CN116980559B - 一种城域级视频智能卡口规划布局方法 - Google Patents

一种城域级视频智能卡口规划布局方法 Download PDF

Info

Publication number
CN116980559B
CN116980559B CN202310690249.9A CN202310690249A CN116980559B CN 116980559 B CN116980559 B CN 116980559B CN 202310690249 A CN202310690249 A CN 202310690249A CN 116980559 B CN116980559 B CN 116980559B
Authority
CN
China
Prior art keywords
nodes
coefficient
planning
network
node
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
CN202310690249.9A
Other languages
English (en)
Other versions
CN116980559A (zh
Inventor
程峰
侯林林
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.)
Negative Entropy Information Technology Wuhan Co ltd
Original Assignee
Negative Entropy Information Technology Wuhan 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 Negative Entropy Information Technology Wuhan Co ltd filed Critical Negative Entropy Information Technology Wuhan Co ltd
Priority to CN202310690249.9A priority Critical patent/CN116980559B/zh
Publication of CN116980559A publication Critical patent/CN116980559A/zh
Application granted granted Critical
Publication of CN116980559B publication Critical patent/CN116980559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于智能卡口规划布局领域，且公开了一种城域级视频智能卡口规划布局方法，包括以下步骤：S1：获取规划区域的基础路网；S2：将公共交通数据加入基础路网生成复杂路网；S3：将复杂路网进行多尺度社团分割；S4：获得稳定尺度的网络社团；S5：基于机器学习计算网络社团中各节点的权重以及网络社团的平均捕获时间，按照平均捕获时间最短或成本最低的布置方案布置陷阱节点；S6：合并所有网络社团的陷阱节点。本发明明确提出了视频智能卡口规划布局的数学问题模型，将布点规划问题转化为可计算可量化的数学计算问题，且仅需依赖路网数据，对前置数据要求降低，可用于城域级数十万、百万量级点位自动布设规划。

