布控信息的确定方法及装置、存储介质、电子装置与流程

1.本发明实施例涉及数据处理领域，具体而言，涉及一种布控信息的确定方法及装置、存储介质、电子装置。


背景技术：

2.近年来，随着人们生活水平的改善及技术的进步，汽车也成为了人们日常出行的常用交通工具，极大地方便了人们的生活及工作。但是，另一方面，汽车在为人们生活和工作提供便利的同时，也为某类人提供了机会，比如肇事逃逸、驾车逃窜、驾车跟踪等等。如果能找到这些车辆的行程信息往往会给民警寻找某类人提供极大的便利条件。随着互联网技术及信息处理技术的发展，各种信息的智能化分析及处理成为业内的热门研究内容。加上现今各地的交通设备的大量增加，交通信息工程的建设，也形成了成熟的车辆的信息采集技术。现有技术中，通过卡口的车辆数据采集设备收集在各个卡口的车辆过车数据，并存储在关系数据库或分散没有关联的文本数据中。如果想获取车辆的过车次数有两种方式：人工进行统计和从关系数据中进行统计。
3.但是，采集设备收集到的通过卡口车辆的特征信息不完整时，比如看不清车辆品牌、车牌遮挡等，这里的不完整特征不一定是由人为因素造成，还可能是由于采集设备拍摄方向、角度、光线等原因造成，或者当时记录人员只记清楚车牌的一部分、车辆的颜色、品牌等情况。在过车数据存储量如此之大的情况下，要想找出一辆特征不全的汽车就如大海捞针一般。从这些过车数据中将通过筛选先缩小过车数据的查找范围，也能成倍、成百倍的减少后续的工作量，节省了查找的成本。在现有技术中，频繁过车是统计车辆经过某地(卡口)的次数，通过车辆过车的次数按照预设条件筛除/捕获车辆数据，从而缩小查找范围，并筛选出达到一定数量过车次数的过车数据集合，即称之为频繁过车。
4.现有技术的卡口数据是存在关系数据库或分散没有关联的文本数据当中，在如此庞大的数据量中，人工统计查找频繁过车数据显然是不现实的(数据量较为庞大，人工按照某种规则找数据)；而关系型数据库是按照交叉二维表的形式存储数据，会因为存储数据量大增加存储成本，还会因为遍历二维表中存储的庞大数据不能快速查询定位到目标过车数据，也就不能实现频繁过车数据的实时查询。就是简单的查询也需数分钟的等待时间，统计频繁过车数据的速度随之变慢，远远不能满足实际的实时查询和统计的目的。
5.针对上述技术问题，相关技术中尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种布控信息的确定方法及装置、存储介质、电子装置，以至少解决相关技术中对异常对象的布控不准确的问题。
7.根据本发明的一个实施例，提供了一种布控信息的确定方法，包括：利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常，得到上述对象的对象状态，其中，上述实时数据中包括与上述对象关联的数据信息，上述对象状态包括异常状态，
上述异常状态用于触发对上述目标区域进行管控的管控信息；利用预设时间段内的n个实时数据中包括的n个对象对应的n个对象状态，确定上述目标区域在上述预设时间段内出现异常对象的概率，其中，上述n是大于或等于1的自然数，上述n个实时数据用于表示在上述预设时间段内实时统计的n个数据；基于上述异常对象的概率确定对上述目标区域进行布控的布控信息。
8.根据本发明的另一个实施例，提供了一种布控信息的确定装置，包括：第一确定模块，用于利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常，得到上述对象的对象状态，其中，上述实时数据中包括与上述对象关联的数据信息，上述对象状态包括异常状态，上述异常状态用于触发对上述目标区域进行管控的管控信息；第二确定模块，用于利用预设时间段内的n个实时数据中包括的n个对象对应的n个对象状态，确定上述目标区域在上述预设时间段内出现异常对象的概率，其中，上述n是大于或等于1的自然数，上述n个实时数据用于表示在上述预设时间段内实时统计的n个数据；第三确定模块，用于基于上述异常对象的概率确定对上述目标区域进行布控的布控信息。
9.在一个示例性实施例中，上述第一确定模块，包括以下之一：第一确定单元，用于在从上述实时数据中确定上述对象在上述目标区域中出现异常行为的情况下，确定上述对象处于异常状态；第二确定单元，用于在从上述实时数据中确定上述对象的对象信息与目标异常对象的对象信息匹配的情况下，确定上述对象处于异常状态；第三确定单元，用于在从上述实时数据中确定上述对象出现在上述目标区域中的累计次数大于第一预设次数的情况下，确定上述对象处于异常状态。
10.在一个示例性实施例中，上述第二确定模块，包括：第一记录单元，用于记录上述n个实时数据中出现异常对象的实时数据，得到上述预设时间段内出现上述异常对象的第一数量；第四确定单元，用于利用上述第一数量和上述n确定在上述预设时间段内上述目标区域中出现上述异常对象的概率。
11.在一个示例性实施例中，上述装置还包括：第四确定模块，用于利用预设时间段内的n个实时数据中包括的n个对象对应的n个对象状态，确定上述目标区域在上述预设时间段内出现异常对象的概率之前，确定获取的m个实时数据中的数据纬度，其中，上述m是大于或等于上述n的自然数；第一合并模块，用于合并上述m个实时数据中数据纬度相同的数据，得到上述n个实时数据。
12.在一个示例性实施例中，上述装置还包括：第一获取模块，用于利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常之前，获取上述实时数据，其中，上述实时数据包括以下至少之一：通过射频识别rfid设备采集的与上述对象关联的非机动车辆信息，上述对象的属性信息，通过媒体介入控制mac设备采集的上述对象的mac地址信息，与上述对象关联的机动车辆信息。
13.在一个示例性实施例中，上述装置还包括：第一记录模块，用于获取上述实时数据之后，按照上述实时数据所归属的数据纬度将上述实时数据记录至数据表中，其中，上述数据纬度包括以下至少之一：非机动车辆信息，上述对象的属性信息，mac地址信息，机动车辆信息。
14.在一个示例性实施例中，上述装置还包括：第二记录模块，用于利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常，得到上述对象的对象状态之
后，在上述对象是异常对象的情况下，将上述对象的异常状态记录至上述数据表中，以确定上述目标区域在上述预设时间段内出现异常对象的概率。
15.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
16.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
17.通过本发明，通过利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常，得到对象的对象状态，其中，实时数据中包括与对象关联的数据信息，对象状态包括异常状态，异常状态用于触发对目标区域进行管控的管控信息；利用预设时间段内的n个实时数据中包括的n 个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率，其中，n是大于或等于1的自然数，n个实时数据用于表示在预设时间段内实时统计的n个数据；基于异常对象的概率确定对目标区域进行布控的布控信息。实现了多维度分析异常对象的目的，可以准确的分析出目标区域中的出现异常对象的概率。因此，可以解决相关技术中对异常对象的布控不准确的问题，达到准确分析出异常对象，对目标区域准确布控的效果。
附图说明
18.图1是本发明实施例的一种布控信息的确定方法的移动终端的硬件结构框图；
19.图2是根据本发明实施例的布控信息的确定方法的流程图；
20.图3是根据本发明实施例的geohash区域的示意图；
21.图4是根据本发明实施例的总体流程图；
22.图5是根据本发明实施例的原始数据清洗流程图；
23.图6是根据本发明实施例的数据汇总流程图；
24.图7是根据本发明实施例的对象频繁过geohash区域的数据处理流程图；
25.图8是根据本发明实施例的geohash区域频繁过卡口数据处理流程图；
26.图9是根据本发明实施例的判断异常对象的流程图；
27.图10是根据本发明实施例的布控信息的确定装置的结构框图。
具体实施方式
28.下文中将参考附图并结合实施例来详细说明本发明的实施例。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
30.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种布控信息的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器 102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传
输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
31.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的布控信息的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
32.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
33.在本实施例中提供了一种布控信息的确定方法，图2是根据本发明实施例的布控信息的确定方法的流程图，如图2所示，该流程包括如下步骤：
34.步骤s202，利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常，得到对象的对象状态，其中，实时数据中包括与对象关联的数据信息，对象状态包括异常状态，异常状态用于触发对目标区域进行管控的管控信息；
35.步骤s204，利用预设时间段内的n个实时数据中包括的n个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率，其中，n是大于或等于1的自然数，n个实时数据用于表示在预设时间段内实时统计的n个数据；
36.步骤s206，基于异常对象的概率确定对目标区域进行布控的布控信息。
37.其中，上述步骤的执行主体可以为终端等，但不限于此。
38.本实施例包括但不限于应用于对异常对象进行排查的场景中，例如，交通路口、火车站等场景中。
39.在本实施例中，对象包括但不限于是行人，异常状态的对象包括但不限于是某类人。实时数据中包括但不限于是目标区域中出现的人脸信息、车辆的车型、车牌号、非机动车的信息、机动车辆的信息等。
40.在本实施例中，目标区域包括但不限于是geohash区域，geohash是一种地理空间划分，由人为自定义设置，将该空间的卡口设备，mac设备，rfid设备进行统一管理。例如，如图3所示，城市中各个卡口，rfid 射频装置，mac采集装置在城市中各个交通进行安装，在地图上人为进行监控区域的划分组成geohash区域，可以针对该区域采集的数据进行分析提前告警。
41.在本实施例中，管控信息包括但不限于是触发目标区域中部署警力的信息，例如报警信息；布控信息包括但不限于对目标区域进行警力部署的信息，例如，部署警车、警察等。
42.例如，本实施例在一天的时间内获取到10条实时数据，其中，5条实时数据触发了
报警。则在一天的时间内目标区域内出现异常对象的概率是 50％。则按照该概率在目标区域中部署一定的警力。
43.通过上述步骤，通过利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常，得到对象的对象状态，其中，实时数据中包括与对象关联的数据信息，对象状态包括异常状态，异常状态用于触发对目标区域进行管控的管控信息；利用预设时间段内的n个实时数据中包括的 n个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率，其中，n是大于或等于1的自然数，n个实时数据用于表示在预设时间段内实时统计的n个数据；基于异常对象的概率确定对目标区域进行布控的布控信息。实现了多维度分析异常对象的目的，可以准确的分析出目标区域中的出现异常对象的概率。因此，可以解决相关技术中对异常对象的布控不准确的问题，达到准确分析出异常对象，对目标区域准确布控的效果。
44.在一个示例性实施例中，利用在目标区域中获取的实时数据，确定实时数据中包括的对象异常，得到对象的对象状态，包括以下之一：
45.s1，在从实时数据中确定对象在目标区域中出现异常行为的情况下，确定对象处于异常状态；异常行为包括但不限于是偷袭、偷窥、偷东西等行为；
46.s2，在从实时数据中确定对象的对象信息与目标异常对象的对象信息匹配的情况下，确定对象处于异常状态；目标异常对象包括某类人；
47.s3，在从实时数据中确定对象出现在目标区域中的累计次数大于第一预设次数的情况下，确定对象处于异常状态。例如，在某卡口处频繁出入的人，可以确定为异常状态。
48.在一个示例性实施例中，利用预设时间段内的n个实时数据中包括的 n个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率，包括：
49.s1，记录n个实时数据中出现异常对象的实时数据，得到预设时间段内出现异常对象的第一数量；
50.s2，利用第一数量和n确定在预设时间段内目标区域中出现异常对象的概率。
51.在本实施例中，例如，在一天的时间内获取到10条实时数据，其中， 5条实时数据触发了报警。则在一天的时间内目标区域内出现异常对象的概率是50％。则按照该概率在目标区域中部署一定的警力。
