本發(fā)明涉及大數(shù)據(jù)領(lǐng)域，特別是一種物聯(lián)網(wǎng)分析方法。
背景技術(shù)：
：隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，基于物聯(lián)網(wǎng)的視頻、卡口、門禁、停車場、Wifi、IC卡等物聯(lián)網(wǎng)的信息資源智能化采集成為了可能，利用多網(wǎng)絡(luò)、多終端的智能數(shù)據(jù)感知采集模式收集海量的時空信息資源。針對上述物聯(lián)網(wǎng)技術(shù)發(fā)展，如何利用大數(shù)據(jù)實現(xiàn)公安工作效能提升，是目前大數(shù)據(jù)應用的熱點、也是研究的熱點問題。因此需要提供一種能夠完成對該時空信息數(shù)據(jù)進行分析處理的系統(tǒng)。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供了一種物聯(lián)網(wǎng)分析方法。本發(fā)明通過以下的方案實現(xiàn)：一種物聯(lián)網(wǎng)分析方法，包括以下步驟：S1：接收物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)；S2：將接收的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式的數(shù)據(jù)；S3：對數(shù)據(jù)進行分布式存儲；S4：對數(shù)據(jù)進行過濾；S5：對數(shù)據(jù)進行關(guān)聯(lián)規(guī)則進行數(shù)據(jù)挖掘，獲得時空關(guān)聯(lián)數(shù)據(jù)；S6：存儲經(jīng)過數(shù)據(jù)挖掘的時空關(guān)聯(lián)數(shù)據(jù)和物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)。進一步，所述步驟S2中，具體為：將物聯(lián)網(wǎng)設(shè)備終端的數(shù)據(jù)轉(zhuǎn)換為xml文件。進一步，所述步驟S4中包括以下步驟：S41：將重復的冗余數(shù)據(jù)進行過濾；S42：根據(jù)業(yè)務需要對數(shù)據(jù)進行過濾；S43：根據(jù)設(shè)定的時間范圍進行數(shù)據(jù)過濾。進一步，所述步驟S5包括以下步驟：S51：處理數(shù)據(jù)挖掘所采用的訓練數(shù)據(jù)的信息；S52：對數(shù)據(jù)挖掘模型的算法進行訓練；S53：驗證模型輸出結(jié)果；S54：對測試成功的模型進行運行；S55：對模型輸出結(jié)果進行輸出展示。進一步，所述步驟S51中包括以下步驟：S511：確定訓練數(shù)據(jù)所包含的屬性信息；S512：訓練數(shù)據(jù)的各個維度統(tǒng)一離散到[0,1]的取值范圍；S513：確定進行模型結(jié)果驗證的參數(shù)。進一步，所述步驟S54中包括以下步驟：S541：設(shè)置任務名稱、執(zhí)行方式、開始執(zhí)行時間和資源占用，并保存在任務列表中；S542：根據(jù)任務列表，按時運行模型任務；S543：在模型運行中進行監(jiān)控，包括監(jiān)控當前任務中的信息、當前任務運行狀態(tài)、反饋信息以及任務運行歷史記錄。進一步，所述執(zhí)行方式包括：立即執(zhí)行、定時執(zhí)行和周期執(zhí)行。進一步，所述S55中具體包括以下步驟：S551：將數(shù)據(jù)結(jié)果結(jié)合形成數(shù)據(jù)集，并存儲在數(shù)據(jù)資源池中；S552：將分析結(jié)果推送封裝為發(fā)布服務接口。進一步，所述步驟S6中，當對物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)進行存儲時，按照網(wǎng)點編號，存儲每個網(wǎng)點的空間數(shù)據(jù)和屬性數(shù)據(jù)；所述空間數(shù)據(jù)包括：網(wǎng)點位置和坐標；所述屬性數(shù)據(jù)包括：設(shè)備類型、采集信息類型、采集信息的頻率和采集信息的空間覆蓋范圍。進一步，所述步驟S6中，還根據(jù)空間和時間分析，確定每個物聯(lián)網(wǎng)網(wǎng)點的時空依賴關(guān)系，并進行儲存。相比于現(xiàn)有技術(shù)，本發(fā)明提供了一種分析方法，可以利用這些時空數(shù)據(jù)，從時間和空間兩個維度梳理、挖掘、分析其時空關(guān)聯(lián)關(guān)系。將海量、雜亂的時空數(shù)據(jù)，按照其內(nèi)部的時空關(guān)系、時空關(guān)聯(lián)規(guī)則進行存儲，為公安的情報分析、犯罪挖掘、案件偵破提供線索、拓展情報分析手段、提高破案率、輔助警務策略的制定等，提供精準、科學、高效的大數(shù)據(jù)支持依據(jù)。為了更好地理解和實施，下面結(jié)合附圖詳細說明本發(fā)明。附圖說明圖1是本發(fā)明的時空關(guān)系分析方法的步驟流程圖。圖2是本發(fā)明的數(shù)據(jù)轉(zhuǎn)換的處理流程圖。圖3是步驟S4的具體步驟流程圖。圖4是步驟S5的具體步驟流程圖。圖5是步驟S51的具體步驟流程圖。圖6是步驟S54的具體步驟流程圖。圖7是步驟S55的具體步驟流程圖。圖8是主要設(shè)計的關(guān)系表及關(guān)系表屬性結(jié)構(gòu)示意圖。圖9是對象時空關(guān)系管理關(guān)系表結(jié)構(gòu)圖。圖10是對象分類關(guān)系管理關(guān)系表結(jié)構(gòu)圖。具體實施方式以下結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。請參閱圖1，其為本發(fā)明的時空關(guān)系分析方法的步驟流程圖。一種物聯(lián)網(wǎng)分析方法，包括以下步驟：S1：接收物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)。具體的，以公安偵查中常用的物聯(lián)網(wǎng)設(shè)備終端為例，所接收的物聯(lián)網(wǎng)設(shè)備終端可以包括監(jiān)控視頻、門禁系統(tǒng)、WiFi、IC卡和停車場監(jiān)控視頻等。S2：將接收的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一格式的數(shù)據(jù)。由于智能采集網(wǎng)點物聯(lián)網(wǎng)終端采集設(shè)備的多樣性，必然存在數(shù)據(jù)異構(gòu)的問題。本發(fā)明的數(shù)據(jù)轉(zhuǎn)換模塊旨在將不同終端設(shè)備采集到海量數(shù)據(jù)統(tǒng)一到一致的格式標準之下，便于系統(tǒng)的后續(xù)處理。而為了將不同數(shù)據(jù)統(tǒng)一為相同的格式標準，本實施例中采用的為xml格式文件。而目前在互聯(lián)網(wǎng)領(lǐng)域，已存在一個廣泛應用的數(shù)據(jù)交換接口標準XML(ExtensibleMarkupLanguange擴展標記語言)。XML文件的可讀性極強。具體的請同時參閱圖2，其為本發(fā)明的數(shù)據(jù)轉(zhuǎn)換的處理流程圖。在制定好XML文件的格式標準之后，根據(jù)不同的智能終端設(shè)備感知層協(xié)議，編寫相應的接口，就可以把相應智能終端設(shè)備的數(shù)據(jù)轉(zhuǎn)換為系統(tǒng)統(tǒng)一識別的XML文件。而在本實施例中，所采用的的系統(tǒng)xml文件格式規(guī)范如下表1所示：表1節(jié)點名稱說明device設(shè)備屬性name代表名稱，coordinate代表坐標times監(jiān)控時間表time監(jiān)控時刻INFOS獲取信息列表INFO獲取信息，屬性name為信息唯一標識S3：對數(shù)據(jù)進行分布式存儲。在本發(fā)明中，采用云計算中的Hadoop分布式框架進行分布式數(shù)據(jù)處理。由于Hadoop分布式文件系統(tǒng)HDFS是以支持大數(shù)據(jù)集合為目標的，故利用HDFS對物聯(lián)網(wǎng)產(chǎn)生的異構(gòu)海量數(shù)據(jù)進行分布式存儲。S4：對數(shù)據(jù)進行過濾。在本發(fā)明中，根據(jù)具體需求，采用基于Spark編程模型的Hive分布式數(shù)據(jù)倉庫對智能終端采集的數(shù)據(jù)進行數(shù)據(jù)清洗過濾、刪除兀余信息。進一步請參閱圖3，其為步驟S4的具體步驟流程圖。所述步驟S4中包括以下步驟：S41：將重復的冗余數(shù)據(jù)進行過濾。對于待清洗數(shù)據(jù)，首先進行異常冗余數(shù)據(jù)的檢驗，這里主要對于數(shù)據(jù)是否完全重復且基于服務的數(shù)據(jù)長度是否一致進行判斷。S42：根據(jù)業(yè)務需要對數(shù)據(jù)進行過濾。這里應與具體支撐應用平臺密切相關(guān)，在數(shù)據(jù)挖掘模型的具體應用中，業(yè)務需求可能只包括某一限定范圍的信息。例如可以定義以下幾個規(guī)則：只選定某個型號的智能終端的數(shù)據(jù)，產(chǎn)品號及版本號等信息；限定具體時間，地點以及應用人及相關(guān)信息。對于可能存在異常的孤立數(shù)據(jù)進行業(yè)務判定。對于不匹配的數(shù)據(jù)進行過濾處理。S43：根據(jù)設(shè)定的時間范圍進行數(shù)據(jù)過濾。根據(jù)數(shù)據(jù)的時間記錄進行過濾，可以根據(jù)業(yè)務要求指定時間范圍。對不在該時間范圍的數(shù)據(jù)進行過濾。S5：對數(shù)據(jù)進行關(guān)聯(lián)規(guī)則進行數(shù)據(jù)挖掘，獲得時空關(guān)聯(lián)數(shù)據(jù)。時空數(shù)據(jù)挖掘的過程分三個階段：時空數(shù)據(jù)的準備階段、時空數(shù)據(jù)的挖掘階段和時空數(shù)據(jù)結(jié)果的解釋和評估階段。進一步同時參閱圖4，其為本發(fā)明的步驟S5的具體步驟流程圖。所述步驟S5包括以下步驟：S51：處理數(shù)據(jù)挖掘所采用的訓練數(shù)據(jù)的信息。這里主要應用在前期的數(shù)據(jù)準備階段。進一步請參閱圖5，其為本發(fā)明的步驟S51的具體步驟流程圖。進一步，所述步驟S51中包括以下步驟：S511：確定訓練數(shù)據(jù)所包含的屬性信息；S512：訓練數(shù)據(jù)的各個維度統(tǒng)一離散到[0,1]的取值范圍；S513：確定進行模型結(jié)果驗證的參數(shù)。一般訓練樣本分為訓練數(shù)據(jù)和驗證數(shù)據(jù)兩個部分，直接用驗證數(shù)據(jù)去驗證訓練出來的模型效果。S52：對數(shù)據(jù)挖掘模型的算法進行訓練。在本實施例中，所采用的訓練模型見下表2所示：表2以下針對上述表格中的5中算法模型進行具體的介紹，具體如下：第一、時空關(guān)聯(lián)關(guān)聯(lián)規(guī)則(AssociationRules)的概念首先由R.Agrawal等人于1993年提出的，是反映一個事物與其他事物之間的相互依賴性或相互關(guān)聯(lián)性。關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘(簡稱關(guān)聯(lián)規(guī)則挖掘)就是從大量的數(shù)據(jù)中挖掘出有價值的描述數(shù)據(jù)項之間相互聯(lián)系的有關(guān)知識。隨著收集和存儲的數(shù)據(jù)規(guī)模越來越大，特別是類似于Hadoop這樣的分布式數(shù)據(jù)處理系統(tǒng)的誕生，使得數(shù)據(jù)處理的規(guī)模呈指數(shù)及增長，人們對從這些數(shù)據(jù)中挖掘相應的關(guān)聯(lián)規(guī)則越來越感興趣，關(guān)聯(lián)規(guī)則挖掘也倍受數(shù)據(jù)挖掘領(lǐng)域?qū)＜业年P(guān)注，得到了深入的研究和發(fā)展。時空關(guān)聯(lián)規(guī)則的理論是在關(guān)聯(lián)規(guī)則的基礎(chǔ)之上發(fā)展而來，特制那些既有空間約束又有時態(tài)約束的關(guān)聯(lián)規(guī)則。其主要意義在于研究空間對象隨時間變化的規(guī)律，以發(fā)現(xiàn)海量時空數(shù)據(jù)中處于一定時間間隔的空間位置的關(guān)聯(lián)規(guī)則。本發(fā)明中所采用的算法為：目前關(guān)聯(lián)規(guī)則挖掘算法中最為流行的是Apriori算法。其核心思想是通過候選集生成和情節(jié)的向下封閉檢測兩個階段來挖掘頻繁項集，其實現(xiàn)過程主要分為兩個步驟：1.依據(jù)支持度找出所有頻繁項集(頻度)2.依據(jù)置信度產(chǎn)生關(guān)聯(lián)規(guī)則(強度)Apriori算法的應用非常廣泛，但其所挖掘的關(guān)聯(lián)規(guī)則一般都假定為永遠有效。針對時空關(guān)聯(lián)規(guī)則挖掘，需要在算法中加入時間約束和空間約束。其基本思路是將含有時間約束和空間約束的數(shù)據(jù)源首先按照空間位置進行整理,生成信息一地址對,然后根據(jù)Apriori算法生成侯選集,由侯選項集生成頻繁項集,直到頻繁項集不能生成更長的侯選為止。再把時間因素加入進去,將時間區(qū)間用一個適宜的推廣因子進行推廣,得出相應的含有地址約束的項目與擴展時間區(qū)間的元素對,當(項目一地址)對落入相同的推廣時間區(qū)間內(nèi),則產(chǎn)生關(guān)聯(lián)規(guī)則,即含有時空約束的關(guān)聯(lián)規(guī)則。第二、時空同現(xiàn)時空同現(xiàn)模式挖掘是針對復雜時空數(shù)據(jù)提取同現(xiàn)模式的過程。時空同現(xiàn)模式是在同位模式的基礎(chǔ)上添加了時空符合興趣度形成的模式?？臻g同位模式是從地理空間中發(fā)現(xiàn)的那些頻繁的且緊密相鄰的空間特征的集合，同位規(guī)則試圖將關(guān)聯(lián)規(guī)則泛化為空間索引的點集合數(shù)據(jù)集。時空同現(xiàn)模式就是在時空維下，不同對象類型子集的實例在一些時間段中在空間上是相互鄰近的(或符合某種空間關(guān)系的)。同現(xiàn)模式是在同位模式的基礎(chǔ)上,提出時空復合興趣度的概念作為同現(xiàn)模式的判斷標準。時空復合興趣度是將空間興趣度和時間興趣度相結(jié)合本發(fā)明采用的算法為：依據(jù)時空同現(xiàn)模式挖掘的基本理論，要進行時空同現(xiàn)模式的挖掘，首先需要挖掘同一時間段內(nèi)的同位模式?？臻g同位模式數(shù)據(jù)挖掘方法依然是基于Apriori算法思想。其基本思路為：1、遍歷計算空間內(nèi)不同特征類型下，每兩個實例(分屬于不同的特征類型)之間的期望距離(初步將期望距離定義為歐氏距離)。以任意兩個實例間的期望距離為例，可分別計算出實例一的不確定點群到實例二中心點的期望距離，和實例二的不確定點群到實例一中心點的期望距離。2、這兩個實例間的期望距離便是這兩個期望距離中的最大值。若實例間的期望距離小于等于距離閾值,則把該實例對作為候選實例對。遍歷所有類型下的所有實例對，直至不再產(chǎn)生候選實例對。得到所有的候選實例對之后,便需要計算候選實例對中每種特征類型所對應的空間參與度。在得出模式的空間參與度之后,同空間參與度閾值做比較,若前者大于等于后者,那么該模式即為空間同位模式。在確定所有的空間同位模式后，再計算時空同現(xiàn)模式。先計算空間同位模式的時間參與度，若大于等于時間參與度閾值，則該模式為時空同現(xiàn)模式。第三、時空聚類時空聚類就是指基于空間和時間相似度把具有相似行為的時空對象劃分到同一組中,使組間差別盡量大,而組內(nèi)差別盡量小。時空聚類分析能夠更好地發(fā)現(xiàn)和分析地理現(xiàn)象發(fā)展變化的規(guī)律與本質(zhì)特征并預測其發(fā)展趨勢。時空聚類分析是一種非監(jiān)督分類的方法,它依據(jù)判斷相似性準則將所有時空實體劃分成一系列時空簇。同一時空簇內(nèi),對象之間的差異要盡量小于不同時空簇的對象間的差異。我們采用時空密度聚類的算法來進行基于智能采集網(wǎng)點的時空聚類分析。時空密度聚類是空間密度聚類在時空域上的擴展，其采用密度作為實體間相似性的度量標準，將時空簇視為一系列被低密度區(qū)域(噪聲)分割的高密度連通區(qū)域。DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)是一個比較有代表性的基于密度的聚類算法。與劃分和層次聚類方法不同，它將簇定義為密度相連的點的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)集中發(fā)現(xiàn)任意形狀的聚類。DBSCAN中的幾個定義:E鄰域:給定對象半徑為E內(nèi)的區(qū)域稱為該對象的E鄰域；核心對象：如果給定對象E鄰域內(nèi)的樣本點數(shù)大于等于MinPts，則稱該對象為核心對象；直接密度可達：對于樣本集合D，如果樣本點Q在P的E鄰域內(nèi)，并且P為核心對象，那么對象Q從對象P直接密度可達；密度可達：對于樣本集合D，給定一串樣本點Pi,Pv...Pn,P＝P1,假如對象Pi從Pi-l直接密度可達,那么對象Q從對象P密度可達；密度相連：存在樣本集合D中的一點0,如果對象0到對象P和對象Q都是密度可達的,那么P和Q密度相聯(lián)ST-DBSCAN聚類是DBSCAN聚類在時間維上的擴展。擴展的方面是：E鄰域擴展為時空鄰域；直接密度可達擴展為時空直接密度可達。除了時空鄰域定義的改變,顧及非空間屬性的ST-DBSCAN聚類還需要定義算法中的其他概念：時空對象、屬性差函數(shù)判定閾值e、時空直接密度可達、時空核心對象判定閾值MinPts等第四、時空分類時空分類主要是基于時空對象特征構(gòu)建分類模型來預測時空對象所屬類別或所在具體空間位置。與時空聚類不同，時空分類是一種監(jiān)督分類算法。是以建立統(tǒng)計識別函數(shù)為理論基礎(chǔ)，依據(jù)典型樣本訓練方法進行分類的技術(shù)。即根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對各待分類數(shù)據(jù)進行分類。適用于監(jiān)督分類的算法很多，如SVM支持向量機、BP神經(jīng)網(wǎng)絡(luò)、貝葉斯統(tǒng)計、決策樹建模等。針對智能采集網(wǎng)點時空數(shù)據(jù)的數(shù)值多樣性的特征，我們考慮采用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建監(jiān)督分類的預測模型。BP神經(jīng)網(wǎng)絡(luò)首先構(gòu)造一個包含輸入層、輸出層和隱藏層的多層網(wǎng)絡(luò)結(jié)構(gòu)。其中輸入層為經(jīng)處理的智能網(wǎng)點時空特征數(shù)據(jù)，輸出層為時空數(shù)據(jù)的目標類別。其基本特征包括：1、網(wǎng)絡(luò)中每個神經(jīng)元包含一個連續(xù)可微的非線性激活函數(shù)2、網(wǎng)絡(luò)展示高度的連接線，其強度由網(wǎng)絡(luò)的突觸權(quán)值確定BP神經(jīng)網(wǎng)絡(luò)應用反向傳播的方法，訓練網(wǎng)絡(luò)的各個突觸權(quán)值。訓練過程分為如下兩個階段：1、前向階段：網(wǎng)絡(luò)的突觸權(quán)值是固定的，輸入信號在網(wǎng)絡(luò)中一層層傳播，直到達到突出端。2、反向階段：通過比較網(wǎng)絡(luò)的輸出和期望輸出產(chǎn)生的誤差信號，將誤差信號再次通過網(wǎng)絡(luò)一層層傳播，并對網(wǎng)絡(luò)的突觸權(quán)值進行不斷的修正第五、時空軌跡頻繁人們感興趣的是從一個時空序列里發(fā)現(xiàn)頻繁重復的路徑，即時空軌跡頻繁模式。這些軌跡頻繁重復模式能協(xié)助完成關(guān)于移動對象的分析、預測等任務，進而可將其應用于經(jīng)營商業(yè)、旅游業(yè)和管理城市交通等方面的決策。除了對軌跡數(shù)據(jù)之外，序列挖掘?qū)ο筮€包括諸如時空事件數(shù)據(jù)集等其他時空數(shù)據(jù)，在這些事件數(shù)據(jù)集中不包含對象的軌跡數(shù)據(jù)，而是由不同類型事件序列組成的集合。通過掃描時空數(shù)據(jù)庫產(chǎn)生映射圖和軌跡信息列表，在映射圖上進行深度優(yōu)先遍歷以尋找頻繁軌跡模式。許多移動對象(包括交通工具、動物、移動電話用戶等)，在固定的時間區(qū)間內(nèi)總是遵循相同或近似相同的路線，展現(xiàn)出一定的周期性規(guī)律，這些周期模式不僅可用于壓縮移動數(shù)據(jù)，還可用來預測對象未來的移動方向，這種周期模式隱含在時空數(shù)據(jù)中需要挖掘才能發(fā)現(xiàn)。根據(jù)現(xiàn)有頻繁模式挖掘的理論成果，采用一種基于后綴樹的時空軌跡頻繁模式挖掘算法結(jié)合DBSCAN算法較為符合物聯(lián)網(wǎng)時空數(shù)據(jù)關(guān)聯(lián)挖掘的項目需求。后綴樹是一種數(shù)據(jù)結(jié)構(gòu)，能快速解決很多關(guān)于字符串的問題。時空軌跡頻繁模式挖掘可以轉(zhuǎn)換為頻繁序列模式的挖掘，而后綴樹作為一種數(shù)據(jù)結(jié)構(gòu)，可以存儲序列數(shù)據(jù)并且其查詢性能較好。通過對后綴樹進行改進使其可以存儲興趣區(qū)域序列和時間信息,而且可以減少數(shù)據(jù)的存儲，并可以增量挖掘軌跡模式。算法實現(xiàn)的具體步驟為：首先通過后綴樹挖掘出候選的軌跡頻繁模式,然后進一步對產(chǎn)生的結(jié)果進行挖掘,通過聚類的方式提取出帶有停留時間的頻繁模式。對于軌跡化,Tb定義軌跡間的距離,若二者有著不同的置序列,則距離為正無窮,若二者之間有著相同的位置序列,則計算其距離。最后通過基于密度的DBSCAN算法迸行軌跡頻繁項聚類。S53：驗證模型輸出結(jié)果。本步驟主要對已保存的模型作驗證，通常采用訓練樣本數(shù)據(jù)集交叉驗證的方法，驗證數(shù)據(jù)模型是否符合訓練數(shù)據(jù)的期望輸出。S54：對測試成功的模型進行運行。進一步請參閱圖6，其為本發(fā)明的步驟S54的具體步驟流程圖。所述步驟S54中包括以下步驟：S541：設(shè)置任務名稱、執(zhí)行方式、開始執(zhí)行時間和資源占用，并保存在任務列表中。進一步，所述執(zhí)行方式包括：立即執(zhí)行、定時執(zhí)行和周期執(zhí)行。S542：根據(jù)任務列表，按時運行模型任務；S543：在模型運行中進行監(jiān)控，包括監(jiān)控當前任務中的信息、當前任務運行狀態(tài)、反饋信息以及任務運行歷史記錄。S55：對模型輸出結(jié)果進行輸出展示。進一步請同時參閱圖7，其為步驟S55的具體步驟流程圖。進一步，所述S55中具體包括以下步驟：S551：將數(shù)據(jù)結(jié)果結(jié)合形成數(shù)據(jù)集，并存儲在數(shù)據(jù)資源池中。其中，有權(quán)限的用戶可直接到資源池中查詢查看。S552：將分析結(jié)果推送封裝為發(fā)布服務接口。該推送的內(nèi)容可以為預警內(nèi)容。這里的預警推送方式可以通過與當前分析總線進行對接，將分析結(jié)果中預警信息推送封裝為預警發(fā)布服務接口，各警種業(yè)務系統(tǒng)可調(diào)用該接口，查詢數(shù)據(jù)挖掘分析推送發(fā)布的結(jié)果數(shù)據(jù)集。S6：存儲經(jīng)過數(shù)據(jù)挖掘的時空關(guān)聯(lián)數(shù)據(jù)和物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)。進一步，所述步驟S6中，當對物聯(lián)網(wǎng)設(shè)備終端的時空數(shù)據(jù)進行存儲時，按照網(wǎng)點編號，存儲每個網(wǎng)點的空間數(shù)據(jù)和屬性數(shù)據(jù)；所述空間數(shù)據(jù)包括：網(wǎng)點位置和坐標；所述屬性數(shù)據(jù)包括：設(shè)備類型、采集信息類型、采集信息的頻率和采集信息的空間覆蓋范圍。進一步請同時參閱圖8，其為主要設(shè)計的關(guān)系表及關(guān)系表屬性結(jié)構(gòu)示意圖。所述步驟S6中，還根據(jù)空間和時間分析，確定每個物聯(lián)網(wǎng)網(wǎng)點的時空依賴關(guān)系，并進行儲存。所述關(guān)系數(shù)據(jù)庫模塊還根據(jù)空間和時間分析，確定每個物聯(lián)網(wǎng)網(wǎng)點的時空依賴關(guān)系，并進行儲存。本發(fā)明中利用空間鄰接分析，結(jié)合時間服務半徑，確定每個物聯(lián)網(wǎng)點間的時空依賴關(guān)系，并按其時空依賴關(guān)系存儲物聯(lián)網(wǎng)點間關(guān)系，為物聯(lián)網(wǎng)感知數(shù)據(jù)處理、數(shù)據(jù)挖掘做準備。另外，所述關(guān)系數(shù)據(jù)庫模塊在對經(jīng)過數(shù)據(jù)挖掘的時空關(guān)聯(lián)數(shù)據(jù)進行儲存時，包括以下兩種情況：第一、對象時空關(guān)聯(lián)關(guān)系存儲請參閱圖9，其為對象時空關(guān)系管理關(guān)系表結(jié)構(gòu)圖。以感知對象人、車為例，從人、地、車、時間四個維度描述對象的時空關(guān)系。主要關(guān)系分為：1、人員時空行為挖掘與存儲。2、車輛時空行為挖掘與存儲。3、人員與車輛時空關(guān)系挖掘與存儲。4、人員與人員時空關(guān)系挖掘與存儲。5、車輛與車輛時空關(guān)系挖掘與存儲。第二、對象分類關(guān)系存儲請參閱圖10，其為對象分類關(guān)系管理關(guān)系表結(jié)構(gòu)圖。對象分類關(guān)系存儲主要管理某一時間段內(nèi)、針對某一具體警情時間所做的聚類分析、分類分析結(jié)果。相比于現(xiàn)有技術(shù)，本發(fā)明提供了一種分析系統(tǒng)，從而利用這些時空數(shù)據(jù)，從時間和空間兩個維度梳理、挖掘、分析其時空關(guān)聯(lián)關(guān)系。將海量、雜亂的時空數(shù)據(jù)，按照其內(nèi)部的時空關(guān)系、時空關(guān)聯(lián)規(guī)則進行存儲，為公安的情報分析、犯罪挖掘、案件偵破提供線索、拓展情報分析手段、提高破案率、輔助警務策略的制定等，提供精準、科學、高效的大數(shù)據(jù)支持依據(jù)。上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3