一种基于实时位置数据分析人员聚集状况的方法及系统与流程

本发明涉及人员聚集分析，尤其涉及一种基于实时位置数据分析人员聚集状况的方法及系统。

背景技术：

1、随着移动互联网和物联网技术的快速发展,获取人员实时位置数据的能力不断增强，这些位置数据可以为分析人员聚集状况提供重要的数据支撑。人员聚集状况的分析在许多应用场景中都具有重要意义。在城市管理中,可以利用人员聚集分析来预防和应对突发事件,提高公共安全管理的效率。在商业营销领域，分析人员聚集情况可以帮助企业优化店铺布局，提高营销效果。在大型活动组织中，实时监测人员聚集情况有助于改善活动现场的秩序和体验。

2、然而,要从海量的实时位置数据中准确识别人员聚集区域，并动态分析其聚集特征，仍然面临着诸多技术挑战。在现有技术中，通常采用固定的网格或行政区划等方式划分分析区域，无法灵活适应不同场景下的分析需求；同时，采用基于距离的简单聚类算法，无法有效处理复杂的聚集场景,容易产生错误的聚集区域。

3、因此，寻找一种既能够准确划分分析区域，又能提高人群聚集分析准确率的方法，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、有鉴于此，本发明提出了一种基于实时位置数据分析人员聚集状况的方法及系统，其能够及时掌握人员聚集的动态变化情况，准确识别出聚集区域，提高了人员聚集状况分析的效率和准确性。

2、本发明的技术方案是这样实现的：

3、一方面，本发明提供了一种基于实时位置数据分析人员聚集状况的方法，包括以下步骤：

4、s1、获取待分析区域的实时位置数据；

5、s2、将所述待分析区域设置为一个多边形区域，确定所述多边形区域内的位置数据集{ai}；

6、s3、使用扩散式聚类方法对所述多边形区域内的位置数据集{ai}进行聚类，得到第一聚集区域集{bi}；

7、s4、对第一聚集区域集{bi}分别进行聚集计算，得到每个聚集区域的中心位置和聚集人数；

8、s5、根据第一聚集区域集{bi}、每个聚集区域的中心位置和聚集人数绘制热力图，显示多边形区域的聚集数据；

9、s6、在预设时间内重复步骤s3-s5，得到时序专题图，根据所述时序专题图确定待分析区域的聚集趋势变化。

10、在以上技术方案的基础上，优选的，步骤s3具体包括：

11、s31、设置聚集距离阈值r和聚集人数阈值n；

12、s32、根据聚集距离阈值r和多边形区域内的位置数据集{ai}确定位置数据的第一邻域{si}；

13、s33、根据聚集人数阈值n和第一邻域{si}的数量对位置数据集{ai}进行邻域扩展，得到第一聚集区域集{bi}。

14、在以上技术方案的基础上，优选的，步骤s32具体包括：

15、s321、选择多边形区域内的位置数据集{ai}中的一个位置数据ai，判断位置数据ai是否被标记过，若否，则将位置数ai据进行标记；

16、s322、分别计算位置数据ai与多边形区域内的位置数据集{ai}中其他所有点的距离d1，若距离d1不大于聚集距离阈值r，创建第一邻域{si}并初始化为空集，将位置数据ai和对应点加入到第一邻域{si}中，得到第一邻域{si}。

17、在以上技术方案的基础上，优选的，步骤s33具体包括：

18、s331、根据聚集人数阈值n和第一邻域{si}的数量判断位置数据ai是否为孤立点，若第一邻域{si}的数量不小于阈值n，则构建第一聚集区域集{bi}并初始化为空集，将位置数据ai加入第一聚集区域集{bi}；

19、s332、选择第一邻域{si}中的一个点si，重复步骤s331找到点si的第二邻域{si’}，并将第二邻域{si’}中的点加入第一聚集区域集{bi}；

20、s333、遍历第一邻域{si}，得到位置数据ai的第一聚集区域bi；

21、s334、将位置数据ai作为起始点，重复步骤s331-s333，对多边形区域内的位置数据集{ai}进行遍历，得到第一聚集区域集{bi}。

22、在以上技术方案的基础上，优选的，步骤s4具体包括：

23、s41、选择一个第一聚集区域集{bi}中的第一聚集区域bi作为起始点，从起始点开始，计算聚集区域的聚集中心，直至{bi}的全部聚集区域均被遍历，得到第一聚集中心集{ci}；

24、s42、基于聚集人数阈值n对第一聚集中心集{ci}进行中心分析，确定第二聚集中心集{di}，并确定第二聚集中心di的坐标和第二聚集中心di的聚集人数。

25、在以上技术方案的基础上，优选的，步骤s41具体包括：

26、s411、选择一个第一聚集区域bi，根据聚集距离阈值r和聚集人数阈值n确定第一聚集区域bi的第一聚集中心ci；

27、s412、将第一聚集区域bi作为起始点，重复步骤s411直至{bi}的全部聚集区域均被遍历，得到第一聚集中心集{ci}。

28、在以上技术方案的基础上，优选的，步骤s411具体包括：

29、a、选择一个第一聚集区域bi中的一个点pj，计算点pi与第一聚集区域集{bi}中的其他点之间的距离d2，若d2不大于r，则构建聚集中心集{sx}并初始化空集，将点pj和对应点加入聚集中心集{sx|sx＝pji}；其中，pji表示第i个第一聚集区域bi的第j个点；

30、b、若聚集中心集{sx}的点数量不小于n-1，找出{sx}中距离最大的两个点sm和sn，计算点sm和sn的中心pc，点sm和sn之间的距离为dmax；

31、c、将pji，{sxi}，pci，dmaxi作为第一聚集区域bi的第一聚集中心ci；其中ci＝(pji，{sxi}，pci，dmaxi)，{sxi}表示第i个第一聚集区域bi的聚集中心集；pci表示聚集中心集sxi的中心；dmaxi表示聚集中心集sxi的最大距离。

32、在以上技术方案的基础上，优选的，步骤s42具体包括：

33、s421、判断第一聚集中心集{ci}是否为空集，若否，则从{ci}取出一个第一聚集区域bi的聚集信息，若第一聚集区域bi的聚集信息中的点pji被标记过，则跳转至步骤s41；若第一聚集区域bi的聚集信息中的点pji没被标记过，则进行标记，进行下一步骤；

34、s422、判断聚集中心集{sxi}中的点是否被标记过，若被标记过则记为点p’ji，并执行下一步骤；若没有被标记过，且聚集中心集{sxi}数据小于n-1，则跳转至步骤s41；

35、s423、构建第二聚集中心集{di}并初始化为空集，将点pji对应的第一聚集区域bi的聚集信息加入第二聚集中心集{di}；

36、s424、重复步骤s421-s423，直至遍历{ci}，得到第二聚集中心集{di|di＝(p’ji，{s’xi}，p’ci，d’maxi)}，其中{s’xi}表示点p’ji对应的第一聚集区域bi的聚集中心集；p’ci表示{s’xi}的中心，d’maxi表示{s’xi}的最大距离；

37、s425、将p’ci作为第二聚集中心di的坐标，将{s’xi}的数量作为聚集人数。

38、更进一步优选的，所述方法还包括：

39、根据多边形区域的聚集数据在三维场景中进行渲染，并根据渲染效果向用户推动示警信息；所述示警信息包括多边形区域的人员聚集位置和聚集人数。

40、另一方面，本发明提供了一种基于实时位置数据分析人员聚集状况的系统，采用如上述所述的方法，包括：

41、数据获取模块，其配置为获取待分析区域的实时位置数据；

42、位置获取模块，其配置为将所述待分析区域设置为一个多边形区域，确定所述多边形区域内的位置数据集；

43、聚类模块，其配置为使用扩散式聚类方法对所述多边形区域内的位置数据集进行聚类，得到第一聚集区域集；

44、聚集计算模块，其配置为对第一聚集区域集分别进行聚集计算，得到每个聚集区域的中心位置和聚集人数；

45、显示模块，其配置为根据第一聚集区域集、每个聚集区域的中心位置和聚集人数绘制热力图，显示多边形区域的聚集数据；

46、分析模块，其配置为根据间隔时间得到一组时序专题图，根据所述时序专题图确定待分析区域的聚集趋势变化。

47、本发明的方法相对于现有技术具有以下有益效果：

48、(1)通过实时获取待分析区域的位置数据，将该区域划分为多边形区域并采用扩散式聚类方法识别出人员聚集区域，计算出每个聚集区域的中心位置和聚集人数，能够及时掌握人员聚集的动态变化情况，准确识别出聚集区域，提高了人员聚集状况分析的效率和准确性；

49、(2)通过邻域数量判断识别孤立点，然后通过迭代扩展邻域的方式，将可能属于同一聚集区域的位置数据点逐步聚集到第一聚集区域集中，最后通过对整个多边形区域的遍历，确保了对所有可能的聚集区域的全面遍历和聚集，提高了聚集区域识别的准确性；

50、(3)通过遍历第一聚集中心集，并对其中的聚集点进行标记，避免重复处理已处理过的聚集点；对已标记过的聚集中心点进行记录，并对未标记且聚集人数不足的聚集中心进行过滤，筛选掉无效数据，确保对所有有效的第一聚集中心进行处理，得到完整的第二聚集中心集，并进行最终的数据整合，确定其位置坐标和聚集人数，提高了人员聚集分析的效率和准确性。