52.在一个示例性实施例中，利用预设时间段内的n个实时数据中包括的 n个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率之前，方法还包括：
53.s1，确定获取的m个实时数据中的数据纬度，其中，m是大于或等于n的自然数；
54.s2，合并m个实时数据中数据纬度相同的数据，得到n个实时数据。
55.在本实施例中，主要处理不同维度相同数据对分析结果的影响，例如，将数据合并成为宽表，相同卡口间隔时间(间隔时间人为设置)范围内的人员、车辆、rfid、mac可以进行人员属性关联的数据合并为一条数据，并进行数据类型打标等等。
56.在本实施例中，例如，不同维度的数据之间的关联关系包括：人与电动车，通过人的相关信息，在电动车备案库中查找本人电动车；通过电动车信息在人员基本库中查看人员相关信息；人与汽车：通过人的相关信息，在机动车备案库中查找本人机动车；通过机动车信息在人员基本库中查看人员相关信息；对象与mac：通过mac地址，得到定位，mac地址在布控圈中出现范围，对该mac地址出现的轨迹范围进行人员排查。
57.在一个示例性实施例中，利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常之前，方法还包括：
58.s1，获取实时数据，其中，实时数据包括以下至少之一：通过射频识别rfid设备采集的与对象关联的非机动车辆信息，对象的属性信息，通过媒体介入控制mac设备采集的对象的mac地址信息，与对象关联的机动车辆信息。
59.在本实施例中，例如，在geohash区域内的卡口，mac采集装置， rfid射频装置，进行各类数据采集。
60.在一个示例性实施例中，获取实时数据之后，方法还包括：
61.s1，按照实时数据所归属的数据纬度将实时数据记录至数据表中，其中，数据纬度包括以下至少之一：非机动车辆信息，对象的属性信息， mac地址信息，机动车辆信息。
62.在本实施例中，还包括对n个实时数据的处理，例如，删除数据信息中的异常数据，得到清洗数据，其中，异常数据包括以下至少之一：数据信息中信息不全的数据，数据信息中无法修改的数据，数据信息中重复的数据。
63.在本实施例中，可以对数据信息中的数据进行分批清洗，例如，删除无法补全的数据，删除格式错误的数据，删除重复的数据等等。合并清洗数据信息中数据纬度相同的数据信息，得到汇总数据。
64.在本实施例中，主要处理不同维度相同数据对分析结果的影响，例如，将数据合并成为宽表，相同卡口间隔时间(间隔时间人为设置)范围内的人员、车辆、rfid、mac可以进行人员属性关联的数据合并为一条数据，并进行数据类型打标等等。
65.在本实施例中，例如，不同维度的数据之间的关联关系包括：人与电动车，通过人的相关信息，在电动车备案库中查找本人电动车；通过电动车信息在人员基本库中查看人员相关信息；人与汽车：通过人的相关信息，在机动车备案库中查找本人机动车；通过机动车信息在人员基本库中查看人员相关信息；对象与mac：通过mac地址，得到定位，mac地址在布控圈中出现范围，对该mac地址出现的轨迹范围进行人员排查。
66.在一个示例性实施例中，基于汇总数据确定目标区域中是否包括异常对象，包括：
67.s1，在预设时间段内，确定汇总数据中的对象数据信息、车辆数据信息、rfid数据信息以及mac数据信息出现在目标区域中设置的卡口处的次数，得到第一数据；
68.s2，基于第一数据确定目标区域中的高频卡口，得到目标卡口；
69.s3，在预设时间段内，确定汇总数据中的对象数据信息、车辆数据信息、rfid数据信息以及mac数据信息在目标区域中出现的次数，得到第二数据；
70.s4，基于第二数据确定目标区域中高频的区域，得到目标区域；
71.s5，在目标卡口和目标区域中确定是否包括异常对象。
72.在本实施例中，例如，在geohash区域中，统计出每辆车，每个人，每个rfid，mac经过各个卡口的次数，根据数量排序，分别取每个卡口排名数据，每个geohash排名数据。采用积分制统计出每个对象在卡口与区域的排名数据。
73.在一个示例性实施例中，基于汇总数据确定目标区域中是否包括异常对象，包括：
74.s1，在预设时间段内，确定汇总数据中的对象数据信息、车辆数据信息、rfid数据信息以及mac数据信息出现在目标区域中设置的目标卡口处的次数，得到第三数据；
75.s2，在预设时间段内，确定汇总数据中的对象数据信息、车辆数据信息、rfid数据
