CN117251493B - 一种基于警情地图的多源综合定位方法及装置 - Google Patents
一种基于警情地图的多源综合定位方法及装置 Download PDFInfo
- Publication number
- CN117251493B CN117251493B CN202311509271.5A CN202311509271A CN117251493B CN 117251493 B CN117251493 B CN 117251493B CN 202311509271 A CN202311509271 A CN 202311509271A CN 117251493 B CN117251493 B CN 117251493B
- Authority
- CN
- China
- Prior art keywords
- label
- correlation
- tag
- information
- alarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000003058 natural language processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及智能消防技术领域，为一种基于警情地图的多源综合定位方法及装置。本申请实施例提供的技术方案中，通过对实时报警语音信息流进行端对端的语音转换得到文本信息，并针对文本信息中有关位置的警情要素进行提取，并根据多个警情要素之间的关系确定警情的真实性以及警情发生地点的位置推测，提高了整体系统关于警情识别和警情发生位置的准确性。
Description
技术领域
本发明涉及智能消防技术领域，为一种基于警情地图的多源综合定位方法及装置。
背景技术
为了适应当前信息化、智能化时代下的接处警需求，消防智能接处警系统中运用自然语言处理技术，根据接处警数据，实现对警情信息中的关键信息，包括：警情来源、警情地址、警情类型、警情类别、警情描述、燃烧对象、建筑结构、楼层层数、燃烧层数、人员被困数量、警情位置、报警电话等要素。与信息检索技术、大数据等技术相结合，有利于消防人员快速定位有用案情，提升消防部门快速响应能力与作战能力。提升应急管理基础能力和水平以增强城市韧性，是新时期城市安全的重大需求。
在现有技术中针对于自动化接警系统中主要存在警情定位信息不准确的问题，针对此问题主要有限于对于警情信息真伪的判断以及对于警情信息中对于位置特征信息的提取不准确，且定位手段单一，部分位置信息仍是系统默认值或与实际位置偏差大，无法保证位置信息的有效、准确，影响处置效率。
发明内容
为了解决以上的问题，本申请提供一种基于警情地图的多源综合定位方法及装置，采用自然语言处理技术、机器学习等技术运用到消防接处警系统中进行警情信息提取，能够实现对于报警信息中关于位置要素的提取，并根据提取到的位置要素之间的关系进行警情真实推测和位置推测。
为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，提供一种基于警情地图的多源综合定位方法，应用于服务器，所述方法包括：对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签；提取第一标签、第二标签、第三标签以及第四标签所对应的实体信息，所述第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型；将所述第一标签、第二标签、第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置。
进一步的，在对实时获取的报警信息进行警情要素提取之前，还包括：将所述报警信息通过语音识别模型将报警信息进行转换，得到按照时序进行排列的文本序列。
进一步的，将报警信息进行转换，到按照时序进行排列的文本序列，包括：将所述报警信息进行语音特征处理得到以帧为单位的语音序列，将所述语音序列中的多个语音特征进行映射处理得到初始文本序列，并将所述初始文本序列通过隐藏状态融合生成目标文本特征，并以序列为尺度生成目标文本序列。
进一步的，对实时获取的报警信息进行警情要素提取，包括：对所述目标文本序列进行特征提取得到对应的词表征向量表示，并对所述词表征向量表示进行编码得到句子语义编码，将所述句子语义编码进行解码并依据标签之间的合理性关系得到最优的标记序列，所述标记序列为警情要素。
进一步的，将所述第一标签和第二标签或所述第三标签所对应的实体信息在警情地图上进行表示，包括：将所述第一标签、所述第二标签和所述第三标签与地理信息数据库进行比对，获取所述第一标签、所述第二标签和所述第三标签所对应的地理坐标信息，其中第一标签和所述第二标签所对应的地理坐标信息为范围值，所述第三标签所对应的地理做信息为点值。
进一步的，基于表示后的位置关系确定警情发生状态以及警情发生位置，包括：获取所述报警信息来源所在实际地理坐标信息，并将所述实际地理坐标信息与所述第一标签或所述第二标签或所述第三标签所对应的地理坐标信息比较确定警情发生状态以及警情发生位置。
进一步的，将所述实际地理坐标信息与所述第一标签和/或所述第二标签和/或所述第三标签所对应的地理坐标信息比较确定警情发生状态，包括：当所述实际地理坐标信息小于所述第一标签所对应的地理坐标信息第一阈值范围内时，确定警情为非伪警情；遍历其余多个实时报警信息，如有与所述第四标签相同，且与所述第一标签相同的实时报警信息，则确定所述警情为真实警情。
进一步的，确定警情发生位置，包括：比较所述第一标签、第二标签和所述第三标签之间的有关位置的相关性，基于相关性进行位置的推测；所述相关性包括第一相关性，第二相关性和第三相关性，所述第一相关性用于表征第一标签与所述第二标签之间的相关性，所述第二相关性用于表征第一标签和所述第三标签之间的相关性，所述第三相关性用于表征第二标签与所述第三标签之间的相关性；所述第一相关性、所述第二相关性和所述第三相关性具有正负赋值，正值用于表征相关标签的正关联，负值用于表征相关标签的负关联。
进一步的，基于相关性进行位置的推测，包括：当所述第三相关性为正相关联，则所述位置推测结果为第二标签和所述第三标签所对应的物理坐标；当所述第三相关性为负相关联，所述第一相关性和所述第二相关性为正相关联，则所述位置推测结果为第一标签和所述第三标签所对应的物理坐标；当所述第一相关性、所述第二相关性和所述第三相关性为负相关性时，则确定警情为非真警情。
第二方面，提供一种基于警情地图的多源综合定位装置，所述装置包括：标签确定模块，用于对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签；标签提取模块，用于提取第一标签和第二标签和第三标签，以及第四标签所对应的实体信息，所述第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型；位置确定模块，用于将所述第一标签、第二标签、所述第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本申请实施例提供的技术方案中，通过对实时报警语音信息流进行端对端的语音转换得到文本信息，并针对文本信息中有关位置的警情要素进行提取，并根据多个警情要素之间德国关系确定警情的真实性以及警情发生地点的位置推测，提高了整体系统关于警情识别和警情发生位置的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的基于警情地图的多源综合定位方法流程示意图。
图2是本申请实施例提供的基于警情地图的多源综合定位装置结构图。
图3是本申请实施例提供的基于警情地图的多源综合定位设备结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
（1）响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
（2）基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
随着城市工业化、现代化进程的持续加快，城市中老旧小区安全隐患排除难度大，而农村消防基础设施薄弱，加之大量年人口涌入城市中，与此同时，机动车辆和新能源汽车发展迅速，农村与城市的建筑火灾形势日益严峻。为尽快适应和应对“全灾种、大应急”的需要，同时也为了适应当前信息化、智能化时代下的接处警需求，消防智能接处警系统中运用自然语言处理技术，根据接处警数据，实现对警情信息中的关键信息的获取。在现有技术中，针对于自然语言处理技术的应用主要包括以下几种方式：
监控事件报警：主要实现手段为结合长短时记忆(LSTM)和卷积神经网络(CNN)的混合模型对网格监测报警事件进行识别并运用于管理系统中，采用的是 Word2vec 模型实现监控报警信息文本的语义表达，而非基于字符检索匹配或词频统计概率的语义表达。实现了基于文本的网络系统的监控报警事件识别;同时分析了大量的历史预警信息，总结了它们与普通中文文本的差异。结合 LSTM 在处理时间序列问题方面的优异性能和 CNN 在挖掘短文本局部特征方面的优异性能，建立了一种混合深度学习模型。
事故分类报警：将文本预处理和自然语言处理 (NLP) 运用于航空事故因素分类。考虑了半监督标签传播 (LS) 和监督支持向量机 (SVM) 技术对航空事故报告进行数据建模。随机搜索和贝叶斯优化方法应用于超参数分析和模型性能的改进，以 Micro F1分数衡量。从航空事故报告中识别和分类人为因素类别，以 TF-IDF+LS 模型对于分类框架的每个级别，最佳预测模型的 Micro F1 分数分别为 0.900、0.779 和 0.875，表明基于文本数据的人为因素分类可以获得良好的预测性能。
聊天机器人，由知识图谱和文本相似度组成的模型，并基于聊天机器人框架构建了在线问答(QA) Healthcare Helper 系统，用于回答复杂问题。从互联网收集的数据构建了特定领域的知识图谱。实现了一种新颖的文本表示和相似度深度学习模型。
相较于以上自然语言处理方法，在现有技术中较少将自然语言处理技术运用到消防领域， 针对于以上的背景信息，本申请实施例提供一种基于人工智能的自动化本地消防语音识别方法，具体包括以下方法：
步骤S110.对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签。
本申请实施例中提供的技术方案应用于自动化接警系统中，用于对报警信息进行自动化手段处理得到接警信息并确定接警信息以及警情发生地的具体位置，降低了人工处理的效率以及成本问题，提高了信息处理速度和识别结果精准度。
其中针对于本实施例的技术方案的大致过程为，将报警人的报警电话中的语音信息转换为文本信息并且提取文本信息中的实体信息，并根据实体信息确定警情发生位置。
针对于此过程处理的第一步为获取实体信息，针对于获取到的报警人的信息为实时语音信息，所以需要将实时语音信息进行实体信息的提取，主要实现方式为语音识别技术，通过语音识别技术将语音信息转换为文本信息并将文本信息中的实体信息进行抽取。
在本申请实施例中，针对于此语音处理过程包括两步，第一步为文本信息的转换，在本申请实施例中针对于此过程可采用现有的NPL进行实现，在本申请实施例中不再进行赘述，通过NPL方式将语音信息转换过程为将报警信息进行语音特征处理得到以帧为单位的语音序列，将所述语音序列中的多个语音特征进行映射处理得到初始文本序列，并将所述初始文本序列通过隐藏状态融合生成目标文本特征，并以序列为尺度生成目标文本序列，此目标文本序列即为第一步获得到的文本信息。
而针对于本申请实施例中，此步骤主要改进点位针对于文本信息中的警情要素进行提取。首先，针对于计算机文本信息为一串无无意义的字符串，需要对此字符串进行与警情相关的警情要素的获取。具体包括以下步骤：对所述目标文本序列进行特征提取得到对应的词表征向量表示，并对所述词表征向量表示进行编码得到句子语义编码，将所述句子语义编码进行解码并依据标签之间的合理性关系得到最优的标记序列，所述标记序列为警情要素。
其中在本申请实施例中，针对于以上处理过程基于警情识别模型进行，在本申请实施例中，针对于警情识别模型包括特征提取层、语义编码层和解码层，其中特征提取层将所述文本序列进行处理得到对应的融合通用领域内的语义信息后的词表征向量表示，所述语义编码层基于所述词表征向量表示进行编码得到句子语义编码，所述解码层用于对所述句子语义编码进行解码并依据标签之间的合理性关系得到最优的标记序列。
具体的，针对于本申请实施例中的特征提取层为ALBERT预训练模型，ALBERT预训练模型得到各序列文本中字对应的融合通用领域内的语义信息后的词表征向量表示。在本申请实施例中，ALBERT预训练模型是在 BERT模型上的改进，用于通过对模型的参数进行删减，在使用较小内存的同时还能提升模型的识别效果。
在本申请实施例中，针对于语义编码层包括多个相互连接的Bi-LSTM模块，所述Bi-LSTM模块包括前向LSTM层和后向LSTM层，所述前向LSTM层和后向LSTM层隐含层都连接到同一个输出层，通过前向LSTM层和后向LSTM层得到拼接后的字向量；所述解码层为CRF层，用于获取所述字向量的最优标签序列。
其中，针对于LSTM在计算过程中包括遗忘门、记忆门和当前单元状态、输出结果和当前隐藏状态，其中计算步骤包括以下过程：
针对于遗忘门，用于选择择需要丢弃的信息，输入为前一时刻隐藏层状态和当前输入序列/>即提取到的词表征向量表示组成的序列，/>和/>分别为权重矩阵和偏置项，为激活函数，其计算公式为：
。
针对于记忆门和当前单元状态，选择需要保留的信息，当前单元状态计算，为临时单元状态，/>为上一时刻的单元状态，输出为当前时刻单元状态/>，计算过程可表示为：
；
；
。
输出结果和当前隐藏状态，当前时刻输入词和当前时刻单元状态/>，输出为输出门的值和当前隐藏状态，计算过程分别为以下公式进行：
；
。
在本申请实施例中，针对于LSTM神经网络模型获取到句子序列的过去历史信息，而序列标任务中单个字或者词与所在句子的上下文信息都有关，Bi-LSTM 神经网络模型，将前向LSTM 和后向LSTM 隐含层都连接到同一个输出层，得到拼接后的字向量。
在本申请实施例中，针对于解码层为为CRF层，用于获取所述字向量的最优标签序列。针对于本申请实施例中的BiLSTM模型对于每个词标签输出概率是相互独立的，对消防警情文本序列的各个标签之间的转移特征，BiLSTM模型无法学习，可能会出现一个句子中相同的标签相连接，而CRF 和BiLSTM结合就可以考虑标签之间的顺序性从而获得最佳的标签序列。BiLSTM层的输出是对每个标签的打分，比如对于字W1和W2，BiLSTM针对每个词打分，BiLSTM对W1打分，为 0.32,0.24,0.54,0.26,0.19,对于W2打分，为0.45，0.58，0.72，0.15，0.63，则认为0.54对应的标签为W1 的标签, 0.72对应的标签为W2的标签。针对于此种情况，无法得到正确的标签。针对于此种情况，在BiLSTM层后接CRF 就是让模型可以从训练数据中学习标签的顺序特征，保证标签预测的准确性，一句话的开头的第一个字应该是“B-”或者是“0”，而不能是“I-”，对于每个命名实体而言，第一个标签也应该如此，随着不断的训练，CRF 层可以自己学习这样的约束条件。针对于每一个序列，即每一个句子，表示无序字符序列，/>表示句子的标签序列，以下公式为最优标签序列计算公式：
；
其中，为从标签/>转移概率，/>为第i个位置输出为/>的概率，对于每一个X，其所有的可能的标签序列y的分数计算公式：
，其中/>表示对输入序列X所有可能出现的序列观测值的集合，/>表示实际真实的标记值，该标记序列的似然函数计算公式如下所示：
，
最大化标签签序列输出的概率用表示，计算公式为：
。
在本申请实施例中，通过步骤S110和步骤S120中的过程进行处理，能够将试试报警语音信息进行端到端的语音-文字转换，并将转换后的文字通过警情要素的提取，得到对应的警情要素，其中警情要素用于表征实体信息，此实体信息为警情处理中的必须获得到的信息，例如：时间、地点、警情类型等。
步骤S120.提取第一标签、第二标签、第三标签，以及第四标签所对应的实体信息。
在本申请实施例中，针对于第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型。
其中，针对于以上标签的获取基于报警信息中抽取出的警情要素的数量进行，因为报警人的表达习惯和表达能力有限，在一条报警信息中有可能不具有完整的第一标签、第二标签、第三标签和第四标签，但是至少保护其中一个标签。
针对于标签的确定用于后续针对于警情发生地点的确定，即第一标签、第二标签、第三标签为与警情发生地点具有强关联的标签。
而针对于第一标签、第二标签和第四标签对应的实体信息的确定基于步骤S110中的过程中语义标签进行确定，即针对于每一个词向量以及组成的最优的标记序列中具有对应的语义标签。
步骤S130.将所述第一标签、第二标签、所述第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置。
针对于本申请实施例中的技术方案主要是确定警情发生位置，所以需要将第一标签、第二标签和第三标签的位置进行确定，在本申请实施例中此处理过程为：将所述第一标签、所述第二标签和所述第三标签与地理信息数据库进行比对，获取所述第一标签、所述第二标签和所述第三标签所对应的地理坐标信息，其中第一标签和所述第二标签所对应的地理坐标信息为范围值，所述第三坐标所对应的地理做信息为点值。在本申请实施例中，针对于地理信息数据库为预先构建数据库，整合了关于警情监控区域内的标签所对应的名称以及所对应的地理坐标信息。所以，针对于步骤S120中获取到的实体信息对应的第一标签/第二标签/第三标签通过地理信息数据库进行地理坐标信息的获取，具体的处理过程为，将实体信息按照标签类型寻找地理信息数据库中对应的标签数据库，通过标签数据库中的实体信息比较的重叠度确定二者属于相同关系，并基于相同关系进行寻找和确定。
针对于上述过程中的得到的数据为标签对应的地理坐标信息，而针对于本申请实施例中主要是确定最终的地理坐标信息。因为针对于报警人有可能会产生表达错误等问题，例如实际发生地点与报警人所叙述目的不同，或者报警人报假警。所以，需要对以上获取打的地理坐标信息进行验证以及确定。
针对于本申请实施例中关于警情是否为假警情的确定通过获取所述报警信息来源所在实际地理坐标信息，并将所述实际地理坐标信息与所述第一标签和/或所述第二标签和/或所述第三标签所对应的地理坐标信息比较确定警情发生状态以及警情发生位置。
在本申请实施例中，针对于实际地理坐标信息为打入报警系统电话号码实时的地理坐标信息，通过地理坐标信息与报警信息中的实体信息之间进行比较来确定是否为假警。例如，对于报警人的电话来源的实时的地理坐标信息在A地点，而针对于警情信息中的实体信息在B地点，则可推定具有假警倾向。
为了保证对于警情真是确定性的准确度，在本申请实施例中通过设置相差阈值的方式进行准确确定。具体为：当所述实际地理坐标信息小于所述第一标签所对应的地理坐标信息第一阈值范围内时，确定警情为非伪警情。
为了进一步的确定警情的真实性，通过与其他信息进行二次验证，因为在实际的操作中，针对于报警信息不只包含一个报警人的信息，有可能在同一时间存在多个相关联的报警信息，基于此逻辑在本申请实施例中通过遍历其余多个实时报警信息，如有与所述第四标签相同，且与所述第一标签相同的实时报警信息，则确定所述警情为真实警情。
针对于警情真实性后的确定，则对警情发生位置进行详细确定。
此过程具体包括一下过程：比较所述第一标签、第二标签和所述第三标签之间的有关位置的相关性，基于相关性进行位置的推测；所述相关性包括第一相关性，第二相关性和第三相关性，所述第一相关性用于表征第一标签与所述第二标签之间的相关性，所述第二相关性用于表征第一标签和所述第三标签之间的相关性，所述第三相关性用于表征第二标签与所述第三标签之间的相关性；所述第一相关性、所述第二相关性和所述第三相关性具有正负赋值，正值用于表征相关标签的正关联，负值用于表征相关标签的负关联。
在本申请实施例中，基于相关性进行位置的推测包括：当所述第三相关性为正相关联，则所述位置推测结果为第二标签和所述第三标签所对应的物理坐标；当所述第三相关性为负相关联，所述第一相关性和所述第二相关性为正相关联，则所述位置推测结果为第一标签和所述第三标签所对应的物理坐标；当所述第一相关性、所述第二相关性和所述第三相关性为负相关性时，则确定警情为非真警情。
参阅图2，提供一种基于警情地图的多源综合定位装置200，包括：
标签确定模块210，用于对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签。
标签提取模块220，用于提取第一标签和/或第二标签和/或第三标签，以及第四标签所对应的实体信息，所述第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型。
位置确定模块230，用于将所述第一标签和/或第二标签和/或所述第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置。
参阅图3，基于警情地图的多源综合定位设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器301和存储器302，存储器302中可以存储有一个或一个以上存储应用程序或数据。其中，存储器302可以是短暂存储或持久存储。存储在存储器302的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括基于警情地图的多源综合定位设备中的一系列计算机可执行指令。更进一步地，处理器301可以设置为与存储器302通信，基于警情地图的多源综合定位设备上执行存储器302中的一系列计算机可执行指令。基于警情地图的多源综合定位设备还可以包括一个或一个以上电源303，一个或一个以上有线/无线网络接口304，一个或一个以上输入/输出接口305，一个或一个以上键盘306等。
在一个具体的实施例中，基于警情地图的多源综合定位设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对基于警情地图的多源综合定位设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签；
提取第一标签和/或第二标签和/或第三标签，以及第四标签所对应的实体信息；
将所述第一标签和/或第二标签和/或所述第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置。
下面对处理器的各个构成部件进行具体的介绍：
其中，在本实施例中，处理器是特定集成电路（application specificintegrated circuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signal processor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行各种功能，例如执行上述图1所示的方法。
在具体的实现中，作为一种实施例，处理器可以包括一个或多个微处理器。
其中，所述存储器用于存储执行本申请方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过处理器的接口电路与处理单元进行耦合，本申请实施例对此不作具体限定。
需要说明的是，在本实施例中示出的处理器的结构并不构成对该装置的限定，实际的装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，处理器的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。
应理解，在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器（digital signal processor，DSP）、专用集成电路（application specific integratedcircuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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，在本申请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。
所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于警情地图的多源综合定位方法，其特征在于，应用于服务器，所述方法包括：
对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签；
提取第一标签、第二标签、第三标签以及第四标签所对应的实体信息，所述第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型；
将所述第一标签、第二标签、第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置；其中，
所述确定警情发生位置，包括：比较所述第一标签、第二标签和所述第三标签之间的有关位置的相关性，基于相关性进行位置的推测；所述相关性包括第一相关性，第二相关性和第三相关性，所述第一相关性用于表征第一标签与所述第二标签之间的相关性，所述第二相关性用于表征第一标签和所述第三标签之间的相关性，所述第三相关性用于表征第二标签与所述第三标签之间的相关性；所述第一相关性、所述第二相关性和所述第三相关性具有正负赋值，正值用于表征相关标签的正关联，负值用于表征相关标签的负关联；
所述基于相关性进行位置的推测，包括：当所述第三相关性为正相关联，则位置推测结果为第二标签和所述第三标签所对应的物理坐标；当所述第三相关性为负相关联，所述第一相关性和所述第二相关性为正相关联，则位置推测结果为第一标签和所述第三标签所对应的物理坐标；当所述第一相关性、所述第二相关性和所述第三相关性为负相关性时，则确定警情为非真警情。
2.根据权利要求1所述的基于警情地图的多源综合定位方法，其特征在于，在对实时获取的报警信息进行警情要素提取之前，还包括：将所述报警信息通过语音识别模型将报警信息进行转换，得到按照时序进行排列的文本序列。
3.根据权利要求2所述的基于警情地图的多源综合定位方法，其特征在于，将报警信息进行转换，到按照时序进行排列的文本序列，包括：将所述报警信息进行语音特征处理得到以帧为单位的语音序列，将所述语音序列中的多个语音特征进行映射处理得到初始文本序列，并将所述初始文本序列通过隐藏状态融合生成目标文本特征，并以序列为尺度生成目标文本序列。
4.根据权利要求3所述的基于警情地图的多源综合定位方法，其特征在于，对实时获取的报警信息进行警情要素提取，包括：对所述目标文本序列进行特征提取得到对应的词表征向量表示，并对所述词表征向量表示进行编码得到句子语义编码，将所述句子语义编码进行解码并依据标签之间的合理性关系得到最优的标记序列，所述标记序列为警情要素。
5.根据权利要求1所述的基于警情地图的多源综合定位方法，其特征在于，将所述第一标签、第二标签、所述第三标签所对应的实体信息在警情地图上进行表示，包括：将所述第一标签、所述第二标签和所述第三标签与地理信息数据库进行比对，获取所述第一标签、所述第二标签和所述第三标签所对应的地理坐标信息，其中第一标签和所述第二标签所对应的地理坐标信息为范围值，所述第三标签所对应的地理做信息为点值。
6.根据权利要求5所述的基于警情地图的多源综合定位方法，其特征在于，基于表示后的位置关系确定警情发生状态以及警情发生位置，包括：获取所述报警信息来源所在实际地理坐标信息，并将所述实际地理坐标信息与所述第一标签或所述第二标签或所述第三标签所对应的地理坐标信息比较确定警情发生状态以及警情发生位置。
7.根据权利要求6所述的基于警情地图的多源综合定位方法，其特征在于，将所述实际地理坐标信息与所述第一标签和/或所述第二标签和/或所述第三标签所对应的地理坐标信息比较确定警情发生状态，包括：当所述实际地理坐标信息小于所述第一标签所对应的地理坐标信息第一阈值范围内时，确定警情为非伪警情；遍历其余多个实时报警信息，如有与所述第四标签相同，且与所述第一标签相同的实时报警信息，则确定所述警情为真实警情。
8.一种基于警情地图的多源综合定位装置，其特征在于，所述装置包括：
标签确定模块，用于对实时获取的报警信息进行警情要素提取，得到警情的多个实体信息，将多个所述实体信息与预设置实体信息数据库进行比对，得到相匹配的实体信息以及所对应的标签；
标签提取模块，用于提取第一标签和第二标签和第三标签，以及第四标签所对应的实体信息，所述第一标签为用于表征行政区域名称，所述第二标签用于表征街道名称，所述第三标签用于表征具体建筑物名称，所述第四标签用于表征警情类型；
位置确定模块，用于将所述第一标签、第二标签、所述第三标签所对应的实体信息在警情地图上进行表示，并基于表示后的位置关系确定警情发生状态以及警情发生位置；其中，所述确定警情发生位置，包括：比较所述第一标签、第二标签和所述第三标签之间的有关位置的相关性，基于相关性进行位置的推测；所述相关性包括第一相关性，第二相关性和第三相关性，所述第一相关性用于表征第一标签与所述第二标签之间的相关性，所述第二相关性用于表征第一标签和所述第三标签之间的相关性，所述第三相关性用于表征第二标签与所述第三标签之间的相关性；所述第一相关性、所述第二相关性和所述第三相关性具有正负赋值，正值用于表征相关标签的正关联，负值用于表征相关标签的负关联；所述基于相关性进行位置的推测，包括：当所述第三相关性为正相关联，则位置推测结果为第二标签和所述第三标签所对应的物理坐标；当所述第三相关性为负相关联，所述第一相关性和所述第二相关性为正相关联，则位置推测结果为第一标签和所述第三标签所对应的物理坐标；当所述第一相关性、所述第二相关性和所述第三相关性为负相关性时，则确定警情为非真警情。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509271.5A CN117251493B (zh) | 2023-11-14 | 2023-11-14 | 一种基于警情地图的多源综合定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311509271.5A CN117251493B (zh) | 2023-11-14 | 2023-11-14 | 一种基于警情地图的多源综合定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117251493A CN117251493A (zh) | 2023-12-19 |
| CN117251493B true CN117251493B (zh) | 2024-02-02 |
Family
ID=89126653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311509271.5A Active CN117251493B (zh) | 2023-11-14 | 2023-11-14 | 一种基于警情地图的多源综合定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251493B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609458A (zh) * | 2009-07-08 | 2009-12-23 | 北京农业信息技术研究中心 | 一种数字照片自动空间标识及索引方法 |
| CN111105120A (zh) * | 2018-10-29 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 一种工单处理方法及装置 |
| CN111696202A (zh) * | 2020-05-06 | 2020-09-22 | 广东康云科技有限公司 | 一种应急指挥可视化系统、方法、装置及存储介质 |
| CN112750268A (zh) * | 2020-12-31 | 2021-05-04 | 深圳市安室智能有限公司 | 火灾报警系统及相关产品 |
| CN114328794A (zh) * | 2022-01-06 | 2022-04-12 | 迪爱斯信息技术股份有限公司 | 一种警情位置推理方法、系统、计算机设备及存储介质 |
| CN115456323A (zh) * | 2022-07-25 | 2022-12-09 | 西南计算机有限责任公司 | 一种警情信息的采集方法及装置 |
| CN116302863A (zh) * | 2023-05-22 | 2023-06-23 | 中信证券股份有限公司 | 报警处理方法、装置、设备和计算机可读介质 |
| CN116343447A (zh) * | 2023-03-02 | 2023-06-27 | 武汉理工光科股份有限公司 | 一种动态接警及快速出警方法、装置、设备及存储介质 |
| CN116682436A (zh) * | 2023-07-27 | 2023-09-01 | 成都大成均图科技有限公司 | 一种应急警情受理信息识别方法及装置 |
| CN116701610A (zh) * | 2023-08-03 | 2023-09-05 | 成都大成均图科技有限公司 | 一种基于应急多源报警有效警情识别方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8868914B2 (en) * | 1999-07-02 | 2014-10-21 | Steven W. Teppler | System and methods for distributing trusted time |
| US20180367667A1 (en) * | 2017-06-17 | 2018-12-20 | Safety Now Solutions LLC | The system and method for location determination of devices |
| US20210287318A1 (en) * | 2018-07-16 | 2021-09-16 | Aleksandar Sterpin | Method and System for Managing an Emergency |
-
2023
- 2023-11-14 CN CN202311509271.5A patent/CN117251493B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609458A (zh) * | 2009-07-08 | 2009-12-23 | 北京农业信息技术研究中心 | 一种数字照片自动空间标识及索引方法 |
| CN111105120A (zh) * | 2018-10-29 | 2020-05-05 | 北京嘀嘀无限科技发展有限公司 | 一种工单处理方法及装置 |
| CN111696202A (zh) * | 2020-05-06 | 2020-09-22 | 广东康云科技有限公司 | 一种应急指挥可视化系统、方法、装置及存储介质 |
| CN112750268A (zh) * | 2020-12-31 | 2021-05-04 | 深圳市安室智能有限公司 | 火灾报警系统及相关产品 |
| CN114328794A (zh) * | 2022-01-06 | 2022-04-12 | 迪爱斯信息技术股份有限公司 | 一种警情位置推理方法、系统、计算机设备及存储介质 |
| CN115456323A (zh) * | 2022-07-25 | 2022-12-09 | 西南计算机有限责任公司 | 一种警情信息的采集方法及装置 |
| CN116343447A (zh) * | 2023-03-02 | 2023-06-27 | 武汉理工光科股份有限公司 | 一种动态接警及快速出警方法、装置、设备及存储介质 |
| CN116302863A (zh) * | 2023-05-22 | 2023-06-23 | 中信证券股份有限公司 | 报警处理方法、装置、设备和计算机可读介质 |
| CN116682436A (zh) * | 2023-07-27 | 2023-09-01 | 成都大成均图科技有限公司 | 一种应急警情受理信息识别方法及装置 |
| CN116701610A (zh) * | 2023-08-03 | 2023-09-05 | 成都大成均图科技有限公司 | 一种基于应急多源报警有效警情识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Low false alarm rate RPL network monitoring system by considering timing inconstancy between the rank measurements;Takumi Matsunaga等;《2014 11th International Symposium on Wireless Communications Systems (ISWCS)》;第427-431页 * |
| 基于Android的智能报警系统;窦晓敏;《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》(第4期);第G113-80页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117251493A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | NeuroTPR: A neuro‐net toponym recognition model for extracting locations from social media messages | |
| RU2722571C1 (ru) | Способ распознавания именованных сущностей в сетевом тексте на основе устранения неоднозначности вероятности в нейронной сети | |
| Dagaeva et al. | Big spatio‐temporal data mining for emergency management information systems | |
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN113826092A (zh) | 使用实况数据流和/或搜索查询来确定关于发展中的事件的信息 | |
| Anbalagan et al. | # ChennaiFloods: leveraging human and machine learning for crisis mapping during disasters using social media | |
| CN114004210A (zh) | 基于神经网络的应急预案生成方法、系统、设备及介质 | |
| Alsaedi et al. | A combined classification-clustering framework for identifying disruptive events | |
| CN116701610A (zh) | 一种基于应急多源报警有效警情识别方法及装置 | |
| CN112508311A (zh) | 用于危险性预测的数据处理方法及装置 | |
| CN115329770A (zh) | 基于语义分析的威胁情报提取方法和系统 | |
| US20220164651A1 (en) | Feedback mining with domain-specific modeling | |
| Yue et al. | Using twitter data to determine hurricane category: An experiment | |
| Fernández-Martínez et al. | nLORE: A linguistically rich deep-learning system for locative-reference extraction in tweets | |
| Shiri et al. | Toward the automated construction of probabilistic knowledge graphs for the maritime domain | |
| CN117251493B (zh) | 一种基于警情地图的多源综合定位方法及装置 | |
| CN117114707A (zh) | 出险反欺诈预测模型的训练方法、预测方法和装置 | |
| US20240062052A1 (en) | Attention-based machine learning techniques using temporal sequence data and dynamic co-occurrence graph data objects | |
| CN116701752A (zh) | 基于人工智能的新闻推荐方法、装置、电子设备及介质 | |
| GB2617898A (en) | Natural language processing techniques using multi-context self-attention machine learning frameworks | |
| CN113918802B (zh) | 导航方法、装置、设备、介质及产品 | |
| Teodorescu | On the responses of social networks' to external events | |
| Felicia Ilona et al. | Classification of inundation level using tweets in Indonesian language | |
| Nurdeni et al. | Extracting information from Twitter data to identify types of assistance for victims of natural disasters: an Indonesian case study | |
| CN114417891A (zh) | 基于粗糙语义的回复语句确定方法、装置及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |