CN109978215B - 巡防管理方法和装置 - Google Patents

Abstract

本发明公开一种巡防管理方法和装置。该巡防管理方法包括：提取与指定的巡逻时间段和巡逻区域范围相对应的历史数据；基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域；基于自适应案件高发区域识别模型的输出，利用优化算法对巡防路径模型进行求解，并然后输出巡防路径。相比于现有技术，本发明的巡防管理方法和装置能够提供自动规划目标区域内指定时间段内的巡防路线，并且，根据最新案件的变化情况改变巡防路线的侧重方向，从而适应新的案件时空特征。

Description

巡防管理方法和装置

技术领域

本发明涉及公安管理技术领域，具体地涉及一种能够实现智能化、实时感知的巡防路线自动规划的巡防管理方法和装置。

背景技术

随着经济的不断发展，当前社会治安形势日趋复杂化、多样化，且安全态势变化加速，公共安全中的巡防工作的任务量和难度也随之急剧增加。当前在公安巡防方面的研究和应用现状多停留在信息化的层面，仅是简单的将巡防涉及到的各个环节的数据进行汇总、展示，由具体的指挥人员根据获得的信息结合自身经验对巡防的排班和路线进行安排。因此，人的主观因素影响较大，对管辖范围内的巡防没有重点，且无法应对新出现的犯罪热点区域。

目前，现有技术中主要有两种巡防管理方法。一种巡防管理方法是：获取通过以巡防管理员账号登录的第一终端绘制的巡防路线，并为巡防路线配置巡防权重值；根据巡防权重值生成巡防路线的巡防计划信息；根据巡防计划信息为巡防路线分配巡防人员账号，并生成巡防人员账号对应的巡防任务信息；将巡防任务信息发送给以相应的巡防人员账号登录的第二终端。显然的是，这种巡防管理方法中巡防路线的设置需要通过巡防管理人员人工手动绘制，过于依赖巡防管理人员的个人经验与能力。另一种巡防管理方法包括：(i)业务准备步骤，将相邻预设个月的警情进行统计，对地图的巡防区域进行划分并进行显示，将每个巡防区域的显示颜色根据每个巡防区域的警情的数量的增多逐渐变深；(ii)任务分布步骤，根据逐渐变深的显示颜色，将每个颜色对应于不同的巡防区域内警务人员数量，将警务人员依据该巡防区域内警务人员数量划分到每个巡防区域中。虽然该巡防管理方法克服了无法实现巡防任务的自动派遣让违法犯罪分子无处藏身的问题，实现了有序的巡防管理，但是它需要预先将辖区切分为各个巡防区域，再根据每个巡防区域的警情数量安排各个巡防区域的巡防警力数。由此可知，后一种巡防管理方法由于巡防区域的设置是固定的而导致无法适应警情空间特征的变化，并且仅安排巡防区域内的警力数而未安排警力在巡防区域内的巡防路径。

因此，现有的巡防管理技术存在巡防路线规划中指挥人员实时动态感知能力差、效率低下，巡防路线没有重点，对高危区域覆盖不足的问题。

发明内容

为了克服现有技术中的上述不足，本发明提供一种能够实现智能化、实时感知的巡防路线自动规划的巡防管理方法和装置。

为了实现上述目的，根据本发明的一个方面，提供一种巡防管理方法，所述巡防管理方法包括：提取与指定的巡逻时间段和巡逻区域范围相对应的历史数据；基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域；基于自适应案件高发区域识别模型的输出，利用优化算法对巡防路径模型进行求解，并然后输出巡防路径。

在本发明的巡防管理方法中，基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域，然后，根据高发区域内的案件情况进行多路径的巡防线路规划，从而自动规划出能够对案件覆盖最完备的一组(多条)巡防路线。相比于现有技术，本发明的巡防管理方法能够提供自动规划目标区域内指定时间段内的巡防路线，并且，根据最新案件的变化情况改变巡防路线的侧重方向，从而适应新的案件时空特征。

