CN111260525A - 社区安全态势感知和预警方法、系统及存储介质 - Google Patents
社区安全态势感知和预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111260525A CN111260525A CN202010047997.1A CN202010047997A CN111260525A CN 111260525 A CN111260525 A CN 111260525A CN 202010047997 A CN202010047997 A CN 202010047997A CN 111260525 A CN111260525 A CN 111260525A
- Authority
- CN
- China
- Prior art keywords
- data
- community
- behavior
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008447 perception Effects 0.000 title abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 140
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 4
- 238000012880 independent component analysis Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 238000007726 management method Methods 0.000 description 17
- 238000013507 mapping Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000013467 fragmentation Methods 0.000 description 11
- 238000006062 fragmentation reaction Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种社区安全态势感知和预警方法、系统及存储介质，所述方法包括：获取多源异构传感器检测到的当前社区数据；将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；将所述行为特征数据发送至中央分析平台进行处理和分析；根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警。相对于现有技术，本发明实现了实时的态势感知和预警，避免出现社区活动中的误报警。
Description
技术领域
本发明涉及智慧社区技术领域，尤其涉及一种基于动态网络时空模型的社区安全态势感知和预警方法、系统及存储介质。
背景技术
“智慧社区”是指通过利用各种智能技术和方式，整合社区现有的各类服务资源，为社区群众提供政务、商务、娱乐、教育、医护及生活互助等多种便捷服务的模式。从应用方向来看，“智慧社区”应实现“以智慧政务提高办事效率，以智慧民生改善人民生活，以智慧家庭打造智能生活，以智慧小区提升社区品质”的目标。
智慧城区(社区)是社区管理的一种新理念，是新形势下社会管理创新的一种新模式。充分借助互联网、物联网，涉及到智能楼宇、智能家居、路网监控、个人健康与数字生活等诸多领域，充分发挥信息通信(ICT)产业发达、电信业务及信息化基础设施优良等优势。
申请号为CN 107659645 A，名称为以物联网为基础的一体化智慧社区系统的中国专利文献包括物业应用层、数据传输层和服务管理层，把数据采集、视频监控、自动报警、智能识别结合，对社区安全隐患信息、资源利用和社区服务统一进行联网控制和处理。该系统做出了对社区进行物联网部署的详细操作，但是对数据的管理方法依旧比较传统，计算也并不高效，且不能对复杂的异常行为(针对人)做出正确反馈。
申请号为CN 106713481 A，名称为一种基于物联网的社区智能安防系统的中国专利文献包括门禁系统、视屏监控系统、物业管理分系统、服务器分系统，通过把视频图像信息与IC卡信息相关联，通过管理服务器实现对各类设备事件的查询和监控，从而将智能门禁和社区监控结合起来。该方法在硬件上面使用了大量的资源，也能取得一定的效果，但是并不高效。
目前的智慧社区存在以下问题：
1、现有的安全态势感知和预警系统设计领域不全面，基于的传感器数据单一。
2、未能将多源异构传感器的多种数据进行整体融合而进行全面分析，仅仅是对原始数据进行了简单分析从而实现预警。
3、未能将连续行为分析所需要的支持时空特征查询的数据进行有效管理，数据存储和查询效率低下，因此做不到真正的防患于未然。
4、没有能够将社区线上线下进行数据融合，因此会有时会导致误预警。
5、未能将中央算力和数据源算力进行优化，使得在数据计算的时候使得计算资源严重浪费。
发明内容
本发明的主要目的在于提供一种基于动态网络时空模型的社区安全态势感知和预警方法、系统及存储介质，旨在实现在社区部署多源异构物联网的基础上，融合数据的时空特征进行连续行为分析，融合线上线下数据进行安全监控和事件预警，使用边缘计算和高性能计算技术对数据进行高效管理，实现实时的态势感知和预警。
为了达到上述目的，本发明提出一种社区安全态势感知和预警方法，所述方法包括：
获取多源异构传感器检测到的当前社区数据；
将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；
将所述行为特征数据发送至中央分析平台进行处理和分析；
根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警。
本发明进一步的技术方案是，所述将所述行为特征数据发送至中央分析平台进行处理和分析的步骤包括：
将所述行为特征数据发送至中央分析平台，由中央分析平台采用高通数据处理和高性能实时计算引擎对所述行为特征数据进行处理和分析。
本发明进一步的技术方案是，所述将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据的步骤包括：
将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，采用主成分分析法、或者线性判别分析法、或者多维尺度分析法、或者基于流学习的分析法、或者独立成分分析法、或者核主成分分析法提取行为特征数据。
本发明进一步的技术方案是，所述获取多源异构传感器检测到的当前社区数据的步骤之后还包括：
采用基于边缘计算技术的多层及数据处理和计算体系对所述当前社区数据进行处理，得到处理后的社区数据；
所述将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型的步骤包括：
将所述处理后的社区数据输入到预先建立的基于动态网络时空的行为检测模型。
本发明进一步的技术方案是，所述获取多源异构传感器检测到的当前社区数据的步骤之前包括：
预先建立基于动态网络时空的行为检测模型；
所述基于动态网络时空的行为检测模型，是针对网络空间建立的以连续行为为对象的抽象数据模型；
所述建立动态网络时空的行为检测模型的步骤包括：
基于感兴趣的连续行为，建立可融合多源异构传感器数据的时空特征结构，同时根据具体接入数据的显著特征维度，确定不同时空特征维度的可调节权重。
本发明进一步的技术方案是，所述预先建立基于动态网络时空的行为检测模型的步骤包括：
预先建立基于连续行为的网络空间时空特征模型。
本发明进一步的技术方案是，所述预先建立基于动态网络时空的行为检测模型的步骤还包括：
预先建立基于线上线下融合数据的网络空间环境特征模型。
本发明进一步的技术方案是，所述预先建立基于动态网络时空的行为检测模型的步骤还包括：
预先建立基于动态更新的抽象网络空间异常行为特征库。
为实现上述目的，本发明还提出一种社区安全态势感知和预警系统，所述系统包括存储器、处理器、以及存储在所述处理器上的社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被所述处理器调用时执行如上所述的方法的步骤。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被处理器调用时执行如上所述的方法的步骤。
本发明社区安全态势感知和预警方法的有益效果是：本发明通过上述技术方案，获取多源异构传感器检测到的当前社区数据；将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；将所述行为特征数据发送至中央分析平台进行处理和分析；根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警，实现了实时的态势感知和预警，避免出现社区活动中的误报警。
附图说明
图1是本发明基于动态网络时空模型的社区安全态势感知和预警方法第一实施例的流程示意图；
图2是本发明社区安全态势感知和预警方法第二实施例的流程示意图；
图3是基于动态网络时空模型的社区安全态势感知和预警系统的系统架构图；
图4是行为数据建模流程图；
图5是B+tree数据索引示意图；
图6是哈希分片管理机制示意图；
图7是边缘计算示意图。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参照图1至图7，本发明提出一种基于动态网络时空模型的社区安全态势感知和预警方法，所述方法应用于如图3所示的基于动态网络时空模型的社区安全态势感知和预警系统，该方法在社区部署多源异构物联网的基础上，融合数据的时空特征进行连续行为分析，融合线上线下数据进行安全监控和事件预警，使用边缘计算和高性能计算技术对数据进行高效管理。
具体的，请参照图1，图1是本发明基于动态网络时空模型的社区安全态势感知和预警方法第一实施例的流程示意图。
如图1所示，本实施例中，该基于动态网络时空模型的社区安全态势感知和预警方法包括以下步骤：
步骤S10，获取多源异构传感器检测到的当前社区数据。
社区作为人类活动较大的场景，多源异构的传感器类型非常丰富，其中包括但不限于摄像传感器、读卡器、指纹读取器、温度传感器、烟雾传感器、红外传感器等诸多功能传感器。
步骤S20，将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据。
本实施例考虑到社区传感器数据包含着各种各样的行为，因此，本实施例在建立行为检测模型时不仅考虑了一系列行为的时间性，还考虑了行为发生的空间特性、线上线下融合数据的网络空间环境、以及动态更新的抽象网络空间异常行为，以避免发生误预警。
可以理解的是，由于传感器的丰富和万物互联的物联网时代的到来，像社区这样的地方传感器的越发增多，边缘设备产生的数据也快速增长，带来了更高的数据传输带宽和需求，同时这样的安全态势感知模型也对数据处理提出了更高的实时性要求，传统的云计算模型无法高效的解决这一困境，因此，本实施例在获取到多源异构传感器检测到的当前社区数据后，采用基于边缘计算技术的多层及数据处理和计算体系对所述当前社区数据进行处理，得到处理后的社区数据，以减轻网络带宽和数据中心的功耗压力，从而减少整体系统的延迟，提高社区安全态势感知和预警的实时性。
本实施例在采用基于边缘计算技术的多层及数据处理和计算体系对所述当前社区数据进行处理，得到处理后的社区数据后，将处理后的社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据。
本实施例中，将处理后的社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合后，可以采用主成分分析法、或者线性判别分析法、或者多维尺度分析法、或者基于流学习的分析法、或者独立成分分析法、或者核主成分分析法提取行为特征数据。
步骤S30，将所述行为特征数据发送至中央分析平台进行处理和分析。
将所述行为特征数据发送至中央分析平台后，中央分析平台对所述行为特征数据并行运算，进行处理和分析，根据处理和分析结果监测和发现社区是否存在异常行为。
本实施例中，将所述行为特征数据发送至中央分析平台后，中央分析平台可以采用高通数据处理和高性能实时计算引擎对所述行为特征数据进行处理和分析，
步骤S40，根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警。
在接收到所述中央分析平台反馈的处理和分析结果后，根据中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警，从而真正的实现实时的态势感知和预警。
本实施例通过上述技术方案，获取多源异构传感器检测到的当前社区数据；将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；将所述行为特征数据发送至中央分析平台进行处理和分析；根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警，实现了实时的态势感知和预警，避免出现社区活动中的误报警。
请参照图2，图2是本发明社区安全态势感知和预警方法第二实施例的流程示意图。
本实施例与图1所示的第一实施例的区别在于，上述步骤S10，获取多源异构传感器检测到的当前社区数据的步骤之前包括：
步骤S00，预先建立基于动态网络时空的行为检测模型,所述基于动态网络时空的行为检测模型，是针对网络空间建立的以连续行为为对象的抽象数据模型；
所述建立动态网络时空的行为检测模型的步骤包括：
基于感兴趣的连续行为，建立可融合多源异构传感器数据的时空特征结构，同时根据具体接入数据的显著特征维度，确定不同时空特征维度的可调节权重。
