CN114706988A - 基于知识图谱的监控预警方法及装置 - Google Patents
基于知识图谱的监控预警方法及装置 Download PDFInfo
- Publication number
- CN114706988A CN114706988A CN202110787915.1A CN202110787915A CN114706988A CN 114706988 A CN114706988 A CN 114706988A CN 202110787915 A CN202110787915 A CN 202110787915A CN 114706988 A CN114706988 A CN 114706988A
- Authority
- CN
- China
- Prior art keywords
- entity
- monitoring
- mobile
- entities
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于知识图谱的监控预警方法及装置,属于计算机技术领域。基于知识图谱的监控预警方法能够根据所有监控实体的属性构建实体库,基于监控实体的位置构建监控路网图;根据监控实体采集的移动实体的特征及监控实体的属性,构建与相应的监控实体关联的移动实体库,从而将移动实体与相应的监控实体关联;依据关系抽取规则根据监控路网图对移动实体、及与同一监控实体关联的多个移动实体构建维度关系,从而得到移动实体间以及移动实体与监控实体之间的维度关系,以便于利用预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,从而达到快速有效对移动实体进行预警辨识。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及基于知识图谱的监控预警方法及装置。
背景技术
在智能安全管理服务领域,利用现场摄像机和雷达,线圈等多维传感器,实现对人员或车辆的检测和抓拍,并利用如深度学习等图像处理算法,自动提取人脸特征、车牌识别,并系统内登记的内部人员/车辆进行自动特征点提取和比对,一方面实现黑名单布控,一方面主要作用是在事后通过时间,地点或者人员特征,车辆特征进行历史记录搜索。但这种应用对于非直接线索的搜索则需要耗费大量的人力物力,目前的智能安全管理服务可以搜索某一个对象的行程记录,但对于搜索近一个月与某个人密切接触的对象,则需要人工搜索排查,效率低,实用性差。现有的智能安全管理系统可以基于需求对某些特定对象进行管控,但是,无法主动的预防、发现异常人员或异常行为,不支持主动预警功能,无法及时、有效的对未来潜在威胁进行预防。
发明内容
针对上述问题,现提供一种旨在可及时、有效对未来潜在威胁进行预防的基于知识图谱的监控预警方法。
本发明提供了一种基于知识图谱的监控预警方法,包括:
根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库;
根据所述监控实体的位置信息构建监控路网图;
根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库;
基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹;
根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系;
基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
可选的,根据所述监控实体的位置信息构建监控路网图,包括:
根据所述预设标实库中的地址实体位置安装所述监控实体,所述监控实体采用图像采集设备,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
可选的,根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库,包括:
提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息;
将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配;
若是,将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;
若否,将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
可选的,所述维度关系包括:
居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。
可选的,基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体,包括以下至少一种方式:
采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
本发明还提供了一种基于知识图谱的监控预警装置,包括:
第一构建单元,用于根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库;
第二构建单元,用于根据所述监控实体的位置信息构建监控路网图;
第三构建单元,用于根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库;
生成单元,用于基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹;
处理单元,用于根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系;
预警单元,用于基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
可选的,所述监控实体采用图像采集设备;
所述第二构建单元用于根据所述预设标实库中的地址实体位置安装所述监控实体,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
可选的,所述第三构建单元用于提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息,将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配;若是,将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;若否,将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
可选的,所述维度关系包括:
居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。
可选的,所述预警单元基于预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,包括以下至少一种方式:
采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
上述技术方案的有益效果:
本技术方案中,基于知识图谱的监控预警方法能够根据所有监控实体的属性构建实体库,基于监控实体的位置构建监控路网图;根据监控实体采集的移动实体的特征及监控实体的属性,构建与相应的监控实体关联的移动实体库,从而将移动实体与相应的监控实体关联;依据关系抽取规则根据监控路网图对移动实体、及与监控实体关联的多个移动实体构建维度关系,从而得到移动实体间以及移动实体与监控实体之间的维度关系,以便于利用预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,从而达到快速有效对移动实体进行预警辨识的目的,实现对未来潜在威胁进行预防的效果。
附图说明
图1为本发明所述的基于知识图谱的监控预警方法的一种实施例的流程图;
图2为一种实施例的路径有向图;
图3为知识图谱的一种示意图;
图4为本发明所述的基于知识图谱的监控预警装置的一种实例例的模块图。
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
参阅图1所示,本实施例提供的一种基于知识图谱的监控预警方法包括以下步骤:
S1.根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库。
其中,所述监控实体的属性可采用三元组,三元组可包括实体标识、实体的属性及所述属性对应的属性值。预设标实库为地址实体存储行政编码的数据库,地址实体可以是标识地址位置信息(经度纬度)的实体。
在本实施例中,监控实体可采用图像采集设备,监控实体的标识可以是采集设备号或行政编码等数据。
S2.根据所述监控实体的位置信息构建监控路网图。
本实施例中,根据所述预设标实库中的地址实体位置安装所述监控实体,所述监控实体采用图像采集设备,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
在监控路网图中每个节点对应一个监控实体,监控实体的属性采用一标三实模式,标记单位经纬度坐标及场所属性,如道路,社区,宾馆,理发店,工厂,餐厅,健身房等。在本实施例中,以安装有摄像头的点位为监控实体(或卡点),监控实体定义为从属于某个行政单位节点有摄像头等采集设备的实体,依据行人或车辆实体类型,监控实体与监控实体间的人员/车辆到达的最短时间距离为边并赋予权重,构造监控路网图,可作为监控实体存储和加载应用。
由此,与实际道路地图不同,任意两个卡点之间均存在边且均存在最短可达时间作为权重,以A、B、C、D、E五个节点的路网基础图为例,采用二维矩阵来表述如下:
A | B | C | D | E | |
A | 0 | AB | AC | AD | AE |
B | BA | 0 | BC | BD | BE |
C | CA | CB | 0 | CD | CE |
D | DA | DB | DC | 0 | DE |
E | EA | EB | EC | ED | 0 |
由此,完成人员或车辆对卡点及卡点间可达性的抽象表述,所述最短可达时间可以从如百度地图等方式获取或实时更新。
本实施例将客观世界的时空信息以监控实体为基础进行数据抽象,构造基本的时空本体,便于后续基于图论对行人、车辆、单位及事件按照图论的数据结构和方法进行描述,完成基础时空数据建模,可对人、车分别建立权重,以体现不同出行方式的路径选择差异性,便于对目标轨迹合理性和目的性进行判断分析(如异常轨迹,异常频率等)。
S3.根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库。
其中,移动实体可以是行人、车辆等移动对象。实体标识可以是身份ID,如身份证号或车牌号等数据。
具体地,步骤S3可包括以下步骤:
S31.提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息;
S32.将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配,若是,执行步骤S33;若否,执行步骤S34
S33.将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;
S34.将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
本实施例中,可对视频/图像等非结构化数据进行特征抽取,移动实体的特征可包括两种,一种为车牌为代表的结构化数据,一种为人脸为代表的特征化数据,对特征化数据,采用特征比对方法,将特征对应的标识信息与本体库中的实体标识进行比对,以确定与标识信息对应的移动实体。
在实际应用中,以一段时间内特定人员(如唯一身份id)、车辆(唯一车辆id)在卡点间的时空出行轨迹节点集合按照时间先后顺序连接起来以得到移动路径,该移动路径可采用时空轨迹节点方式进行存储及加载,建立以起始点和终点间特定目标id为索引的时空节点轨迹矩阵,用时空节点轨迹矩阵来抽象描述,矩阵权重为目标在卡点间以时间顺序间隔时间长度。
以某个特定移动实体在预设时间段内的经行路径生成路径有向图,参阅图 2所示,移动实体从节点A出发途经节点B、C、F、D、E,形成 A->A->B->C->F->D->E->A路径,按照时间顺序形成有向边,单个节点连续出现两次以上,以环表述如AA,边的权重是实际目标在两点间的耗费时间。移动实体按照时间顺序在监控路网图中的路径用矩阵表述,两个节点之间时间顺序不可达为/,单个节点只出现一次为0,对任意两点均存在边,整个图可以用二维矩阵来表述如下:
通过监控路网图对一段时间移动实体轨迹进行数据抽象,生成以时间间隔为权重的时空节点轨迹矩阵,既便于存储和后续加载分析,也便于与预设监控规则进行匹配分析,便于对移动实体之间,卡点流量,卡点聚类等情况的分析,如最短路径,最大流,最小生成树,落脚点等,从而为后续判断异常聚集,异常拥堵,非法滞留等安全预警事件进行推理分析。
进一步地,关联关系可采用“一标三实”的形式搭建安全图谱本体。在目标时间段和卡点范围内,对所有移动实体及需要管理的卡点及对应单位,构建“实体->属性->属性值”三元组,作为知识图谱本体。对卡点以国家行政区域划分标准,进行编码,形成国家,省,市,区县,街道/乡,社区/村,组,栋,单元,房间的树状结构,并记录单位行业属性,以RDF形式记录,生成从属规则,作为监控类知识图谱本体。对移动人员、车辆按照行政区域划分,即居住地/注册地进行编码,形成国家,省,市,区县,街道/乡,社区/村,组,栋,单元,房间的树状结构,并记录人员从业属性,车辆登记信息属性,以RDF 形式记录,作为移动类知识图谱本体。以某社区某单元某房间人员为例,可基于某街道人员,以此递推到区县,市,省人员。人员身份库可包括:身份证,人员性质,黑名单,违法记录类型等信息,车辆库可包括:车牌,车辆类型,车辆户籍及违章记录,黑名单,违法类型、车辆所属单位,车辆拥有人等信息,人员关系库可包括:同单位为同事,同房间为家庭或者租客室友,房东房客对应关系等信息。
在本实施例中,可基于监控类本体和移动类本体,以安防管理的行业需求设定本体的管理关系和权限树,以便于对人员车辆记录,报警记录及属性维护进行管理权限分配,作为权限本体。
以一标三实为例,当登记为某社区某单元某房间人员,就自然是某街道人员,以此递推到区县,市,省人员;
形成对人员身份库(身份证,人员性质,黑名单,违法记录类型等),车辆库(车牌,车辆类型,车辆户籍及违章记录,黑名单,违法类型等),卡点库,人员关系库(同单位为同事,同房间为家庭或者租客室友,房东房客对应关系等),车辆所属单位,车辆拥有人。
S4.基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹。
S5.根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系。
其中,所述维度关系可包括:居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。维度关系可以是与同一监控实体关联的多个移动实体之间的维度关系,以可以是与相同属性的多个监控实体关联的多个移动实体之间的维度关系。
在本实施例中,利用数据挖掘以移动实体的时空节点轨迹矩阵为基础,根据关系抽取规则,可自动抽取实体间的安全维度关注的关系,构造知识图谱将移动实体的关系进行图表达,便于进行后续的关系抽取规则数据挖掘,这种表达简单直接,可以形象地描述实体属性本身及实体之间的关系,这种存储和加载方式更符合安全业务关注的现实维度,具备非常好的可解释性和搜索便利性,为后续基于预设监控规则的预警挖掘奠定基础。维度关系可采用RDF描述“实体->关系->实体”。
在本实施例中,以多个移动实体的路径(时空节点方向图)集合构造路径网络图,基于关系抽取规则抽取出移动实体之间以及移动实体与监控实体之间的维度关系,,由此生成RDF三元组,完成知识抽取和知识图谱存储及REDIS 内存加载更新。
关系抽取规则下的移动实体关系抽取方法如下:
对于监控实体以属性为关系基础,即监控实体间以同类属性建立维度关系,如位置属性,在同一个cbd(Central Business District,中央商务区),同为理发店,同为会员制等,例如:抽取结果为:卡点1→同cbd→卡点2,卡点 2→属性→超市;
对于移动实体(如:人员,车辆)基于属性(如身份,工作单位,居住单位)建立维度关系,如移动实体1→居住→卡点1,移动实体2→会员→健身房1→→;
对于在监控实体(如:卡点1)范围内的陌生移动对象(如:移动实体1),在设定时间段内首次出现的人员或车辆,维度关系为:移动实体1→陌生人→卡点1;
对于突然消失的情况,在监控实体(如:卡点1)范围内,在设定时间段内超过设定时间没有出现的人员或车辆(如:移动实体1),维度关系为,移动实体1→突然消失→卡点1;
对于伴随的情况,在某一监控实体范围设定间隔时间内,多个人员或车辆 (如:移动实体1)出现的次数超过设定次数视为伴随关系,维度关系为:移动实体1→伴随→移动实体2;
对于聚集的情况,在监控实体(如:卡点1)范围设定间隔时间内,多个人员或车辆(如:移动实体1)同时出现,且数量超过预设数量,视为聚集关系,维度关系为:移动实体1→聚集→卡点1,移动实体2→聚集→卡点1;