优选地，在利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域之前，所述巡防管理方法还可以包括：对所提取的历史数据进行预处理；基于预处理后的数据，初始化自适应案件高发区域识别模型的参数。

优选地，在利用优化算法对巡防路径模型进行求解之前，所述巡防管理方法还可以包括：获取目标区域内的巡防警力数据、巡防配置数据和GIS地图数据；基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。

优选地，所述历史数据可以是历史案件和巡防轨迹的相关数据。

优选地，在利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域之后，所述巡防管理方法还可以包括：对所识别出的案件高发区域的结果进行评估。

优选地，对所提取的历史数据进行预处理可以包括去除异常数据和/或噪声数据。

优选地，对所提取的历史数据进行预处理还可以包括：根据预定的案发时间衰减函数计算案件权重；根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算案件被覆盖率。

优选地，对所提取的历史数据进行预处理还可以包括：根据计算的案件被覆盖率以及权重对巡逻效果进行评估。

优选地，所述异常数据可以包括案件和巡防轨迹的时间和/或地点坐标缺失和异常的数据，并且，所述噪声数据可以包括案件地点在公安机构内的数据。

优选地，初始化自适应案件高发区域识别模型的参数可以包括：求解数据对象的k近邻邻域半径k-dist；构造k-dist向量；根据不同的密度层次，自动确定与所述不同的密度层次相对应的Eps值。

优选地，所述预定的案发时间衰减函数可以是基于逻辑函数的时间衰减函数。

优选地，所述巡防管理方法还可以包括：在输出的巡防路径上增加文本描述性的路径说明。

优选地，所述巡防路径模型可以是以案件被覆盖率为目标。

优选地，自适应案件高发区域识别模型可以采用基于密度的聚类算法。

优选地，所述基于密度的聚类算法可以是DBSCAN算法。

优选地，所述优化算法可以是利用遗传策略的粒子群算法。

根据本发明的另一个方面，提供一种巡防管理装置，所述巡防管理装置包括：提取单元，用于提取与指定的巡逻时间段和巡逻区域范围相对应的历史数据；案件高发区域识别单元，用于基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域；求解输出单元，用于基于自适应案件高发区域识别模型的输出，利用优化算法对巡防路径模型进行求解，并然后输出巡防路径。

优选地，所述巡防管理装置还可以包括：预处理单元，用于对所提取的历史数据进行预处理；识别模型初始化单元，用于基于预处理后的数据，初始化自适应案件高发区域识别模型的参数。

优选地，所述巡防管理装置还可以包括：获取单元，用于获取目标区域内的巡防警力数据、巡防配置数据和GIS地图数据；初始化配置单元，用于基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。

优选地，所述历史数据可以是历史案件和巡防轨迹的相关数据。

优选地，所述巡防管理装置还可以包括：案件高发区域评估单元，用于对所识别出的案件高发区域的结果进行评估。

优选地，所述预处理单元可以包括用于去除异常数据和/或噪声数据的单元。

优选地，所述预处理单元还可以包括：案件权重计算单元，用于根据预定的案发时间衰减函数计算案件权重；案件被覆盖率计算单元，用于根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算案件被覆盖率。

优选地，所述预处理单元还可以包括：巡逻效果评估单元，用于根据计算的案件被覆盖率以及权重对巡逻效果进行评估。

优选地，所述异常数据可以包括案件和巡防轨迹的时间和/或地点坐标缺失和异常的数据，并且，所述噪声数据可以包括案件地点在公安机构内的数据。

优选地，所述识别模型初始化单元可以包括：求解单元，用于求解数据对象的k近邻邻域半径k-dist；构造单元，用于构造k-dist向量；确定单元，用于根据不同的密度层次，自动确定与所述不同的密度层次相对应的Eps值。

优选地，所述预定的案发时间衰减函数可以是基于逻辑函数的时间衰减函数。

优选地，所述巡防管理装置还可以包括：路径描述单元，用于在输出的巡防路径上增加文本描述性的路径说明。

优选地，所述巡防路径模型可以是以案件被覆盖率为目标。

优选地，自适应案件高发区域识别模型可以采用基于密度的聚类算法。

优选地，所述基于密度的聚类算法可以是DBSCAN算法。

优选地，所述优化算法可以是利用遗传策略的粒子群算法。

根据本发明的另一个方面，提供一种计算设备，所述计算设备包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行上述的巡防管理方法。

根据本发明的另一个方面，提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行上述的巡防管理方法。

在本发明的巡防管理方法和装置中，基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域，然后，根据高发区域内的案件情况进行多路径的巡防线路规划，从而自动规划出能够对案件覆盖最完备的一组(多条)巡防路线。相比于现有技术，本发明的巡防管理方法和装置能够提供自动规划目标区域内指定时间段内的巡防路线，并且，根据最新案件的变化情况改变巡防路线的侧重方向，从而适应新的案件时空特征。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1是根据本发明第一实施例的巡防管理方法的流程图。

图2是根据本发明第一实施例的巡防管理装置的框图。

图3是根据本发明第二实施例的巡防管理方法的流程图。

图4是根据本发明第二实施例的巡防管理装置的框图。

图5A至5C是根据本发明第三实施例的巡防管理方法的流程图。

图6是根据本发明第三实施例的巡防管理装置的框图。

图7是根据本发明第三实施例的巡防管理装置中的识别模型初始化单元的框图。

图8A至8F是用于实现根据本发明第三实施例的巡防管理方法的手机人机交互界面的示意图。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

在对本发明的技术方案进行具体描述之前，首先对本发明中所提及的术语进行适当的解释。

本文中所提及的“GIS”(中文全称为“地理信息系统”，英文全称为“GeographicInformation System”)是一门综合性学科，结合地理学与地图学，已经广泛的应用在不同的领域，是用于输入、存储、查询、分析和显示地理数据的计算机系统。

本文中所提及的“DBSCAN”(中文全称为“基于密度的噪声应用空间聚类”，英文全称为“Density-based Spatial Clustering of Applications with Noise”)是在1996年由Martin Ester，Hans-Peter Kriegel，

Sander及Xiaowei Xu提出的聚类分析算法，这个算法是以密度为本的：给定某空间里的一个点集合，这算法能把附近的点分成一组(有很多相邻点的点)，并标记出位于低密度区域的局外点(最接近它的点也十分远)。DBSCAN算法主要涉及两步：第一步，选择合适的参数Eps；第二步，根据得到的各个层次的Eps进行聚类。具体为：任选一个正整数k，计算数据集中各个数据点的第k个最近邻数据点到该数据点的距离k-dist；对k-dist进行升序排序，并作k-dist图，得到平缓曲线和非平缓曲线；选取各平缓曲线所对应的Eps，并将这些Eps升序排序；将k值赋值给Minpts，通过得到的排好序的Eps迭代进行DBSCAN聚类(赵文冲，蔡江辉，张继福.改进k值自动获取VDBSCAN聚类算法[J].计算机系统应用.2016(09))。

本文中所提及的“PSO”(中文全称为“粒子群优化”，英文全称为“Particle SwarmOptimization”)算法是由J.Kennedy和R.C.Eberhart等[1]于1995年开发的一种演化计算技术，来源于对一个简化社会模型的模拟。它属于一类随机全局优化的技术，通过粒子间的相互作用发现复杂搜索空间中的最优区域。

本文中所提及的“GA”(中文全称为“遗传算法”，英文全称为“GeneticAlgorithm”)是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。

本文中所提及的“GA-PSO”(中文全称为“遗传算法-粒子群优化”，英文全称为“Genetic Algorithm-Particle Swarm Optimization”)是在粒子群算法中引入遗传算法的交叉算子，使成对的粒子可以交换信息，提升粒子向新的搜索空间飞行的能力，避免算法进化过程中陷入局部最优的一种混合优化算法。

本文中所提及的“k-dist”是指DBSCAN算法中的数据对象的k近邻邻域半径。

本文中所提及的“Eps”是指DBSCAN算法中的一个半径参数ε，其表示以给定点为中心的圆形邻域的范围。

为了使本发明的技术方案更加清楚、明白，下面将参照附图并结合具体实施例对本发明进行详细描述。

(第一实施例)

图1示出了根据本发明第一实施例的巡防管理方法的流程图。该巡防管理方法开始于步骤S101。在步骤S101，巡防指挥人员选择需要安排的巡逻时间段和巡逻区域范围。接着，在步骤S102，根据巡防指挥人员输入的巡逻时间段和巡逻区域范围，提取相应的历史案件和巡防轨迹的相关数据。然后，在步骤S103，对所提取的历史案件和巡防轨迹的数据进行预处理。例如，对历史案件和巡防轨迹的原始数据进行筛选和过滤，去除异常数据和/或噪声数据以避免垃圾数据的产生，随后，对筛选和过滤后的数据进行整合，以达到统计分析的使用目的。

此后，在步骤S104，基于预处理后的数据，对自适应案件高发区域识别模型的参数进行初始化。这里，自适应案件高发区域识别模型可以是利用以DBSCAN为核心的自适应案件高发区域识别算法来识别出目标区域内案件密度相对较高的区域的统计模型，但并不局限于此模型。接下来，在步骤S105，基于初始化的参数从自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域。

然后，在步骤S106，获取目标区域内的巡防警力配置、巡防起点等相关巡防配置数据以及通过GIS获取的路网数据。接下来，在步骤S107，基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。随后，在步骤S108，利用优化算法对所述巡防路径模型进行求解，并然后输出巡防路径。

采用如上所述的巡防管理方法，基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域，然后，根据高发区域内的案件情况进行多路径的巡防线路规划，从而自动规划出能够对案件覆盖最完备的一组(多条)巡防路线。相比于现有技术，本发明的巡防管理方法能够提供自动规划目标区域内指定时间段内的巡防路线，并且，能够根据最新案件的变化情况改变巡防路线的侧重方向，从而适应新的案件时空特征。

根据本发明的第一实施例，还提供一种用于实现上述巡防管理方法的巡防管理装置1000。如图2所示，该巡防管理装置1000包括选择单元1001、提取单元1002、预处理单元1003、识别模型初始化单元1004、案件高密度区域识别单元1005、获取单元1006、初始化配置单元1007和求解输出单元1008。选择单元1001用于选择巡逻时间段和巡逻区域范围。提取单元1002用于提取与所选择的巡逻时间段和巡逻区域范围相对应的历史案件和巡防轨迹的数据。预处理单元1003用于对所提取的数据进行预处理。这里，预处理单元可以包括用于去除异常数据和/或噪声数据的单元。识别模型初始化单元1004用于基于预处理后的数据，初始化自适应案件高发区域识别模型的参数。案件高密度区域识别单元100S用于基于初始化的参数从自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域。获取单元1006用于获取目标区域内的巡防警力数据、巡防配置数据和GIS地图数据。初始化配置单元1007用于基于自适应案件高发区域识别模型的输出，初始化巡防路径模型和配置巡防起点以及巡防最大路线数。求解输出单元1008用于利用优化算法对所述巡防路径模型进行求解，并然后输出巡防路径。

(第二实施例)

图3示出了根据本发明第二实施例的巡防管理方法的流程图。由于图3中的步骤S201至S204和步骤S205至S208分别与图1中的步骤S101至S104和步骤S105至S108类似，所以这里将省略其描述。下面主要描述本实施例的巡防管理方法与第一实施例的巡防管理方法的不同之处。

本实施例的巡防管理方法与第一实施例的巡防管理方法的不同之处在于添加了两个步骤，即，步骤S2041和S2081。步骤S2041是，在步骤S204中识别出目标区域内案件密度相对较高的区域之后，且在步骤S205中获取目标区域内的巡防警力数据、巡防配置数据和GIS地图数据之后，对所识别出的案件高发区域的结果进行评估。步骤S2081是，在步骤S208输出巡防路径之后，在输出的巡防路径上增加文本描述性的路径说明。因此，采用本实施例的巡防管理方法，除了第一实施例的巡防管理方法所实现的上述有益技术效果(即，能够提供自动规划目标区域内指定时间段内的巡防路线，并且，能够根据最新案件的变化情况改变巡防路线的侧重方向，从而适应新的案件时空特征)之外，还能够通过对案件高发区域识别结果进行评估来提升巡防效率，并且通过在输出的巡防路径上增加文本描述性的路径说明来便于用户了解自动规划的巡防路线详情。

