CN109636155A - 一种强制隔离戒毒人员危险性倾向的智能预警方法 - Google Patents
一种强制隔离戒毒人员危险性倾向的智能预警方法 Download PDFInfo
- Publication number
- CN109636155A CN109636155A CN201811455074.9A CN201811455074A CN109636155A CN 109636155 A CN109636155 A CN 109636155A CN 201811455074 A CN201811455074 A CN 201811455074A CN 109636155 A CN109636155 A CN 109636155A
- Authority
- CN
- China
- Prior art keywords
- tendency
- drug
- person
- semi
- danger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001568 sexual effect Effects 0.000 title abstract 6
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 239000003814 drug Substances 0.000 claims description 88
- 229940079593 drug Drugs 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 62
- 238000002955 isolation Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 27
- 206010013663 drug dependence Diseases 0.000 claims description 20
- 208000011117 substance-related disease Diseases 0.000 claims description 20
- 239000003550 marker Substances 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 6
- 206010010144 Completed suicide Diseases 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000003542 behavioural effect Effects 0.000 abstract 2
- 230000003533 narcotic effect Effects 0.000 abstract 2
- 230000006399 behavior Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000007271 Substance Withdrawal Syndrome Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种强制隔离戒毒人员危险性倾向的智能预警方法，主要是获取戒毒所的各个业务系统和安防系统大量的强制隔离戒毒人员数据，利用一种拉普拉斯支持向量机的半监督分类算法进行数学建模，自动分析强制隔离戒毒人员的行为特征，有效地判断出强制隔离戒毒人员是否有危险性倾向，并判断出有危险性倾向的强制隔离戒毒人员的危险性倾向类型。本发明充分利用了戒毒所现有的业务系统和安防系统中大量数据，成本小，可行性强，并对强制隔离戒毒人员危险性倾向进行分析判别并预警；用相对较少量样本数据训练出高精度的模型，自动预测出强制隔离戒毒人员的潜在行为特征，且误判造成的影响小，解决了小样本下的机器学习问题。
Description
技术领域
本发明涉及计算机智能信息处理中的大数据处理技术，尤其是一种强制隔离戒毒人员危险性倾向的智能预警方法。
背景技术
随着戒毒信息化的发展，各个戒毒所均建设了戒毒业务系统和戒毒安防系统。其中，业务系统包括：执法管理系统、安防管理系统、探访管理系统、医疗管理系统、亲情电话系统、一卡通系统、心理咨询系统、诊断评估系统、教育矫治系统、体能训练系统、劳动康复系统等；安防系统包括：安防综合管理平台、视频监控系统、报警系统、门禁系统、巡更系统、广播对讲系统、周界防范系统、安全检查系统、智能管控系统、移动执法系统等。这些系统的建设为戒毒戒情的收集、分析和研判提供了大量的基础性数据。
在戒毒戒情分析过程中，对强制隔离戒毒人员可能发生的危险性行为进行分析预警是一项特别重要的任务。但是，由于目前没有一种有效预警方法，导致了上述的各系统产生的大量数据基本被空置，没有被合理的挖掘分析以利用其潜在的价值。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种强制隔离戒毒人员危险性倾向的智能预警方法，主要是获取戒毒所的各个业务系统和安防系统大量的强制隔离戒毒人员数据，利用一种拉普拉斯支持向量机的半监督分类算法进行数学建模，自动分析强制隔离戒毒人员的行为特征，有效地判断出强制隔离戒毒人员是否有危险性倾向，并判断出有危险性倾向的强制隔离戒毒人员的危险性倾向类型。
为实现上述目的，本发明采用以下技术方案，包括：