对于团伙情况,在监控实体(如:卡点1)范围设定间隔时间内,多个人员或车辆(如:移动实体1、移动实体2)出现的次数超过预设次数,视为团伙关系,维度关系为:移动实体1→团伙→团伙1,移动实体2→团伙→团伙1;
对于异常轨迹情况,依据监控路网图,若人员或车辆出现违背最短路原则且与日常轨迹不符,持续时间超过阈值,则视为异常轨迹,维度关系为:移动实体1→异常轨迹→异常轨迹事件;
对于昼伏夜出情况,在监控实体范围设定间隔时间内,移动实体在夜间出现但白天不出现的次数超过阈值,则视为昼伏夜出。
S6.基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
具体地,步骤S6可包括以下至少一种方式:
基于所述移动实体的移动路径生成移动轨迹,采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
本实施例中,采用预设监控规则可将每种类型的预警事件作为实体,并根据安全管理对预警事件定义逻辑,对预警事件实体进行多个维度的特征描述,进而对知识图谱的生成图采用遍历的方法进行推理规则判断,以识别预警实体。将预警事件作为实体用知识图谱推理来表述和实现,具有直观性和可解释性,便于生成交互页面,让用户直接定义推理规则,从而完成对关注目标的关注行为进行预警,如:监控实体状态异常,关注人车目标轨迹异常,异常聚集,团伙行动等预警实体定义及预警生成逻辑模型。
对于异常移动轨迹事件,可根据人员或车辆不同类型目标,选择不同权重的时空节点本体基础图,结合目标移动轨迹记录,利用最短路径原则对目标的移动轨迹进行合理性判断,如昼伏夜出,频率异常,且根据与最短路偏差阈值,完成异常轨迹事件预警。针对一段时间内关注移动实体的轨迹进行合理性分析并对偏差设定阈值,从而实现对轨迹异常行为的最短路判断抽象,完成自动的轨迹异常报警推送,如异常绕路,异常反复出现,昼伏夜出,突然出现,突然消失等。
对团伙分析事件,可将关系密切度超过时长或频率阈值的人员车辆聚类为团伙,抽取生成团伙关系;对特定人员团伙出现在某些特定场所的次数或个数超过阈值生成异常团伙预警。实现对团伙的关系抽取及更新,实现对团伙的实时状态监控,对根据规则应形成预警的团伙自动输出,输出事件及参与事件的实体。
对于异常聚集事件,可将特定人员或特定团伙出现频率或人数或累计次数超过设定规则的生成场所高风险提示。实现对卡点场所的实时状态监控,输出异常的预警事件,可包括事件及事件构成要素等数据。
对于预设区域的异常聚集事件,可将特定人员或特定团伙出现频率或人数或累计次数超过设定规则的生成异常聚集风险提示。实现对异常聚集实体的关系抽取及更新,对卡点或隶属于某种相同属性关系的卡点集合(如地铁站的所有出入口)的实时目标聚集状态监控,对根据规则应形成预警的聚集事件自动输出。
在本实施例中,可根据预设监控规则对移动实体进行风险评估预警推送。如对特定单位(可以包括几个卡点),建立一户一档,采集静态参数和动态参数,建立评估体系,对特定人员,车辆,建立一人/一团伙/一车辆一档,采集静态参数和动态参数,建立评估体系,设定风险打分机制及超过阈值报警机制,形成安全管理风险评价体系和预警推理模型。
针对单位实体,一户一档,每户的静态属性包括常驻人员复杂度X,消防管理Y,建筑隐患Z,治安案件M。静态风险E1=F(X,Y,Z,M),如: E1=3X+3Y+2Z+4M,XYZM均采用1-5打分制每户的动态属性,包括陌生人员 R,人员聚集S,昼伏夜出T,人员变更Q;建立风险模型E2=F(R,S,T,Q),如: E2=2R+3S+2T+3Q,R,S,T,Q均采用1-5打分制;F()为积分函数,用户可以自定义,如加权相加等。对单位实体综合动态风险指数为E=F(E1,E2),如 E=E1*E2/2500*100%。
针对目标实体,建立一人/一团伙/一车一档。每人的静态属性包括居住性质X,工作职业Y,家庭情况Z,涉案情况M。静态风险E1=F(X,Y,Z,M),如 E1=3X+3Y+2Z+4M,XYZM均采用1-5打分制。每人的动态属性,包括陌生出现R,异常轨迹T,伴随人员S,昼伏夜出P,异常聚集Q;建立风险模型, E2=F(R,S,T,P,Q),如E2=2R+3S+2T+1P+2Q,R,S,T,P,Q均采用1-5打分制;F()为积分函数,用户可以自定义,如加权相加等。对人车目标实体综合动态风险指数为E=F(E1,E2),如E=E1*E2/2500*100%。
现有的伴随人员分析一般都采用事后分析的方法,无法做到提前预防,在本实施例中基于人脸检测和比对识别技术,实时对所有经过人员进行分析,并缓存前后人员数据,依据人脸识别结果对目标人员进行伴随状态分析,从而对达到用户设定的伴随状态人员进行实时预警输出。人员伴随分析有时在事件预防中也能体现有效的应用,根据事前实现对目标重点人像进行入库管理,通过人员伴随分析,达到人员聚集预警目的,也可以实现对有人尾随目标人员预警的作用,从而能够在案发前提醒相关管理人员进行干预,达到预警,预防的作用。在此类规则应用的基础上进行参数修改设定,也可对目标人员无人监护独自出行的情况进行预警。本实施例利用人像识别技术,对符合某些体貌特征的移动实体(如儿童,老人)或预先保持的重点人员人像库比对身份确认,对确认为目标人员进行时空轨迹记录,并缓存其每个出现点的前后一段时间内的人脸特征记录,以此逻辑进行实时监测记录,当确认目标人员超过设定阈值的点位或次数时,对集合内的所有人员集合进行聚类分析,从而得到与之同时出现的人员时空轨迹信息。
本实施例可进行事后分析的人员伴随排查,如某地发生案件,已知A类人员,需要排查是否有同伙,根据该A类人员的轨迹进行人员伴随统计,当统计结果有超过设定阈值的点位或次数时,很大概率为A类人员同伙。对于小区的小孩或无自己出行能力的老人,每次出行时,会对目标的伴随人员进行分析,如果没有指定的伴随人员跟随,则对目标进行结果输出,判断为单独出行,结果将推送给指定的监护人。可基于重点人员管控库,如:B类人员库, C类人员库进行监管,当有人员伴随情况(库内的两名或两名以上人员统计结果有超过设定阈值的点位或次数时)出现时,则进行预警推送。特殊情况,也可对尾随情况进行预警统计,对单独的重点人员轨迹伴随人员统计结果有超过设定阈值的点位或次数时,则大概率判定为尾随。
突然消失分析一般应用于事前预防,对事先建立好的人员人像集合进行监管,根据现场需求建立规则,对综治监管往往能起到很大的作用。在日常生活中,根据现场的实际需求,通过突然消失规则的不同设定,可以解决许多的不同实际应用需求。本实施例应用人像识别技术,将采集到的图像与预设重点人员人像库中的图像进行身份比对,对匹配的移动实体进行时空轨迹记录,并缓存其每个出现点的前后一段时间内的人脸特征记录,以此逻辑进行实时监测记录,当确认移动实体出现时间或次数大于设定时间或次数时,将对此类结果进行预警。
对于治安重点人的管控一直以来都是政府以及公安的监管难点,一般都是靠人力进行执勤,重大节日期间,执勤人员往往需要24小时无间歇的进行监控,但往往效果不好。采用本实施例的规则,可通过人工智能对治安重点人进行监管,当目标人在规定的时间内没有人脸抓拍轨迹出现时,则判定该人突然消失,并对执勤人员进行预警推送。
在实际应用中,如出租房租客退租却没有签离,通过突然消失规则的判定,当租客超过一定(可设置)时间内没有轨迹出现,则判定为突然消失,房东,网格员则可以很快的进行判定并签离,大大的提高了人口管理的效率。同时在学校寝室中,很多起学生已经失踪好多天,但学校认为学生在家里,家长则认为学生在学校,不能对学生实际轨迹实时掌握,通过突然消失的应用,可以及时发现学生的异常,大大降低危险的发生。
单点徘徊多应用于事前的事件预防,对现场的某些不符合现场日常规律的行为进行预警。在对案件分析时,都会发现在案发前就已经出现了很多不符合当时现场日常逻辑的行为,但由于事前没有发现,或没有被重视,最后导致案件的发生,在实际公安及治安管理工作中,最重要的工作是预防和及时发现异常人员或异常行为,进而早干预,早采取措施,尽量在案发前期甚至作案前发现并控制A类人员,避免“亡羊补牢”。本技术方案利用人像识别技术,对所有抓拍到的人员进行识别比对,对比对结果进行提取特征,并缓存其每个出现点人脸特征记录,对特征相同的人脸进行聚类管理。当抓拍目标出现次数超过设定阈值的点位或次数时,会对此类结果进行预警。
在实际应用时可用于小区管理、出租房管理及医院管理等场景中。在小区管理中,大多数居民都是早出晚归,或偶尔出现,当突然有不符合此类行为出现时,如短时间内没目标出现了很多次,对该目标进行预警推送,结果会推送给相关管理员。在出租房管理中,根据现场的实际需求,通过单点徘徊规则的设置,对人员实名制管理起到了很大的作用,如对连续三天每天都出现(判定为在住却为登记)的徘徊人员进行预警,大大提高了管理者的工作效率。在医院管理中,通过现场实际需求,对单点徘徊规则设置后,可有效的对黄牛,医闹等进行管理。
案件发生后,办案人员要花费大量的时间与精力去反复的查看视频,从而排查犯案A类人员,但往往对于同性质案件时,办案人会定性为串并案,轨迹异常就是根据办案人串并案的逻辑思维,来快速的帮助办案人,缩小A类人员目标范围,快速找到A类人员。本实施例应用人像识别技术,对所有抓拍到的人员进行识别比对,对比对结果进行提取特征,并缓存其每个出现点人脸特征记录。对目标特征时间空间进行碰撞搜索,对属性相同碰撞结果进行预警输出。串并案发生后,可以根据两案发生的时间和地点建立任务,筛查出两地不同时间内都出现的人群,从而缩小A类人员目标范围,有助于快速定位A 类人员。往往在特定的事件中,轨迹异常也能帮助人们进行案件预防。比如在很短的时间内,小区所有出入口都有某个人的轨迹信息,而此人又并非小区的保安,(日常巡逻)此类行为明显不符合日常逻辑,因为判定为轨迹异常行为。将结果推送给小区管理员,其判断该人是否是在对小区进行踩点等。
在优选的实施例中,可在预设时间段内基于移动实体轨迹路径图集合建立流向量图,从而进行流分析,对节点流量,边流量进行加权统计。基于对移动实体(人员、车辆)单位时间内流量分析,根据节点或路网的通行能力上限,实现对聚集,异常拥挤的阈值判断,从而对实时拥堵,拥堵预测等预警。
在优选的实施例中,基于知识图谱的监控预警方法还可包括:
接收搜索请求,所述搜索请求包括搜索权限;根据所述搜索请求,依据深度优先原则或者广度优先原则对本体库中的实体、移动实体的维度关系进行搜索,输出与搜索请求直接关联,还可输出与搜索请求存在两层关系的实体对象,并根据对应关系生成相应的排序输出相应的实体对象,从而输出联想推荐数据的效果。
在本实施例中,能够以目标关系为检索词进行搜索,通过搜索可提升搜索对象信息的完整度,支持基于广度优先或深度优先图遍历完成推荐排序。如搜索张三最经常去的酒店,或搜索张三,联想输出与张三密切的团伙,常去酒店,居住地等关联信息。
基于维度关系中的实体属性及相应关系构建知识图谱,采用三元组形式进行存储,如:采用RDF存储在关系型数据库或者NEO4j图数据库,以便于进行关联搜索。参阅图3所示:
搜索与移动实体甲同团伙的人,根据深度优先原则,对甲进行相关性排序,如搜索“甲”关系密切的人,则依据关系(边)的个数和相关递归层数,依次得到“乙”(团伙+聚集),“丙”(团伙),“丁”(与团伙人员伴随出现),对维度关系进行筛选,即可得到“乙”,“丙”与“甲”是同伙关系;
对监控实体进行聚集判断,如某场所设定时间内特定移动实体超过两人出现则视为聚集,则输出聚集场所A;
根据团伙预警规则,如包括任意一个重点库人员的三人聚集团伙为预警条件,则遍历图中的重点人员,发现只有“丙”,进而发现“丙”与“甲”,“乙”构成团伙,则输出团伙预警及对应团伙人员“甲、乙、丙”;
根据异常伴随预警规则,如定义与重点人员伴随出现,且为陌生人徘徊的人员为预警人员,则输出人员“丁”为预警人员;
