CN109858489A - 一种警情预警方法及设备 - Google Patents
一种警情预警方法及设备 Download PDFInfo
- Publication number
- CN109858489A CN109858489A CN201910035767.0A CN201910035767A CN109858489A CN 109858489 A CN109858489 A CN 109858489A CN 201910035767 A CN201910035767 A CN 201910035767A CN 109858489 A CN109858489 A CN 109858489A
- Authority
- CN
- China
- Prior art keywords
- early warning
- leaf node
- classification
- alert
- test sample
- 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
Landscapes
- Alarm Systems (AREA)
Abstract
本申请公开了一种警情预警方法及设备，用以实现对重点区域的智能预警，从而及时采取处理措施。本申请实施例提供的一种警情预警方法，包括：对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；根据所述预警类别进行预警。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种警情预警方法及设备。
背景技术
伴随公共安全视频监控系统建设的逐年加快，大大促进了公共安全行业发展趋势从事后打击到事前预防的迅速转变。即通过对重点目标的情报信息分析和过往警情分析，对可能犯罪的人员、车辆、可能发案的区域进行预警，及时进行管控，预防犯罪发生。
因此，如何通过智能管控手段，实现重点人员、车辆、场所智能布控，警情智能预警，从而节省警力，提高治安防控工作效能一直都是行业的研究重点。
发明内容
本申请实施例提供了一种警情预警方法及设备，用以实现对重点区域的智能预警，从而及时采取处理措施。
本申请实施例提供的一种警情预警方法，包括：
对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
根据所述预警类别进行预警。
通过该方法，对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；根据所述预警类别进行预警，从而实现对重点区域的智能预警，以及时采取处理措施。
可选地，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，具体包括：
将当前警情对应的测试样本中的警情信息，与预先基于历史警情训练样本生成的决策树中的叶子节点的警情信息进行匹配，确定所述测试样本所属的叶子节点。
可选地，不同的历史警情训练样本对应不同的决策树。
通过该方法，不同的历史警情训练样本对应不同的决策树，从而优化决策树规则集。
可选地，所述决策树中任一叶子节点对应至少一个预警类别，每一预警类别对应至少一个历史警情训练样本；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别，具体包括：
根据所述叶子节点对应的预警类别所对应的历史警情训练样本占比，确定所述测试样本的预警类别。
可选地，如果所述叶子节点只对应一个预警类别，则将该预警类别作为所述测试样本的预警类别。
可选地，如果所述叶子节点对应多个预警类别，则将所述叶子节点中对应的预警类别中，对应历史警情训练样本占比最大的预警类别作为所述测试样本的预警类别。
相应地，在设备侧，本申请实施例提供的一种警情预警设备，包括：
第一单元，用于对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
第二单元，用于根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
第三单元，用于根据所述预警类别进行预警。
可选地，所述第二单元具体用于：根据所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别，确定为所述测试样本的预警类别。
本申请实施例还提供一种警情预警设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述本申请实施例提供的任一种所述的方法。
本申请另一实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
图1为本申请实施例提供的智能预警模型示意图；
图2为本申请实施例提供的智能预警模型的主要架构示意图；
图3为本申请实施例提供的一种警情预警方法示意图；
图4为本申请实施例提供的一种警情预警设备示意图；
图5为本申请实施例还提供的一种警情预警设备示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
如图1所示，本申请实施例提供的智能预警模型总体包括：数据采集、数据预处理/过滤、数据分析、决策规则训练和处理。该模型通过对医院、学校等公共场所、重点区域安全风险因子(例如，安全风险因子包括人流量，车流量，声音分贝，高危车流，灯光、烟火等环境变化等等)的采集和监控，经过决策树机器学习算法分析，进行风险预测；进而参照预先设置好的预警触发规则，发出预警并执行既定应急措施。