一种强制隔离戒毒人员危险性倾向的智能预警方法，包括以下具体步骤：
S1，从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据，并将强制隔离戒毒人员的数据传入数据中心；
S2，对获取到的强制隔离戒毒人员的数据进行分类存储，将强制隔离戒毒人员的数据分为五类，依次为戒毒所环境、个人状况、戒务情况、外部因素、异常信息；
S3，分别对强制隔离戒毒人员的五类数据进行特征提取，分别提取出用于分析强制隔离戒毒人员的危险性倾向的五类基础特征；
S4，分别对五类基础特征进行特征向量化即数值化预处理，使每个强制隔离戒毒人员均得到一个特征向量；
S5，对已知的有或没有危险性倾向的强制隔离戒毒人员进行标记，即在已知的有或没有危险性倾向的强制隔离戒毒人员的特征向量中增加一个标记位Y，得到已知的有或没有危险性倾向的强制隔离戒毒人员的被标记后的特征向量即为被标记的特征向量；其中，
已知的有危险性倾向的强制隔离戒毒人员的特征向量中的标记位Y＝1,2…N，且标记位Y的取值从1开始到N结束分别表示不同的危险倾向类型；N表示危险倾向的总类型数；
已知的没有危险倾向的强制隔离戒毒人员的特征向量中的标记位Y＝-1；
S6，根据被标记的特征向量生成危险倾向判别模型，利用该危险倾向判别模型对未被标记的特征向量即未知的是否有危险性倾向的强制隔离戒毒人员的特征向量进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型。
根据预测结果，对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
所述危险倾向判别模型的目标函数为：
其中，f(xi)表示第i个样本即第i个被标记的特征向量；
yi表示第i个样本的标记位Y的取值；
m表示标识样本的总数量即被标记的特征向量的总数量；
f表示预测函数；
表示在再生核希尔伯特空间RKHS中定义的环境范数；
Hk表示与核函数相关的RKHS；
参数rA表示权重，用于控制在RKHS中的复杂性；
是流形正则项，用于保持样本分布的内在流形结构；
参数rI表示低维流形中函数的权重，用于控制内在几何结构函数的复杂性。
步骤S6中，包括以下具体步骤：
S61，根据危险倾向总类型数N，构建N个半监督分类器，且每个半监督分类器均为二分类模型结构；所述二分类模型结构是将N个危险倾向类型中的属于同一个危险倾向类型的强制隔离戒毒人员的特征向量作为二分类中的第一类，并将其余的N-1个危险倾向类型的特征向量作为二分类中的第二类；且N个半监督分类器即N个二分类模型结构中的第一类分别对应N个不同的危险倾向类型，即每个半监督分类器分别对应为一个危险倾向类型；
S62，将某个未标记的特征向量分别输入到N个半监督分类器中，分别得到N个半监督分类器的预测函数f1、f2、…fN；
所述半监督分类器的工作方式为：根据危险倾向判别模型的目标函数，并通过数值优化方法对未标记的特征向量进行预测，生成半监督分类器的预测函数；
若半监督分类器的预测函数的结果为1，则该未标记的特征向量属于该半监督分类器所对应为危险倾向类型，若该半监督分类器的预测函数的结果为-1，则该未标记的特征向量不属于该半监督分类器所对应为危险倾向类型；
S63，根据N个半监督分类器的预测函数f1、f2、…fN的结果，得到该未标记的特征向量所对应的强制隔离戒毒人员的预测结果；其中，
若N个半监督分类器的预测函数的结果均为-1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为没有危险性倾向；
若仅存在一个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且危险性类型为该半监督分类器所对应为危险倾向类型；
若存在多个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且该强制隔离戒毒人员的危险倾向类型存在多个，分别预测函数的结果为1的该多个半监督分类器所对应为危险倾向类型。
所述半监督分类器为基于拉普拉斯支持向量机的半监督分类器或基于正则化逻辑回归的多类半监督分类器。
步骤S5中，所述危险倾向的总类型数N＝4；其中，N＝1表示危险倾向类别为自杀，N＝2表示危险倾向类别为逃脱，N＝3表示危险倾向类别为施暴，N＝4表示危险倾向类别为破环。
本发明还提供一种强制隔离戒毒人员危险性倾向的智能预警系统，其特征在于，包括如下组成部分：数据采集单元、数据中心、数据处理单元、预警处理单元；其中，
所述数据采集单元从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据；所述数据采集单元与所述数据中心相连接，将强制隔离戒毒人员的数据传入数据中心；
所述数据中心与所述数据处理单元相连接，对获取到的强制隔离戒毒人员的数据进行分类存储；
所述数据处理单元根据强制隔离戒毒人员的数据进行数据处理并生成危险倾向判别模型，并利用该危险倾向判别模型对未知的是否有危险性倾向的强制隔离戒毒人员进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型；
所述数据处理单元与所述预警处理单元相连接，将被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型发送至所述预警处理单元；