信息以及mac数据信息在目标区域中的目标区域中出现的次数，得到第四数据；
76.s3，利用第三数据和第四数据确定目标区域中是否包括异常对象。
77.在本实施例中，例如，geohash区域频繁过人，车，rfid，mac， geohash区域中包含若干个卡口，rfid，mac设备，每日统计每个区域，每个卡口中每辆车，每个人，每个rfid经过的数量，采用积分制，对数据进行排名处理，累计n天的数据，统计出每个卡口，每个区域排名靠前的数据信息。
78.在一个示例性实施例中，基于汇总数据确定目标区域中是否包括异常对象，包括：
79.s1，将汇总数据与预设数据库中存储的异常对象进行比对，得到比对结果；
80.s2，基于比对结果确定目标区域中是否包括异常对象。
81.在一个示例性实施例中，基于比对结果确定目标区域中是否包括异常对象，包括以下之一：
82.s1，在汇总数据中包括与存储的异常对象匹配的对象的情况下，确定目标区域中包括异常对象；
83.s2，在汇总数据中未包括与存储的异常对象匹配的对象，且汇总数据中包括的对象出现在目标区域中的次数大于预设阈值的情况下，确定目标区域中包括异常对象。
84.在本实施例中，例如，对汇总数据进行判断，进入数据流的数据与案件库数据进行比对，如有某类对象进行布控圈，将该条消息推送至公安调度中心，公安自动化调度系统调度周围公安干警，前往布控圈，进行现场勘查；
85.如无某类对象，流数据与案件库数据进行比对，判断该条流数据是否存在某类对象，如果存在某类对象并且该对象频繁出现在该布控圈，则该布控圈案发等级上升，为重点关注区域，并且将分析出的数据推送至当地公安办公平台；
86.如无某类对象，则判断区域内对象总值是否超过设定的阀值，若超过设置阀值，则该布控圈案发等级上升，公安自动化调度系统调度周围公安干警，前往布控圈。
87.在一个示例性实施例中，方法还包括：
88.s1，在确定目标区域中包括异常对象的情况下，确定异常对象所在的区域范围；
89.s2，将区域范围确定为异常范围，以在异常范围内监控异常对象。
90.在本实施例中，例如，筛选案发地的卡口，对案发地的数据进行自定义日期数据分析，公安干警可以筛选出近日频繁出现在案发地的对象，案发后，在案发地出现频次下降的数据，进行嫌疑对象排查。布控圈中的数据经过多日历史数据分析，对布控圈或卡口出现对象超过阀值的数据进行提取，消息推送至当地公安大数据平台，该布控圈中出现某类人的等级上升，通知并调度区域公安干警对该布控圈进行勘查。
91.在一个示例性实施例中，利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常，得到对象的对象状态之后，方法还包括：
92.s1，在对象是异常对象的情况下，将对象的异常状态记录至数据表中，以确定目标区域在预设时间段内出现异常对象的概率。
93.下面结合具体实施例对本发明进行说明：
94.本实施例利用城市各个卡口进行人员数据的提取与车辆车牌信息的采集，利用rfid射频装置对非机动车进行数据采集，利用mac采集装置对mac地址信息进行数据采集，采集后进行数据分类数据清洗，清洗后将数据进行汇总，再次进行数据信息，清洗后，针对
预先设置好的区域进行频繁算法模型分析，将符合要求的数据，告警给公安干警，公安干警可以对该地进行提前控防。
95.在本实施例中，geohash区域是一种地理空间划分，由人为自定义设置，将该空间的卡口设备，mac设备，rfid设备进行统一管理，如图3 所示，城市中各个卡口，rfid射频装置，mac采集装置在城市中各个交通进行安装，在地图上人为进行监控区域的划分组成geohash区域，可以针对该区域采集的数据进行分析提前告警，具体流程如图4所示，包括以下步骤：
96.s401：geohash区域内的卡口，mac采集装置，rfid射频装置，进行各类数据采集。
97.s402：对存储的数据按照规则进行分批清洗，如图5所示；
98.s403：对已经分批处理的数据，再次进行汇总清洗，主要处理不同维度相同数据对分析结果的影响，处理规则：将数据合并成为宽表，相同卡口间隔时间(间隔时间人为设置)范围内的人员、车辆、rfid、mac可以进行人员属性关联的数据合并为一条数据，并进行数据类型打标，例如，人与电动车：通过人的相关信息，在电动车备案库中查找本人电动车；通过电动车信息在人员基本库中查看人员相关信息；人与汽车：通过人的相关信息，在机动车备案库中查找本人机动车；通过机动车信息在人员基本库中查看人员相关信息；对象与mac：通过mac地址，得到定位，mac 地址在布控圈中出现范围，对该mac地址出现的轨迹范围进行人员排查。
99.本实施例包括以下场景：
100.场景一：
101.人员张三骑电动车经过路口，人脸识别设备在2020-10-23 12:00:00采集到张三的信息，同个路口的rfid采集装置在2020-10-23 12:00:02采集到张三的电动车信息(设置间隔阀值时间为2秒)，电动车备案登记信息为张三，这两条数据合并为一条，写入宽表中，并对条数据进行类型打标，类型为：人员，rfid。
102.场景二：
103.如果电动车备案登记信息非张三本人，则这两条数据不进行合并，作为两条数据写入宽表中进行打标，人员的数据打标人员，电动车的数据打标rfid，如图6所示。
104.s404：spark模型算法数据处理，分2个维度进行数据统计；
105.维度一：对象频繁过geohash区域；
106.geohash区域中包含若干个卡口，rfid，mac采集设备，统计出每辆车，每个人，每个rfid，mac经过各个卡口的次数，根据数量排序，分别取每个卡口排名数据，每个geohash排名数据。采用积分制统计出每个对象在卡口与区域的排名数据。(方案中出现的排名与分数均可进行配置)如图7所示；
107.维度二：geohash区域频繁过人，车，rfid，mac，geohash区域中包含若干个卡口，rfid，mac设备，每日统计每个区域，每个卡口中每辆车，每个人，每个rfid经过的数量，采用积分制，对数据进行排名处理，累计n天的数据，统计出每个卡口，每个区域排名靠前的数据信息。 (方案中出现的排名与分数均可进行配置)如图8所示；
108.s405：flink算法模型分析以及预防布控圈案发策略；
109.对汇总的数据进行判断，进入数据流的数据与案件库数据进行比对，如有某类对象进行布控圈，将该条消息推送至公安调度中心，公安自动化调度系统调度周围公安干警，
前往布控圈，进行现场勘查；
110.如无某类对象，流数据与案件库数据进行比对，判断该条流数据是否存在某类对象，如果存在某类对象并且该对象频繁出现在该布控圈，则该布控圈案发等级上升，为重点关注区域，并且将分析出的数据推送至当地公安办公平台；
111.如无某类对象，则判断区域内对象总值是否超过设定的阀值，若超过设置阀值，则该布控圈案发等级上升，公安自动化调度系统调度周围公安干警，前往布控圈，进行现场秩序维护，如图9所示；
112.s406：spark离线数据分析以及案发后数据分析；
113.使用s404中spark处理后的数据，筛选案发地的卡口，对案发地的数据进行自定义日期数据分析，公安干警可以筛选出近日频繁出现在案发地的对象，案发后，在案发地出现频次下降的数据，进行嫌疑对象排查。
114.布控圈中的数据经过多日历史数据分析，对布控圈或卡口出现对象超过阀值的数据进行提取，消息推送至当地公安大数据平台，该布控圈中出现某类人的等级上升，通知并调度区域公安干警对该布控圈进行勘查。
115.综上所述，本实施例针对人员、车辆、mac、rfid四个维度的数据进行整合分析，相对于只对车辆进行单一分析来说，分析出来的数据，更具有参考价值。
116.本实施例通过在主域提供汇聚全域结构化数据的大数据存储池的方式，提供了统一的大数据池，有效支持了各类大数据分析、查询、布控业务。
117.本实施例采用flink框架，对原始数据进行提取，判断，依托ai智能算法对布控区情况进行实时掌握，对于存在异常情况的布控圈，并依托自动化调度系统调度周围公安干警，进行现场勘查，通过全流程自动化，达到对布控圈的实时掌握；
118.本实施例使用主流的系统分布式框架hadoop，通过spark对历史数据进行ai智能算法分析，案发后，可以从多个维度进行嫌疑对象排查，缩小警方排查范围，提高警方的办案效率，同时通过速度与稳定性得到保证。
119.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如 rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
120.在本实施例中还提供了一种布控信息的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
121.图10是根据本发明实施例的布控信息的确定装置的结构框图，如图 10所示，该装置包括：
122.第一确定模块1002，用于利用在目标区域中获取的实时数据，确定实时数据中包括的对象是否异常，得到对象的对象状态，其中，实时数据中包括与对象关联的数据信息，对象状态包括异常状态，异常状态用于触发对目标区域进行管控的管控信息；