作为一种实施方式，该预先建立基于动态网络时空的行为检测模型的步骤包括：预先建立基于连续行为的网络空间时空特征模型。
本实施例考虑到，在获取到多源异构传感器检测到的当前社区数据后，可对行为进行一定的刻画，但是如果要对复杂事件进行处理，则需要依据特征对连续行为进行分析，对连续行为进行分析就需要连续行为的网络空间时空特征模型。
作为一种实施方式，该预先建立基于动态网络时空的行为检测模型的步骤还包括：预先建立基于连续行为的网络空间时空特征模型。
本实施例考虑到部分传感器产生的数据是每秒一定帧数的图片信息，且这些图片都包含着时间和空间维度上的社区行为信息，但是在社区的环境下实时发生着各种各样的活动，因此需要采取线下文本数据特征提取并与线上数据进行融合的方法建立基于线上线下融合数据的网络空间环境特征模型。
作为一种实施方式，该预先建立基于动态网络时空的行为检测模型的步骤还包括：预先建立基于动态更新的抽象网络空间异常行为特征库。
其中，本实施例不仅在人物事件上进行特征库更新，还在空间上异常行为特征库更新，即异常行为所在环境进行动态更新，以实现实时的社区安全态势感知和预警。
以下结合图1至图7，通过举例对本发明社区安全态势感知和预警方法进行详细阐述。
本发明提出一种基于动态网络时空模型的社区安全态势感知和预警方法，在在社区部署多源异构物联网的基础上，融合数据的时空特征进行连续行为分析，融合线上线下数据进行安全监控和事件预警，使用边缘计算和高性能计算技术对数据进行高效管理，以实现实时的社区安全态势感知和预警。
本发明社区安全态势感知和预警方法的具体处理流程如下：
1、基于多源异构传感数据到抽象网络空间的特征映射
社区安全态势感知和预警系统模型的第一步是社区安全态势的要素提取，这也是基于多源异构传感数据到抽象网络空间的特征映射的目的。使得原目标(传感器)领域的数据能够为目标领域(社区安全态势感知和预警系统)所用。
社区作为人物活动较大的场景，多源异构传感器类型非常丰富，其中包含但不限于摄像传感器、读卡器、指纹读取器、温度传感器、烟雾传感器、红外传感器等诸多功能传感器。
通过部署多源异构传感器来实现分布式网络的全局、实时、动态的安全态势感知，其首要的就是要对数据源进行处理，其中数据源即是多源异构传感器获得的直接数据，传感器得到的原始数据如果直接使用，可能会带来特征的不明显、维数爆炸等问题，影响数据分析，属于底层低级数据。对数据本身的观测和处理并不难，但是这不是社区安全态势感知和预警系统所直接需要和能够利用的数据，因此需要对数据进行一系列的处理。而这种处理主要就是数据到抽象网络空间的特征映射。降维是数据到抽象网络空间的特征映射的一种主流手段，根据数据的数量、质量、维数的不同可以采用不同的方法。
在数据进行特征映射之前，需要对传感数据进行数据清洗，如缺失值处理，社区传感器由于其密度较大、分布较广的特性，在时间戳的分布上很容易形成数据的缺失，根据数据缺失的重要性，分别采用去除数据、填充数据、以及重新采样数据等方法。
特征映射即提取特征的方法有很多种，如主成分分析，将原始的n维数据映射到k维上，k维就是全新的正交主成分特征。该方法的概念简单、计算方便，但是，没有统一的标准来确定主成分及其数量。也可以采用线性判别分析法，将高维的数据样本投影到最佳判别的矢量空间，保证样本数据在该空间中有最佳的可分离型。再者还可以采用多维尺度分析法，根据样本之间的距离关系或不相似度关系在低维空间里生成样本的一种表示，这种方法可以有效直观的观察数据本身的内在联系。此外还有基于流学习的方法、独立成分分析法以及核主成分分析法等可以采用。
例如社区内来往的行人中，其都具备各种各样的属性，性别，高矮，胖瘦，着装，带帽与否，戴眼镜与否，针对不同的问题，本发明需要的成分是不一样的，因此选择主成分分析方法对来往行人进行降维并做出特征映射。
多源传感数据的特征映射是非常重要的一部分，原始数据只有经过了高效的数据清洗、特征映射才能为后面的特征选择以及对数据进行分析、诊断、预测等工作，这也是完成一套社区安全态势感知和预警系统的首要工作。
以行人A进入到小区，在时间和空间维度上的数据,即在某环境中一段时间内生成的数据表达，生成类似以下的映射：
{[Id:2019.12.15-00001],[sex:male],[glasses:1],[hat:0],[gait:run]{[2019.12.15|24:05:Gate]；[2019.12.15|24:09:building1],[2019.12.15|11:20:building4],[2019.12.15|24:20:building18]}}。
其分别表示一个戴眼镜的男子跑进小区大门，被摄像头拍到分别进入了1,4,18栋大楼，且在每栋大楼逗留的时间都并不长，这就是多源异构传感器的原始数据进行映射生成的一个文本表达，但是在进行数据处理的时候，并不是每一种数据都是重要和必要的，在此需要进行一定的主成分分析，主成分提取出来该男子在每栋楼所逗留的时间，步态分析其都是跑的而不是正常行走，因此后台做出反馈，该男子行为异常发出预警。
2、针对连续行为的网络空间时空特征模型：
提取传感器特征之后，可对行为进行一定的刻画。但是如果要对复杂事件进行处理，则需要依据特征对连续行为进行分析。对连续行为进行分析就需要连续行为的网络空间时空特征模型。因此需要连续行为的特征表示和连续行为(异常行为)模型的构建。图4所示为连续行为建模流程。
以视频传感器数据为例，具体流程如下：
1)获得传感器设备的数据并进行序列化操作。
2)对视频序列进行去噪处理，并对视频数据进行筛选，例如选取当中具有丰富特征行为的帧和将视频进行过滤，选出所需要的目标块。
3)选取合适的特征对目标进行表示，针对社区这样的场景具有的独特特性，既有低层次的视觉特征，又有高层次的语义特征的环境，本发明可以选择3D-SIFT的方法进行，将经典的SIFT算子从静态图扩展到动态视频序列，加入时间t作为第三维度，准确捕捉到视频数据的时空特质本质。
4)建立行为检测模型，由于社区场景需要，建立起多属性融合的行为检测模型，包括时域混乱属性、空域混乱模属性和光流属性。时域混乱模型是指在从时间上对目标局部区域运行为特征进行描述，例如社区进入一个陌生人，本发明可以在时间维度上建立直方图，观察在连续的几帧画面进行观察是够有否明显变化。空域混乱模型是从空间上对目标行为进行描述，例如在社区中原本空荡的街道突然冲出一辆未能识别车牌的车辆。光流属性是指所有的行为都具有速度与方向特征，正常行为速度不会过快且方向变化不明显，通过时空混乱属性，可以充分描述目标区域的行为特性。将这三个属性进行深度融合建立行为检测模型。
以社区车辆出入管理为例，社区进入了一辆车辆，车辆在进入社区前并未有任何的异常，但是进入社区以后对摄像头拍的视频进行了处理，对该车辆进行了车辆的行为表示，发现速度过快的经过了几个摄像头的监控区域，建立了该车辆的行为模型并进行了分析和检测，判定是异常行为并进行了及时预警。
