口进入到达任一路段
Figure 833778DEST_PATH_IMAGE020
的消耗时长
Figure 208258DEST_PATH_IMAGE026
和概率
Figure 835549DEST_PATH_IMAGE027
，根据公式：
Figure 953677DEST_PATH_IMAGE028
因此，搭建出进入到路段
Figure 100756DEST_PATH_IMAGE020
的时刻模型即为
Figure 646138DEST_PATH_IMAGE029
。
7.根据权利要求6所述的一种基于多源异构数据处理的数据分析方法，其特征在于：在步骤S4中，预测出各个带有电动车存放点路段在各个时间范围内行人通过的频率步骤如下：
S7-1、根据进入到路段
Figure 839353DEST_PATH_IMAGE020
的时刻模型，对每一个进入到路段区域网络的行人进行预测其到达路段
Figure 885807DEST_PATH_IMAGE020
的时刻，并将所有时刻进行记录；S7-2、对所有时刻按照时间顺序进行排序，按照每一小时的整点进行分析处理，构建时间差记为
Figure 480867DEST_PATH_IMAGE030
，所述
Figure 197150DEST_PATH_IMAGE030
包括任意两个
Figure 567344DEST_PATH_IMAGE032
时刻之间的差值、
Figure 292854DEST_PATH_IMAGE033
与每一小时的初始整点时刻之间的差值，
Figure 663793DEST_PATH_IMAGE034
与每一小时的终点整点时刻之间的差值，所述
Figure 550977DEST_PATH_IMAGE033
与
Figure 718784DEST_PATH_IMAGE034
分别为该整点内的最小时刻值与最大时刻值，路段
Figure 592194DEST_PATH_IMAGE020
所需的行走时间记为
Figure 693005DEST_PATH_IMAGE035
；若存在
Figure 141304DEST_PATH_IMAGE036
大于
Figure 327565DEST_PATH_IMAGE035
，进入步骤S7-3；若
Figure 4666DEST_PATH_IMAGE036
不大于
Figure 219703DEST_PATH_IMAGE035
，则进入步骤S7-4；
S7-3、对路段
Figure 573324DEST_PATH_IMAGE020
进行标记，对
Figure 512461DEST_PATH_IMAGE036
部分进行标记，对所有
Figure 727673DEST_PATH_IMAGE036
部分进行求和，根据公式：
Figure 803076DEST_PATH_IMAGE037
其中，
Figure 327599DEST_PATH_IMAGE038
为无人经过时间占比；
Figure 754032DEST_PATH_IMAGE039
为所有
Figure 507355DEST_PATH_IMAGE036
部分的时间总和；
Figure 906107DEST_PATH_IMAGE040
为行人数量；
计算路段
Figure 742476DEST_PATH_IMAGE020
的安全程度，根据公式：
Figure 515260DEST_PATH_IMAGE041
其中，
Figure 456628DEST_PATH_IMAGE042
为路段
Figure 381990DEST_PATH_IMAGE020
的安全程度，
Figure 123681DEST_PATH_IMAGE043
为进入到路段区域网络的行人序号，
Figure 383761DEST_PATH_IMAGE044
为进入到路段区域网络的行人数量，
Figure 72362DEST_PATH_IMAGE045
为调节系数1，
Figure 976864DEST_PATH_IMAGE046
为调节系数2，
Figure 30402DEST_PATH_IMAGE047
为补偿值；
S7-4、计算路段
Figure 653144DEST_PATH_IMAGE020
的安全程度，根据公式：
Figure 145437DEST_PATH_IMAGE048
其中，
Figure 29079DEST_PATH_IMAGE042
为路段
Figure 637872DEST_PATH_IMAGE020
的安全程度，
Figure 357697DEST_PATH_IMAGE043
为进入到路段区域网络的行人序号，
Figure 184839DEST_PATH_IMAGE044
为进入到路段区域网络的行人数量，
Figure 188567DEST_PATH_IMAGE045
为调节系数。
8.根据权利要求7所述的一种基于多源异构数据处理的数据分析方法，其特征在于：补偿值
Figure 911804DEST_PATH_IMAGE049
具有如下规定：
设置小偷进行盗窃电动车电瓶所需时间为
Figure 243559DEST_PATH_IMAGE050
，若存在任一
Figure 749758DEST_PATH_IMAGE051
大于
Figure 483359DEST_PATH_IMAGE050
，则
Figure 377496DEST_PATH_IMAGE049
不等于0，且
Figure 117919DEST_PATH_IMAGE049
大于0；其他情况下，
Figure 773283DEST_PATH_IMAGE049
均为0。
9.根据权利要求6所述的一种基于多源异构数据处理的数据分析方法，其特征在于：在步骤S5中，进行安保巡航的路径规划的步骤如下：
S9-1、根据步骤S4中得到的各路段在各时间段内的安全程度，对同一时间段内的各路段安全程度进行排序；
S9-2、设置安全程度阈值
Figure 236757DEST_PATH_IMAGE052
，将该时间段内所有超出
Figure 832954DEST_PATH_IMAGE052
的路段进行标记，并对这些路段进行安保巡航。
CN202210239778.2A 2022-03-12 2022-03-12 一种基于多源异构数据处理的数据分析系统及方法 Active CN114323027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210239778.2A CN114323027B (zh) 2022-03-12 2022-03-12 一种基于多源异构数据处理的数据分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210239778.2A CN114323027B (zh) 2022-03-12 2022-03-12 一种基于多源异构数据处理的数据分析系统及方法

