CN115641014A - 基于定位的人员轨迹数据处理方法、装置以及电子设备 - Google Patents
基于定位的人员轨迹数据处理方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN115641014A CN115641014A CN202211056107.9A CN202211056107A CN115641014A CN 115641014 A CN115641014 A CN 115641014A CN 202211056107 A CN202211056107 A CN 202211056107A CN 115641014 A CN115641014 A CN 115641014A
- Authority
- CN
- China
- Prior art keywords
- difference
- target
- staff
- standard
- position 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于定位的人员轨迹数据处理方法、装置以及电子设备。该方法包括:从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和目标区域内的员工人数;统计目标区域中,目标员工的位置数据的数量,得到目标员工在目标区域的停留时长;将根据位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将停留时长与标准停留时长进行比对,得到停留时长差异,将员工人数与标准人数进行比对,得到人数差异;将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,得到目标神经网络模型的识别结果。本发明解决了生产现场因管理疏漏造成的员工的工作量均衡性低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种基于定位的人员轨迹数据处理方法、装置以及电子设备。
背景技术
在工业物联网运用场景中,关系到万物互联的设备有很多,人员实时监测是很重要的一个环节。现有技术中的做法是采用人员定位卡、定位信标、基站三者合一的方式进行人员位置实时监测,并且提前在基于GIS (Geographic Information System地理信息系统)建模上规划完成人员限制区域监控。在该场景下完成人员位置的实时监控方法和轨迹显示的方式有两种:第一,面向室外的部署方式是在人行道的一侧布置信标,使人员佩戴的定位卡与其完成通信,并在网关可覆盖面积下完成定位卡、信标、网关的三方通讯,从而计算人员位置和人员行进轨迹的地图实时显示。第二,面对室内场景会使用高精度天钉信标的方式,同时也部署室内网关设备,完成同上的两种人员定位位置的实时显示。并且根据现场需求,安装电子围栏和地图上的限制区域标定,在人员未通过申请允许的情况下到达了限定区域系统就会自动报警和提醒管理者,保障了管理方面的完善,也保护了人员的安全和生产的安全。但是,目前整体只是对人员的管控起到了一定的作用。可以实时监控人员的位置,并且可以回放人员的工作轨迹,达到管理者后台监控的效果。但是在实际生产中,管理者对生产资料的配置和调配是其最重要的工作,所以在整体的对于生产优化没有做出很好的反馈结果,对于生产人员的工作调配的均衡性完全是根据经验进行判断,极容易出现部分人工作量超标,部分人工作量不饱和的生产效果。
发明内容
本发明实施例提供了一种基于定位的人员轨迹数据处理方法、装置以及电子设备,以至少解决生产现场因管理疏漏造成的员工的工作量均衡性低的技术问题。
根据本发明实施例的一个方面,提供了一种基于定位的人员轨迹数据处理方法,包括:从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和上述目标区域内的员工人数;统计上述目标区域中,上述目标员工的位置数据的数量,得到上述目标员工在上述目标区域的停留时长;将根据上述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将上述停留时长与标准停留时长进行比对,得到停留时长差异,将上述员工人数与标准人数进行比对,得到人数差异;将上述移动轨迹差异、上述停留时长差异与上述人数差异输入到目标神经网络模型中,得到上述目标神经网络模型的识别结果,其中,上述识别结果用于指示上述目标员工的位置数据正常或者异常。