3、融合时空特征的行为记录索引并采用边界冗余的分片管理机制：
社区传感器数据包含着各种各样的行为，对连续行为进行建模时考虑了一系列行为的时间特性，额外地，本发明还应该考虑行为发生的空间特性。由于行为特征存在很多相似性和不确定性，从数据结构的角度考虑，这样的帧续图像是按照顺序组织进行存储的，在查找的时候又希望能够查找的是一个范围内的数据，因此在这里对数据采用的索引方式是B+tree索引方式，社区行为数据的索引可以大体从图5中表现。
针对社区行为的查找，从根节点开始，对节点内的关键字序列进行二分查找，如果查找到了则结束，如果没有则进入查询关键字所属范围的儿子节点；重复，知道对应的儿子指针为空域者已经是叶子节点，这样的一种方式就建立了社区行为的记录索引。
但是在社区行为数据这样一个长时间大环境下的，数据是非常大量且还在一定时间上进行不断更新，因此需要使用数据分片管理技术。数据分片管理就是将数据存储在不同的逻辑节点上，以减小单个节点的数据操作压力。数据分片需要认真选择分片策略，达到数据分布尽量平均的效果。如果数据分片不平均，数据量比较大的分片，则并没有利用数据分片对现有数据进行良好的分片管理。一个避免热点的方法是对数据进行随机分片，缺点在于进行查询操作时需要对所有片发送请求。单纯键值数据模型的数据分片相对简单，因为读写操作都依赖单一主键。为了能够尽量是的均匀分片，这里选择按键哈希分片。
例如如图6所示，为对某摄像头产生的数据进行哈希分片管理机制的示意图。
按照上述的方式建立起行为记录索引和分片管理机制能更有效的对数据进行存储和读写。
4、基于线上线下融合数据的网络空间环境(context)特征模型：
针对社区的各种各样的传感器等感知设备，有些传感器产生和接受的数据只需要进行规则匹配，这样的数据只需针对离线算法(一般都是规则)而进行运算，比如温度传感器、湿度传感器、烟雾报警器、小区门禁中人脸识别等。只需要进行数据匹配就可以对相对领域的态势感知和预警系统。例如温度传感器在普通居住环境高于60摄氏度就可以判定为该地潜在发生火灾。但是社区环境中更多的数据产生是来自摄像头或者监控仪等传感设备，这类传感器产生的数据时每秒一定帧数的图片信息，且这些图片都包含着时间和空间维度上的社区行为信息。虽然在开始的中央算法如行为分类已经在线下进行了经验式训练并可以直接使用到实时的社区行为分类中。但是在社区的环境下实时发生着各种各样的活动。因此需要采取线下文本数据特征提取并与线上数据进行融合的方法。
例如，在小区公开论坛讨论上社区某居民发布消息“明天上午九时会有装修队到25栋18层进行装修，并在以后的一周都有装修队进入”。社区消息发布以后进行文本提取并进行行为假设映射，直到明天人员进入进行了行为检测以及公开论坛数据的融合并检测该行为不属于异常行为，但是需要对该活动和人员进行监督管理。
又如在社区论坛中公布了消息，市政工程的绿化部门有人过来进行植被维护，基于这样的线上数据，在与异常行为数据库中的数据进行融合，到了当天，这样一帮人的行为就不会被定义为异常行为，就避免了误报警。
5、动态更新的抽象网络空间异常行为特征库：
随着时间的推移和异常行为的发生，每当新的异常行为出现的时候事态感知和预警机制就在面临着新的挑战，因此，对于上层的特征库而言，及时甚至是实时的更新是非常有必要的。
以社区进入一批带安全帽的工人进入施工为例，在此之前，社区的各项设施可能并没有哪里需要更换或者维修的场景，因此在上层数据库中并没有这一类行为的特征，而相对于社区平时的生活而言这又属于异常行为，若按照原本的特征库进行了检测和预警，那这一类的行为将会被社区事态感知和预警机制设立为异常行为并通知社区边缘，导致社区边缘做出了正确但又荒唐的决策，因此需要将这样的一类行为进行特征提取，首先这是群体行为，并不是单人的行为，其次这些人员大多都着装较为统一，带有安全帽。这些人群并不会突发的进入到居民楼、住宅区这样的私人场所，但是他们会频繁进入施工区域或者是植被区域，因此要对这样的区域进行场景标注，这样一来对人物进行了特征库的更新和对场景即地理信息进行了特征库的更新，对来访时间进行加戳即对时间进行特征库更新，这样一来，就在时间和空间维度上面更新了异常行为特征库，当事态感知和预警系统下次遇到同样的情况就会通过已有的经验给出正确的回应或者警告，如一群着装未统一且试图非法进入居民楼，将事件进行特征提取并与行为特征库进行匹配，做出警报响应，中央终端对事态进行升级并做出正确的处理。
在人物事件上进行特征库更新是一方面，另一方面是需要在空间上进行异常行为特征库的动态更新，即异常行为所在环境需要进行动态更新，例如将社区原本一块没有动用的地方进行了改建，改建成了社区的活动场所，供社区人员进行体育活动并且对外进行了开放，因此在特征库中需要将这一块的区域的特征进行同步更新，为出现在此区域的异常行为提供更加精准的基准特征库，为系统做出正确的反馈提供更加全面的保障。
6、基于复杂事件定义和动态激发的预警机制：
在复杂事件中一个事件就是一条数据，复杂事件处理中又被分为原子事件和复杂事件。
原子事件是特定状况和条件发生的，一个原子事件就是一件感兴趣的事情瞬时间发生了，针对社区这样的一个环境，一个原子事件有可能就是如下描述：
e＝(ID,DeviceId,location,start,end,[value list])
社区传感器中有非常多的温度传感器，因此可能有如下事件：在十五栋居民楼的五层的第三个温度传感器，显示的是在2019年12月15日上午9点的温度，则事件定义为：
e＝(0001,TemSensor,15栋5层,2019.12.15 9:00,2019.12.159:00,[Tem:15；Hum:28％])
社区的原子事件均已这样的形式进行形式化的描述，将这样的事件通过传感器设备的私有协议(无线，3G，蓝牙等)传送到复杂事件处理机制中。
复杂事件定义，在复杂事件处理技术中，原子事件覆盖了关于复杂事件处理的系统中的可以检测到的所有事件，而复杂事件是由该系统的原子事件以及该系统的其他复杂事件通过使用与或非等逻辑连接词而组合构成的。复杂事件的表现形式可以是系统中原子事件中或者是其他复杂事件按照一定的规则组合合成的。这些规则可以是时间关联、空间关联、依赖关系或者因果关系。将复杂事件可以按如下进行递定义：
(1)任何一个原子事件t是一个事件
(2)若T是一个事件，则非T也是一个事件
(3)若T1和T2都是事件，则所有T1与T2的逻辑和时间关系组合都是事件，如(E1^E2，E1afterE2，E1includeE2，E1<E2)都是事件
(4)复杂事件：D＝{T|T是一个事件}，则复杂事件C＝f(T1,T2,T3……TN)，其中f就是构造复杂事件的事件构造函数，具体的结果值就是针对不同复杂事件规则得到的具体结果。
例如在社区中有五十个安保人员，其中有五个是分别为A、B、C、D和E安保队长，他们分别到巡查岗位巡查的时间是6点，6点30，7点，7点30和8点，就产生了五个原子事件，原子事件A表示A队长到达巡查岗位，原子事件B表示B队长到达寻常岗位……则将这些原子事件的逻辑值设为1，则复杂事件可能是在6点至8点这个时间段内全部到达或者是有没到达这样的事件。复杂事件不同于原子事件，如例子所言，复杂事件针对的是一个时间段内发生的行为。针对这样的复杂事件，既可以对社区工作人员进行考勤，也可以针对未进行安保查岗的地理位置进行动态预警。
基于复杂事件进行定义和管理是对动态预警基础，做好复杂事件的处理机制也是非常重要的。
7、基于边缘计算技术的多层级数据处理和计算体系：
由于传感器的丰富和万物互联的物联网时代的到来，像社区这样的地方传感器的越发增多，边缘设备产生的数据也快速增长，带来了更高的数据传输带宽和需求，同时这样的安全态势感知模型也对数据处理提出了更高的实时性要求，传统的云计算模型无法高效的解决这一困境，这时候必须要基于边缘计算技术的多层级数据处理和计算体系。
首先对于社区多源传感器产生的大量的临时数据，不再全部上传至云端，不再一味的依靠云端强大的处理能力而降低了云端的效率，将这些数据“就地正法”，利用靠近数据源的处理器对这些数据进行及时的处理，可以大幅度减轻网络带宽和数据中心的功耗压力。同时在靠近数据生产者进行了数据处理不再需要进行云端计算请求，大大减少了整体系统的延迟从而侧面提高了社区安全态势感知系统所需要的实时性。再者，数据源头是社区海量的传感器，但是真正的数据制造者是社区人类以及行为，需要利用边缘计算将数据就地处理而不再是将用户隐私上传，这样数据本身减少了没必要的分享，数据的制造者的安全和隐私也得到了一定的保障。在这一级数据处理层中，面对边缘设备(传感器)，由于计算服务的请求者的动态性，需要边缘计算本身应该具备服务发现的特点，边缘设备数量的快速增加和数据的大量产生对边缘计算快速配置和负载均衡提出了新的要求。在这一步，利用边缘计算的优点对社区边缘设备产生的海量数据进行了初步的处理。
例如在社区传感器中，摄像头设备、温度传感器、烟雾报警设备这些设备通过自己独有的传输协定在源头附近就进行了相关处理，如摄像头设备产生的数据进行数据清理、数据特征提取等、温度传感器产生的一段时间内的数据的数据分布与分析等。
8、在中央分析平台采用高通量数据处理和高性能实时计算引擎：
数据传送至中央或者云端以后，需要做的就是并行处理这些大量的数据，态势感知和预警机制的特点之一就是需要较高的实时性。因此高通量数据处理平台以及高性能实时计算引擎是必须的搭建的。
随着数据和用户的增加，离线的计算效率会越来越低，社区用户所要享受的应该是实时能够观察和检测，而计算引擎需要做到的是能够实时化采集、接纳、存储数据。中央处理器要对采集、接纳和存储的数据进行实时分析，到达能对客户进行实时报表的功能，对系统和用户进行实时监测和分析，实时监测和发现危险行为即真正做到预警机制。
而后需要做的是将这些数据或者特征传输至云端，利用云端的高性能处理器、高保真算法、高响应平台来对数据进行进一步处理和分析，从而真正实现实时的态势感知和预警系统。
本发明涉及以下相关技术：
1、时空大数据管理与分析技术：
时空数据时同时具有时间和空间维度的数据，包含时间、空间、专题性三维信息，具有多源、海量、更新快的综合特点。时空数据由于具有这样的特点，呈现除了多维、语义、时空动态关联的复杂性，因此需要时空数据多维关联描述的形式化表达关联关系动态建模与多尺度关联分析方法，时空大数据协同计算与重构提供快速、准确的面向任务的关联约束。其中时空大数据的管理与分析技术主要包括时空数据索引和时空大数据信息挖掘与分析技术。
时空数据索引技术即是时空数据获取方法，大多数研究主要是从以下几个方面入手：1历史数据的高效存储和获取，对于这方面的研究，目前主要有基于R树或者四叉树的时空索引技术，这样简历索引是为了减少索引占据的空间及提高查询效率；2对于未来状态的查询，目前的拥有的方法是TPR树以及其改进版来支持未来预测查询。时空数据的查询是指在过去现在和未来某个时刻或时间段，检索对象的位置状态等信息。高效的时空查询对于时空数据库来书是非常重要的，常见的时空查询方法有点查询、窗口查询、返最近邻查询等方法。
随着人工智能的时代到来，数据的爆炸式增长，对于时空大数据的分析也成了重中之重，针对时空大数据的特点，针对时空大数据的分析方法，主要分为传统机器学习、深度学习、数据挖掘等方法，无论是何种方法，大数据的分析方法主要是分为四个阶段，描述性阶段、诊断性分析、预测性分析和处方性分析。好的分析方法必首先具备良好的数据描述，包含将数据形状式的表达和语义全面的表现，其次需要对数据进行诊断分析，对数据进行深入挖掘，探寻数据的内在联系和相关逻辑，在此基础之上，对数据进行预测性分析，在时间维度上对数据进行深度的透彻理解，即对未来进行预测性分析，最后基于以上的分析报告得到解决方案。
2、动态行为分析技术：
动态行为分析与静态行为分析相反，静态行为分析是对一个结果进行分析验证寻求原因与方法，而动态行为分析主要是对过程进行分析从中寻找原因。简单来说，虽然动态行为分析也需要全面性，但是其与静态的分析侧重于分析是什么为什么这些未知不同，其侧重于分析怎么做。
与静态行为分析通常使用思维导图(树状图、逻辑图)等层次性逻辑性非常强的工具，动态行为分析主要使用流程图，因为流程图详细记录了每一个环节，在根据每一个环节进行分析，完全符合动态行为分析的要求即分析过程。针对动态分析的分析目的，即分析过程，其目的是优化每一个流程，提高每一步效率从而进行整体提速。
动态行为分析技术的主要工具选择流程图是因为流程图可以更好的规划流程，描述流程和优化流程。借用成熟的思维模型来保证分析结果的全面，使用，有效。
3、物联网人机接口技术：
人与传感器终端进行信息和处理交互需要的就是物联网人机接口技术，人机接口解决的是人与计算机建立联系、交换信息的输入\输出设备的接口，在物联网领域，信息就是多源异构传感器产生的一系列的数据，设备包括键盘、显示器、打印机、鼠标等。物联网人机接口是计算机和人机交互设备之间实现信息传输的设备电路。他与人机交互设备一起完成两个任务，人别是信息形式的转换，信息传输的控制，并且在人机交互设备与人机接口之间的信息传输中采用并行通信方式。
4、边缘计算技术：
边缘计算是指靠近物体或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放的平台。网络边缘侧可以是从数据源到云计算中心之间的任意功能实体，这些实体搭载着融合网络、计算、存储、应用核心能力的边缘计算平台，为终端用户提供实时、动态和只能的服务计算。与像云端中进行处理和算法决策不同，边缘计算是将智能和计算推向更接近实际的行为，主要体现在多源数据异构处理、带宽负载和资源浪费、资源限制、安全和隐私保护等方面。
5、高性能计算技术：
高性能计算指通常使用很多处理器(作为单个机械的一部分)或者某一集群中组织的几台计算机(作为单个计算资源操作)的计算系统和环境。高性能几圈上运行的应用程序一般使用并行算法，把一个大的普通问题根据一定的规则分为许多小的子问题，在集群内的不同节点上进行计算，而这些小问题的处理结果，经过处理可合并为原问题的最终结果。由于这些小问题的计算一般是可以并行完成的，从而可以缩短问题的处理时间。高性能集群在计算过程中，各节点是协同工作的，它们分别处理大问题的一部分，并在处理中根据需要进行数据交换，各节点的处理结果都是最终结果的一部分。高性能集群的处理能力与集群的规模成正比，是集群内各节点处理能力之和，但这种集群一般没有高可用性。高性能计算的分类方法很多。这里从并行任务间的关系角度来对高性能计算分类。
有一类高性能计算，可以把它分成若干可以并行的子任务，而且各个子任务彼此间没有什么关联。因为这种类型应用的一个共同特征是在海量数据上搜索某些特定模式，所以把这类计算称为高吞吐计算。
另一类计算刚好和高吞吐计算相反，它们虽然可以给分成若干并行的子任务，但是子任务间联系很紧密，需要大量的数据交换。这一类就是分布式计算。分布式的高性能计算属于多指令流-多数据流的范畴。
本发明社区安全态势感知和预警方法的有益效果是：本发明通过上述技术方案，获取多源异构传感器检测到的当前社区数据；将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；将所述行为特征数据发送至中央分析平台进行处理和分析；根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警，实现了实时的态势感知和预警，避免出现社区活动中的误报警。
为实现上述目的，本发明还提出一种社区安全态势感知和预警系统，所述系统包括存储器、处理器、以及存储在所述处理器上的社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被所述处理器调用时执行如上实施例所述的方法的步骤，这里不再赘述。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被处理器调用时执行如上实施例所述的方法的步骤，这里不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种社区安全态势感知和预警方法，其特征在于，所述方法包括：
获取多源异构传感器检测到的当前社区数据；
将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据；
将所述行为特征数据发送至中央分析平台进行处理和分析；
根据所述中央分析平台反馈的处理和分析结果进行社区安全态势感知和预警。
2.根据权利要求1所述的社区安全态势感知和预警方法，其特征在于，所述将所述行为特征数据发送至中央分析平台进行处理和分析的步骤包括：
将所述行为特征数据发送至中央分析平台，由中央分析平台采用高通数据处理和高性能实时计算引擎对所述行为特征数据进行处理和分析。
3.根据权利要求1所述的社区安全态势感知和预警方法，其特征在于，所述将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，提取行为特征数据的步骤包括：
将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型，进行数据特征融合，采用主成分分析法、或者线性判别分析法、或者多维尺度分析法、或者基于流学习的分析法、或者独立成分分析法、或者核主成分分析法提取行为特征数据。
4.根据权利要求1所述的社区安全态势感知和预警方法，其特征在于，所述获取多源异构传感器检测到的当前社区数据的步骤之后还包括：
采用基于边缘计算技术的多层及数据处理和计算体系对所述当前社区数据进行处理，得到处理后的社区数据；
所述将所述当前社区数据输入到预先建立的基于动态网络时空的行为检测模型的步骤包括：
将所述处理后的社区数据输入到预先建立的基于动态网络时空的行为检测模型。
5.根据权利要求1-4任意一项所述的社区安全态势感知和预警方法，其特征在于，
所述获取多源异构传感器检测到的当前社区数据的步骤之前包括：
预先建立基于动态网络时空的行为检测模型,所述基于动态网络时空的行为检测模型，是针对网络空间建立的以连续行为为对象的抽象数据模型；
所述建立动态网络时空的行为检测模型的步骤包括：
基于感兴趣的连续行为，建立可融合多源异构传感器数据的时空特征结构，同时根据具体接入数据的显著特征维度，确定不同时空特征维度的可调节权重。
6.根据权利要求5所述的社区安全态势感知和预警方法，其特征在于，所述预先建立基于动态网络时空的行为检测模型的步骤包括：
预先建立基于连续行为的网络空间时空特征模型。
7.根据权利要求5所述的社区安全态势感知和预警方法，其特征在于，所述预先建立基于动态网络时空的行为检测模型的步骤还包括：
预先建立基于线上线下融合数据的网络空间环境特征模型。
8.根据权利要求5所述的社区安全态势感知和预警方法，其特征在于，所述预先建立基于动态网络时空的行为检测模型的步骤还包括：
预先建立基于动态更新的抽象网络空间异常行为特征库。
9.一种社区安全态势感知和预警系统，其特征在于，所述系统包括存储器、处理器、以及存储在所述处理器上的社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被所述处理器调用时执行如权利要求1-8任意一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有社区安全态势感知和预警程序，所述社区安全态势感知和预警程序被处理器调用时执行如权利要求1-8任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010047997.1A CN111260525A (zh) | 2020-01-16 | 2020-01-16 | 社区安全态势感知和预警方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010047997.1A CN111260525A (zh) | 2020-01-16 | 2020-01-16 | 社区安全态势感知和预警方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111260525A true CN111260525A (zh) | 2020-06-09 |
Family
ID=70950624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010047997.1A Pending CN111260525A (zh) | 2020-01-16 | 2020-01-16 | 社区安全态势感知和预警方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260525A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783084A (zh) * | 2020-06-29 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 一种安全态势感知方法、装置及介质 |
