CN116664095B - 一种基于深度学习的安保巡检预测方法 - Google Patents
一种基于深度学习的安保巡检预测方法 Download PDFInfo
- Publication number
- CN116664095B CN116664095B CN202310742483.1A CN202310742483A CN116664095B CN 116664095 B CN116664095 B CN 116664095B CN 202310742483 A CN202310742483 A CN 202310742483A CN 116664095 B CN116664095 B CN 116664095B
- Authority
- CN
- China
- Prior art keywords
- data
- security
- inspection
- people flow
- unit time
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
一种基于深度学习的安保巡检预测方法,涉及安保巡检领域,主要包括获取巡检区域的地图信息,并将其存储在数据库中,用于明确安保的范围;在巡检区域上设置多个巡检点,每个巡检点附近设有对应的人流量监测点,将巡检点和人流量监测点关联对应起来;通过训练好的LSTM人流量模型获得各个巡检点单位时间内预测的人流量;根据各个巡检点单位时间内预测的人流量确定各个巡检点单位时间内的安保人员数;其有益效果为科学合理的安排安保力量,为区域内人们提供安全的环境和优质的安保服务。
Description
技术领域
本发明涉及安保巡检领域,具体为一种基于深度学习的安保巡检预测方法。
背景技术
在小区或办公科技园内,为了应对突发事件,需要在各个巡逻点安排固定安保人员,但经常由于在某一区域内周期性的区域人员流动,造成安保人手暂时性的短缺,为此,各园区需要合理提前安排人员,以免出现服务不到位的情况。我国国内有多个机构或公司对此进行了研究,例如:公开号为CN111507574A,发明名称为:安保人员部署方法、装置、计算机设备和存储介质,其采用的技术方案为:获取对当前会展场地所采集的监测数据;会展场地包括多个会展区域;基于所述监测数据,获取在派遣页面上通过绘制操作产生的安保派遣指令;安保派遣指令包括需要增派安保人员的会展区域的区域标识以及待派遣安保人员的人员标识;根据安保派遣指令,确定待派遣的安保人员所对应的通信标识;基于通信标识将所述安保派遣指令下发至对应终端,以使与人员标识相对应的安保人员能够到达与区域标识相对应的会展区域。认为通过该种方式能够提升安保人员部署效率。
还有公开号为CN116016869A,一种基于人工智能以及物联网的校园安全监测系统,其包括终端设备、校园登记模块、采集处理模块、特征匹配模块、对比分析模块、云服务器、行为预测模块、告警反馈模块以及连接优化模块;本发明有效地提高了进出校人员行为监测准确性。
然而,在安保管理方面,虽然能收集部分大数据,对人流量进行分析,但如果数据采集不准确或统计方法不可靠,就会导致结果的偏差,从而影响安保人员布署出现不合理的情况,并且,如何充分合理的利用人员流量,节约管理成本也是迫在眉睫待解决的问题。
发明内容
本申请的目的在于提供一种基于深度学习的安保巡检预测方法,其主要通过深度学习模型对历史数据进行学习,能够更加准确地预测未来的人流量变化,从而更好地调整巡检点的安保人员数量,提高安保巡检效率,合理规划区域内人员设置的问题。
为了达到上述目的,本发明采用以下技术方案:
一种基于深度学习的安保巡检预测方法,其特征在于,所述方法的步骤如下:
S101,获取巡检区域的地图信息,并将其存储在数据库中,用于明确安保的范围;
S102,在巡检区域上设置多个巡检点,每个巡检点附近设有对应的人流量监测点,将巡检点和人流量监测点关联对应起来;
S103,通过训练好的LSTM人流量模型获得各个巡检点单位时间内预测的人流量;
S104,根据各个巡检点单位时间内预测的人流量确定各个巡检点单位时间内的安保人员数,各个巡检点单位时间内预测的人流量与各个巡检点单位时间内的安保人员数的关系如下公式:
其中,Bj是第j个安保巡检点的单位时间内的安保人员数,Bj的结果采用四舍五入取整,Rj是第j个安保巡检点的单位时间内预测的人流量,是总的安保人员数,是单位时间内所有安保巡检点预测总的人流量,n是为在巡检区域内设置的安保巡检点的数量,1≤j≤n,j和n为自然数。
进一步,所述LSTM人流量模型的训练生成方法如下:
S201,数据收集,将区域内各人流量监测点内各单位时间内的人流量、时间特征数据和气候数据进行收集,并存入到数据库中;
S202,数据清洗和数据预处理,对空值、异常值和缺失值采用直接删除法对数据进行清洗;
S203,LSTM人流量模型训练,将单位时间内的时间特征数据和气候数据作为特征数据,以各个安保巡检点对应的人流量监测点的人流量数据作为目标数据,采用多个多层LSTM模型进行训练,经过10000到50000次迭代后当损失误差值趋于平稳时结束训练;
S204,将多个训练完成的LSTM人流量模型进行保存,用于预测各个安保巡检点单位时间内的人流量的预测。
进一步,所述的人流量监测点内各单位时间内的人流量数据通过人流量监控装置收集数据,所述人流量监控装置包括流量计2,流量计2分为上流量计和下流量计,所述流量计2包括流量计主体3和反光板4,其中,上流量计离地面1的高度为100-120cm,下流量计离地面1的高度为30-50cm,为了能将高个和矮个的人进行准确计算,人流量监测数据的处理方法为:
L=L2-L1
其中L为实际人员流量,L1为上流量计的人员出/入流量读数,L2为下流量计的人员出/入流量读数。
进一步,所述的时间特征数据为日期、节日和工作日数据,气候数据分别为气温、湿度和天气数据。
进一步,所述的步骤S202的数据预处理方法为,将日期、节日、工作日、天气和人流量数据这些类型数据进行独热编码处理,独热编码处理可以将类型数据转换为数值特征,加快训练和预测的速度;将气温、湿度以及人流量这些数值数据采用最大最小值进行归一化法处理。
进一步,所述的LSTM人流量模型的损失函数为均方误差损失函数,激活函数为ReLU函数。
进一步,所述的LSTM人流量模型的层数设为三层,第一层有128个隐含神经元,第二层有64个隐含神经元,第三层有16个隐含神经元。
其有益效果为:
1、本发明通过流量监控装置,提供的人员流量处理方法可以准确的监测人员流量,解决了现有技术中人员流量不能精准测量的问题,为后期的模型训练提供了良好的数据基础;
2、本发明对区域内的各个巡检点的人员流量进行预测,并将人员流量与安保人员数进行关联,从而可以达到科学合理的安排安保力量,为区域内人们提供安全的环境和优质的安保服务。
附图说明
图1是安保巡检方法的流程框图
图2是LSTM人流量模型训练的流程图;
图3是人流量监控装置的结构示意图;
地面1;流量计2;流量计主体3;反光板4。
具体实施方式
本发明提供了一种基于深度学习的安保巡检预测方法,根据历史上小区内人流量的情况,通过深度学习其人流量的规律,合理安排安保巡检人员,如图1所示,具体的步骤如下:
S101,获取巡检区域的地图信息,并将其存储在数据库中;用于明确安保的范围,以及能从地图上了解巡检区域内各巡检点的具体情况;
S102,在巡检区域上设置多个巡检点,每个巡检点附近设有对应的人流量监测点;将巡检点和人流量监测点关联对应起来。
S103,通过训练好的LSTM人流量模型获得单位时间内预测的人流量;
S104,根据单位时间内预测的人流量确定单位时间内预测的安保人员数,具体关系如下公式:
其中Bj是第j个安保巡检点的单位时间内预测的安保人员数,Bj采用四舍五入取整,Rj是第j个安保巡检点的单位时间内预测的人流量,是总的安保人员数,/>是单位时间内所有安保巡检点预测总的人流量,n是为在巡检区域内设置的安保巡检点的数量,1≤j≤n,j和n为自然数。
为了能得到预测效果好的LSTM人流量模型,如图2所示,其训练方法如下:
S201,数据收集,将区域内各人流量监测点内各单位时间内的人流量、以及还将时间特征数据和气候数据进行收集,并存入到数据库中;
其中时间特征数据为日期、节日、工作日数据,气候数据分别为气温、湿度和天气数据。
S202,数据清洗和数据预处理,对空值采用直接删除法对数据进行清洗,数据预处理方法为,将日期、节日、工作日和天气数据这些类型数据进行独热编码处理,通过独热编码处理的方式解决了非数字类别特征的问题,深度学习算法通常只能处理数值特征,而无法直接处理类别特征。独热编码可以将类别特征(类型数据)转换为数值特征,使得算法能够使用这些特征进行训练和预测,这样就可以将上面的类型数据转成LSTM人流量模型能学习的数据类型,而且对于具有大量不同类别的分类变量,独热编码可以将其转换为一个更小的特征空间。这样可以降低算法的计算复杂度,加快训练和预测的速度。将气温、湿度以及人流量这些数值数据采用最大最小值进行归一化法处理。
S203,LSTM人流量模型训练,将单位时间内的时间特征数据和气候数据作为特征数据,以各安保巡检点的人流量数据作为目标数据,采用多个多层LSTM模型进行训练,经过10000到50000次迭代后当损失误差值趋于平稳时结束训练;
LSTM人流量模型的损失函数为均方误差损失函数,激活函数为ReLU函数。
具体的来说,可将LSTM人流量模型的层数设为三层,第一层有128个隐含神经元,第二层有64个神经元,第三层有16个隐含神经元。
S204,将多个训练完成的LSTM人流量模型进行保存,用于预测各安保巡检点单位时间内的人流量的预测。
为了能在人流量监测点上获得精准的人流量数据,本发明的人流量监测数据通过人流量监控装置收集数据,如图3所示,人流量监控装置包括流量计2,流量计2分为上流量计和下流量计,所述流量计2包括流量计主体3和反光板4,其中,上流量计离地面1的高度为100-120cm,下流量计离地面1的高度为30-50cm,为了能将高个和矮个的人进行准确计算,人流量监测数据的处理方法为:
L=L2-L1
其中L为实际人员流量,L1为上流量计的人员出/入流量读数,L2为下流量计的人员出/入流量读数。
例如有6个成人(即高个人员)和4个小孩(矮个人员)进入时,此时L1的读数为6(因为成人在上流量计中会被计一次,小孩会被计零次),L2的读数为16(因为成人在下流量计中会被计两次,小孩会被计一次),此时真实的人员流量为16-6=10,即为10人。人员流量监测获得准确数据,是本发明的重要发明点之一,其解决了长期以来无法准确监测人员流量的问题,为后续的分析和预测提供了良好的数据准备。
通过上面的方法可以通过LSTM人流量模型学习各个安保巡检点人流量的规律,结合具体的天气和气候、以及时间数据,可以较为准确的将各个安保巡检点的人流量预测出来,从而可以提前做好安保人员的巡检点具体巡检人员的设置,科学合理利用安保力量,为区域内的办公及群众提供安全的环境和优质的服务。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于深度学习的安保巡检预测方法,其特征在于,所述方法的步骤如下:
S101,获取巡检区域的地图信息,并将其存储在数据库中,用于明确安保的范围;
S102,在巡检区域上设置多个巡检点,每个巡检点附近设有对应的人流量监测点,将巡检点和人流量监测点关联对应起来;
S103,通过训练好的LSTM人流量模型获得各个巡检点单位时间内预测的人流量;
S104,根据各个巡检点单位时间内预测的人流量确定各个巡检点单位时间内的安保人员数,各个巡检点单位时间内预测的人流量与各个巡检点单位时间内的安保人员数的关系如下公式:
其中,Bj是第j个安保巡检点的单位时间内的安保人员数,Bj的结果采用四舍五入取整,Rj是第j个安保巡检点的单位时间内预测的人流量,是总的安保人员数,/>是单位时间内所有安保巡检点预测总的人流量,n是为在巡检区域内设置的安保巡检点的数量,1≤j≤n;
所述LSTM人流量模型的训练生成步骤如下:
S201,数据收集,将区域内各人流量监测点内各单位时间内的人流量、时间特征数据和气候数据进行收集,并存入到数据库中;
S202,数据清洗和数据预处理,对空值采用直接删除法对数据进行清洗;
S203,LSTM人流量模型训练,将单位时间内的时间特征数据和气候数据作为特征数据,以各个安保巡检点对应的人流量监测点的人流量数据作为目标数据,采用多个多层LSTM模型进行训练,经过10000到50000次迭代后当损失误差值趋于平稳时结束训练;
S204,将多个训练完成的LSTM人流量模型进行保存,用于预测各个安保巡检点单位时间内的人流量的预测。
2.根据权利要求1所述的一种基于深度学习的安保巡检预测方法,其特征在于,所述的人流量监测点内各单位时间内的人流量数据通过人流量监控装置收集数据,所述人流量监控装置包括流量计(2),流量计(2)分为上流量计和下流量计,所述流量计(2)包括流量计主体(3)和反光板(4),其中,上流量计离地面(1)的高度为100-120cm,下流量计离地面(1)的高度为30-50cm,为了能将高个和矮个的人进行准确计算,人流量监测数据的处理方法为:
L=L2-L1
其中L为实际人员流量,L1为上流量计的人员出/入流量读数,L2为下流量计的人员出/入流量读数。
3.根据权利要求2所述的一种基于深度学习的安保巡检预测方法,其特征在于,所述的时间特征数据为日期、节日和工作日数据,气候数据分别为气温、湿度和天气数据。
4.根据权利要求3所述的一种基于深度学习的安保巡检预测方法,其特征在于,所述的步骤S202的数据预处理方法为,将日期、节日、工作日、天气和人流量数据这些类型数据进行独热编码处理,独热编码处理的方法可以将类型数据转换为数值特征,加快训练和预测的速度;将气温、湿度以及人流量这些数值数据采用最大最小值进行归一化法处理。
5.根据权利要求1所述的一种基于深度学习的安保巡检预测方法,其特征在于,所述的LSTM人流量模型的损失函数为均方误差损失函数,激活函数为ReLU函数。
6.根据权利要求1所述的一种基于深度学习的安保巡检预测方法,其特征在于,所述的LSTM人流量模型的层数设为三层,第一层有128个隐含神经元,第二层有64个隐含神经元,第三层有16个隐含神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742483.1A CN116664095B (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的安保巡检预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742483.1A CN116664095B (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的安保巡检预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664095A CN116664095A (zh) | 2023-08-29 |
CN116664095B true CN116664095B (zh) | 2024-02-27 |
Family
ID=87718967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742483.1A Active CN116664095B (zh) | 2023-06-21 | 2023-06-21 | 一种基于深度学习的安保巡检预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664095B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592765B (zh) * | 2024-01-19 | 2024-04-19 | 杭州乐湾科技有限公司 | 一种基于监控图像的老年人安全管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
CN113962561A (zh) * | 2021-10-25 | 2022-01-21 | 无锡职业技术学院 | 智慧校园的安保车辆的巡检方法及系统、设备、存储介质 |
CN115481762A (zh) * | 2022-09-19 | 2022-12-16 | 一站发展(北京)云计算科技有限公司 | 物业报修方法、装置、设备以及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11611588B2 (en) * | 2020-07-10 | 2023-03-21 | Kyndryl, Inc. | Deep learning network intrusion detection |
-
2023
- 2023-06-21 CN CN202310742483.1A patent/CN116664095B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
CN113962561A (zh) * | 2021-10-25 | 2022-01-21 | 无锡职业技术学院 | 智慧校园的安保车辆的巡检方法及系统、设备、存储介质 |
CN115481762A (zh) * | 2022-09-19 | 2022-12-16 | 一站发展(北京)云计算科技有限公司 | 物业报修方法、装置、设备以及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
The setting and scheduling of the traffic patrol service platform;Zhang, G. G. 等;《Applied Mechanics & Materials》;第916-920页 * |
基于SpringMVC的场馆安保系统设计与实现;沈忠大;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第5期);第C038-903页 * |
基于深度神经网络的区域人流量预测;陈实;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第1期);第C034-837页 * |
巡检线路的优化排班的模型;牛军霞 等;《计算机产品与流通》(第7期);第255页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664095A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831285B (zh) | 一种基于物联网的河湖污染监测系统及其方法 | |
CN102243497B (zh) | 用于工程机械的基于物联网技术的远程智能分析服务系统 | |
CN103175513B (zh) | 水利工程影响下基于物联网的流域水文水质监控系统及方法 | |
CN102117383A (zh) | 一种河流污染实时诊断的方法 | |
CN106228278A (zh) | 光伏功率预测系统 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN106651036A (zh) | 空气质量预报系统 | |
WO2020098728A1 (zh) | 集群负荷预测方法、装置及存储介质 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
CN109242049A (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN109003128A (zh) | 基于改进的随机森林公共自行车站点需求量预测方法 | |
CN107256442B (zh) | 基于移动客户端的线损计算方法 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN108398934A (zh) | 一种用于轨道交通的设备故障监控的系统 | |
CN109002781A (zh) | 一种储能变流器故障预测方法 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
CN112116251A (zh) | 一种用于调水的水利信息自动化统计系统 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 |
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 |