CN114323027B - 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
CN114323027B
CN114323027B CN202210239778.2A CN202210239778A CN114323027B CN 114323027 B CN114323027 B CN 114323027B CN 202210239778 A CN202210239778 A CN 202210239778A CN 114323027 B CN114323027 B CN 114323027B
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.)
Active
Application number
CN202210239778.2A
Other languages
English (en)
Other versions
CN114323027A (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

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概率；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概率；
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、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概率，结合步骤S1、S2、S3得出的多源异构数据进行处理分析的结果，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 995608DEST_PATH_IMAGE002
为路段区域网络内的任意路段，路段
Figure 214100DEST_PATH_IMAGE004
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 325669DEST_PATH_IMAGE006
为路段区域网络内带有电动车存放点的任意路段，
Figure 527980DEST_PATH_IMAGE008
为路段区域网络路段总数量，即存在
Figure 904735DEST_PATH_IMAGE010
；
在步骤S2中，路段区域网络内存在有
Figure 728465DEST_PATH_IMAGE012
个入口，对
Figure 24317DEST_PATH_IMAGE012
个入口上的监控装置进行标记，记为集合
Figure 697613DEST_PATH_IMAGE014
，所述
Figure 737113DEST_PATH_IMAGE016
、
Figure 415350DEST_PATH_IMAGE018
、
Figure 757470DEST_PATH_IMAGE020
、
Figure 668794DEST_PATH_IMAGE022
、
Figure 498603DEST_PATH_IMAGE024
分别代表
Figure 811773DEST_PATH_IMAGE012
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 324794DEST_PATH_IMAGE026
其中，
Figure 474147DEST_PATH_IMAGE028
代表进入的路口；
Figure 121029DEST_PATH_IMAGE030
代表时间；
Figure 164071DEST_PATH_IMAGE032
代表所在路段；
在步骤S3中，调取历史大数据信息，在路段
Figure 487474DEST_PATH_IMAGE034
上对
Figure 107811DEST_PATH_IMAGE036
个行人的行走时间进行采集，记为集合
Figure 433750DEST_PATH_IMAGE038
，所述
Figure 472244DEST_PATH_IMAGE040
、
Figure 327068DEST_PATH_IMAGE042
、
Figure 965860DEST_PATH_IMAGE044
、
Figure 829911DEST_PATH_IMAGE046
、
Figure 970516DEST_PATH_IMAGE048
分别代表路段
Figure 652033DEST_PATH_IMAGE034
上
Figure 122328DEST_PATH_IMAGE036
个行人的行走时间，根据公式：
Figure 399857DEST_PATH_IMAGE050
其中，
Figure 396632DEST_PATH_IMAGE052
即代表行人在路段
Figure 124416DEST_PATH_IMAGE034
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 455910DEST_PATH_IMAGE034
和时间
Figure 661763DEST_PATH_IMAGE052
的关系，记为
Figure 778624DEST_PATH_IMAGE054
；
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 677309DEST_PATH_IMAGE056
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 731984DEST_PATH_IMAGE058
个路口，每个路口存在的路口选择记为集合
Figure 866162DEST_PATH_IMAGE060
，所述
Figure 978475DEST_PATH_IMAGE062
、
Figure 893735DEST_PATH_IMAGE064
、
Figure 91498DEST_PATH_IMAGE066
、
Figure 763788DEST_PATH_IMAGE068
、
Figure 340393DEST_PATH_IMAGE070
分别代表
Figure 315303DEST_PATH_IMAGE058
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 859417DEST_PATH_IMAGE072
，所述
Figure 210763DEST_PATH_IMAGE074
、
Figure 405990DEST_PATH_IMAGE076
、
Figure 817380DEST_PATH_IMAGE078
、
Figure 583211DEST_PATH_IMAGE080
、
Figure 348036DEST_PATH_IMAGE082
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 23868DEST_PATH_IMAGE084