| CN112087731A (zh) * | 2020-09-11 | 2020-12-15 | 山东润一智能科技有限公司 | 物联网信息采集处理传输的边缘处理主机、系统和方法 |
| CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和系统 |
| CN113329205A (zh) * | 2021-04-09 | 2021-08-31 | 成都中科创达软件有限公司 | 物联网视频数据处理系统、智能零售系统及方法和装置 |
| CN113609445A (zh) * | 2021-08-03 | 2021-11-05 | 中冀建勘集团有限公司 | 多源异构监测数据处理方法、终端设备及可读存储介质 |
| CN115021996A (zh) * | 2022-05-26 | 2022-09-06 | 云盾智慧安全科技有限公司 | 云安全中心的态势感知与动态重构方法、装置及存储介质 |
| CN115277249A (zh) * | 2022-09-22 | 2022-11-01 | 山东省计算中心（国家超级计算济南中心） | 一种多层异构网络协同的网络安全态势感知方法 |
| CN115904499A (zh) * | 2023-02-27 | 2023-04-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于人工智能的危险情景感知实时预警系统及方法 |
| CN116680752A (zh) * | 2023-05-23 | 2023-09-01 | 杭州水立科技有限公司 | 一种基于数据处理的水利工程安全监测方法及系统 |
| CN118114975A (zh) * | 2024-01-29 | 2024-05-31 | 重庆交通大学 | 一种基于态势感知的城市轨道交通系统风险监测预警方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007052248A1 (en) * | 2005-11-03 | 2007-05-10 | Elta Systems Ltd. | Vocal alert unit having automatic situation awareness of moving mobile nodes |
| CN102790981A (zh) * | 2012-06-29 | 2012-11-21 | 石化盈科信息技术有限责任公司 | 传感器网络时空动态模式下的实时报警方法 |
| CN109241223A (zh) * | 2018-08-23 | 2019-01-18 | 中国电子科技集团公司电子科学研究院 | 行为行踪识别方法及平台 |
| CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
| CN110459027A (zh) * | 2019-08-15 | 2019-11-15 | 青岛文达通科技股份有限公司 | 一种基于多源异构数据融合的社区安全防护方法及系统 |
-
2020
- 2020-01-16 CN CN202010047997.1A patent/CN111260525A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007052248A1 (en) * | 2005-11-03 | 2007-05-10 | Elta Systems Ltd. | Vocal alert unit having automatic situation awareness of moving mobile nodes |
| CN102790981A (zh) * | 2012-06-29 | 2012-11-21 | 石化盈科信息技术有限责任公司 | 传感器网络时空动态模式下的实时报警方法 |
| CN109241223A (zh) * | 2018-08-23 | 2019-01-18 | 中国电子科技集团公司电子科学研究院 | 行为行踪识别方法及平台 |
| CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
| CN110459027A (zh) * | 2019-08-15 | 2019-11-15 | 青岛文达通科技股份有限公司 | 一种基于多源异构数据融合的社区安全防护方法及系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783084A (zh) * | 2020-06-29 | 2020-10-16 | 济南浪潮高新科技投资发展有限公司 | 一种安全态势感知方法、装置及介质 |
| CN112087731A (zh) * | 2020-09-11 | 2020-12-15 | 山东润一智能科技有限公司 | 物联网信息采集处理传输的边缘处理主机、系统和方法 |
| CN112087731B (zh) * | 2020-09-11 | 2023-05-23 | 山东润一智能科技有限公司 | 物联网信息采集处理传输的边缘处理主机、系统和方法 |
| CN113094503A (zh) * | 2021-03-23 | 2021-07-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于多维数据聚类的社区安全监控方法和系统 |
| CN113329205B (zh) * | 2021-04-09 | 2023-05-05 | 成都中科创达软件有限公司 | 物联网视频数据处理系统、方法和装置 |
| CN113329205A (zh) * | 2021-04-09 | 2021-08-31 | 成都中科创达软件有限公司 | 物联网视频数据处理系统、智能零售系统及方法和装置 |
| CN113609445A (zh) * | 2021-08-03 | 2021-11-05 | 中冀建勘集团有限公司 | 多源异构监测数据处理方法、终端设备及可读存储介质 |
| CN115021996A (zh) * | 2022-05-26 | 2022-09-06 | 云盾智慧安全科技有限公司 | 云安全中心的态势感知与动态重构方法、装置及存储介质 |
| CN115021996B (zh) * | 2022-05-26 | 2023-11-21 | 云盾智慧安全科技有限公司 | 云安全中心的态势感知与动态重构方法、装置及存储介质 |