Publications (2)

Publication Number Publication Date
CN114323027A true CN114323027A (zh) 2022-04-12
CN114323027B CN114323027B (zh) 2022-05-27

Family

ID=81033769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210239778.2A Active CN114323027B (zh) 2022-03-12 2022-03-12 一种基于多源异构数据处理的数据分析系统及方法

Country Status (1)

Country Link
CN (1) CN114323027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116471340A (zh) * 2023-04-23 2023-07-21 黑龙江省电子商务总部基地有限公司 一种基于大数据的数据传输监测系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120123806A1 (en) * 2009-12-31 2012-05-17 Schumann Jr Douglas D Systems and methods for providing a safety score associated with a user location
CN103954278A (zh) * 2014-05-08 2014-07-30 中国科学院软件研究所 一种基于多数据融合的应急逃离引导方法和系统
US20170098181A1 (en) * 2015-10-06 2017-04-06 Numerica Corporation Systems and methods for dynamically generating patrol schedules based on historic demand data
WO2021013601A1 (en) * 2019-07-18 2021-01-28 Tomtom Traffic B.V. Generating segment data
WO2021096935A2 (en) * 2019-11-11 2021-05-20 Mobileye Vision Technologies Ltd. Systems and methods for determining road safety
CN113063431A (zh) * 2021-04-06 2021-07-02 合肥工业大学 一种共享单车骑行路线的智能推荐方法
CN113758495A (zh) * 2021-09-10 2021-12-07 上海伯镭智能科技有限公司 一种基于矿山无人驾驶的寻路方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120123806A1 (en) * 2009-12-31 2012-05-17 Schumann Jr Douglas D Systems and methods for providing a safety score associated with a user location
CN103954278A (zh) * 2014-05-08 2014-07-30 中国科学院软件研究所 一种基于多数据融合的应急逃离引导方法和系统
US20170098181A1 (en) * 2015-10-06 2017-04-06 Numerica Corporation Systems and methods for dynamically generating patrol schedules based on historic demand data
WO2021013601A1 (en) * 2019-07-18 2021-01-28 Tomtom Traffic B.V. Generating segment data
WO2021096935A2 (en) * 2019-11-11 2021-05-20 Mobileye Vision Technologies Ltd. Systems and methods for determining road safety
CN113063431A (zh) * 2021-04-06 2021-07-02 合肥工业大学 一种共享单车骑行路线的智能推荐方法
CN113758495A (zh) * 2021-09-10 2021-12-07 上海伯镭智能科技有限公司 一种基于矿山无人驾驶的寻路方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116471340A (zh) * 2023-04-23 2023-07-21 黑龙江省电子商务总部基地有限公司 一种基于大数据的数据传输监测系统及方法

Also Published As

Publication number Publication date
CN114323027B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN109686109B (zh) 一种基于人工智能的停车场安全监控管理系统及方法
CN109658554B (zh) 一种基于大数据的智能小区安防系统
CN115272037A (zh) 一种基于物联网的智慧城市区域治安管理预警方法和系统
CN110060484A (zh) 一种基于区块链的公路客运违章实时预警系统及方法
CN109741628B (zh) 一种智能停车路线规划方法
CN109872535A (zh) 一种智慧交通通行预测方法、装置及服务器
CN110097249A (zh) 一种公交客流监测分析系统及其方法
CN101751782A (zh) 一种基于多源信息融合的十字路口交通事件自动检测系统
CN111476177B (zh) 嫌疑人检测方法及装置
CN109979197B (zh) 基于融合数据的高速公路交通时间地图构建方法、系统
CN114323027B (zh) 一种基于多源异构数据处理的数据分析系统及方法
WO2017130902A1 (ja) 情報処理装置、情報処理方法、及びプログラム
CN113689648B (zh) 一种基于物联网的智慧社区安防管理系统及方法
CN110322726A (zh) 一种基于高位视频的半封闭路侧停车管理系统及方法
CN113674325A (zh) 人员轨迹追踪方法及系统
CN110264716A (zh) 一种基于物联网的智能交通系统及使用方法
CN112699328A (zh) 网点服务数据处理方法、装置、系统、设备及存储介质
CN107635202A (zh) 基于acp方法和手机信令数据的平行监控分析系统及其方法
CN116757348A (zh) 一种基于人工智能的出行信息智能规划管理系统及方法
CN113673311A (zh) 一种交通异常事件检测方法、设备及计算机存储介质
CN113487055A (zh) 一种智能门票预售方法和装置
CN112434074B (zh) 一种基于手机定位信息的自然保护地人类活动监管系统
CN114140719A (zh) 一种ai交通视频分析技术
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN112330960A (zh) 一种多维数据采集系统

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