根据本发明实施例的另一方面,提供了一种基于定位的人员轨迹数据处理装置,包括:第一获取模块,用于从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和上述目标区域内的员工人数;统计模块,用于统计上述目标区域中,上述目标员工的位置数据的数量,得到上述目标员工在上述目标区域的停留时长;对比模块,用于将根据上述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将上述停留时长与标准停留时长进行比对,得到停留时长差异,将上述员工人数与标准人数进行比对,得到人数差异;第一输入模块,用于将上述移动轨迹差异、上述停留时长差异与上述人数差异输入到目标神经网络模型中,得到上述目标神经网络模型的识别结果,其中,上述识别结果用于指示上述目标员工的位置数据正常或者异常。
作为一种可选的示例,上述第一获取模块包括:获取单元,用于在上述当前时间周期的开始时间开始的情况下,每隔第一时长获取一次上述目标员工的位置,直到上述当前时间周期内的结束时间停止获取,得到上述位置数据。
作为一种可选的示例,上述统计模块包括:统计单元,用于统计上述目标区域中,上述目标员工的位置数据的数量;处理单元,用于将上述数量和第一时长的乘积确定为上述停留时长。
作为一种可选的示例,上述对比模块包括:排序单元,用于对上述位置数据按照时间先后顺序进行排序,将排序后的上述位置数据作为上述目标员工在上述当前时间周期内的上述移动轨迹;第一计算单元,用于计算上述移动轨迹与上述标准移动轨迹的相似度;第二计算单元,用于根据上述相似度计算得到上述移动轨迹差异,上述移动轨迹差异与上述相似度的和为百分之百。
作为一种可选的示例,上述对比模块包括:第三计算单元,用于计算上述停留时长和上述标准停留时长的时间差;第一确定单元,用于将上述时间差与上述标准停留时长的比值确定为上述停留时长差异。
作为一种可选的示例,上述对比模块包括:第四计算单元,用于计算上述员工人数和上述标准人数的人数差;第二确定单元,用于将上述人数差与上述标准人数的比值确定为上述人数差异。
作为一种可选的示例,上述装置还包括:第二获取模块,用于获取样本数据中的样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异;第二输入模块,用于将上述样本移动轨迹差异、上述样本停留时长差异以及上述样本人数差异输入到上述目标神经网络模型中,由上述目标神经网络模型输出预测结果;调整模块,用于在上述预测结果与上述样本员工的标签不一致的情况下,调整上述目标神经网络模型的模型参数,直到上述预测结果与上述标签一致。
根据本发明实施例的又一方面,还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被处理器运行时执行上述基于定位的人员轨迹数据处理方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的基于定位的人员轨迹数据处理方法。
在本发明实施例中,采用了从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和上述目标区域内的员工人数;统计上述目标区域中,上述目标员工的位置数据的数量,得到上述目标员工在上述目标区域的停留时长;将根据上述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将上述停留时长与标准停留时长进行比对,得到停留时长差异,将上述员工人数与标准人数进行比对,得到人数差异;将上述移动轨迹差异、上述停留时长差异与上述人数差异输入到目标神经网络模型中,得到上述目标神经网络模型的识别结果,其中,上述识别结果用于指示上述目标员工的位置数据正常或者异常的方法,由于在上述方法中,通过获取目标员工在目标区域内的移动轨迹差异,停留时长差异,人数差异,得到目标员工位置数据是否异常的结果,从而实现了自动识别目标区域内的目标员工的工作是否异常的目的,进而解决了生产现场因管理疏漏造成的员工的工作量均衡性低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的基于定位的人员轨迹数据处理方法的流程图;
图2是根据本发明实施例的一种可选的基于定位的人员轨迹数据处理方法的人员定位系统响应流程图;
图3是根据本发明实施例的一种可选的基于定位的人员轨迹数据处理装置的结构示意图;
图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的第一方面,提供了一种基于定位的人员轨迹数据处理方法,可选地,如图1所示,上述方法包括:
S102,从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和目标区域内的员工人数;
S104,统计目标区域中,目标员工的位置数据的数量,得到目标员工在目标区域的停留时长;
S106,将根据位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将停留时长与标准停留时长进行比对,得到停留时长差异,将员工人数与标准人数进行比对,得到人数差异;
S108,将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,得到目标神经网络模型的识别结果,其中,识别结果用于指示目标员工的位置数据正常或者异常。
可选地,本实施例中,人员定位系统中存储了目标区域内的每个时间周期内的员工人数,每个员工的位置数据。时间周期可以以30分钟为一个时间周期,例如一个时间周期开始时间为10:00,结束时间为10:30。下一个周期则为10:30-11:00。停留时长,为目标员工在某个位置停留的时间,可以理解为在某个工位上的工作时长。神经网络模型,是以神经元的数学模型为基础来描述的数学模型,神经网络模型由网络拓扑节点特点和学习规则来表示,具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。
可选地,本实施例中,有多个时间周期,对每个时间周期内产生的数据进行处理,将第一个时间周期作为当前时间周期。目标员工可以为一个员工,也可以是多个员工。以一个目标员工获为例,获取当前时间周期内的目标区域内的目标员工的位置数据,和当前时间周期内的目标区域内的员工人数,员工人数可以理解为与目标员工一起工作的员工人数,有些工作可能需要多人共同合作完成,所以工作人数也是判定工作是否正常的一个因素。位置数据是从当前时间周期开始时,每间隔一段时间获取一次目标员工的位置,直到当前时间周期结束而生成的。统计当前时间周期内产生的目标员工的位置数据的个数,如果目标员工在中途离开了目标区域,获取到的位置不统计在其中,根据位置数据计算得到目标员工在目标区域内的停留时长,例如当前时间周期为30分钟,位置数据是每间隔1分钟获取一次,共获到25次位置数据,则计算得到目标员工在目标区域内的停留时长为25分钟,为了精确停留时长,位置数据可以每间隔1秒获取一次。根据所有位置数据生成移动轨迹,通过移动轨迹可以表示员工的工作流程是否符合规定。获取标准移动轨迹,标准停留时长以及标准人数,通过对比移动轨迹和标准移动轨迹得到移动轨迹差异,对比停留时长与标准停留时长得到停留时长差异,对比员工人数与标准人数得到人数差异,将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,可以通过目标神经网络模型计算出是否有异常,有异常时,及时将数据发送至第三方平台,以通知管理者进行管理和调整。也可以同时对目标区域内的所有员工的位置数据进行处理,与上述方法同理。
可选地,本实施例中,通过获取目标员工在目标区域内的移动轨迹差异,停留时长差异,人数差异,得到目标员工位置数据是否异常的结果,从而实现了自动识别目标区域内的目标员工的工作是否异常的目的,进而解决了生产现场因管理疏漏造成的员工的工作量均衡性低的技术问题。
作为一种可选的示例,从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据包括:
在当前时间周期的开始时间开始的情况下,每隔第一时长获取一次目标员工的位置,直到当前时间周期内的结束时间停止获取,得到位置数据。
可选地,本实施例中,从当前时间周期的开始时间开始,每间隔第一时长获取一次目标员工的位置,第一时长可以为30秒,1分钟,在可以获取到位置和位置在目标区域内的情况下,记录一次位置数据,直到当前时间周期的结束时间,得到位置数据。
作为一种可选的示例,统计目标区域中,目标员工的位置数据的数量,得到目标员工在目标区域的停留时长包括:
统计目标区域中,目标员工的位置数据的数量;
将数量和第一时长的乘积确定为停留时长。
可选地,本实施例中,统计当前时间周期内,在目标区域中目标员工的位置数据的个数,将数量和第一时长的乘积确定为停留时长,例如统计到当前时间周期内的位置数据有25个,第一时长为1分钟,则将25与1的乘积 25确定为停留时长。
作为一种可选的示例,将根据位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异包括:
对位置数据按照时间先后顺序进行排序,将排序后的位置数据作为目标员工在当前时间周期内的移动轨迹;
计算移动轨迹与标准移动轨迹的相似度;
根据相似度计算得到移动轨迹差异,移动轨迹差异与相似度的和为百分之百。
可选地,本实施例中,将当前时间周期内获取到的所有位置数据按照时间先后顺序排序,得到目标员工的移动轨迹,获取目标员工的标准移动轨迹,计算移动轨迹与标准移动轨迹的相似度,根据相似度计算得到移动轨迹差异,例如移动轨迹的与标准移动轨迹的相似度为90%,则移动轨迹差异为10%。
作为一种可选的示例,将停留时长与标准停留时长进行比对,得到停留时长差异包括:
计算停留时长和标准停留时长的时间差;
将时间差与标准停留时长的比值确定为停留时长差异。
可选地,本实施例中,获取当前时间周期内的标准停留时长,计算停留时长与标准停留时长的时间差,将时间差与标准时间的比值确定为停留时长差异,例如目标员工在当前时间周期内的停留时长为10分钟,标准停留时长为12分钟,计算得到时间差为2分钟,得到停留时长差异为17%(四舍五入)。
作为一种可选的示例,将员工人数与标准人数进行比对,得到人数差异包括:
计算员工人数和标准人数的人数差;
将人数差与标准人数的比值确定为人数差异。
可选地,本实施例中,获取当前时间周期内在目标区域内的标准人数,计算员工人数和标准人数的人数差,将人数差与标准人数的比值确定为人数差异,例如当前时间周期内在目标区域内的标准人数为10人,员工人数为9 人,则计算得到人数差异为10%。员工人数可以每间隔一段时间获取一次,最后取平均值,并将员工人数变化的情况记录下来。
作为一种可选的示例,在将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中之前,方法还包括:
获取样本数据中的样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异;
将样本移动轨迹差异、样本停留时长差异以及样本人数差异输入到目标神经网络模型中,由目标神经网络模型输出预测结果;
在预测结果与样本员工的标签不一致的情况下,调整目标神经网络模型的模型参数,直到预测结果与标签一致。
可选地,本实施例中,获取样本数据,样本数据中包括样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异,获取样本员工的标签,标签为表示样本数据异常或正常的结果,将样本数据输入到目标神经网络模型中,目标神经网络模型根据样本数据得到预测结果,若预测结果与标签不一致,调整目标神经网络模型的模型参数,将样本数据再次输入到调整后的目标神经网络模型中,得到第二次的预测结果。在预测结果与标签不一致的情况下,反复上述操作,直到预测结果与标签一致,结束对目标神经网络模型的训练,得到训练后的目标神经网络模型。样本数据可以有多组数据,每组数据中,包含一个样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异,每组样本数据对应一个标签。使用每一组的样本数据对目标神经网络模型进行训练,直到每组样本数据对应的预测结果与对应的标签一直,结束训练。
可选地,本发明实施例提供了一种基于定位的人员轨迹数据处理方法,具体流程如图2所示:
1、根据样本数据对目标神经网络模型进行训练,得到训练后的目标网络模型;
2、检测部署数据获取模型和后台服务器是否完整;
3、测试通讯,与人员定位系统的人员数据库、地图数据库、限制区域数据库(目标区域)、电子围栏数据库等进行数据对接;
4、从人员定位系统中获取目标员工在限制区域内的位置数据和限制区域内的员工人数,并根据位置数据得到目标员工在限制区域内的停留时长和移动轨迹;
5、通过对比模型,得到员工人数、停留时长以及移动轨迹的人数差异、停留时长差异以及移动轨迹差异,并发送至后台存储;
6、将人数差异、停留时长差异以及移动轨迹差异输入到训练后的目标神经网络模型中,得到指示目标员工的位置数据正常或者异常的识别结果,并将识别结果发送至后台存储;
7、管理者根据人数差异、停留时长差异,移动轨迹差异,识别结果进行决策是否需要调整。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本申请实施例的另一方面,还提供了一种基于定位的人员轨迹数据处理装置,如图3所示,包括:
第一获取模块302,用于从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和目标区域内的员工人数;
统计模块304,用于统计目标区域中,目标员工的位置数据的数量,得到目标员工在目标区域的停留时长;
对比模块306,用于将根据位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将停留时长与标准停留时长进行比对,得到停留时长差异,将员工人数与标准人数进行比对,得到人数差异;
第一输入模块308,用于将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,得到目标神经网络模型的识别结果,其中,识别结果用于指示目标员工的位置数据正常或者异常。
可选地,本实施例中,人员定位系统中存储了目标区域内的每个时间周期内的员工人数,每个员工的位置数据。时间周期可以以30分钟为一个时间周期,例如一个时间周期开始时间为10:00,结束时间为10:30。下一个周期则为10:30-11:00。停留时长,为目标员工在某个位置停留的时间,可以理解为在某个工位上的工作时长。神经网络模型,是以神经元的数学模型为基础来描述的数学模型,神经网络模型由网络拓扑节点特点和学习规则来表示,具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。
可选地,本实施例中,有多个时间周期,对每个时间周期内产生的数据进行处理,将第一个时间周期作为当前时间周期。目标员工可以为一个员工,也可以是多个员工。以一个目标员工获为例,获取当前时间周期内的目标区域内的目标员工的位置数据,和当前时间周期内的目标区域内的员工人数,员工人数可以理解为与目标员工一起工作的员工人数,有些工作可能需要多人共同合作完成,所以工作人数也是判定工作是否正常的一个因素。位置数据是从当前时间周期开始时,每间隔一段时间获取一次目标员工的位置,直到当前时间周期结束而生成的。统计当前时间周期内产生的目标员工的位置数据的个数,如果目标员工在中途离开了目标区域,获取到的位置不统计在其中,根据位置数据计算得到目标员工在目标区域内的停留时长,例如当前时间周期为30分钟,位置数据是每间隔1分钟获取一次,共获到25次位置数据,则计算得到目标员工在目标区域内的停留时长为25分钟,为了精确停留时长,位置数据可以每间隔1秒获取一次。根据所有位置数据生成移动轨迹,通过移动轨迹可以表示员工的工作流程是否符合规定。获取标准移动轨迹,标准停留时长以及标准人数,通过对比移动轨迹和标准移动轨迹得到移动轨迹差异,对比停留时长与标准停留时长得到停留时长差异,对比员工人数与标准人数得到人数差异,将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,可以通过目标神经网络模型计算出是否有异常,有异常时,及时将数据发送至第三方平台,以通知管理者进行管理和调整。也可以同时对目标区域内的所有员工的位置数据进行处理,与上述方法同理。
可选地,本实施例中,通过获取目标员工在目标区域内的移动轨迹差异,停留时长差异,人数差异,得到目标员工位置数据是否异常的结果,从而实现了自动识别目标区域内的目标员工的工作是否异常的目的,进而解决了生产现场因管理疏漏造成的员工的工作量均衡性低的技术问题。
作为一种可选的示例,第一获取模块包括:
获取单元,用于在当前时间周期的开始时间开始的情况下,每隔第一时长获取一次目标员工的位置,直到当前时间周期内的结束时间停止获取,得到位置数据。
可选地,本实施例中,从当前时间周期的开始时间开始,每间隔第一时长获取一次目标员工的位置,第一时长可以为30秒,1分钟,在可以获取到位置和位置在目标区域内的情况下,记录一次位置数据,直到当前时间周期的结束时间,得到位置数据。
作为一种可选的示例,统计模块包括:
统计单元,用于统计目标区域中,目标员工的位置数据的数量;
处理单元,用于将数量和第一时长的乘积确定为停留时长。
可选地,本实施例中,统计当前时间周期内,在目标区域中目标员工的位置数据的个数,将数量和第一时长的乘积确定为停留时长,例如统计到当前时间周期内的位置数据有25个,第一时长为1分钟,则将25与1的乘积 25确定为停留时长。
作为一种可选的示例,对比模块包括:
排序单元,用于对位置数据按照时间先后顺序进行排序,将排序后的位置数据作为目标员工在当前时间周期内的移动轨迹;
第一计算单元,用于计算移动轨迹与标准移动轨迹的相似度;
第二计算单元,用于根据相似度计算得到移动轨迹差异,移动轨迹差异与相似度的和为百分之百。
可选地,本实施例中,将当前时间周期内获取到的所有位置数据按照时间先后顺序排序,得到目标员工的移动轨迹,获取目标员工的标准移动轨迹,计算移动轨迹与标准移动轨迹的相似度,根据相似度计算得到移动轨迹差异,例如移动轨迹的与标准移动轨迹的相似度为90%,则移动轨迹差异为10%。
作为一种可选的示例,对比模块包括:
第三计算单元,用于计算停留时长和标准停留时长的时间差;
第一确定单元,用于将时间差与标准停留时长的比值确定为停留时长差异。
可选地,本实施例中,获取当前时间周期内的标准停留时长,计算停留时长与标准停留时长的时间差,将时间差与标准时间的比值确定为停留时长差异,例如目标员工在当前时间周期内的停留时长为10分钟,标准停留时长为12分钟,计算得到时间差为2分钟,得到停留时长差异为17%(四舍五入)。
作为一种可选的示例,对比模块包括:
第四计算单元,用于计算员工人数和标准人数的人数差;
第二确定单元,用于将人数差与标准人数的比值确定为人数差异。
可选地,本实施例中,获取当前时间周期内在目标区域内的标准人数,计算员工人数和标准人数的人数差,将人数差与标准人数的比值确定为人数差异,例如当前时间周期内在目标区域内的标准人数为10人,员工人数为9 人,则计算得到人数差异为10%。员工人数可以每间隔一段时间获取一次,最后取平均值,并将员工人数变化的情况记录下来。
作为一种可选的示例,上述装置还包括:
第二获取模块,用于获取样本数据中的样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异;
第二输入模块,用于将样本移动轨迹差异、样本停留时长差异以及样本人数差异输入到目标神经网络模型中,由目标神经网络模型输出预测结果;
调整模块,用于在预测结果与样本员工的标签不一致的情况下,调整目标神经网络模型的模型参数,直到预测结果与标签一致。
可选地,本实施例中,获取样本数据,样本数据中包括样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异,获取样本员工的标签,标签为表示样本数据异常或正常的结果,将样本数据输入到目标神经网络模型中,目标神经网络模型根据样本数据得到预测结果,若预测结果与标签不一致,调整目标神经网络模型的模型参数,将样本数据再次输入到调整后的目标神经网络模型中,得到第二次的预测结果。在预测结果与标签不一致的情况下,反复上述操作,直到预测结果与标签一致,结束对目标神经网络模型的训练,得到训练后的目标神经网络模型。样本数据可以有多组数据,每组数据中,包含一个样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异,每组样本数据对应一个标签。使用每一组的样本数据对目标神经网络模型进行训练,直到每组样本数据对应的预测结果与对应的标签一直,结束训练。
本实施例的其他示例请参见上述示例,在此不在赘述。
图4是根据本申请实施例的一种可选的电子设备的结构框图,如图4所示,包括处理器402、通信接口404、存储器406和通信总线408,其中,处理器402、通信接口404和存储器406通过通信总线408完成相互间的通信,其中,
存储器406,用于存储计算机程序;
处理器402,用于执行存储器406上所存放的计算机程序时,实现如下步骤:
从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和目标区域内的员工人数;
统计目标区域中,目标员工的位置数据的数量,得到目标员工在目标区域的停留时长;
将根据位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将停留时长与标准停留时长进行比对,得到停留时长差异,将员工人数与标准人数进行比对,得到人数差异;
将移动轨迹差异、停留时长差异与人数差异输入到目标神经网络模型中,得到目标神经网络模型的识别结果,其中,识别结果用于指示目标员工的位置数据正常或者异常。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,上述存储器406中可以但不限于包括上述基于定位的人员轨迹数据处理装置中的第一获取模块302、统计模块304、对比模块306 以及第一输入模块308。此外,还可以包括但不限于上述请求的处理装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC (Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field -Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图4所示的结构仅为示意,实施上述基于定位的人员轨迹数据处理方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被处理器运行时执行上述基于定位的人员轨迹数据处理方法中的步骤。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory, RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于定位的人员轨迹数据处理方法,其特征在于,包括:
从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和所述目标区域内的员工人数;
统计所述目标区域中,所述目标员工的位置数据的数量,得到所述目标员工在所述目标区域的停留时长;
将根据所述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将所述停留时长与标准停留时长进行比对,得到停留时长差异,将所述员工人数与标准人数进行比对,得到人数差异;
将所述移动轨迹差异、所述停留时长差异与所述人数差异输入到目标神经网络模型中,得到所述目标神经网络模型的识别结果,其中,所述识别结果用于指示所述目标员工的位置数据正常或者异常。
2.根据权利要求1所述的方法,其特征在于,所述从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据包括:
在所述当前时间周期的开始时间开始的情况下,每隔第一时长获取一次所述目标员工的位置,直到所述当前时间周期内的结束时间停止获取,得到所述位置数据。
3.根据权利要求1所述的方法,其特征在于,所述统计所述目标区域中,所述目标员工的位置数据的数量,得到所述目标员工在所述目标区域的停留时长包括:
统计所述目标区域中,所述目标员工的位置数据的数量;
将所述数量和第一时长的乘积确定为所述停留时长。
4.根据权利要求1所述的方法,其特征在于,所述将根据所述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异包括:
对所述位置数据按照时间先后顺序进行排序,将排序后的所述位置数据作为所述目标员工在所述当前时间周期内的所述移动轨迹;
计算所述移动轨迹与所述标准移动轨迹的相似度;
根据所述相似度计算得到所述移动轨迹差异,所述移动轨迹差异与所述相似度的和为百分之百。
5.根据权利要求1所述的方法,其特征在于,所述将所述停留时长与标准停留时长进行比对,得到停留时长差异包括:
计算所述停留时长和所述标准停留时长的时间差;
将所述时间差与所述标准停留时长的比值确定为所述停留时长差异。
6.根据权利要求1所述的方法,其特征在于,所述将所述员工人数与标准人数进行比对,得到人数差异包括:
计算所述员工人数和所述标准人数的人数差;
将所述人数差与所述标准人数的比值确定为所述人数差异。
7.根据权利要求1所述的方法,其特征在于,在将所述移动轨迹差异、所述停留时长差异与所述人数差异输入到目标神经网络模型中之前,所述方法还包括:
获取样本数据中的样本员工的样本移动轨迹差异、样本停留时长差异以及样本人数差异;
将所述样本移动轨迹差异、所述样本停留时长差异以及所述样本人数差异输入到所述目标神经网络模型中,由所述目标神经网络模型输出预测结果;
在所述预测结果与所述样本员工的标签不一致的情况下,调整所述目标神经网络模型的模型参数,直到所述预测结果与所述标签一致。
8.一种基于定位的人员轨迹数据处理装置,其特征在于,包括:
第一获取模块,用于从人员定位系统中获取目标员工在当前时间周期内在目标区域内的位置数据和所述目标区域内的员工人数;
统计模块,用于统计所述目标区域中,所述目标员工的位置数据的数量,得到所述目标员工在所述目标区域的停留时长;
对比模块,用于将根据所述位置数据生成的移动轨迹与标准移动轨迹进行比对,得到移动轨迹差异,将所述停留时长与标准停留时长进行比对,得到停留时长差异,将所述员工人数与标准人数进行比对,得到人数差异;
第一输入模块,用于将所述移动轨迹差异、所述停留时长差异与所述人数差异输入到目标神经网络模型中,得到所述目标神经网络模型的识别结果,其中,所述识别结果用于指示所述目标员工的位置数据正常或者异常。
9.一种计算机可读的存储介质,所述计算机可读的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运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056107.9A CN115641014A (zh) | 2022-08-29 | 2022-08-29 | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211056107.9A CN115641014A (zh) | 2022-08-29 | 2022-08-29 | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641014A true CN115641014A (zh) | 2023-01-24 |
Family
ID=84940412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211056107.9A Pending CN115641014A (zh) | 2022-08-29 | 2022-08-29 | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407573A (zh) * | 2023-11-13 | 2024-01-16 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509021A (zh) * | 2018-10-22 | 2019-03-22 | 武汉极意网络科技有限公司 | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 |
CN112001573A (zh) * | 2020-10-27 | 2020-11-27 | 联通(浙江)产业互联网有限公司 | 生产线管理方法、装置、系统以及存储介质 |
CN112598111A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 异常数据的识别方法和装置 |
CN114509076A (zh) * | 2022-02-16 | 2022-05-17 | 平安科技(深圳)有限公司 | 移动轨迹数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211056107.9A patent/CN115641014A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509021A (zh) * | 2018-10-22 | 2019-03-22 | 武汉极意网络科技有限公司 | 基于行为轨迹的异常识别方法、装置、服务器及存储介质 |
CN112001573A (zh) * | 2020-10-27 | 2020-11-27 | 联通(浙江)产业互联网有限公司 | 生产线管理方法、装置、系统以及存储介质 |
CN112598111A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 异常数据的识别方法和装置 |
CN114509076A (zh) * | 2022-02-16 | 2022-05-17 | 平安科技(深圳)有限公司 | 移动轨迹数据处理方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407573A (zh) * | 2023-11-13 | 2024-01-16 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
CN117407573B (zh) * | 2023-11-13 | 2024-04-12 | 广州智业节能科技有限公司 | 可视化安防数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543992B (zh) | 智能巡检方法、装置、智能终端及服务器 | |
CN110390262A (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN108388852B (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
CN110210508A (zh) | 模型生成方法、异常流量检测方法、装置、电子设备、计算机可读存储介质 | |
CN104184763B (zh) | 一种反馈信息处理方法及系统、服务设备 | |
CN110969215A (zh) | 聚类处理方法和装置、存储介质及电子装置 | |
CN114266944B (zh) | 快速模型训练结果检验系统 | |
CN108389631A (zh) | 水痘发病预警方法、服务器及计算机可读存储介质 | |
CN110338769A (zh) | 告警处理方法、装置、存储介质及电子装置 | |
CN110717358A (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
CN110490331A (zh) | 知识图谱中节点的处理方法及装置 | |
CN110414422A (zh) | 食品品质的检测方法及装置 | |
CN114021946A (zh) | 一种企业环保管家管理系统 | |
CN115641014A (zh) | 基于定位的人员轨迹数据处理方法、装置以及电子设备 | |
CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN113094284A (zh) | 应用故障检测方法及装置 | |
CN111667322A (zh) | 一种vr产品评价云平台 | |
CN113609697A (zh) | 一种基于事件网的模拟仿真方法、装置及计算机设备 | |
CN111325572B (zh) | 一种数据处理方法及装置 | |
CN111242723B (zh) | 用户子女情况判断方法、服务器及计算机可读存储介质 | |
CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
CN110460814A (zh) | 指示信息的发送方法及装置、存储介质、电子装置 | |
CN112101865B (zh) | 等待时间获取方法、装置、计算机设备及可读存储介质 | |
CN113837138B (zh) | 一种着装监控方法、系统、介质及电子终端 | |
CN115730831A (zh) | 施工作业组织行为的安全指数评估方法、装置和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230124 |