类似于第一实施例，本实施例也提供一种用于实现根据本实施例的巡防管理方法的巡防管理装置。图4是根据本实施例的巡防管理装置2000的框图。如图4所示，该巡防管理装置2000包括选择单元2001、提取单元2002、预处理单元2003、识别模型初始化单元2004、案件高密度区域识别单元2005、案件高发区域评估单元2009、获取单元2006、初始化配置单元2007、求解输出单元2008和路径描述单元2010。这里，由于选择单元2001、提取单元2002、预处理单元2003、识别模型初始化单元2004、案件高密度区域识别单元2005、获取单元2006、初始化配置单元2007和求解输出单元2008分别具有与选择单元1001、提取单元1002、预处理单元1003、识别模型初始化单元1004、案件高密度区域识别单元1005、获取单元1006、初始化配置单元1007和求解输出单元1008相同的结构和功能，所以将省略其描述。案件高发区域评估单元2009用于对案件高密度区域识别单元2005所识别出的案件高发区域的结果进行评估。路径描述单元2010用于在从求解输出单元2008输出的巡防路径上增加文本描述性的路径说明。

(第三实施例)

图5A至图5C示出了根据本发明第三实施例的巡防管理方法的流程图。该巡防管理方法开始于步骤S311。在步骤S311，巡防指挥人员选择需要安排的巡逻时间段和巡逻区域范围。接着，在步骤S312，根据巡防指挥人员输入的巡逻时间段和巡逻区域范围，提取相应的历史案件和巡防轨迹的相关数据。然后，在步骤S313，对提取的历史案件和巡防轨迹的原始数据进行整合，以达到统计分析的使用目的。接着，在步骤S314和S315，对整合后的历史案件和巡防轨迹的数据进行筛选和过滤，去除异常数据(异常数据可以包括案件和巡防轨迹的时间和/或地点坐标缺失和异常的数据)和/或噪声数据(噪声数据可以包括案件地点在公安机构内的数据)以避免垃圾数据的产生。例如，对案件与巡防轨迹数据中的时间、坐标的缺失和异常以及其他数据问题进行处理，并且，对诸如案件地点在派出所等公安机构内以及其他噪声数据进行清除。接下来，在步骤S316，在去除异常数据和/或清理噪声数据之后，根据预定的案发时间衰减函数计算案件权重，并且，根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算案件被覆盖率。在本实施例中采用基于逻辑函数的时间衰减函数，其表达式为y＝1/(1+(e^(x+a))/b)，其中参数a和b会根据数据情况进行调整。然而，也可以采用其他形式的时间衰减函数，比如简单的直线衰减函数等。然后，在步骤S317，根据计算的案件被覆盖率以及权重对巡逻效果进行评估。由此，将历史案件数据与巡防轨迹数据相结合来计算案件被巡防警力覆盖(时空覆盖)概率，进而建立基于案件被巡防警力覆盖的巡防执行情况评估指标。

接下来，在步骤S321至S323，求解案件数据对象的k近邻邻域半径k-dist，构造k-dist向量，根据不同的密度层次自动识别相对应的Eps值，从中确定初始化k与Eps值。然后，在步骤S324，基于初始化的k和Eps值，利用自适应DBSCAN算法对案件数据进行聚类分析。另外，在步骤S324中，也可以使用其他基于密度的聚类算法代替DBSCAN进行聚类。接着，在步骤S325，对聚类分析结果进行处理，识别出案件密度相对较高的区域。也就是说，利用以基于密度的聚类算法为核心的自适应案件高发区域识别模型，识别出目标区域内案件密度相对较高的区域。此后，在步骤S326，对自适应案件高发区域识别模型所识别出的案件高发区域结果进行评估。这里，通过引入基于密度的聚类算法自动识别辖区内案件高发区域，提升了案件被巡防警力的覆盖率为目标进行巡防路径规划，从而提高了巡防效率。

