一种基于AI算法的人房拓扑关系模型的构建方法与流程

一种基于ai算法的人房拓扑关系模型的构建方法
技术领域
1.本发明属于社区管理技术领域，特别涉及一种基于ai算法的人房拓扑关系模型的构建方法。


背景技术：

2.渐渐地人们在传统小区人防、物防、技防基础上，应用物联网和智能传感等技术，积极探索“智安小区”建设，实现对居民住宅小区的智能化、智慧化管理。“智安小区”平台集成有人脸识别、车牌识别、电动车防盗识别、手机识别等八大系统，形成信息采集虚拟截面，实现了“人过留影、车过留牌、机过留号”。在这几年中，“智安小区”在打击和防范方面发挥了巨大的作用。同时，随着“智安小区”无盲区布网和各类大数据的深度融合，使“智安小区”数据反哺基层，指导具体安防工作成为可能。
3.因此，如何利用好采集的小区人员数据，使其能够进一步加强小区人员的管控，相关部门是目前需要进行研究和解决的技术问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于ai算法的人房拓扑关系模型的构建方法，以构建人房拓扑关系模型实现人户分离管理及出租房屋智能推送。
5.本发明的目的可通过下列技术方案来实现：一种基于ai算法的人房拓扑关系模型的构建方法，包括：对进出“智安小区”门口的人员进行进出轨迹采集，判断并获取居住在小区的居住人员信息；对未登记人员信息进行判断，获得未登记人员信息；对小区房屋进行人户分离判断，获得人户分离房屋信息；对小区疑似出租房屋进行判断，获得疑似出租房屋信息；对所述的居住人员信息、未登记人员信息、人户分离房屋信息和疑似出租房屋信息进行交集、并集的复合研判运算及参数调教，智能推送人户分离房屋、出租房屋的信息给相关部门用于指导具体安防人员对小区开展基础管理工作。。
6.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述居住人员信息通过以下过程判断并获取：调用进出“智安小区”门口的人员进行进出轨迹数据，并根据进出轨迹数据按一段时间进行累积进出次数计算，如果该次数超过第一设定阈值，则判断为该人员为住在小区内的人员，反之为否。
7.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述进出数据包括但不限于人脸数据、车脸数据、mac数据、rfid 数据。
8.在上述的基于ai算法的人房拓扑关系模型的构建方法中，将小区居住人员信息与社区实有人口信息库内的数据进行碰撞比对，判断出未登记的人员信息。
9.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述人户分离房屋判断包括：将小区内存在用电或用水数据的房屋所对应户主的人员信息和人员户籍库中的户籍地址进行比对，判断该户居住的人员是否存在的人户分离的情况，当对比结果为户主的人员信息与户籍库中的户籍地址一致，则判断为人户一致；当对比结果为户主的人员信息与
户籍库中的户籍地址不同，则判断为人在户不在；当对比结果为该房屋所对应户主在“智安小区”门口无进出轨迹，但户籍在，则判断为人不在户在。
10.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述出租房屋的判断包括：小区内存在用电或用水数据的房屋所对应户的户主信息与“智安小区”门口的进出轨迹数据进行比对，若没有该户主的进出轨迹或者进出轨迹次数少于第二阈值，则判断为出租屋；反之，则判断该房屋为户主本人居住房屋。
11.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述存在用电或用水数据的房屋需满足以下条件：14天内有5天以上且用量大于第三阈值。
12.在上述的基于ai算法的人房拓扑关系模型的构建方法中，所述用电或用水数据通过从目标城市的居民用电、用水信息库调用获取，所述人员户籍库通过从安防系统调用获取，所述社区实有人口信息库通过从社区管理平台调用获取。
13.与现有技术相比，本基于ai算法的人房拓扑关系模型构建方法具有以下优点：
14.1.以“小区”这个社会基本点出发，借助当前的大数据、云计算技术，通过模型计算ai智能推荐，逐步指导日常具体工作，破解小区管理上“繁、难、杂”的难点。
15.2.将“智安小区”数据和居民用电、用水数据的结合应用，更能动态地反映居民房屋的实际生活状态，通过以房管人，能使推出结果更真实、准确。
16.3.现阶段，随着“智安小区”的推广建设，本模型是针对“智安小区”已有数据的智能化应用，建设成本低，较易于推广应用。
附图说明
17.图1是实施例的基于ai算法的人房拓扑关系模型构建流程图。
18.图2是实施例的实有人口库模型的示意图。
19.图3是实施例的人户分离房屋判断模型的示意图。
20.图4是实施例的出租房屋判断模型的示意图。
具体实施方式
21.以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
22.如图1所示，本基于ai算法的人房拓扑关系模型的构建方法具体实施如下：
23.s1、对进出“智安小区”门口的人员进行进出轨迹采集，该进出轨迹包括了人脸数据、车脸数据、mac数据和rfid数据，通过对七天时间内不少于5次的数据进行分析：将采集获得的人脸数据与从安全系统调用的人脸数据进行比对、将车脸数据和车辆信息库或者电动车登记库中的相关车脸信息进行匹配，再利用大数据分析进行id-mapping获得小区常住数据，即可得到小区的居住人员信息。
24.s2、判断未登记人员信息：将小区居住人员信息与社区实有人口信息库内的数据进行碰撞比对，判断出未登记的人员信息。其中社区实有人口信息库包括常住人口库和暂住人口库，通过调用社区管理平台获取。
25.s3、判断分析人房关联数据：包括对对小区房屋进行人户分离判断和出租房屋的判断。在此步骤中需调用目标城市的居民用电、用水信息库中该小区用户的用电用水情况，
以及从安防系统调用人员户籍库。具体分析判断过程如下：
26.人户分离房屋判断：将小区内存在用电或用水数据的房屋所对应户主的人员信息和人员户籍库中的户籍地址进行比对，判断该户居住的人员是否存在的人户分离的情况，当对比结果为户主的人员信息与户籍库中的户籍地址一致，则判断为人户一致；当对比结果为户主的人员信息与户籍库中的户籍地址不同，则判断为人在户不在；当对比结果为该房屋所对应户主在“智安小区”门口无进出轨迹，但户籍在，则判断为人不在户在。
27.出租房屋判断：小区内存在用电或用水数据的房屋所对应户的户主信息与“智安小区”门口的进出轨迹数据进行比对，若没有该户主的进出轨迹或者进出轨迹次数少于第二阈值，则判断为出租屋；反之，则判断该房屋为户主本人居住房屋。
28.s4、将上述步骤中的居住人员信息、未登记人员信息、人户分离房屋信息和出租房屋信息进行关联，通过采用交集、并集的复合研判运算及参数调教等技术，准确的辨别出人户分离房屋和出租房屋的信息；将人户分离房屋、出租房屋的信息智能化的推送给相关部门，以用于指导具体安防人员对小区开展基础管理工作。
29.如图2所示，实有人口信息库通过该实有人口模型设置。该模型的目的是统计出每个小区内的住户人数及每个人的个人信息，包括常住人口(业主)及暂住人口(租客)。
30.判断最近14天内的轨迹，如果有超过5天(含5天)的轨迹， (针对特别人群需要通过其他分析规则)则表示此人为该小区人员，写入实有人口库；通过其他社会数据(如水电煤、外卖、快递等)分析出房屋内无外出的实有人口信息和梳理。
31.结合实际情况，可以通过测温库、户籍库、常口、暂口库生成标准地址和实有房屋的信息；通过小区门口的视频采集设备采集进出的人员或者车辆的信息。
32.将采集到的人脸照片与小区人员基础表内的人脸进行1对n 匹配，匹配到相似度最高的那一份人员信息确认身份。如果小区人员基础表无法匹配到，则通过常口或暂口库里的人脸进行1对 n匹配，匹配到相似度最高的确认身份。对于车辆，先匹配小区人员基础表内的车牌信息，再对应到相关的人员确认身份；如果小区人员基础表无法匹配到，则匹配车牌库进行人员身份确认。
33.在计算时需排除老年人、幼儿等及少外出的人群信息，从而提高模型的计算精确性。此外在建立模型时需要将特殊人员，如物业人员、快递等标签的人员进行剔除，不算入小区实有人口。
34.本实施例中，实有人口库中的实有人口分析算法具体如下：
35.一、积分组成及占比设置
36.1、已登记积分(20％)
37.2、用电量积分(10％)
38.3、轨迹积分(70％)
39.二、积分规则
40.1、已登记积分：分析人员为在册已登记状态，则给予满分 (20)，未登记则0分
41.2、用电量积分：最近3个月(含本月)的平均用电量大于设定值(目前100)即满分(10)，未达到则0分
42.3、轨迹积分：轨迹积分需要考虑分析轨迹类型、出现次数及出行规律，综合计算得分。其中，出现次数满分30分，分析轨迹中含有人脸轨迹再额外增加30分，符合规律的再额
外增加40 分
43.3.1出现次数，包括每个星期几出现的次数和最近7天出现的天数。
44.3.1.1某1个星期几出现4次、某2个星期几出现3次，100％；
45.3.1.2某1个星期几出现3次、某2个星期几出现2次，60％；
46.3.1.3某1个星期几出现2次、某2个星期几出现1次，20％；
47.3.1.4其余情况为0；
48.3.1.5最近7天出现3天，100％；
49.3.1.6最近7天出现2天，60％；
50.3.1.7最近7天出现1天，20％；
51.3.1.8其余情况为0；
52.3.1.9取3.1.1-3.1.4计算出来的积分和3.1.5-3.1.8计算出来的积分两者的最大积分为出现次数积分。
53.3.2轨迹类型，最近一个月内分析轨迹类型包含人脸，则再 3.1的积分基础上再加30分。
54.3.3根据每个人24小时表，先分析早上6-9点，晚上16-19 点之间是否有出现次数，有的话这一天再记录为满足规律；如果最近30天里，满足10天，则增加40分；满足5天则增加20分，其余为0分。
55.在实际操作过程中，上述算法中的各数据可以根据每个小区的实际情况进行适应性调整，并不做限定。此外，还可以通过与人们生活息息相关的且能对应到人和住址的数据对上述算法进行进一步的完善，此类数据包括：1、小区卡口进出数据，包括人、车、物；2、生活缴费，如水电煤等；3、外卖、快递；4、就医数据；5、社保数据；6、教育；7、小区人员统计数据，如物业统计的居民信息、测温上传的数据；8、常口、暂口库；9、车辆库等等。
56.如图3所示，人户分离判断时需建立人户分离模型，针对该模型，具体说明如下：
57.对于小区采集到的人脸或者车辆信息，通过实有人口的模型确认此人员为该小区的住户。然后将此人员的小区住址与户籍库的地址进行比对，比对的结果如果一致表示此人为人户一致的情况；比对的结果如果不一致表示此人为人在户不在的情况；对于该小区户籍库上还未对比的，且没有采集到进出轨迹的人员则表示为人不在户在的情况。
58.如图4所示，出租房屋判断时通过建立出租房屋模型辨别，具体说明如下：提取小区的水电煤数据，分析有数据的房屋信息，判断在14天内有5天以上水电煤数据的，且用量大于设定的阈值的房屋信息；匹配此房屋的业主信息，并分析是否有业主的出入轨迹，如果无轨迹，则表示房屋为出租状态；如果有轨迹，查看轨迹的出现天数，在14天少于设定的阈值亦可表示房屋为出租状态。
59.本发明将“智安小区”采集的数据与安防大数据进行充分融合计算，将符合模型的人户分离信息、疑似出租房屋信息进行推出，指导具体的实有人口管理工作。在模型运行中，通过设置一定的筏值参数，结合弱人工干预和智能化调校，实现“机器换人”，逐步推进社区管理工作的创新。同时，通过模型推送结果与实际工作结合，不断磨合完善模型，提高模型推送信息的准确性和可靠性。
60.本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替
代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。