的消耗时长
Figure 465213DEST_PATH_IMAGE086
和概率
Figure 970537DEST_PATH_IMAGE088
，根据公式：
Figure 398108DEST_PATH_IMAGE090
Figure 318659DEST_PATH_IMAGE092
因此，搭建出进入到路段
Figure 71851DEST_PATH_IMAGE094
的时刻模型即为
Figure 563007DEST_PATH_IMAGE096
。
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概率步骤如下：
S7-1、根据进入到路段
Figure 100002_DEST_PATH_IMAGE098
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 122164DEST_PATH_IMAGE098
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 880910DEST_PATH_IMAGE100
，所述
Figure 929638DEST_PATH_IMAGE100
包括任意两个
Figure 32723DEST_PATH_IMAGE102
时刻之间的差值、
Figure 943041DEST_PATH_IMAGE104
与每一小时的初始整点时刻之间的差值，
Figure 307027DEST_PATH_IMAGE106
与每一小时的终点整点时刻之间的差值，所述
Figure 402022DEST_PATH_IMAGE104
与
Figure 369234DEST_PATH_IMAGE106
分别为该整点内的最小时刻值与最大时刻值，路段
Figure 942298DEST_PATH_IMAGE098
所需的行走时间记为
Figure 691948DEST_PATH_IMAGE108
；若存在
Figure 567631DEST_PATH_IMAGE100
大于
Figure 645309DEST_PATH_IMAGE108
，进入步骤S7-3；若
Figure 146697DEST_PATH_IMAGE100
不大于
Figure 626220DEST_PATH_IMAGE108
，则进入步骤S7-4；
S7-3、对路段
Figure 171340DEST_PATH_IMAGE098
进行标记，对
Figure 860947DEST_PATH_IMAGE100
部分进行标记，对所有
Figure 510234DEST_PATH_IMAGE100
部分进行求和，根据公式：
Figure 985209DEST_PATH_IMAGE110
其中，
Figure 592908DEST_PATH_IMAGE112
为无人经过时间占比；
Figure 100002_DEST_PATH_IMAGE114
为所有
Figure 72607DEST_PATH_IMAGE100
部分的时间总和；
计算路段
Figure 791164DEST_PATH_IMAGE098
的安全程度，根据公式：
Figure 100002_DEST_PATH_IMAGE116
其中，
Figure 100002_DEST_PATH_IMAGE118
为路段
Figure 651804DEST_PATH_IMAGE098
的安全程度，
Figure 100002_DEST_PATH_IMAGE120
为进入到路段区域网络的行人序号，
Figure 100002_DEST_PATH_IMAGE122
为进入到路段区域网络的行人数量，
Figure 100002_DEST_PATH_IMAGE124
为调节系数1，
Figure 928939DEST_PATH_IMAGE126
为调节系数2，
Figure 100002_DEST_PATH_IMAGE128
为补偿值；
S7-4、计算路段
Figure 547133DEST_PATH_IMAGE098
的安全程度，根据公式：
Figure 928436DEST_PATH_IMAGE130
其中，
Figure 237058DEST_PATH_IMAGE118
为路段
Figure 297811DEST_PATH_IMAGE098
的安全程度，
Figure 183727DEST_PATH_IMAGE120
为进入到路段区域网络的行人序号，
Figure 509666DEST_PATH_IMAGE122
为进入到路段区域网络的行人数量，
Figure 282582DEST_PATH_IMAGE124
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 100002_DEST_PATH_IMAGE132
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 DEST_PATH_IMAGE134
，若存在任一
Figure DEST_PATH_IMAGE136
大于
Figure 42465DEST_PATH_IMAGE134
，则
Figure 415677DEST_PATH_IMAGE132
不等于0，且
Figure 279728DEST_PATH_IMAGE132
大于0；其他情况下，
Figure 907150DEST_PATH_IMAGE132
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 DEST_PATH_IMAGE138
不大于
Figure DEST_PATH_IMAGE140
，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 372023DEST_PATH_IMAGE132
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 DEST_PATH_IMAGE142
，将该时间段内所有超出
Figure 435793DEST_PATH_IMAGE142
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概率；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概率；
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、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概率，结合步骤S1、S2、S3得出的多源异构数据进行处理分析的结果，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 DEST_PATH_IMAGE144
为路段区域网络内的任意路段，路段
Figure DEST_PATH_IMAGE146
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 DEST_PATH_IMAGE148
为路段区域网络内带有电动车存放点的任意路段，
Figure DEST_PATH_IMAGE150
为路段区域网络路段总数量，即存在
Figure DEST_PATH_IMAGE152
；
在步骤S2中，路段区域网络内存在有
Figure DEST_PATH_IMAGE154
个入口，对
Figure 228169DEST_PATH_IMAGE154
个入口上的监控装置进行标记，记为集合
Figure DEST_PATH_IMAGE156
，所述
Figure DEST_PATH_IMAGE158
、
Figure DEST_PATH_IMAGE160
、
Figure DEST_PATH_IMAGE162
、
Figure DEST_PATH_IMAGE164
、
Figure DEST_PATH_IMAGE166
分别代表
Figure 883666DEST_PATH_IMAGE154
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 DEST_PATH_IMAGE168
其中，
Figure DEST_PATH_IMAGE170
代表进入的路口；
Figure DEST_PATH_IMAGE172
代表时间；
Figure DEST_PATH_IMAGE174
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_IMAGE176
上对
Figure DEST_PATH_IMAGE178
个行人的行走时间进行采集，记为集合
Figure DEST_PATH_IMAGE180
，所述
Figure DEST_PATH_IMAGE182
、
Figure DEST_PATH_IMAGE184
、
Figure DEST_PATH_IMAGE186
、
Figure DEST_PATH_IMAGE188
、
Figure DEST_PATH_IMAGE190
分别代表路段
Figure 390213DEST_PATH_IMAGE176
上
Figure 206859DEST_PATH_IMAGE178
个行人的行走时间，根据公式：
Figure DEST_PATH_IMAGE192
其中，
Figure DEST_PATH_IMAGE194
即代表行人在路段
Figure 848931DEST_PATH_IMAGE176
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 575579DEST_PATH_IMAGE176
和时间
Figure 84051DEST_PATH_IMAGE194
的关系，记为
Figure DEST_PATH_IMAGE196
；
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 DEST_PATH_IMAGE198
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 DEST_PATH_IMAGE200
个路口，每个路口存在的路口选择记为集合
Figure DEST_PATH_IMAGE202
，所述
Figure DEST_PATH_IMAGE204
、
Figure DEST_PATH_IMAGE206
、
Figure DEST_PATH_IMAGE208
、
Figure DEST_PATH_IMAGE210
、
Figure DEST_PATH_IMAGE212
分别代表
Figure DEST_PATH_IMAGE214
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 DEST_PATH_IMAGE216
，所述
Figure DEST_PATH_IMAGE218
、
Figure DEST_PATH_IMAGE220
、
Figure DEST_PATH_IMAGE222
、
Figure DEST_PATH_IMAGE224
、
Figure DEST_PATH_IMAGE226
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 DEST_PATH_IMAGE228
的消耗时长
Figure DEST_PATH_IMAGE230
和概率
Figure DEST_PATH_IMAGE232
，根据公式：
Figure DEST_PATH_IMAGE234
Figure DEST_PATH_IMAGE236
因此，搭建出进入到路段
Figure DEST_PATH_IMAGE238
的时刻模型即为
Figure DEST_PATH_IMAGE240
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概率步骤如下：
S7-1、根据进入到路段
Figure 781137DEST_PATH_IMAGE238
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 525102DEST_PATH_IMAGE238
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 DEST_PATH_IMAGE242
，所述
Figure 575097DEST_PATH_IMAGE242
包括任意两个
Figure DEST_PATH_IMAGE244
时刻之间的差值、
Figure DEST_PATH_IMAGE246
与每一小时的初始整点时刻之间的差值，
Figure DEST_PATH_IMAGE248
与每一小时的终点整点时刻之间的差值，所述
Figure 287095DEST_PATH_IMAGE246
与
Figure 829066DEST_PATH_IMAGE248
分别为该整点内的最小时刻值与最大时刻值，路段
Figure DEST_PATH_IMAGE249
所需的行走时间记为
Figure DEST_PATH_IMAGE251
；若存在
Figure 547361DEST_PATH_IMAGE242
大于
Figure 514180DEST_PATH_IMAGE251
，进入步骤S7-3；若
Figure 613723DEST_PATH_IMAGE242
不大于
Figure 33203DEST_PATH_IMAGE251
，则进入步骤S7-4；
S7-3、对路段
Figure 259916DEST_PATH_IMAGE238
进行标记，对
Figure 81241DEST_PATH_IMAGE242
部分进行标记，对所有
Figure 86106DEST_PATH_IMAGE242
部分进行求和，根据公式：
Figure DEST_PATH_IMAGE253
其中，
Figure DEST_PATH_IMAGE255
为无人经过时间占比；
Figure DEST_PATH_IMAGE257
为所有
Figure 623574DEST_PATH_IMAGE242
部分的时间总和；
计算路段
Figure 388399DEST_PATH_IMAGE238
的安全程度，根据公式：
Figure DEST_PATH_IMAGE259
其中，
Figure DEST_PATH_IMAGE261
为路段
Figure 234870DEST_PATH_IMAGE238
的安全程度，
Figure DEST_PATH_IMAGE263
为进入到路段区域网络的行人序号，
Figure DEST_PATH_IMAGE265
为进入到路段区域网络的行人数量，
Figure DEST_PATH_IMAGE267
为调节系数1，
Figure DEST_PATH_IMAGE269
为调节系数2，
Figure DEST_PATH_IMAGE271
为补偿值；
S7-4、计算路段
Figure 866096DEST_PATH_IMAGE238
的安全程度，根据公式：
Figure DEST_PATH_IMAGE273
其中，
Figure DEST_PATH_IMAGE275
为路段
Figure 666693DEST_PATH_IMAGE238
的安全程度，
Figure 359842DEST_PATH_IMAGE263
为进入到路段区域网络的行人序号，
Figure 14815DEST_PATH_IMAGE265
为进入到路段区域网络的行人数量，
Figure 876329DEST_PATH_IMAGE267
为调节系数；
补偿值
Figure DEST_PATH_IMAGE277
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 DEST_PATH_IMAGE279
，若存在任一
Figure DEST_PATH_IMAGE281
大于
Figure 633064DEST_PATH_IMAGE279
，则
Figure 988959DEST_PATH_IMAGE277
不等于0；其他情况下，
Figure 639383DEST_PATH_IMAGE277
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 DEST_PATH_IMAGE283
，将该时间段内所有超出
Figure 143570DEST_PATH_IMAGE283
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 DEST_PATH_IMAGE285
；
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 DEST_PATH_IMAGE287
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 DEST_PATH_IMAGE289
、
Figure DEST_PATH_IMAGE291
、
Figure DEST_PATH_IMAGE293
、
Figure DEST_PATH_IMAGE295
、
Figure DEST_PATH_IMAGE297
；
得出五位行人从各自路口进入到达路段3的消耗时长
Figure DEST_PATH_IMAGE299
和概率
Figure DEST_PATH_IMAGE301
，根据公式：
Figure DEST_PATH_IMAGE303
Figure DEST_PATH_IMAGE305
行人1：在15点36分24秒到达，概率为
Figure DEST_PATH_IMAGE307
；
行人2：在15点46分24秒到达，概率为
Figure 544858DEST_PATH_IMAGE307
；
行人3：在15点40分30秒到达，概率为
Figure 704443DEST_PATH_IMAGE307
；
行人4：在16点00分30秒到达，概率为
Figure 819161DEST_PATH_IMAGE307
；
行人5：在16点02分12秒到达，概率为
Figure 914156DEST_PATH_IMAGE307
；
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 DEST_PATH_IMAGE309
分别为如下：6.4；4.1；5.9；14.1；1.7；27.8
路段3的
Figure DEST_PATH_IMAGE311
为5.5；
因此，根据公式：
Figure DEST_PATH_IMAGE313
可得，
Figure DEST_PATH_IMAGE315
；
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 DEST_PATH_IMAGE317
为调节系数1，为0.5；
Figure DEST_PATH_IMAGE319
为调节系数2，为1.2；根据公式：
Figure DEST_PATH_IMAGE321
得出
Figure DEST_PATH_IMAGE323
为0.7895；
设置阈值
Figure DEST_PATH_IMAGE325
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概率；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概率；
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、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概率，结合步骤S1、S2、S3得出的多源异构数据进行处理分析的结果，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 848126DEST_PATH_IMAGE002
为路段区域网络内的任意路段，路段
Figure 93162DEST_PATH_IMAGE004
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 479757DEST_PATH_IMAGE006
为路段区域网络内带有电动车存放点的任意路段，
Figure 219174DEST_PATH_IMAGE008
为路段区域网络路段总数量，即存在
Figure 908912DEST_PATH_IMAGE010
；
在步骤S2中，路段区域网络内存在有
Figure 606741DEST_PATH_IMAGE012
个入口，对
Figure 480631DEST_PATH_IMAGE012
个入口上的监控装置进行标记，记为集合
Figure 554898DEST_PATH_IMAGE014
，所述