如图2所示，为本申请实施例提供的智能预警模型的主要架构，以下是对该架构各个模块的具体介绍。
(一)数据采集
数据采集的主要功能是汇聚重点区域的实时信息，包括但不限于图像、视频和文字。例如：过车图像、人像图像、通用监控视频、过车视频、人像视频、WIFI探针和电子围栏文本数据。此外，存储原始数据以便后续举证、质证。
(二)数据预处理/过滤
数据预处理/过滤模块主要实现图像二次识别，例如去雾，去抖动，增强轮廓等。其中运用到以下四种算法技术：
(1)图像灰度化
实时性时图像识别技术的重要性能指标，而图像中包含的信息量是影响实时性的决定性因素。因此，为了提升算法的实时性，对采集到的RGB彩色图像进行简化处理，将R、G、B的取值都从0-255的任意值限定为某一确定值。同时，本模型中需要对大量数据进行处理，对算法的运算速度较为严苛，为了提高程序的运行速度，将传统的浮点运算转化成用右移代替除法的整数运算，综合考虑转化速度和保真度，以2n为权值的灰度化方程为：
(2)图像平滑处理
去除图像的各种噪声，可以改善图像质量，便于进行图像的特征抽取。本模型采用空间域法对图像进行平滑处理，该方法在去噪过程中不对图像的像素点做任何变换或映射处理，其定义公式如下：
g(x,y)＝P[f(x,y)]
其中，f(x,y)是输入图像的灰度值，g(x,y)是对应输出图像的灰度值，P为对图像的操作，具体为模板取3*3的中值滤波法(中值滤波指将每一个像素的灰度值设置为该点临近窗口内所有点灰度值的中值，3*3表示窗口大小)，采用非线性方法对图像进行增强处理。中值滤波法解决了图像处理后的模糊问题，且预算量相对较小，对硬件要求较低，定义公式如下：
f(x,y)＝median{Sf(x,y)}
其中，Sf(x,y)表示输入图像的灰度值。
(3)图像边缘检测
图像边缘是由特征不连续的分割点组成的线，是不同区域间的分割线，是图像分割的主要依据。本模型采用Sobel边缘检测算法抵抗噪声的干扰，平滑掉干扰信息。考虑到本模型的前端摄像头采集到的车牌、人像等呈现斜直性，在边缘方向角度可约为±45°，因此，本模型使用3*3图像模板的对角线Sobel算子进行边缘检测，算子如下所示：
算子
算子
微分后可得：
梯度向量G[f(x,y)]指向坐标(i，j)的最大变化方向，可通过Sobel算子得到：
G[f(x,y)]＝|ΔGi|+|ΔGj|
(4)图像阈值分割
图像阈值分割是通过设定一个阈值将灰度处理后的图像的像素点值置为0或255，呈现出显著的黑白对比效果，突显目标区域轮廓。其公式如下所示：
其中，f(x,y)为输入图像的灰度值，g(x,y)为对应输出图像的灰度值，表示将该点的灰度值置为0或255，T表示阈值，本模型图像阈值选取时，例如可以采用OTSU算法。
(三)数据分析
数据分析模块的主要功能是对预处理的文字、图像数据进行深度、广度、时空关联融合，将预处理数据处理和分析提升为可用信息，建立起支撑后续决策模块功能的原始数据仓库。数据分析模块采用的处理方法主要包括但不限于以下三种：
图片源：按照数据量和使用频度进行排序，位于前两位的图片源是过车卡口图片和人脸卡口图片，采用的分析手段主要是图片结构化和人脸识别。
视频源：来自于各种摄像机采集到的视频数据，按照建设者可分为视频专网(公安部门专门用来传输自己建设的点位视频的网络)视频数据和社会资源(厂商小区等社会大众建设的点位视频)视频数据，视频数据的分析处理主要是视频浓缩摘要，用于去除数据冗余；视频结构化，用于目标提取和检索。常用技术包括流式计算和增量处理。
文字源：目前用于防控行业的文字源前端设备主要有WIFI探针和电子围栏。但该类数据包括的种类最广，数据格式最多，涵盖了衣食住行各方面的数据，例如物流信息、住宿信息、航班列车信息、会员信息等。因此，文字源数据处理难度最大，该类数据处理分析方法复杂多样，但基础是语义分析。
该模块主要特征是需要大数据处理技术支撑(5V)，即数据量大，种类多，价值度低；但是处理速度要快，要真实可靠。实际应用中，前端采集数量非常大。例如，某地区的日过车图片约600万张，日增视频量约68TB。此外数据价值却异常分散，以视频数据为例，一个点位摄像头，一天约存储视频27GB，但经常没有任何破案线索。另外，该模块所涉及的算法复杂度较高，例如人脸识别、视频结构化等。经过该模块处理后从大量的数据中快速提取有价值的信息用于后续精密的决策。
(四)决策规则训练和处理
决策规则训练和处理模块采用决策树算法结构的分类回归树(classificationand regression tree，CART)算法，相对于其他决策树算法，CART分类树算法减少了大量的对数运算，而且为二叉树结构大大提升了运算效率，该算法的输入是历史警情训练集D(或者历史警情训练样本D)、基尼系数的阈值、样本个数阈值，输出是决策树T。决策树是一种树形结构，是一种常用的分类方法，是一种监管学习，是给定一堆样本，每个样本都有一组属性(例如警情信息)和一个类别(例如采取的应急措施)，这些类别是事先确定的，通过学习可以得到一个分类器(例如决策树T)，这个分类器可以对新出现的对象(例如新出现的警情信息)进行正确的分类(例如采取哪种应急措施)。决策树中的节点包括根节点、内部节点和叶子节点；根节点、内部节点表示某种特征(例如是否涉毒，也可以是其他特征，根据是否涉毒这个特征可将数据集划分为“是”和“否”两个子集)，叶子节点表示决策类别(例如，某叶子节点表示采取上访应急措施)。
该算法的主要步骤包括：
首先从根节点开始，用训练集递归的建立CART树。
(1)对于当前节点的训练数据集D，如果样本个数小于阈值或者没有特征，则返回决策子树，当前节点停止递归。
(2)计算训练数据集D的基尼系数，如果基尼系数小于阈值，则返回决策子树，当前节点停止递归。
(3)计算当前节点现有的各个特征的各个特征值对训练数据集D的基尼系数。
(4)根据步骤(3)计算出来的基尼系数中，选择基尼系数最小的特征(例如特征A)和对应的特征值(例如a)，作为最优特征和最优特征值；并根据最优特征和最优特征值把数据集划分为D1和D2两部分，同时建立当前节点的左右节点，左节点的数据集为D1，右节点的数据集为D2。
(5)对左右的子节点递归的调用步骤(1)～(4)，生成原始决策树T。
基尼系数的确定方法如下：
在分类问题中，假设给定的样本有K个类别，样本属于第k类的概率为Pk，则基尼系数的表达式为：
如果是二类分类问题(K＝2)，则假如属于第一个样本输出的概率为p，则基尼系数的表达式为：
Gini(p)＝2p(1-p)
对于给定的样本D(例如历史警情训练集D)，假设有K个类别(例如采取的应急措施有K类)，样本D中属于第k个类别的数量为Ck，则样本D的基尼系数表达式为：
特别的，对于样本D，如果根据特征A(例如警情训练集中的“涉众”这一特征)的某个值a(例如“是”或“否”)，把D分成D1(例如属于涉众的样本)和D2(例如不属于涉众的样本)两部分，则在特征A的条件下，D的基尼系数表达式为：
得到原始决策树T之后，接下来需要进行训练修剪得到最优子树。
CART分类树的剪枝算法包括：
输入是原始决策树T，输出是最优决策子树Ta。
(1)初始化amin＝∞，最优子树集合ω＝{T}；
(2)从叶子节点开始自下而上计算各内部节点t的训练误差损失函数Ca(Tt)；
(3)叶子节点数|Tt|，以及正则化阈值更新amin＝a；
(4)得到所有节点的a值的集合M；
(5)从M中选择最大的值ak，自上而下的访问子树的内部节点，如果时，进行剪枝，并决定叶子节点t的值。如果是分类树，则是概率最高的类别，如果是回归树，则是所有样本输出的均值。这样得到ak对应的最优子树Tk；
(6)最优子树集合ω＝ω∪Tk，M＝M-{ak}；
(7)如果M不为空，则返回到步骤(4)，否则，得到了所有的可选最优子树集合ω；
(8)采用交叉验证剪枝效果，在ω中选择最优子树Ta。
得到最优决策子树后可将最优子树作为决策树规则集，假如测试集里的样本A(样本A为进行数据分析后得到的有价值数据)落到了某个叶子节点，例如样本A的数据特征对应于从根节点到某个叶子节点所经历的路径(这条路径所表示的数据特征值)，而该叶子节点里有多个训练样本，而对于样本A的类别预测采用的是这个叶子节点中概率最大的类别(例如，该叶子节点中包括上访应急、围堵应急这两种类别，其中，属于上访应急的训练样本个数多于属于围堵应急的训练样本个数，则上访应急为概率最大的类别)，根据样本A的类别预测结果决定预警级别(包括高级、中级和低级)，并采取执行应急预案(包括上访应急、围堵应急等)、通知和记录这三种对应措施，其中，应急预案属于高级预警，通知属于中级预警，记录属于低级预警。
另外，该智能预警模型还包括系统通用功能，系统通用功能主要包括但不限于权限控制，操作日志，系统维护，网络配置，信息安全和数据存储。
参见图3，本申请实施例提供的一种警情预警方法，包括：
S101、对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
S102、根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
S103、根据所述预警类别进行预警。
例如，所述决策树是对基于历史警情训练样本生成的原始决策树进行剪枝之后，得到的最优决策子树，根据最优决策子树确定测试样本对应的叶子节点。
如果测试样本的数据特征对应于决策树中的从根节点到某个叶子节点所经历的路径(这条路径所表示的数据特征值)，则确定将该叶子节点的预警类别作为该测试样本的预警类别；例如，某测试样本从根节点到叶子节点所经历的路径包括：地点为政府，数量为10人，时间为工作时间，涉众，没有涉毒，及其他信息，则根据生成的决策树模型得到该条路径对应的叶子节点的预警类别为上访应急，则该测试样本的预警类别为上访应急。
可选地，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，具体包括：
将当前警情对应的测试样本中的警情信息，与预先基于历史警情训练样本生成的决策树中的叶子节点的警情信息进行匹配，确定所述测试样本所属的叶子节点。
可选地，不同的历史警情训练样本对应不同的决策树。
例如，当增加或减少历史警情训练集时，会相应生成不同的决策树。通过不断地更新训练集，可以达到优化决策树规则集的效果。
可选地，所述决策树中任一叶子节点对应至少一个预警类别，每一预警类别对应至少一个历史警情训练样本；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别，具体包括：
根据所述叶子节点对应的预警类别所对应的历史警情训练样本占比，确定所述测试样本的预警类别。
可选地，如果所述叶子节点只对应一个预警类别，则将该预警类别作为所述测试样本的预警类别。
可选地，如果所述叶子节点对应多个预警类别，则将所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别作为所述测试样本的预警类别。
本申请提供了一个将智能预警模型运用到公安防控业务中的具体实施例，包括：
如表1所示，历史警情训练样本D，例如包括但不限于以下内容：
表1训练集D
步骤一，基于历史警情训练样本D，采用本申请实施例提供的CART树的生成步骤递归的生成原始决策树T；历史警情训练集是通过对采集到的数据进行分析处理，进而获得的有价值的数据，具体过程包括：
首先对某个重点区域的信息进行采集(例如，使用摄像头进行采集)，获得人像、过车的图片和视频，以及文本数据等；然后对采集到的数据进行预处理/过滤，例如去雾，去抖动，增强轮廓等，采用的技术手段主要有：灰度化处理、平滑处理、边缘检测、阈值分割等；再对通过预处理/过滤得到数据进一步处理和分析，从而得到有用的数据信息，对于图片，采用的分析处理手段包括图片结构化和人脸识别；对于视频，采用的分析处理手段包括视频浓缩摘要和视频结构化；对于文字，采用的分析处理手段包括语义分析。
步骤二，采用本申请实施例提供的CART树的剪枝算法对原始决策树T进行训练修剪，得到最优决策子树；
步骤三，将最优决策子树作为决策树规则集(从根节点到叶子节点所经历的所有路径表示决策树规则集)，对测试样本数据(也可称为新的警情数据)进行预测，确定该测试样本数据的预警级别，从而决定采取哪种预警措施；例如，测试样本A的数据特征对应于最优决策子树中的从根节点到某个叶子节点所经历的路径(具体的，这条路径所代表的数据特征值，例如这条路径表示“涉众”、“工作时间”等)，则将该叶子节点中占比最大的类别(该类别表示预警类别，例如上访应急)作为测试样本A的预警类别，从而执行应急预案的措施。
与历史警情数据的获得方法类似，测试样本数据也是从采集到的大量数据中提取到的有价值数据信息。例如，测试样本A为在工作时间，在政府门口突然聚集的一群人，通过采用图片结构化、人脸识别等技术手段可以获得该人群的数量、识别个人的长相等信息，针对该群人的其他信息(例如是否涉毒、是否涉恐、是否涉军等)可通过查询数据库获知，例如八大库，六合一库，人脸库，机动车库。
另外，预警级别可分为高、中、低三种，“应急预案”属于高级预警，“通知”属于中级预警，“记录”属于低级预警。
例如，应急预案包括上访应急、围堵应急、火灾应急等。
通过视频查看到某辖区重点关注的上访人员出现在市政府信访办周围一公里范围内，则需要采取“通知”这种措施。
在农贸市场的“赶集赶会”这一时间段，农贸市场的人突然增多，这类情况属于较正常的，预警级别比较低，只需要采取“记录”这种措施即可。
测试样本也可以是在机场门口的场景，该场景需要考虑人群在机场门口的滞留时间及航班信息这些特征，如果在飞机升降时间段，人员密度大是正常情况，如果在其他时间段，人员密度大就需要警醒。
本申请实施例提供的智能预警模型，实现了警情自动布控，提前预警和及时处理，从而提高了公安防控业务的信息化和自动化程度，降低人力成本的同时实现了重点场所、重点区域的全天候盯防。
相应地，在设备侧，参见图4，本申请实施例提供的一种警情预警设备，包括：
第一单元11，用于对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
第二单元12，用于根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
第三单元13，用于根据所述预警类别进行预警。
可选地，所述第二单元12具体用于：根据所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别，确定为所述测试样本的预警类别。
参见图5，本申请实施例还提供的一种警情预警设备，包括：
处理器600，用于读取存储器610中的程序，执行下列过程：
对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
根据所述预警类别进行预警。
通过该设备，对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；根据所述预警类别进行预警，从而实现对重点区域的智能预警，以及时采取处理措施。
可选地，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，具体包括：
将当前警情对应的测试样本中的警情信息，与预先基于历史警情训练样本生成的决策树中的叶子节点的警情信息进行匹配，确定所述测试样本所属的叶子节点。
可选地，不同的历史警情训练样本对应不同的决策树。
可选地，所述决策树中任一叶子节点对应至少一个预警类别，每一预警类别对应至少一个历史警情训练样本；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别，具体包括：
根据所述叶子节点对应的预警类别所对应的历史警情训练样本占比，确定所述测试样本的预警类别。
可选地，如果所述叶子节点只对应一个预警类别，则将该预警类别作为所述测试样本的预警类别。
可选地，如果所述叶子节点对应多个预警类别，则将所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别作为所述测试样本的预警类别。
其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器610代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。
本申请实施例提供了一种显示终端，该显示终端具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该显示终端可以包括中央处理器(Center Processing Unit，CPU)、存储器、输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
针对不同的显示终端，可选地，用户接口620可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器600负责管理总线架构和通常的处理，存储器610可以存储处理器600在执行操作时所使用的数据。
可选地，处理器600可以是CPU(中央处埋器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)或CPLD(Complex Programmable Logic Device，复杂可编程逻辑器件)。
存储器610可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中，存储器可以用于存储本申请实施例提供的任一所述方法的程序。
处理器通过调用存储器存储的程序指令，处理器用于按照获得的程序指令执行本申请实施例提供的任一所述方法。
本申请实施例提供了一种计算机存储介质，用于储存为上述本申请实施例提供的设备所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
综上所述，本申请实施例提供了一种警情预警方法及设备，从而实现对重点区域的智能预警，以及时采取处理措施。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种警情预警方法，其特征在于，该方法包括：
对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
根据所述预警类别进行预警。
2.根据权利要求1所述的方法，其特征在于，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，具体包括：
将当前警情对应的测试样本中的警情信息，与预先基于历史警情训练样本生成的决策树中的叶子节点的警情信息进行匹配，确定所述测试样本所属的叶子节点。
3.根据权利要求1所述的方法，其特征在于，不同的历史警情训练样本对应不同的决策树。
4.根据权利要求1所述的方法，其特征在于，所述决策树中任一叶子节点对应至少一个预警类别，每一预警类别对应至少一个历史警情训练样本；
根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别，具体包括：
根据所述叶子节点对应的预警类别所对应的历史警情训练样本占比，确定所述测试样本的预警类别。
5.根据权利要求4所述的方法，其特征在于，如果所述叶子节点只对应一个预警类别，则将该预警类别作为所述测试样本的预警类别。
6.根据权利要求4所述的方法，其特征在于，如果所述叶子节点对应多个预警类别，则将所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别作为所述测试样本的预警类别。
7.一种警情预警设备，其特征在于，包括：
第一单元，用于对于当前警情对应的测试样本，根据预先基于历史警情训练样本生成的决策树，确定所述测试样本所属的叶子节点，并且确定所述叶子节点对应的预警类别；
第二单元，用于根据所述叶子节点对应的预警类别，确定所述测试样本的预警类别；
第三单元，用于根据所述预警类别进行预警。
8.根据权利要求7所述的设备，其特征在于，所述第二单元具体用于：
根据所述叶子节点对应的预警类别中，对应历史警情训练样本占比最大的预警类别，确定为所述测试样本的预警类别。
9.一种警情预警设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1～6任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035767.0A CN109858489A (zh) | 2019-01-15 | 2019-01-15 | 一种警情预警方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035767.0A CN109858489A (zh) | 2019-01-15 | 2019-01-15 | 一种警情预警方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858489A true CN109858489A (zh) | 2019-06-07 |
Family
ID=66894777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910035767.0A Pending CN109858489A (zh) | 2019-01-15 | 2019-01-15 | 一种警情预警方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858489A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
| CN117252335A (zh) * | 2023-09-20 | 2023-12-19 | 杭州中微感联信息技术有限公司 | 一种基于机器学习的市政设备设施智能管理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8554468B1 (en) * | 2011-08-12 | 2013-10-08 | Brian Lee Bullock | Systems and methods for driver performance assessment and improvement |
| CN103716579A (zh) * | 2012-09-28 | 2014-04-09 | 中国科学院深圳先进技术研究院 | 视频监控方法及系统 |
| CN105488220A (zh) * | 2015-12-23 | 2016-04-13 | 天维尔信息科技股份有限公司 | 消防预警方法和装置 |
| CN106295565A (zh) * | 2016-08-10 | 2017-01-04 | 中用环保科技有限公司 | 基于大数据的监控事件识别及实时犯罪预测方法 |
| WO2017083233A1 (en) * | 2015-11-10 | 2017-05-18 | Sentrian, Inc. | Systems and methods for automated rule generation and discovery for detection of health state changes |
| CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
| CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | 中国移动通信集团广东有限公司 | 一种网络故障定位方法及系统 |
-
2019
- 2019-01-15 CN CN201910035767.0A patent/CN109858489A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8554468B1 (en) * | 2011-08-12 | 2013-10-08 | Brian Lee Bullock | Systems and methods for driver performance assessment and improvement |
| CN103716579A (zh) * | 2012-09-28 | 2014-04-09 | 中国科学院深圳先进技术研究院 | 视频监控方法及系统 |
| WO2017083233A1 (en) * | 2015-11-10 | 2017-05-18 | Sentrian, Inc. | Systems and methods for automated rule generation and discovery for detection of health state changes |
| CN105488220A (zh) * | 2015-12-23 | 2016-04-13 | 天维尔信息科技股份有限公司 | 消防预警方法和装置 |
| CN106295565A (zh) * | 2016-08-10 | 2017-01-04 | 中用环保科技有限公司 | 基于大数据的监控事件识别及实时犯罪预测方法 |
| CN108989075A (zh) * | 2017-06-05 | 2018-12-11 | 中国移动通信集团广东有限公司 | 一种网络故障定位方法及系统 |
| CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| JIE LANG ET AL.: "Sensitivity of Decision Tree Algorithm to Class-Imbalanced Bank Credit Risk Early Warning", 《2014 SEVENTH INTERNATIONAL JOINT CONFERENCE ON COMPUTATIONAL SCIENCES AND OPTIMIZATION》 * |
| 刘洋: "铁路警务信息系统中的数据挖掘方法应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
| CN111259975B (zh) * | 2020-01-21 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
| CN117252335A (zh) * | 2023-09-20 | 2023-12-19 | 杭州中微感联信息技术有限公司 | 一种基于机器学习的市政设备设施智能管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3940591A1 (en) | Image generating method, neural network compression method, and related apparatus and device | |
| US11823109B2 (en) | System and method for evaluating images to support multiple risk applications | |
| EP3985578A1 (en) | Method and system for automatically training machine learning model | |
| US20180018553A1 (en) | Relevance score assignment for artificial neural networks | |
| Munawar et al. | An integrated approach for post-disaster flood management via the use of cutting-edge technologies and UAVs: A review | |
| US20220083531A1 (en) | Abnormal event analysis | |
| Alam et al. | MEDIC: a multi-task learning dataset for disaster image classification | |
| CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
| CN110852881A (zh) | 风险账户识别方法、装置、电子设备及介质 | |
| CN116029395B (zh) | 商业区域的人流预警方法、装置、电子设备及存储介质 | |
| WO2019089116A1 (en) | Duplicative data detection | |
| CN111405475A (zh) | 一种多维感知数据碰撞融合分析方法和装置 | |
| CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
| CN109858489A (zh) | 一种警情预警方法及设备 | |
| Rajabion | Application and adoption of big data technologies in SMEs | |
| CN110895811A (zh) | 一种图像篡改检测方法和装置 | |
| CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和系统 | |
| Lyu et al. | YOLO-SCL: a lightweight detection model for citrus psyllid based on spatial channel interaction | |
| Niloy et al. | A novel disaster image data-set and characteristics analysis using attention model | |
| CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
| CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
| US20220036133A1 (en) | Context aware anomaly detection | |
| CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
| CN113920720A (zh) | 高速公路隧道设备故障处理方法、装置及电子设备 | |
| Balakrishnan et al. | Online Complaint Management System using Image Recognition |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200810 Address after: 266555 Qingdao economic and Technological Development Zone, Shandong, Hong Kong Road, No. 218 Applicant after: QINGDAO HISENSE ELECTRONIC INDUSTRY HOLDING Co.,Ltd. Address before: 266071 No. 151, Zhuzhou Road, Laoshan District, Shandong, Qingdao Applicant before: Hisense TransTech Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201202 Address after: Donghai West Road 266071 Shandong city of Qingdao province No. 17 Applicant after: HISENSE Co.,Ltd. Address before: 266555 Qingdao economic and Technological Development Zone, Shandong, Hong Kong Road, No. 218 Applicant before: QINGDAO HISENSE ELECTRONIC INDUSTRY HOLDING Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
| RJ01 | Rejection of invention patent application after publication |