带的具有并开启了定位功能的终端设备，可以是智能手机、可穿 戴眼睛、智能手环、智能手表等等。用户终端的有效定位数据为能够唯一的体现终端的持有 者位置的定位数据，用户终端的有效定位数据中不包含错误以及重复的定位数据。
[0035] 接着，在步骤102中，基于上述有效定位数据确定预定区域的风险参数。
[0036] 在本实施例中，风险参数为将预定区域的人群的危险程度进行量化后的一个参 数，其大小能够体现了预定区域的人群的危险程度，一般来说，通常是风险参数越大，人群 的危险程度越高。预定区域的风险参数可以包括以下至少一项：该预定区域的总人数；该 预定区域中有效区域的人群密度；以及该预定区域的人群熵；其中，人群熵表征了人群移 动方向的混乱程度。
[0037] 需要说明的是，预定区域中有效区域为能够容纳人群的区域。例如，在某个公园 中，有一个很大的湖，还有很多绿化带，也包括很多道路，观赏平台等等。其中，湖和绿化带 的区域无法容纳人群，因此为非有效区域，而道路和观赏平台的区域可以容纳人群，因此为 有效区域。预定区域中有效区域的人群密度可由预定区域的总人数除以预定区域中有效区 域的面积而得到。
[0038] -般来说，除了人群总人数以及人群密度以外，人群的流动也是和人群风险相关 的一个重要因素。假设把人群作为一个流动的复杂系统，人群中的每个人作为运动的粒子， 可以用人群熵表征人群的稳定程度。具体来说，可以根据人群移动的方向分布来确定人群 熵，继而采用人群熵表征人群的混乱程度。通常地，人群熵的数值越大，表示人群流动的方 向越混乱，人群的风险也就越大。
[0039] 在本实施例中，可以基于包含当前时刻的一定时间段内预定区域中用户终端的有 效定位数据，确定当前时刻预定区域的实际风险参数。也可以根据当前时刻预定区域的实 际风险参数预测未来某个时刻预定区域的预估风险参数。可以理解，本申请对此方面不限 定。
[0040] 在本实施例中，可以采用预先训练好的预测模型预测未来某个时刻预定区域的预 估风险参数。例如，可以根据某段时间段预定区域的实际风险参数的历史记录，进行机器学 习，获得一个预测模型，基于当前时刻预定区域的实际风险参数，通过该预测模型可以预测 未来某个时刻预定区域的预估风险参数。
[0041] 继而，在步骤103中，判断风险参数是否满足预定的预警条件。
[0042] 在本实施例的一种实现中，满足预定的预警条件可以是预定个数/比例的风险参 数大于等于对应的预定阈值。例如，假设预定区域的风险参数包括：该预定区域的总人数； 该预定区域中有效区域的人群密度；以及该预定区域的人群熵。预先对每个风险参数设定 一个阈值，满足预定的预警条件可以是至少一个风险参数大于等于对应的预定阈值，也可 以是至少两个风险参数大于等于对应的预定阈值，还可以是全部风险参数大于等于对应的 预定阈值。
[0043] 又例如，假设预定区域的风险参数包括6个，预先对每个风险参数设定一个阈值， 满足预定的预警条件可以是至少50%的风险参数大于等于对应的预定阈值，也可以是至少 30%风险参数大于等于对应的预定阈值。
[0044] 在本实施例的另一种实现中，满足预定的预警条件可以是所有风险参数的加权和 大于等于预定阈值。例如，假设预定区域的风险参数包括：该预定区域的总人数；该预定区 域中有效区域的人群密度；以及该预定区域的人群熵。预先对每个风险参数设定一个权重 系数，对人群风险影响越大的参数，其权重系数可以设定的越大。
[0045] 可以理解，预定的预警条件还可以是其它的条件，本申请对预定的预警条件的具 体内容不限定。
[0046] 最后，在步骤104中，如果风险参数满足预定的预警条件，针对预定区域进行预 警。
[0047] 在本实施例中，预警可以有多种形式，可以是向工作人员推送预警信息，也可以是 发出声音形式的警报，还可以是以预定的形式标识上述预定区域（如，在地图上高亮显示 上述预定区域等等），可以理解，还可以有其它预警的形式，本申请对预警的具体形式不限 定。
[0048] 本申请的上述实施例提供的用于人群风险预警的方法，通过基于预定区域中用户 终端的有效定位数据确定对应的风险参数，并在该风险参数满足预定的预警条件时，针对 该预定区域进行预警。解决了现有技术中人群风险预警的准确度低的问题，提高了人群风 险预警的效率。
[0049] 进一步参考图2,其示出了基于有效定位数据确定预定区域的总人数的方法的一 个实施例的流程200。
[0050] 如图2所示，在步骤201中，基于有效定位数据确定预定区域中用户终端的个数。
[0051] 在本实施例中，因为用户终端的有效定位数据为能够唯一的体现终端的持有者位 置的定位数据，因此，可以根据有效定位数据确定预定区域中用户终端的个数。
[0052] 接着，在步骤202中，获取上述预定区域对应的校正系数。
[0053] -般来说，并不是每个人都随身携带具有并开启了定位功能的终端，但在一定时 期的一定区域内，携带上述终端的人的数量占人群总人数的比例应该接近恒定。
[0054] 在本实施例中，可以通过对一定时期的一定区域内人群总人数的真实数据（如官 方的统计数据、景区的门票数据、地铁公交的售票数据等）以及对应的时期和区域内的用 户终端的定位数据，考察携带上述终端的人的数量占人群总人数的比例。将该比例值的倒 数作为上述预定区域对应的校正系数。
[0055] 最后，在步骤203中，将预定区域中用户终端的个数与预定区域对应的校正参数 的乘积确定为预定区域的总人数。
[0056] 进一步参考图3,其示出了根据本申请的基于有效定位数据确定预定区域人群熵 的方法的一个实施例的流程300。
[0057] 如图3所示，在步骤301中，基于有效定位数据确定每个用户终端在预定时间段内 的位移方向向量。
[0058] 在本实施例中，将人群作为一个流动的复杂系统，人群中的每个人作为运动的粒 子，可以用人群熵表征人群的稳定程度。具体来说，可以根据人群移动的方向分布来确定人 群熵，继而采用人群熵表征人群的混乱程度。通常地，人群熵的数值越大，表示人群流动的 方向越混乱，人群的风险也就越大。
[0059] 具体来说，首先要根据有效定位数据确定每个用户终端在一定时间段内的定位轨 迹，然后根据每个用户终端的定位轨迹确定该用户终端在预定时间段内的位移方向向量 V.。'
[0060] 接着，在步骤302中，基于上述位移方向向量确定对应的位移方向角。
[0061] 在本实施例中，基于上述位移方向向量确定对应的位移方向角，如以下公式： a=actan2v，其中，α表不位移方向角，V:,表不位移方向向量。
[0062] 继而，在步骤303中，统计上述位移方向角在不同角度范围内的概率分布。
[0063] 在本实施例中，将2 π等分成若干个角度范围，统计上述位移方向角在不同角度 范围内的概率分布情况。用P1表示上述位移方向角在第i个角度范围内的概率。
[0064] 最后，在步骤304中，基于上述概率分布确定该预定区域的人群熵。
[0065] 在本实施例中，计算该预定区域的人群熵，如以下公式：
[0066] crowd entropy = - Σρ? Iogpi
[0067] 其中，crowd entropy表示该预定区域的人群熵，Pi表示上述位移