Figure 833564DEST_PATH_IMAGE016
、
Figure 420403DEST_PATH_IMAGE018
、
Figure 518940DEST_PATH_IMAGE020
、
Figure 331650DEST_PATH_IMAGE022
、
Figure 182932DEST_PATH_IMAGE024
分别代表
Figure 425825DEST_PATH_IMAGE012
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 995347DEST_PATH_IMAGE026
其中，
Figure 83520DEST_PATH_IMAGE028
代表进入的路口；
Figure 523729DEST_PATH_IMAGE030
代表时间；
Figure 140786DEST_PATH_IMAGE032
代表所在路段；
在步骤S3中，调取历史大数据信息，在路段
Figure 400866DEST_PATH_IMAGE002
上对
Figure 276418DEST_PATH_IMAGE034
个行人的行走时间进行采集，记为集合
Figure 305554DEST_PATH_IMAGE036
，所述
Figure 379599DEST_PATH_IMAGE038
、
Figure 126976DEST_PATH_IMAGE040
、
Figure 540639DEST_PATH_IMAGE042
、
Figure 175014DEST_PATH_IMAGE044
、
Figure 648721DEST_PATH_IMAGE046
分别代表路段
Figure 883393DEST_PATH_IMAGE002
上
Figure 835169DEST_PATH_IMAGE034
个行人的行走时间，根据公式：
Figure 589629DEST_PATH_IMAGE048
其中，
Figure 499816DEST_PATH_IMAGE050
即代表行人在路段
Figure 956205DEST_PATH_IMAGE002
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 462404DEST_PATH_IMAGE002
和时间
Figure 320639DEST_PATH_IMAGE050
的关系，记为
Figure 136148DEST_PATH_IMAGE052
；
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 79833DEST_PATH_IMAGE054
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 652373DEST_PATH_IMAGE056
个路口，每个路口存在的路口选择记为集合
Figure 365114DEST_PATH_IMAGE058
，所述
Figure 351524DEST_PATH_IMAGE060
、
Figure 798817DEST_PATH_IMAGE062
、
Figure 161665DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE068
分别代表
Figure 73121DEST_PATH_IMAGE056
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 DEST_PATH_IMAGE070
，所述
Figure DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE078
、
Figure DEST_PATH_IMAGE080
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 DEST_PATH_IMAGE082
的消耗时长
Figure DEST_PATH_IMAGE084
和概率
Figure DEST_PATH_IMAGE086
，根据公式：
Figure DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE090
因此，搭建出进入到路段
Figure 869913DEST_PATH_IMAGE082
的时刻模型即为
Figure DEST_PATH_IMAGE092
。
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，计算路段的安全程度步骤如下：
S7-1、根据进入到路段
Figure 584928DEST_PATH_IMAGE082
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 485888DEST_PATH_IMAGE082
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 DEST_PATH_IMAGE094
，所述
Figure 455112DEST_PATH_IMAGE094
包括任意两个
Figure DEST_PATH_IMAGE096
时刻之间的差值、
Figure DEST_PATH_IMAGE098
与每一小时的初始整点时刻之间的差值，
Figure DEST_PATH_IMAGE100
与每一小时的终点整点时刻之间的差值，所述
Figure 390183DEST_PATH_IMAGE098
与
Figure 530177DEST_PATH_IMAGE100
分别为该整点内的最小时刻值与最大时刻值，路段
Figure 985560DEST_PATH_IMAGE082
所需的行走时间记为
Figure DEST_PATH_IMAGE102
；若存在
Figure 324138DEST_PATH_IMAGE094
大于
Figure 573985DEST_PATH_IMAGE102
，进入步骤S7-3；若
Figure 466854DEST_PATH_IMAGE094
不大于
Figure 709617DEST_PATH_IMAGE102
，则进入步骤S7-4；
S7-3、对路段
Figure 122275DEST_PATH_IMAGE082
进行标记，对
Figure 792291DEST_PATH_IMAGE094
部分进行标记，对所有
Figure 906877DEST_PATH_IMAGE094
部分进行求和，根据公式：
Figure DEST_PATH_IMAGE104
其中，
Figure DEST_PATH_IMAGE106
为无人经过时间占比；
Figure DEST_PATH_IMAGE108
为所有
Figure 825767DEST_PATH_IMAGE094
部分的时间总和；
Figure DEST_PATH_IMAGE110
为行人数量；
计算路段
Figure 889669DEST_PATH_IMAGE082
的安全程度，根据公式：
Figure DEST_PATH_IMAGE112
其中，
Figure DEST_PATH_IMAGE114
为路段
Figure 543635DEST_PATH_IMAGE082
的安全程度，
Figure DEST_PATH_IMAGE116
为进入到路段区域网络的行人序号，
Figure DEST_PATH_IMAGE118
为进入到路段区域网络的行人数量，
Figure DEST_PATH_IMAGE120
为调节系数1，
Figure DEST_PATH_IMAGE122
为调节系数2，
Figure DEST_PATH_IMAGE124
为补偿值；
S7-4、计算路段
Figure 96583DEST_PATH_IMAGE082
的安全程度，根据公式：
Figure DEST_PATH_IMAGE126
其中，
Figure 477886DEST_PATH_IMAGE114
为路段
Figure 599557DEST_PATH_IMAGE082
的安全程度，
Figure 611375DEST_PATH_IMAGE116
为进入到路段区域网络的行人序号，
Figure 700554DEST_PATH_IMAGE118
为进入到路段区域网络的行人数量，
Figure 88810DEST_PATH_IMAGE120
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 64987DEST_PATH_IMAGE124
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 DEST_PATH_IMAGE128
，若存在任一
Figure DEST_PATH_IMAGE130
大于
Figure 591915DEST_PATH_IMAGE128
，则
Figure 168390DEST_PATH_IMAGE124
不等于0，且
Figure 94757DEST_PATH_IMAGE124
大于0；其他情况下，
Figure 188091DEST_PATH_IMAGE124
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 DEST_PATH_IMAGE132
，将该时间段内所有超出
Figure 604029DEST_PATH_IMAGE132
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 CN114323027A (zh) 2022-04-12
CN114323027B true 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)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021013601A1 (en) * 2019-07-19 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8805707B2 (en) * 2009-12-31 2014-08-12 Hartford Fire Insurance Company Systems and methods for providing a safety score associated with a user location
WO2017062684A1 (en) * 2015-10-06 2017-04-13 Numerica Corporation Systems and methods for dynamically generating patrol schedules based on historic demand event data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2021013601A1 (en) * 2019-07-19 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

Also Published As

Publication number Publication date
CN114323027A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
Ozbayoglu et al. A real-time autonomous highway accident detection model based on big data processing and computational intelligence
Li et al. Prediction of urban human mobility using large-scale taxi traces and its applications
CN103116825B (zh) 智慧城市管理系统
CN109658554B (zh) 一种基于大数据的智能小区安防系统
CN109686109A (zh) 一种基于人工智能的停车场安全监控管理系统
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
WO2017130902A1 (ja) 情報処理装置、情報処理方法、及びプログラム
Randriamanamihaga et al. Clustering the Vélib׳ dynamic Origin/Destination flows using a family of Poisson mixture models
CN113674325A (zh) 人员轨迹追踪方法及系统
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
CN112699328A (zh) 网点服务数据处理方法、装置、系统、设备及存储介质
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
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
CN114323027B (zh) 一种基于多源异构数据处理的数据分析系统及方法
CN113487055A (zh) 一种智能门票预售方法和装置
Ueda et al. Spatio-temporal multidimensional collective data analysis for providing comfortable living anytime and anywhere
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

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