Description

一种城域级视频智能卡口规划布局方法
技术领域
本发明属于智能卡口规划布局领域，尤其涉及一种城域级视频智能卡口规划布局方法。
背景技术
经过多年建设，各地视频、卡口基础设施不断完善，并不断深化视频智能应用的广度和深度。在城域级视频布点规划问题上，目前主流方式是遵循“圈、块、格、点”的经验性原则，缺乏可量化、标准化的计算分析方法，无法直接定量解答建多少、建在哪以及如何优化的现实问题。
专利CN106385569A提出了一种视频监控摄像头的布点方法，该方法聚焦于具体的广场、路口、建筑布点，属于“过程覆盖”方法，实际解决的是有限场景的特定布点问题。存在对前置数据要求较高，需要人工统计各类场景并输入，难以实施的问题。
专利WO2016192516A1提出了一种视频监控布点方法，该方法首先确定地图上的多个样本点；基于所述多个样本点的分布区域确定待分析的空间范围，并对所述空间范围进行栅格化处理；对各所述样本点进行权重赋值；根据各所述样本点的权重值以及各所述样本点与各所述网格单元的位置关系，计算得出各所述网格单元的权重值，并根据各所述网格单元的权重值生成所述空间范围的摄像机分布位置数据。在该方法中，关键的样本点选取、样本点赋值仍需由根据经验来进行处理，主观性较强，且对于城域级布点规划，相关工作任务量依然巨大。
发明内容
为解决上述背景中的技术问题，本发明提出了一种城域级视频智能卡口规划布局方法，对传统“圈块格点”布局经验给出了一般化、普适性的数学计算框架，可以作为新建点位设计规划、已建点位调整优化、分级分类智能运维的重要参考。
为了达到上述目的，本发明的一种城域级视频智能卡口规划布局方法，包括以下步骤：
S1：获取规划区域的基础路网，基础路网以分叉路口为节点，以道路为边；
S2：将公共交通数据加入基础路网生成复杂路网；
S3：将复杂路网进行多尺度社团分割；
复杂路网上的马尔可夫随机游走过程提供了一种在各种尺度上动态揭示网络社团结构的机制，随机游走的时间尺度(对于离散时间系统，时间尺度即对应游走步数)即对应了社团分割过程的分辨率。直观理解即是在马尔可夫游走条件下，被观测对象以更大的概率在社团内部徘徊，更小的概率进行跨社团转移。不同的随机游走尺度对应了不同的社团分割分辨率，更大的随机游走步数对应了更大的社团结构。
S4：获得稳定尺度的网络社团；
站在建设规划的角度，将所有分辨尺度全部实现是一种理想极端情况，实际规划中难以实现，同时也失去了切块分格的意义。整体上，尺度越小，分割越致密，所需控制节点越多，分割越不稳定。在具体规划中，结合投入估算，选择对应的稳定分割尺度。
S5：基于机器学习计算网络社团中各节点的权重以及网络社团的平均捕获时间，按照其中平均捕获时间最短或成本最低的布置方案布置陷阱节点，陷阱节点为布置智能卡口的节点，即布置有智能监控设备的节点；
S6：合并所有网络社团的陷阱节点。
优选地，步骤S5具体包括以下步骤：
步骤S51：计算节点的权重，公式如下：
R＝aA+bB+cC+eE
其中，A为节点第一类案件发生量等级系数，B为节点第二类案件发生量等级系数，C为人流密度等级系数，E为节点密度等级系数，a、b、c、e分别为各自变量的权重系数；
步骤S52：给权重系数随机赋值选出陷阱节点为n×节点的布置方案，n为比例系数，计算平均捕获时间，平均捕获时间为从任意一点出发首次抵达任一陷阱节点的时间期望；
计算平均捕获时间的具体步骤包括：
记X为网络邻接矩阵，Z为前文所述复杂路网的对角度矩阵，即：
Z＝diag(d1,d2,…di,…dn)
记I为N×N阶单位矩阵，则网络的归一化拉普拉斯矩阵表示为：
L＝I-Z-1X
记O为网络社团中节点的集合，从非陷阱节点出发，以无偏随机游走方式，首次到达任意卡口节点的时间T’可表示为：
T′＝[T1,T2,…TN-|O|]
T′＝[L′]-1e
其中，L′为归一化拉普拉斯矩阵去掉陷阱节点对应的行与列之后剩余的子矩阵，e为TN-|O|维单位向量。
则从网络社团任意一点出发，经过无偏随机游走，直至被网络社团陷阱节点首次捕获的平均时间(步数)表示为：
其中为L′的逆矩阵中对应i行j列的元素。
步骤S53：计算S52对应的布置方案的成本P＝N×n×p，N为网络社团节点数量，p为单个节点布置智能监控设备的成本。
优选地，步骤S52具体包括以下步骤：
步骤S521：利用机器学习遍历所有权重系数的可能布置方案算出平均捕获时间，得到最小平均捕获时间，最小平均捕获时间对应的权重系数为最优权重系数，其中，步进为0.1，a+b+c+d＝1。
优选地，步骤S52具体还包括以下步骤：
步骤S522：基于最优权重系数利用机器学习遍历陷阱节点为n×节点的布置方案，n∈[0.4、0.45、0.5、0.55、0.6、0.65、0.7、0.75、0.8]，计算平均捕获时间，得到平均捕获时间最短的布置方案。
优选地，步骤S53具体包括以下步骤：
根据步骤S522得到的平均捕获时间最短的布置方案对应的n,计算n-2,n-1,n,n+1,n+2对应的布置方案的成本,得到成本最低的布置方案。
优选地，从案件数据库获取节点的第一类案件发生量，第一类案件发生量等级系数为A，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
优选地，从案件数据库获取节点的第二类案件发生量，第二类案件发生量等级系数为B，由于第二类案件发生存在偶发性，1次视为随机事件，随事件发生数量等级系数呈指数上升，B＝x3，x为第二类案件发生量。
优选地，利用网络地图热力图获取节点的人流密度，人流密度等级系数为C，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
优选地，节点密度为s为一定区域面积，m为一定区域面积内节点数量，节点密度等级系数为E，按照密度大小由大到小排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
与现有技术相比，本发明具备以下有益效果：
1、本发明提出的一种城域级视频智能卡口规划布局方法，面向城域级布点规划而不是面向具体场景，明确提出了视频智能卡口规划布局的数学问题模型，将布点规划问题转化为可计算可量化的数学计算问题，且仅需依赖路网数据，对前置数据要求降低，可用于城域级数十万、百万量级点位自动布设规划。
2、本发明通过计算机器学习遍历出平均捕获时间最短的布置方案，当成本预算有限时，在平均捕获时间不高的情况下选择成本最低的布置方案，可有效控制成本。
3、本发明通过计算机器学习避免依靠经验来确定节点的权重，在重点节点优先布置智能卡口，极大消除被观测对象的不确定性。
附图说明
图1为一种城域级视频智能卡口规划布局方法流程示意图；
图2为一种实施中某市路网结构图；
图3为一种实施中某市路网融合公共交通网络之后的网络结构图；
图4为一种实施中不同随机游走步长的社团划分结果；
图5为一种实施中网络社团随尺度增加而呈现的合并趋势图(a)、社团总数随尺度变化图(b)、不同尺度下社团划分的稳定性热力图(c)。
具体实施方式
下面结合附图对本发明作进一步说明，请参阅图1，在一个优选实施例中，一种城域级视频智能卡口规划布局方法，包括以下步骤：
S1：如图2所示，获取规划区域的基础路网，基础路网以分叉路口为节点，以道路为边；
S2：如图3所示，将公共交通数据加入基础路网生成复杂路网，将公共交通数据以space P方法加入路网中，形成视频观测视角下的路网拓扑结构，采用无偏随机游走作为复杂路网中的目标运动模型；
S3：将复杂路网进行多尺度社团分割；
复杂路网上的马尔可夫随机游走过程提供了一种在各种尺度上动态揭示网络社团结构的机制，随机游走的时间尺度(对于离散时间系统，时间尺度即对应游走步数)即对应了社团分割过程的分辨率。直观理解即是在马尔可夫游走条件下，被观测对象以更大的概率在社团内部徘徊，更小的概率进行跨社团转移。如图4所示，随机游走步长为2时社团划分结果(a)、步长为11时社团划分结果(b)、步长为50时社团划分结果(c)，不同的随机游走尺度对应了不同的社团分割分辨率，更大的随机游走步数对应了更大的社团结构。
S4：获得稳定尺度的网络社团；
如图5所示，网络社团随尺度增加而呈现的合并趋势(a)、社团总数随尺度增加而减少(b)、不同尺度下社团划分的稳定性热力图(c)。图5(a)所示为随尺度变化，网络社团划分的嵌套结构，整体上，随着观察尺度的增大，网络社团呈现合并的趋势。图5(b)所示为2～50步随机游走尺度下分别进行社团分割所得的网络社团数量，可以看到社团划分的数量整体随尺度的增加而减少。图5(c)所示为对2～50步随机游走尺度分别进行社团分割，并对分割稳定性进行计算所得结果。可以看到在27，35，43步等尺度上，分别出现相对稳定区域。这些相对稳定的、不同尺度的社团结构即构成了逐层嵌套的封圈、切块、分格基本布局框架。
S5：基于机器学习计算网络社团中各节点的权重以及网络社团的平均捕获时间，按照其中平均捕获时间最短或成本最低的布置方案布置陷阱节点，陷阱节点为布置智能卡口的节点，即布置有智能监控设备的节点；
S6：合并所有网络社团的陷阱节点。
在本实施例中，步骤S5具体包括以下步骤：
步骤S51：计算节点的权重，公式如下：
R＝aA+bB+cC+eE
其中，A为节点第一类案件发生量等级系数，B为节点第二类案件发生量等级系数，C为人流密度等级系数，E为节点密度等级系数，a、b、c、e分别为各自变量的权重系数；
步骤S52：给权重系数随机赋值选出陷阱节点为n×节点的布置方案，n为比例系数，计算平均捕获时间，平均捕获时间为从任意一点出发首次抵达任一陷阱节点的时间期望；
计算平均捕获时间的具体步骤包括：
记X为网络邻接矩阵，Z为前文所述复杂路网的对角度矩阵，即：
Z＝diag(d1,d2,…di,…dn)
记I为N×N阶单位矩阵，则网络的归一化拉普拉斯矩阵表示为：
L＝I-Z-1X
记O为网络社团中节点的集合，从非陷阱节点出发，以无偏随机游走方式，首次到达任意卡口节点的时间T’可表示为：
T′＝[T1,T2,…TN-|O|]
T′＝[L′]-1e
其中，L′为归一化拉普拉斯矩阵去掉陷阱节点对应的行与列之后剩余的子矩阵，e为TN-|O|维单位向量。
则从网络社团任意一点出发，经过无偏随机游走，直至被网络社团陷阱节点首次捕获的平均时间(步数)表示为：
其中为L′的逆矩阵中对应i行j列的元素。
步骤S53：计算S52对应的布置方案的成本P＝N×n×p，N为网络社团节点数量，p为单个节点布置智能监控设备的成本。
在本实施例中，步骤S52具体包括以下步骤：
步骤S521：利用机器学习遍历所有权重系数的可能布置方案算出平均捕获时间，得到最小平均捕获时间，最小平均捕获时间对应的权重系数为最优权重系数，其中，步进为0.1，a+b+c+d＝1。
在本实施例中，步骤S52具体还包括以下步骤：
步骤S522：基于最优权重系数利用机器学习遍历陷阱节点为n×节点的布置方案，n∈[0.4、0.45、0.5、0.55、0.6、0.65、0.7、0.75、0.8]，计算平均捕获时间，得到平均捕获时间最短的布置方案。
在本实施例中，步骤S53具体包括以下步骤：
根据步骤S522得到的平均捕获时间最短的布置方案对应的n,计算n-2,n-1,n,n+1,n+2对应的布置方案的成本,得到成本最低的布置方案。
在本实施例中，从案件数据库获取节点的第一类案件发生量，第一类案件发生量等级系数为A，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
在本实施例中，从案件数据库获取节点的第二类案件发生量，第二类案件发生量等级系数为B，由于第二类案件发生存在偶发性，1次视为随机事件，随事件发生数量等级系数呈指数上升，B＝x3，x为第二类案件发生量。
在本实施例中，利用网络地图热力图获取节点的人流密度，人流密度等级系数为C，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
在本实施例中，节点密度为s为一定区域面积，m为一定区域面积内节点数量，节点密度等级系数为E，按照密度大小由大到小排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1，其中，等级数量为均分方式。
在一个优选实施例中，某网络社团有138个节点，获取每个节点的第一类案件发生量等级系数、第二类案件发生量等级系数、人流密度等级系数和密度等级系数，给权重系数赋值a＝0.3、b＝0.3、c＝0.2、e＝0.2，根据节点权重公式R，得到节点权重排序，根据权重排序从高到低选出陷阱节点数量为0.4的节点数量的布置方案，即陷阱节点数量为55个(陷阱节点数量取整)，计算出平均捕获时间，利用机器学习遍历所有权重系数的可能布置方案算出平均捕获时间，得到最小平均捕获时间，最小平均捕获时间对应的权重系数为最优权重系数，基于最优权重系数利用机器学习遍历陷阱节点数量为n×节点数量的布置方案，n∈[0.4、0.45、0.5、0.55、0.6、0.65、0.7、0.75、0.8]，计算平均捕获时间，得到平均捕获时间最短的布置方案，根据上述得到的平均捕获时间最短的布置方案对应的n,计算n-2,n-1,n,n+1,n+2对应的布置方案的成本,得到成本最低的布置方案。
以上显示和描述了本发明的基本原理、主要特征。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。

Claims (8)

1.一种城域级视频智能卡口规划布局方法，其特征在于，包括以下步骤：
S1：获取规划区域的基础路网，基础路网以分叉路口为节点，以道路为边；
S2：将公共交通数据加入基础路网生成复杂路网；
S3：将复杂路网进行多尺度社团分割；
S4：获得稳定尺度的网络社团；
S5：基于机器学习计算网络社团中各节点的权重以及网络社团的平均捕获时间，按照其中平均捕获时间最短或成本最低的布置方案布置陷阱节点，陷阱节点为布置智能卡口的节点；
S6：合并所有网络社团的陷阱节点；其中，
步骤S5具体包括以下步骤：
步骤S51：计算节点的权重，公式如下：
R＝aA+bB+cC+eE
其中，A为节点交通案件发生量等级系数，B为节点刑事案件发生量等级系数，C为人流密度等级系数，E为节点密度等级系数，a、b、c、e分别为各自变量的权重系数；
步骤S52：给权重系数随机赋值选出陷阱节点为n×节点的布置方案，n为比例系数，计算平均捕获时间，平均捕获时间为从任意一点出发首次抵达任一陷阱节点的时间期望；
步骤S53：计算S52对应的布置方案的成本P＝N×n×p，N为网络社团节点数量，p为单个节点布置智能监控设备的成本。
2.根据权利要求1所述的一种城域级视频智能卡口规划布局方法，其特征在于，步骤S52具体包括以下步骤：
步骤S521：利用机器学习遍历所有权重系数的可能布置方案算出平均捕获时间，得到最小平均捕获时间，最小平均捕获时间对应的权重系数为最优权重系数，其中，步进为0.1，a+b+c+d＝1。
3.根据权利要求2所述的一种城域级视频智能卡口规划布局方法，其特征在于，步骤S52具体还包括以下步骤：
步骤S522：基于最优权重系数利用机器学习遍历陷阱节点为n×节点的布置方案，n∈[0.4、0.45、0.5、0.55、0.6、0.65、0.7、0.75、0.8]，计算平均捕获时间，得到平均捕获时间最短的布置方案。
4.根据权利要求3所述的一种城域级视频智能卡口规划布局方法，其特征在于，步骤S53具体包括以下步骤：
根据步骤S522得到的平均捕获时间最短的布置方案对应的n,计算n-2,n-1,n,n+1,n+2对应的布置方案的成本,得到成本最低的布置方案。
5.根据权利要求1所述的一种城域级视频智能卡口规划布局方法，其特征在于，从公安局获取节点的交通案件发生量，交通案件发生量等级系数为A，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1。
6.根据权利要求1所述的一种城域级视频智能卡口规划布局方法，其特征在于，从公安局获取节点的刑事案件发生量，刑事案件发生量等级系数为B，B＝x3，x为刑事案件发生量。
7.根据权利要求1所述的一种城域级视频智能卡口规划布局方法，其特征在于，利用网络地图热力图获取节点的人流密度，人流密度等级系数为C，按照数量由多到少排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1。
8.根据权利要求1所述的一种城域级视频智能卡口规划布局方法，其特征在于，节点密度为s为一定区域面积，m为一定区域面积内节点数量，节点密度等级系数为E，按照密度大小由大到小排序分成高、中、低3个等级，高级系数为3，中级系数为2，低级系数为1。
CN202310690249.9A 2023-06-09 2023-06-09 一种城域级视频智能卡口规划布局方法 Active CN116980559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310690249.9A CN116980559B (zh) 2023-06-09 2023-06-09 一种城域级视频智能卡口规划布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310690249.9A CN116980559B (zh) 2023-06-09 2023-06-09 一种城域级视频智能卡口规划布局方法

Publications (2)

Publication Number Publication Date
CN116980559A CN116980559A (zh) 2023-10-31
CN116980559B true CN116980559B (zh) 2024-02-09

Family

ID=88470237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310690249.9A Active CN116980559B (zh) 2023-06-09 2023-06-09 一种城域级视频智能卡口规划布局方法

Country Status (1)

Country Link
CN (1) CN116980559B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109698942A (zh) * 2019-01-15 2019-04-30 航天精一(广东)信息科技有限公司 一种治安视频和卡口选点优化的规划作业方法
CN110602438A (zh) * 2018-06-13 2019-12-20 浙江宇视科技有限公司 一种基于路网的视频监控布局优化方法及装置
CN111860866A (zh) * 2020-07-24 2020-10-30 西华师范大学 一种具有社团结构的网络表示学习方法及装置
CN114037175A (zh) * 2021-11-19 2022-02-11 电子科技大学 一种基于多尺度聚类的大规模公交线网分级优化方法
CN114372117A (zh) * 2022-01-07 2022-04-19 北华航天工业学院 一种复杂交通网络的多尺度聚集模式分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11915599B2 (en) * 2020-09-08 2024-02-27 City University of Hong Kong; Grid based path search method for UAV delivery operations in urban environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110602438A (zh) * 2018-06-13 2019-12-20 浙江宇视科技有限公司 一种基于路网的视频监控布局优化方法及装置
CN109698942A (zh) * 2019-01-15 2019-04-30 航天精一(广东)信息科技有限公司 一种治安视频和卡口选点优化的规划作业方法
CN111860866A (zh) * 2020-07-24 2020-10-30 西华师范大学 一种具有社团结构的网络表示学习方法及装置
CN114037175A (zh) * 2021-11-19 2022-02-11 电子科技大学 一种基于多尺度聚类的大规模公交线网分级优化方法
CN114372117A (zh) * 2022-01-07 2022-04-19 北华航天工业学院 一种复杂交通网络的多尺度聚集模式分析方法

Also Published As

Publication number Publication date
CN116980559A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
KR101638368B1 (ko) 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
Cofıno et al. Bayesian networks for probabilistic weather prediction
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
CN113034913A (zh) 交通拥堵预测方法、装置、设备及存储介质
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN109118119A (zh) 风控模型生成方法及装置
CN110909924A (zh) 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法
CN111507762B (zh) 基于多任务共预测神经网络的城市出租车需求预测方法
Ou et al. Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms
Zhang et al. TrafficGAN: Off-deployment traffic estimation with traffic generative adversarial networks
CN104916124B (zh) 基于马尔可夫模型的公共自行车系统调控方法
Andriyanov et al. Using mathematical modeling of time series for forecasting taxi service orders amount
CN115271373A (zh) 城市群弹性开发边界划定方法及系统
CN116976529A (zh) 基于供需预测动态校正的跨流域调水方法和系统
CN109740818A (zh) 一种应用于航路扇区交通的概率密度预测系统
Kocher et al. Forecasting of crime events applying risk terrain modeling
Jin et al. Deep learning for seasonal precipitation prediction over China
CN110110339A (zh) 一种日前水文预报误差校正方法及系统
Fafoutellis et al. Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data
KR102359902B1 (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체
CN116980559B (zh) 一种城域级视频智能卡口规划布局方法
CN112767126A (zh) 基于大数据的抵押物评级方法和装置
Despontin et al. Macro-economic Planning with Conflicting Goals: Proceedings of a Workshop Held at the Vrije Universiteit of Brussels Belgium, December 10, 1982
Karimi et al. Monthly rainfall prediction using ARIMA and gene expression programming: A case study in Urmia, Iran
CN115660425A (zh) 风偏闪络风险评价方法、系统、设备、可读存储介质

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