| CN115277249A (zh) * | 2022-09-22 | 2022-11-01 | 山东省计算中心（国家超级计算济南中心） | 一种多层异构网络协同的网络安全态势感知方法 |
| CN115277249B (zh) * | 2022-09-22 | 2022-12-20 | 山东省计算中心（国家超级计算济南中心） | 一种多层异构网络协同的网络安全态势感知方法 |
| CN115904499A (zh) * | 2023-02-27 | 2023-04-04 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于人工智能的危险情景感知实时预警系统及方法 |
| CN116680752A (zh) * | 2023-05-23 | 2023-09-01 | 杭州水立科技有限公司 | 一种基于数据处理的水利工程安全监测方法及系统 |
| CN116680752B (zh) * | 2023-05-23 | 2024-03-19 | 杭州水立科技有限公司 | 一种基于数据处理的水利工程安全监测方法及系统 |
| CN118114975A (zh) * | 2024-01-29 | 2024-05-31 | 重庆交通大学 | 一种基于态势感知的城市轨道交通系统风险监测预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260525A (zh) | 社区安全态势感知和预警方法、系统及存储介质 | |
| Hamdi et al. | Spatiotemporal data mining: a survey on challenges and open problems | |
| Siow et al. | Analytics for the internet of things: A survey | |
| US11900396B2 (en) | Systems and methods for generating a relationship among a plurality of datasets to generate a desired attribute value | |
| Deshpande et al. | Using Probabilistic Models for Data Management in Acquisitional Environments. | |
| CN104820708B (zh) | 一种基于云计算平台的大数据聚类方法和装置 | |
| Pioli et al. | An overview of data reduction solutions at the edge of IoT systems: a systematic mapping of the literature | |
| CN116881744B (zh) | 一种基于物联网的运维数据分发方法、装置、设备及介质 | |
| Xu et al. | Mitigating the impact of data sampling on social media analysis and mining | |
| Wang et al. | Concept drift-based runtime reliability anomaly detection for edge services adaptation | |
| Gubareva et al. | Literature Review on the Smart City Resources Analysis with Big Data Methodologies | |
| CN114780864B (zh) | 一种基于知识图谱的人-物-空间交互模型构建方法 | |
| Raj et al. | The internet of things and big data analytics: integrated platforms and industry use cases | |
| VandanaKolisetty et al. | Integration and classification approach based on probabilistic semantic association for big data | |
| Zheng et al. | Towards edge-cloud collaborative machine learning: A quality-aware task partition framework | |
| Aved | Scene understanding for real time processing of queries over big data streaming video | |
| Lazrak et al. | Enabling distributed intelligence in Internet of Things: an air quality monitoring use case | |
| Gupta et al. | Social life networks: A multimedia problem? | |
| Hiriyannaiah et al. | Data Reduction Techniques in Fog Data Analytics for IoT Applications | |
| Bhargavi et al. | Object detection in Fog computing using machine learning algorithms | |
| Stolpe | Distributed analysis of vertically partitioned sensor measurements under communication constraints | |
| Jicheng et al. | [Retracted] Study on a New Method of Link‐Based Link Prediction in the Context of Big Data | |
| Challoob et al. | Optimizing Network Performance through Advanced Machine Learning-Based Traffic Management | |
| Chinnaiyan | Big Data | |
| Liu | Intelligent Community Management System Based on Big Data Technology |
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: 20200609 |