所述预警处理单元对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
本发明的优点在于：
(1)本发明充分利用了戒毒所现有的业务系统和安防系统中大量数据，对强制隔离戒毒人员危险性倾向进行分析判别并预警。
(2)本发明能够用相对较少量样本数据训练出高精度的模型，自动预测出强制隔离戒毒人员的潜在行为特征，且误判造成的影响小，解决了小样本下的机器学习问题。
(3)本发明充分利用了戒毒所现有系统中的大量数据，成本小，可行性强。
(4)本发明的泛化能力强，具有较低的时间复杂度。
附图说明
图1为本发明的一种强制隔离戒毒人员危险性倾向的智能预警系统的系统架构图。
图2为本发明的一种强制隔离戒毒人员危险性倾向的智能预警方法的方法流程图。
图3为本发明的强制隔离戒毒人员危险性倾向的预测方法的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由图1所示，一种强制隔离戒毒人员危险性倾向的智能预警系统，其特征在于，包括如下组成部分：数据采集单元1、数据中心2、数据处理单元3、预警处理单元4；其中，
所述数据采集单元1从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据；所述数据采集单元1与所述数据中心2相连接，将强制隔离戒毒人员的数据传入数据中心；所述业务系统包括：执法管理系统、安防管理系统、探访管理系统、医疗管理系统、亲情电话系统、一卡通系统、心理咨询系统、诊断评估系统、教育矫治系统、体能训练系统、劳动康复系统等；所述安防系统包括：安防综合管理平台、视频监控系统、报警系统、门禁系统、巡更系统、广播对讲系统、周界防范系统、安全检查系统、智能管控系统、移动执法系统等；
所述数据中心2与所述数据处理单元3相连接，对获取到的强制隔离戒毒人员的数据进行分类存储；
所述数据处理单元3根据强制隔离戒毒人员的数据进行数据处理并生成危险倾向判别模型，并利用该危险倾向判别模型对未知的是否有危险性倾向的强制隔离戒毒人员进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型；
所述数据处理单元3与所述预警处理单元4相连接，将被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型发送至所述预警处理单元4；
所述预警处理单元4对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
由图2所示，一种强制隔离戒毒人员危险性倾向的智能预警方法，包括以下具体步骤：
S1，从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据，并将强制隔离戒毒人员的数据传入数据中心；
S2，对获取到的强制隔离戒毒人员的数据进行分类存储，将强制隔离戒毒人员的数据分为五类，依次为戒毒所环境、个人状况、戒务情况、外部因素、异常信息；
S3，分别对强制隔离戒毒人员的五类数据进行特征提取，分别提取出用于分析强制隔离戒毒人员的危险性倾向的五类基础特征；
S4，分别对五类基础特征进行特征向量化即数值化预处理，使每个强制隔离戒毒人员均得到一个特征向量xi，且该特征向量xi中包括五类基础特征的数据；
其中，第i个强制隔离戒毒人员的特征向量表示为xi＝[x1,x2,x3…xd]，1≤i≤Z；戒毒所的强制隔离戒毒人员的总人数为Z，特征向量中的特征属性的总数量为d；
S5，对已知的有或没有危险性倾向的强制隔离戒毒人员进行标记，即在已知的有或没有危险性倾向的强制隔离戒毒人员的特征向量中增加一个标记位Y，得到已知的有或没有危险性倾向的强制隔离戒毒人员的被标记后的特征向量即为被标记的特征向量(xi,Y)；其中，
已知的有危险性倾向的强制隔离戒毒人员的特征向量中的标记位Y＝1,2…N，且标记位Y的取值从1开始到N结束分别表示不同的危险倾向类型；N表示危险倾向的总类型数；所述危险倾向的总类型数N＝4；
其中，Y＝1表示危险倾向类别为自杀，Y＝2表示危险倾向类别为逃脱，Y＝3表示危险倾向类别为施暴，Y＝4表示危险倾向类别为破环。
已知的没有危险倾向的强制隔离戒毒人员的特征向量中的标记位Y＝-1；
S6，根据被标记的特征向量生成危险倾向判别模型，利用该危险倾向判别模型对未被标记的特征向量即未知的是否有危险性倾向的强制隔离戒毒人员的特征向量进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型；
S7，根据预测结果，对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
由图3所示，步骤S6中，包括以下具体步骤：
S61，根据危险倾向总类型数N，N＝4，构建4个半监督分类器，且每个半监督分类器均为二分类模型结构；
所述半监督分类器为基于拉普拉斯支持向量机的半监督分类器或基于正则化逻辑回归的多类半监督分类器；本实施例中，采用基于拉普拉斯支持向量机的半监督分类器；
所述二分类模型结构是将4个危险倾向类型中的某一个危险倾向类型作为二分类中的第一类，并将其余的3个危险倾向类型作为二分类中的第二类；且4个半监督分类器即4个二分类模型结构中的第一类分别对应4个不同的危险倾向类型，即每个半监督分类器分别对应为一个危险倾向类型；
S62，将某个未标记的特征向量分别输入到4个半监督分类器中，分别得到4个半监督分类器的预测函数f1、f2、f3、f4；
若半监督分类器的预测函数的结果为1，则该未标记的特征向量属于该半监督分类器所对应为危险倾向类型，若该半监督分类器的预测函数的结果为-1，则该未标记的特征向量不属于该半监督分类器所对应为危险倾向类型；
所述半监督分类器的工作方式为：根据危险倾向判别模型的目标函数，并通过数值优化方法对未标记的特征向量进行预测，生成半监督分类器的预测函数；
其中，所述危险倾向判别模型的目标函数为：
其中，f(xi)表示第i个样本即第i个被标记的特征向量；
yi表示第i个样本xi的标记位Y的取值；
m表示标识样本的总数量即被标记的特征向量的总数量；
f表示预测函数；f＝[f(xi),xi∈S]T，在训练数据集合上应为n维列向量，S表示样本数量；
表示在再生核希尔伯特空间RKHS中定义的环境范数；
Hk表示与核函数相关的RKHS；
参数rA表示权重，用于控制在RKHS中的复杂性；
是流形正则项，用于保持样本分布的内在流形结构；
S63，根据N个半监督分类器的预测函数f1、f2、f3、f4的结果，得到该未标记的特征向量所对应的强制隔离戒毒人员的预测结果；其中，
若N个半监督分类器的预测函数的结果均为-1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为没有危险性倾向；
若仅存在一个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且危险性类型为该半监督分类器所对应为危险倾向类型；
若存在多个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且该强制隔离戒毒人员的危险倾向类型存在多个，分别预测函数的结果为1的该多个半监督分类器所对应为危险倾向类型。
本发明主要是获取戒毒所的各个业务系统和安防系统大量的强制隔离戒毒人员数据，利用一种拉普拉斯支持向量机的半监督分类算法进行数学建模，自动分析强制隔离戒毒人员的行为特征，有效地判断出强制隔离戒毒人员是否有危险性倾向，并判断出有危险性倾向的强制隔离戒毒人员的危险性倾向类型。
本发明充分利用了戒毒所现有的业务系统和安防系统中大量数据，成本小，可行性强，并对强制隔离戒毒人员危险性倾向进行分析判别并预警；本发明能够用相对较少量样本数据训练出高精度的模型，自动预测出强制隔离戒毒人员的潜在行为特征，且误判造成的影响小，解决了小样本下的机器学习问题；以及，本发明的泛化能力强，具有较低的时间复杂度。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。
Claims (7)
1.一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，包括以下具体步骤：
S1，从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据，并将强制隔离戒毒人员的数据传入数据中心；
S2，对获取到的强制隔离戒毒人员的数据进行分类存储，将强制隔离戒毒人员的数据分为五类，依次为戒毒所环境、个人状况、戒务情况、外部因素、异常信息；
S3，分别对强制隔离戒毒人员的五类数据进行特征提取，分别提取出用于分析强制隔离戒毒人员的危险性倾向的五类基础特征；
S4，分别对五类基础特征进行特征向量化即数值化预处理，使每个强制隔离戒毒人员均得到一个特征向量；
S5，对已知的有或没有危险性倾向的强制隔离戒毒人员进行标记，即在已知的有或没有危险性倾向的强制隔离戒毒人员的特征向量中增加一个标记位Y，得到已知的有或没有危险性倾向的强制隔离戒毒人员的被标记后的特征向量即为被标记的特征向量；其中，
已知的有危险性倾向的强制隔离戒毒人员的特征向量中的标记位Y＝1,2…N，且标记位Y的取值从1开始到N结束分别表示不同的危险倾向类型；N表示危险倾向的总类型数；
已知的没有危险倾向的强制隔离戒毒人员的特征向量中的标记位Y＝-1；
S6，根据被标记的特征向量生成危险倾向判别模型，利用该危险倾向判别模型对未被标记的特征向量即未知的是否有危险性倾向的强制隔离戒毒人员的特征向量进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型。
2.根据权利要求1所述的一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，根据预测结果，对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
3.根据权利要求1所述的一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，所述危险倾向判别模型的目标函数为：
其中，f(xi)表示第i个样本即第i个被标记的特征向量；
yi表示第i个样本的标记位Y的取值；
m表示标识样本的总数量即被标记的特征向量的总数量；
f表示预测函数；
表示在再生核希尔伯特空间RKHS中定义的环境范数；
Hk表示与核函数相关的RKHS；
参数rA表示权重，用于控制在RKHS中的复杂性；
是流形正则项，用于保持样本分布的内在流形结构；
参数rI表示低维流形中函数的权重，用于控制内在几何结构函数的复杂性。
4.根据权利要求3所述的一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，步骤S6中，包括以下具体步骤：
S61，根据危险倾向总类型数N，构建N个半监督分类器，且每个半监督分类器均为二分类模型结构；所述二分类模型结构是将N个危险倾向类型中的属于同一个危险倾向类型的强制隔离戒毒人员的特征向量作为二分类中的第一类，并将其余的N-1个危险倾向类型的特征向量作为二分类中的第二类；且N个半监督分类器即N个二分类模型结构中的第一类分别对应N个不同的危险倾向类型，即每个半监督分类器分别对应为一个危险倾向类型；
S62，将某个未标记的特征向量分别输入到N个半监督分类器中，分别得到N个半监督分类器的预测函数f1、f2、…fN；
所述半监督分类器的工作方式为：根据危险倾向判别模型的目标函数，并通过数值优化方法对未标记的特征向量进行预测，生成半监督分类器的预测函数；
若半监督分类器的预测函数的结果为1，则该未标记的特征向量属于该半监督分类器所对应为危险倾向类型，若该半监督分类器的预测函数的结果为-1，则该未标记的特征向量不属于该半监督分类器所对应为危险倾向类型；
S63，根据N个半监督分类器的预测函数f1、f2、…fN的结果，得到该未标记的特征向量所对应的强制隔离戒毒人员的预测结果；其中，
若N个半监督分类器的预测函数的结果均为-1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为没有危险性倾向；
若仅存在一个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且危险性类型为该半监督分类器所对应为危险倾向类型；
若存在多个半监督分类器的预测函数的结果为1，则该未标记的特征向量所对应的强制隔离戒毒人员的预测结果为有危险性倾向，且该强制隔离戒毒人员的危险倾向类型存在多个，分别预测函数的结果为1的该多个半监督分类器所对应为危险倾向类型。
5.根据权利要求4所述的一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，所述半监督分类器为基于拉普拉斯支持向量机的半监督分类器或基于正则化逻辑回归的多类半监督分类器。
6.根据权利要求1所述的一种强制隔离戒毒人员危险性倾向的智能预警方法，其特征在于，步骤S5中，所述危险倾向的总类型数N＝4；其中，N＝1表示危险倾向类别为自杀，N＝2表示危险倾向类别为逃脱，N＝3表示危险倾向类别为施暴，N＝4表示危险倾向类别为破环。
7.一种强制隔离戒毒人员危险性倾向的智能预警系统，其特征在于，包括如下组成部分：数据采集单元(1)、数据中心(2)、数据处理单元(3)、预警处理单元(4)；其中，
所述数据采集单元(1)从戒毒所的各个业务系统和安防系统中获取强制隔离戒毒人员的数据；所述数据采集单元(1)与所述数据中心(2)相连接，将强制隔离戒毒人员的数据传入数据中心；
所述数据中心(2)与所述数据处理单元(3)相连接，对获取到的强制隔离戒毒人员的数据进行分类存储；
所述数据处理单元(3)根据强制隔离戒毒人员的数据进行数据处理并生成危险倾向判别模型，并利用该危险倾向判别模型对未知的是否有危险性倾向的强制隔离戒毒人员进行预测，预测该强制隔离戒毒人员是否有危险性倾向，以及被预测为有危险性倾向时的危险倾向类型；
所述数据处理单元(3)与所述预警处理单元(4)相连接，将被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型发送至所述预警处理单元(4)；
所述预警处理单元(4)对被预测为有危险性倾向的强制隔离戒毒人员发送预警信号，并发送该被预测为有危险性倾向的强制隔离戒毒人员的危险倾向类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455074.9A CN109636155A (zh) | 2018-11-30 | 2018-11-30 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455074.9A CN109636155A (zh) | 2018-11-30 | 2018-11-30 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636155A true CN109636155A (zh) | 2019-04-16 |
Family
ID=66070172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811455074.9A Pending CN109636155A (zh) | 2018-11-30 | 2018-11-30 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636155A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143445A (zh) * | 2019-11-22 | 2020-05-12 | 安徽四创电子股份有限公司 | 一种基于大数据的戒毒场所安全态势分析方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090191513A1 (en) * | 2008-01-24 | 2009-07-30 | Nec Laboratories America, Inc. | Monitoring driving safety using semi-supervised sequential learning |
| US8527432B1 (en) * | 2008-08-08 | 2013-09-03 | The Research Foundation Of State University Of New York | Semi-supervised learning based on semiparametric regularization |
| CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
| CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
-
2018
- 2018-11-30 CN CN201811455074.9A patent/CN109636155A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090191513A1 (en) * | 2008-01-24 | 2009-07-30 | Nec Laboratories America, Inc. | Monitoring driving safety using semi-supervised sequential learning |
| US8527432B1 (en) * | 2008-08-08 | 2013-09-03 | The Research Foundation Of State University Of New York | Semi-supervised learning based on semiparametric regularization |
| CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
| CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143445A (zh) * | 2019-11-22 | 2020-05-12 | 安徽四创电子股份有限公司 | 一种基于大数据的戒毒场所安全态势分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
| CN104182805B (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
| CN103703487B (zh) | 信息识别方法以及系统 | |
| CN110298278A (zh) | 一种基于人工智能的地下停车库行人车辆监测方法 | |
| CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
| CN106874951B (zh) | 一种旅客关注度评级方法及装置 | |
| CN111476177B (zh) | 嫌疑人检测方法及装置 | |
| CN116308960A (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
| CN113239130A (zh) | 一种基于刑事司法文书的知识图谱的构建方法、装置和电子设备、存储介质 | |
| CN111582219B (zh) | 一种智能化宠物管理系统 | |
| WO2016057378A1 (en) | Event identification through analysis of social-media postings | |
| Marivate et al. | Catching crime: Detection of public safety incidents using social media | |
| CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
| CN116701866A (zh) | 一种基于物联网设备的园区事件联动处理方法 | |
| CN109636155A (zh) | 一种强制隔离戒毒人员危险性倾向的智能预警方法 | |
| CN113360305A (zh) | 计算机设备及其异常操作检测方法、装置、存储介质 | |
| CN117171512A (zh) | 恶意占座行为检测方法及装置、存储介质及电子设备 | |
| CA3069539C (en) | Role-based perception filter | |
| CN116186282A (zh) | 电力施工行为安全检测方法、装置及非易失性存储介质 | |
| CN111080005A (zh) | 一种基于支持向量机的治安风险预警方法及系统 | |
| CN116311036A (zh) | 行为识别方法、装置、计算机设备和存储介质 | |
| CN113919544A (zh) | 犯罪预警方法、装置、计算机设备及存储介质 | |
| CN109741580A (zh) | 一种多源预警信息集成共享方法及装置 | |
| Anwer et al. | Smart traffic incident reporting system in e-government | |
| CN113723811B (zh) | 基于机器学习的设备维保单位评估方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |