客流状态的获取方法、装置及鱼眼摄像头与流程

1.本技术涉及计算机视觉技术领域，尤其涉及一种客流状态的获取方法、装置及鱼眼摄像头。


背景技术：

2.随着公共活动越来越多，需要在轨道交通、医院、商场、机场等公共场所参与的各种公共活动也越来越多。公共场所一般客流量有变化，在有些时段局部客流量增多，容易造成拥堵，严重时，可能引发踩踏事件，因此保持适当的社交距离、候车距离、排队距离是基本需要。因此，在公共场所，实时监控场景内的人员拥挤程度，对环境拥堵风险、维护社交秩序，具有重要意义。
3.现有公共场所中大多装有枪机、球机或半球摄像头作为监控设备，对公共区域进行管理和监控，前述几类摄像头有长焦距、短焦距或变焦摄像头之分，但视场角往往小于140
°
，覆盖范围不够全面。此外，对于拥挤程度的分析，大多靠人工判断，由导流员对拥挤人流的疏导。现有技术中摄像头覆盖范围不足，若需全覆盖，则需增加安装点位，增加成本；人工排查、疏导增加运营成本。


技术实现要素：

4.有鉴于此，本公开实施例提供一种客流状态的获取方法、装置及鱼眼摄像头，以解决现有技术中存在的问题。
5.第一方面，本公开实施例提供了一种客流状态的获取方法，应用于鱼眼摄像头，包括：
6.通过鱼眼摄像头采集公共场所的视频信息；
7.根据所述视频信息确定用于输入深度神经网络模型的多帧图像；
8.通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；
9.根据所述局部热力值确定公共场所的当前客流状态。
10.可选的，所述根据所述视频信息确定用于输入深度神经网络模型的多帧图像，包括：
11.获取公共场所的上一时刻客流状态；
12.根据所述上一时刻客流状态确定图像采集帧率；
13.按照所述图像采集帧率从所述视频信息确定对应的多帧图像。
14.可选的，所述方法还包括：
15.判断所述当前客流状态是否处于拥挤状态；
16.若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。
17.可选的，所述方法还包括：
18.对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；
19.对拍摄的无人场景底图张贴人员图像，得到第二训练数据；
20.根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。
21.第二方面，本公开实施例提供了一种客流状态的获取装置，应用于鱼眼摄像头，包括：
22.采集模块，用于通过鱼眼摄像头采集公共场所的视频信息；
23.第一确定模块，用于根据所述视频信息确定用于输入深度神经网络模型的多帧图像；
24.分析模块，用于通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；
25.第二确定模块，用于根据所述局部热力值确定公共场所的当前客流状态。
26.可选的，所述第一确定模块包括：
27.获取子模块，用于获取公共场所的上一时刻客流状态；
28.第一确定子模块，用于根据所述上一时刻客流状态确定图像采集帧率；
29.第二确定子模块，用于按照所述图像采集帧率从所述视频信息确定对应的多帧图像。
30.可选的，所述装置还包括：
31.判断模块，用于判断所述当前客流状态是否处于拥挤状态；
32.若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。
33.可选的，所述装置还包括：
34.训练模块，用于对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；
35.对拍摄的无人场景底图张贴人员图像，得到第二训练数据；
36.根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。
37.第三方面，本公开实施例还提供了一种鱼眼摄像头，该鱼眼摄像头包括：
38.至少一个处理器；以及，
39.与该至少一个处理器通信连接的存储器；其中，
40.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的客流状态的获取方法。
41.第四方面，本公开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存储计算机程序，该计算机程序用于使该计算机执行前述第一方面或第一方面的任一实现方式中的客流状态的获取方法。
42.第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的客流状态的
获取方法。
43.本公开实施例中的客流状态的获取方法、装置及鱼眼摄像头，通过鱼眼摄像头采集公共场所的视频信息；根据所述视频信息确定用于输入深度神经网络模型的多帧图像；通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；根据所述局部热力值确定公共场所的当前客流状态。通过本公开的方案，使用鱼眼摄像头采集视频信息，并通过鱼眼摄像头集成的深度神经网络模型对视频信息进行热力图预测分析，从而得到公共场所的局部热力值，进一步基于局部热力值确定当前客流状态，提高摄像头覆盖范围，降低成本，自动报告客流拥挤状态，提高对突发事件做预警处理效率。
附图说明
44.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
45.图1为本发明实施例提供的客流状态的获取方法的一流程示意图；
46.图2为本发明实施例提供的客流状态的获取方法中步骤s102的一流程示意图；
47.图3为本发明实施例提供的客流状态的获取装置的一结构示意图；
48.图4为本发明实施例提供的客流状态的获取装置的另一结构示意图；
49.图5为本发明实施例提供的客流状态的获取装置的另一结构示意图；
50.图6为本发明实施例提供的客流状态的获取装置的另一结构示意图。
具体实施方式
51.下面结合附图对本技术实施例进行详细描述。
52.以下通过特定的具体实例说明本技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本技术的其他优点与功效。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。本技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本技术，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
54.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本技术的基本构想，图式中仅显示与本技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可
能更为复杂。
55.另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
56.本技术实施例提供一种客流状态的获取方法。
57.参见图1，本公开实施例提供的一种客流状态的获取方法，应用于鱼眼摄像头，包括：
58.步骤s101，通过鱼眼摄像头采集公共场所的视频信息。
59.在本实施例中，通过鱼眼摄像头对公共场所进行全方位、无死角监控，获取覆盖面比较完整的视频信息。这样，可以提高公共场所监控的视频信息的完整度。
60.步骤s102，根据所述视频信息确定用于输入深度神经网络模型的多帧图像。
61.在本实施例中，鱼眼摄像头集成配置有深度神经网络模型的芯片，通过深度神经网络模型接收视频信息中的多帧图像，对多帧图像进行分析，进而确定公共场所的图像中客流人数。
62.在本实施例中，请参阅图2，步骤s102可以包括以下步骤：
63.步骤s1021，获取公共场所的上一时刻客流状态。
64.步骤s1022，根据所述上一时刻客流状态确定图像采集帧率。
65.步骤s1023，按照所述图像采集帧率从所述视频信息确定对应的多帧图像。
66.在本实施例中，鱼眼摄像头实时判断公共场所的视频信息的人员人数、热力图和拥挤程度。由于视频信息的图像中的人员人数往往有从稀疏到拥挤的过程，或者从拥挤到稀疏的过程，可以提供一套降功耗逻辑，即送往深度神经网络模型的采集帧率，随人员人数的增加而增加，随人员人数的减少而减少。可以理解的是，当图像中没有人或人数很少时，降低送往深度神经网络模型的帧率；当画面中的人数较多，提高送往深度神经网络模型的帧率。这样可以降低设备计算资源的消耗，延长设备的寿命。
67.在本实施例中，客流状态的获取方法还可以包括以下步骤：
68.对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；
69.对拍摄的无人场景底图张贴人员图像，得到第二训练数据；
70.根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。
71.在本实施例中，使用大量鱼眼摄像头拍摄的图像作为原始图像数据，对原始图像数据中的人员头肩部位进行标注，得到第一训练数据，同时使用无人场景作为底图，在底图上张贴人员图像，得到第二训练数据，第一训练数据及第二训练数据可以丰富训练数据，得到深度学习训练数据和测试数据，结合第一训练数据及第二训练数据进热力图预测分析，设计热力图分析损失(loss)函数，对原始深度神经网络模型进训练，对训好的深度神经网络模型做批量测试，选出测试集上的最优模型作为深度神经网络模型。
72.这样，可以通过预先对深度神经网络模型进行训练，得到深度神经网络模型，提高后续基于深度神经网络模型进行热力图预测分析的准确度。
73.步骤s103，通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值。
74.在本实施例中，鱼眼摄像头通过使用深度神经网络模型对采集到的多帧图像做预
处理和热力图分析，分析客流热力分布及客流拥挤程度，得到当前图像中客流热力图。其中，深度神经网络模型可以集成对应得到计算机视觉算法，通过计算机视觉算法获取图像对应的热力图。
75.步骤s104，根据所述局部热力值确定公共场所的当前客流状态。
76.在本实施例中，客流状态可以包括拥挤状态、稀疏状态、无人状态。拥挤状态、稀疏状态、无人状态可以分别设置对应的热力值范围，例如，可以设置拥挤热力值范围、稀疏热力值范围及无人热力值范围。若局部热力值属于拥挤热力值范围，则确定当前客流状态为拥挤状态。若局部热力值属于稀疏热力值范围，则确定当前客流状态为稀疏状态。若局部热力值属于无人热力值范围，则确定当前客流状态为无人状态。
77.在本实施例中，客流状态的获取方法还可以包括以下步骤：
78.判断所述当前客流状态是否处于拥挤状态；
79.若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。
80.在本实施例中，判断局部热力值是否超过预设阈值，若局部热力值超过预设阈值，则触发拥挤程度过高告警。同时将抓拍图像发送给监控管理平台，辅助管理人员进行客流疏导。补充说明的是，监控管理平台可以为后端服务器。当触发拥挤程度过高告警，鱼眼摄像头向后端服务器发送拥挤预警信息和当前画面抓拍图像。还可以支持去除重复告警事件的处理，避免同一拥挤事件连续上报。工作人员查看后端服务器的拥挤预警信息，对预警事件进行处理，处理完成后，点击处理完成按钮，并将该指令发送给鱼眼摄像头，使其重新具备告警功能。
81.本公开实施例中的客流状态的获取方法，通过鱼眼摄像头采集公共场所的视频信息；根据所述视频信息确定用于输入深度神经网络模型的多帧图像；通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；根据所述局部热力值确定公共场所的当前客流状态。通过本公开的方案，使用鱼眼摄像头采集视频信息，并通过鱼眼摄像头集成的深度神经网络模型对视频信息进行热力图预测分析，从而得到公共场所的局部热力值，进一步基于局部热力值确定当前客流状态，提高摄像头覆盖范围，降低成本，自动报告客流拥挤状态，提高对突发事件做预警处理效率。
82.与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种客流状态的获取装置300，包括：
83.采集模块301，用于通过鱼眼摄像头采集公共场所的视频信息；
84.第一确定模块302，用于根据所述视频信息确定用于输入深度神经网络模型的多帧图像；
85.分析模块303，用于通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；
86.第二确定模块304，用于根据所述局部热力值确定公共场所的当前客流状态。
87.在本实施例中，参见图4，第一确定模块302包括：
88.获取子模块3021，用于获取公共场所的上一时刻客流状态；
89.第一确定子模块3022，用于根据所述上一时刻客流状态确定图像采集帧率；
90.第二确定子模块3023，用于按照所述图像采集帧率从所述视频信息确定对应的多
帧图像。
91.在本实施例中，参见图5，客流状态的获取装置300还包括：
92.判断模块305，用于判断所述当前客流状态是否处于拥挤状态；
93.若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。
94.在本实施例中，参见图6，客流状态的获取装置300还包括：
95.训练模块306，用于对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；
96.对拍摄的无人场景底图张贴人员图像，得到第二训练数据；
97.根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。
98.本实施例提供的客流状态的获取装置300可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
99.本实施例提供的客流状态的获取装置，通过鱼眼摄像头采集公共场所的视频信息；根据所述视频信息确定用于输入深度神经网络模型的多帧图像；通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；根据所述局部热力值确定公共场所的当前客流状态。通过本公开的方案，鱼眼摄像头采集视频信息，并通过鱼眼摄像头集成的深度神经网络模型对视频信息进行热力图预测分析，从而得到公共场所的局部热力值，进一步基于局部热力值确定当前客流状态，提高摄像头覆盖范围，降低成本，自动报告客流拥挤状态，提高对突发事件做预警处理效率。
100.本实施例还提供一种鱼眼摄像头，该鱼眼摄像头包括：
101.至少一个处理器；以及，
102.与该至少一个处理器通信连接的存储器；其中，
103.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的客流状态的获取方法。
104.本公开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存储有计算机程序，该计算机程序用于使该计算机执行前述方法实施例中的客流状态的获取方法。
105.本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的客流状态的获取方法。
106.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以从网络上被下载和安装，或者从存储装置中被安装，或者从只读存储器被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
107.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不
限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
108.上述计算机可读介质可以是上述鱼眼摄像头中所包含的；也可以是单独存在，而未装配入该鱼眼摄像头中。
109.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该鱼眼摄像头的处理器执行时，使得该鱼眼摄像头实现上述的客流状态的获取方法。
110.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
111.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机程序的组合来实现。
112.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
113.应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
114.以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应
涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种客流状态的获取方法，其特征在于，应用于鱼眼摄像头，所述方法包括：通过鱼眼摄像头采集公共场所的视频信息；根据所述视频信息确定用于输入深度神经网络模型的多帧图像；通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；根据所述局部热力值确定公共场所的当前客流状态。2.根据权利要求1所述的客流状态的获取方法，其特征在于，所述根据所述视频信息确定用于输入深度神经网络模型的多帧图像，包括：获取公共场所的上一时刻客流状态；根据所述上一时刻客流状态确定图像采集帧率；按照所述图像采集帧率从所述视频信息确定对应的多帧图像。3.根据权利要求1所述的客流状态的获取方法，其特征在于，所述方法还包括：判断所述当前客流状态是否处于拥挤状态；若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。4.根据权利要求1所述的客流状态的获取方法，其特征在于，所述方法还包括：对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；对拍摄的无人场景底图张贴人员图像，得到第二训练数据；根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。5.一种客流状态的获取装置，其特征在于，所述装置包括：采集模块，用于通过鱼眼摄像头采集公共场所的视频信息；第一确定模块，用于根据所述视频信息确定用于输入深度神经网络模型的多帧图像；分析模块，用于通过所述深度学习神经网络对多帧所述图像进行热力图预测分析，以确定局部热力值；第二确定模块，用于根据所述局部热力值确定公共场所的当前客流状态。6.根据权利要求5所述的客流状态的获取装置，其特征在于，所述第一确定模块包括：获取子模块，用于获取公共场所的上一时刻客流状态；第一确定子模块，用于根据所述上一时刻客流状态确定图像采集帧率；第二确定子模块，用于按照所述图像采集帧率从所述视频信息确定对应的多帧图像。7.根据权利要求5所述的客流状态的获取装置，其特征在于，所述装置还包括：判断模块，用于判断所述当前客流状态是否处于拥挤状态；若是，则获取公共场所的当前图像，向服务端发送所述当前图像及所述拥挤预警信息。8.根据权利要求5所述的客流状态的获取装置，其特征在于，所述装置还包括：训练模块，用于对鱼眼摄像头采集的原始图像数据进行人体部位标注，得到第一训练数据；对拍摄的无人场景底图张贴人员图像，得到第二训练数据；根据所述第一训练数据及第二训练数据对初始深度学习神经网络进行训练，得到所述深度学习神经网络。9.一种鱼眼摄像头，其特征在于，所述鱼眼摄像头包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述利要求1-4中任一项所述的客流状态的获取方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至4中任一项所述的客流状态的获取方法。

技术总结
本申请实施例中提供了一种客流状态的获取方法、装置及鱼眼摄像头，具体包括：通过鱼眼摄像头采集公共场所的视频信息；根据视频信息确定用于输入深度神经网络模型的多帧图像；通过深度学习神经网络对多帧图像进行热力图预测分析，以确定局部热力值；根据局部热力值确定公共场所的当前客流状态。通过本公开的方案，使用鱼眼摄像头采集视频信息，并通过鱼眼摄像头集成的深度神经网络模型对视频信息进行热力图预测分析，从而得到公共场所的局部热力值，进一步基于局部热力值确定当前客流状态，提高摄像头覆盖范围，降低成本，自动报告客流拥挤状态，提高对突发事件做预警处理效率。提高对突发事件做预警处理效率。提高对突发事件做预警处理效率。


技术研发人员：于增 石旭 孙方 宋继峰 李辉 张京晶 吕晓丰 张戍新 姚世严 朱广佳 李沙
受保护的技术使用者：北京市基础设施投资有限公司（原北京地铁集团有限责任公司） 北京轨道交通路网管理有限公司
技术研发日：2021.11.29
技术公布日：2022/3/8