123.第二确定模块1004，用于利用预设时间段内的n个实时数据中包括的n个对象对应的n个对象状态，确定目标区域在预设时间段内出现异常对象的概率，其中，n是大于或等于1的自然数，n个实时数据用于表示在预设时间段内实时统计的n个数据；
124.第三确定模块1006，用于基于异常对象的概率确定对目标区域进行布控的布控信息。
125.在一个示例性实施例中，上述第一确定模块，包括以下之一：
126.第一确定单元，用于在从上述实时数据中确定上述对象在上述目标区域中出现异常行为的情况下，确定上述对象处于异常状态；
127.第二确定单元，用于在从上述实时数据中确定上述对象的对象信息与目标异常对象的对象信息匹配的情况下，确定上述对象处于异常状态；
128.第三确定单元，用于在从上述实时数据中确定上述对象出现在上述目标区域中的累计次数大于第一预设次数的情况下，确定上述对象处于异常状态。
129.在一个示例性实施例中，上述第二确定模块，包括：
130.第一记录单元，用于记录上述n个实时数据中出现异常对象的实时数据，得到上述预设时间段内出现上述异常对象的第一数量；
131.第四确定单元，用于利用上述第一数量和上述n确定在上述预设时间段内上述目标区域中出现上述异常对象的概率。
132.在一个示例性实施例中，上述装置还包括：
133.第四确定模块，用于利用预设时间段内的n个实时数据中包括的n 个对象对应的n个对象状态，确定上述目标区域在上述预设时间段内出现异常对象的概率之前，确定获取的m个实时数据中的数据纬度，其中，上述m是大于或等于上述n的自然数；
134.第一合并模块，用于合并上述m个实时数据中数据纬度相同的数据，得到上述n个实时数据。
135.在一个示例性实施例中，上述装置还包括：
136.第一获取模块，用于利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常之前，获取上述实时数据，其中，上述实时数据包括以下至少之一：通过射频识别rfid设备采集的与上述对象关联的非机动车辆信息，上述对象的属性信息，通过媒体介入控制mac设备采集的上述对象的mac地址信息，与上述对象关联的机动车辆信息。
137.在一个示例性实施例中，上述装置还包括：
138.第一记录模块，用于获取上述实时数据之后，按照上述实时数据所归属的数据纬度将上述实时数据记录至数据表中，其中，上述数据纬度包括以下至少之一：非机动车辆信息，上述对象的属性信息，mac地址信息，机动车辆信息。
139.在一个示例性实施例中，上述装置还包括：
140.第二记录模块，用于利用在目标区域中获取的实时数据，确定上述实时数据中包括的对象是否异常，得到上述对象的对象状态之后，在上述对象是异常对象的情况下，将上述对象的异常状态记录至上述数据表中，以确定上述目标区域在上述预设时间段内出现异常对象的概率。
141.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意
组合的形式分别位于不同的处理器中。
142.本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
143.在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
144.在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于： u盘、只读存储器(read-only memory，简称为rom)、随机存取存储器(random access memory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
145.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
146.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
147.在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以上各步骤。
148.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
149.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
150.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。