根据异常轨迹预警原则,对多次未实名制认证出现在酒店出现且没有确定身份登记的人员进行预警,图中遍历,“乙”虽然多次出现,但是登记确定身份人员,因此只输出人员“?”,完成异常轨迹事件预警;
根据需监护人员单独出现预警原则,实体人员“戊”是“己”的监护人,但在酒店场所C出现的“己”虽然与“?”人同时出现,但“?”与“己”不存在监护关系,故输出单人出行预警。
在优选的实施例中,基于知识图谱的监控预警方法还可包括:
基于监控实体采集的与移动实体对应移动实体的特征,更新所述移动实体与所述监控实体关联关系,以及与同一所述监控实体关联的多个所述移动实体构建维度关系。
本实施例中,随着时间推进,时空节点轨迹矩阵也不断增加更新,同时根据逻辑推理知识抽取,形成实体属性及实体间关系更新,从而完成知识图谱的 RDF三元组数据库更新,进一步,通过逻辑推理预警规则,实现预警,并对预警事件作为实体更新到图谱中,从而达到实时更新的目的,确保了预警推理具备实时性和准确性。在实际应用中,还可根据反馈消息更新移动实体与监控实体关联关系,以及与同一监控实体关联的多个移动实体构建维度关系。
在本实施例中,基于知识图谱的监控预警方法可对未来潜在威胁的及时发现和预防,且可确定潜在威胁的移动实体或地点。本发明以知识图谱为基础,通过预设监控规则实时遍历移动实体的维度关系,即可进行实时预警监测,且可实现预警推送,风险评估。本发明可以REDIS等内存加载技术进行数据进行存储优化。
在本实施例中可通过互动终端,实现对报警处理的标记更新,从而对预警目标或行为进行定性标记(如确认,订正,增加标签等),完成对知识图谱的更新。
参阅图4所示,本实施例提供了一种基于知识图谱的监控预警装置,包括:第一构建单元、第二构建单元、第三构建单元、生成单元、处理单元和预警单元。
第一构建单元,用于根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库。
第二构建单元,用于根据所述监控实体的位置信息构建监控路网图。
第三构建单元,用于根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库。
生成单元,用于基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹。
处理单元,用于根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系。
其中,所述维度关系可包括:居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。
预警单元,用于基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
在优选的实施例中,所述监控实体采用图像采集设备;
所述第二构建单元用于根据所述预设标实库中的地址实体位置安装所述监控实体,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
在优选的实施例中,所述第三构建单元用于提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息,将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配;若是,将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;若否,将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
在优选的实施例中,所述预警单元基于预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,包括以下至少一种方式:
采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
在本实施例中基于知识图谱的监控预警装置中的第一构建单元根据所有监控实体的属性构建实体库,第二构建单元基于监控实体的位置构建监控路网图;第三构建单元根据监控实体采集的移动实体的特征及监控实体的属性,构建与相应的监控实体关联的移动实体库从而将移动实体与相应的监控实体关联;处理单元依据关系抽取规则根据监控路网图对移动实体、及与监控实体关联的多个移动实体构建维度关系,从而得到移动实体间以及移动实体与监控实体之间的维度关系,以便于预警单元利用预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,从而达到快速有效对移动实体进行预警辨识的目的,实现对未来潜在威胁进行预防的效果。
所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于知识图谱的监控预警方法,其特征在于,包括:
根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库;
根据所述监控实体的位置信息构建监控路网图;
根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库;
基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹;
根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系;
基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
2.根据权利要求1所述的基于知识图谱的监控预警方法,其特征在于,根据所述监控实体的位置信息构建监控路网图,包括:
根据所述预设标实库中的地址实体位置安装所述监控实体,所述监控实体采用图像采集设备,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
3.根据权利要求1所述的基于知识图谱的监控预警方法,其特征在于,根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库,包括:
提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息;
将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配;
若是,将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;
若否,将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
4.根据权利要求1所述的基于知识图谱的监控预警方法,其特征在于,所述维度关系包括:
居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。
5.根据权利要求1所述的基于知识图谱的监控预警方法,其特征在于,基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体,包括以下至少一种方式:
采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
6.一种基于知识图谱的监控预警装置,其特征在于,包括:
第一构建单元,用于根据预设标实库设置监控实体,所述监控实体与所述预设标实库中的地址实体一一对应,所述监控实体至少对应一属性,基于所有所述监控实体的属性构建实体库;
第二构建单元,用于根据所述监控实体的位置信息构建监控路网图;
第三构建单元,用于根据所述监控实体采集的移动实体的特征及所述监控实体的属性,构建与相应的所述监控实体关联的移动实体库;
生成单元,用于基于所述移动实体库中所述监控实体采集所述移动实体的时序及所述移动实体的移动路径生成所述移动实体的移动轨迹;
处理单元,用于根据所述监控路网图基于关系抽取规则,对所述移动实体库中与所述监控实体关联的所述移动实体、及与所述监控实体关联的多个所述移动实体构建维度关系;
预警单元,用于基于预设监控规则对所述移动实体的移动轨迹及移动实体间的维度关系进行分析,以确定预警实体。
7.根据权利要求6所述的基于知识图谱的监控预警装置,其特征在于,所述监控实体采用图像采集设备;
所述第二构建单元用于根据所述预设标实库中的地址实体位置安装所述监控实体,根据所述图像采集设备的安装位置坐标构建包括多个节点的监控路网图;
其中,每一节点对应一所述图像采集设备,所述监控路网图中节点之间通过表示时间距离的边连接,所述边为所述移动实体穿行于两个节点之间的最短时间。
8.根据权利要求6所述的基于知识图谱的监控预警装置,其特征在于,所述第三构建单元用于提取监控实体采集的移动实体的特征,对所述特征进行识别,以得到所述特征对应的标识信息,将所述标识信息与所述移动实体库中的实体标识进行匹配,判断是否匹配;若是,将所述移动实体与所述移动实体库中相应的移动实体关联,将所述监控实体采集的移动实体的数据添加到所述移动实体库;若否,将所述移动实体的标识信息及关联的所述监控实体添加到所述移动实体库。
9.根据权利要求6所述的基于知识图谱的监控预警装置,其特征在于,所述维度关系包括:
居住关系、工作关系、拜访关系、出入关系、陌生关系、伴随关系、聚集关系和团伙关系。
10.根据权利要求6所述的基于知识图谱的监控预警装置,其特征在于,所述预警单元基于预设监控规则对移动实体间的维度关系进行分析,以确定预警实体,包括以下至少一种方式:
采用所述预设监控规则对所述移动轨迹进行分析,以识别所述移动实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的密切度,采用所述预设监控规则对所述密切度进行分析,以识别所述移动实体及与其关联的监控实体是否为所述预警实体;
基于所述移动实体间的维度关系统计所述移动实体间的聚集频次,采用所述预设监控规则对所述聚集频次进行分析,以识别所述移动实体是否为所述预警实体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787915.1A CN114706988A (zh) | 2021-07-13 | 2021-07-13 | 基于知识图谱的监控预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110787915.1A CN114706988A (zh) | 2021-07-13 | 2021-07-13 | 基于知识图谱的监控预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114706988A true CN114706988A (zh) | 2022-07-05 |
Family
ID=82167014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110787915.1A Pending CN114706988A (zh) | 2021-07-13 | 2021-07-13 | 基于知识图谱的监控预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706988A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344707A (zh) * | 2022-08-01 | 2022-11-15 | 南京航空航天大学 | 一种城市交通知识图谱构建方法 |
CN115358646A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电科学研究院 | 一种基于地理知识图谱的流域生态流量预警分析方法 |
-
2021
- 2021-07-13 CN CN202110787915.1A patent/CN114706988A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115344707A (zh) * | 2022-08-01 | 2022-11-15 | 南京航空航天大学 | 一种城市交通知识图谱构建方法 |
CN115344707B (zh) * | 2022-08-01 | 2023-10-24 | 南京航空航天大学 | 一种城市交通知识图谱构建方法 |
CN115358646A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电科学研究院 | 一种基于地理知识图谱的流域生态流量预警分析方法 |
CN115358646B (zh) * | 2022-10-24 | 2022-12-16 | 中国水利水电科学研究院 | 一种基于地理知识图谱的流域生态流量预警分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ivanov et al. | Digital twin of city: Concept overview | |
US8341110B2 (en) | Temporal-influenced geospatial modeling system and method | |
US7917458B2 (en) | Temporal-influenced geospatial modeling system and method | |
US11869110B2 (en) | Early warning method and system for regional public security management in smart city based on the internet of things | |
CN100583128C (zh) | 基于自然视频的实时智能监控方法 | |
US7571146B2 (en) | Event, threat and result change detection system and method | |
US20080104005A1 (en) | Method and system for spatial behavior modification based on geospatial modeling | |
CN111950937A (zh) | 一种基于融合时空轨迹的重点人员风险评估方法 | |
CN107832364B (zh) | 一种基于时空数据锁定目标对象的方法及装置 | |
CN114706988A (zh) | 基于知识图谱的监控预警方法及装置 | |
CN108898520B (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
Alfeo et al. | A stigmergy-based analysis of city hotspots to discover trends and anomalies in urban transportation usage | |
CN108256447A (zh) | 一种基于深度神经网络的无人机航拍视频分析方法 | |
Krytska et al. | IoT-based situation awareness support system for real-time emergency management | |
Borges et al. | Feature engineering for crime hotspot detection | |
CN114388137A (zh) | 城市流感发病趋势预测方法、系统、终端以及存储介质 | |
CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
Lu et al. | Analyzing the evolution of rare events via social media data and k-means clustering algorithm | |
CN110503032B (zh) | 基于监控摄像头轨迹数据的个体重要场所探测方法 | |
CN112188167A (zh) | 基于5g边云计算的视频浓缩萃取精炼升华的方法和系统 | |
CN115311735A (zh) | 一种异常行为智能识别预警方法 | |
Prathap | Geo-spatial crime density attribution using optimized machine learning algorithms | |
Hajela et al. | A multi‐dimensional crime spatial pattern analysis and prediction model based on classification | |
CN112434074A (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 | |
Joo et al. | An analysis of factors influencing disaster mobility using location data from smartphones: Case study of western Japan flooding |
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 |