然后，在步骤S331，获取目标区域内的巡防警力配置、巡防起点等相关巡防配置数据以及通过GIS获取的路网数据。接着，在步骤S332，基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。随后，在步骤S333，利用遗传策略的粒子群算法对以对案件被覆盖率为目标的多巡防路径模型进行求解。这里，虽然利用遗传策略的粒子群算法对多巡防路径模型进行求解，但是也可以使用其他的优化算法求解该模型。例如，可以使用随机搜索法，梯度下降法，模拟退火法，遗传算法等。此后，在步骤S334，输出巡防路径。最后，在步骤S335，在输出的巡防路径上增加文本描述性的路径说明。由此可知，通过如上所述的根据本实施例的巡防管理方法，已经建立了基于辖区路网无向图以案件的最大警力覆盖为目标的巡防路径规划模型。

因此，除了上述的第一实施例和第二实施例的巡防管理方法所能够实现的有益技术效果之外，本实施例的巡防管理方法还能够实现如下效果：将历史案件数据与巡防轨迹数据相结合来计算案件被巡防警力覆盖(时空覆盖)概率，进而建立了基于案件被巡防警力覆盖的巡防执行情况评估指标；通过引入基于密度的聚类算法自动识别辖区内案件高发区域，提升了案件被巡防警力的覆盖率为目标进行巡防路径规划，从而提高了巡防效率；建立了基于辖区路网无向图以案件的最大警力覆盖为目标的巡防路径规划模型。

类似于第二实施例，本实施例也提供一种用于实现根据本实施例的巡防管理方法的巡防管理装置。图6是根据本实施例的巡防管理装置3000的框图。如图6所示，该巡防管理装置3000包括选择单元3001、提取单元3002、预处理单元3003、巡逻效果评估单元3011、识别模型初始化单元3004、案件高密度区域识别单元3005、案件高发区域评估单元3009、获取单元3006、初始化配置单元3007、求解输出单元3008和路径描述单元3010。这里，由于选择单元3001、提取单元3002、案件高密度区域识别单元3005、案件高发区域评估单元3009、获取单元3006、初始化配置单元3007、求解输出单元3008和路径描述单元3010分别与具有与选择单元2001、提取单元2002、案件高密度区域识别单元2005、获取单元2006、初始化配置单元2007、求解输出单元2008和路径描述单元2010相同的结构和功能，所以将省略其描述。

预处理单元3003用于对所提取的数据进行预处理。它不仅包括用于去除异常数据和/或噪声数据的单元(未示出)，还包括案件权重计算单元和案件被覆盖率计算单元(未示出)。案件权重计算单元用于根据预定的案发时间衰减函数计算案件权重。案件被覆盖率计算单元用于根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算案件被覆盖率。巡逻效果评估单元3011用于根据计算的案件被覆盖率以及权重对巡逻效果进行评估。识别模型初始化单元3004用于基于预处理后的数据初始化自适应案件高发区域识别模型的参数。如图7所示，识别模型初始化单元3004包括求解单元3004A、构造单元3004B和识别单元3004C。求解单元3004A用于求解数据对象的k近邻邻域半径k-dist。构造单元3004B用于构造k-dist向量。识别单元3004C用于根据不同的密度层次，自动识别与所述不同的密度层次相对应的Eps值。

此外，在本实施例中还介绍用于实现巡防管理方法的手机人机交互界面。图8A至图8F是用于实现根据本发明第三实施例的巡防管理方法的手机人机交互界面的示意图。利用图8A至图8F所示的手机人机交互界面，用户可以直观、自然、高效地实现本发明的巡防路线自动规划。下面结合图8A至图8F对手机人机交互界面的具体内容进行详细描述。

图8A是在进行智慧巡防任务时的手机软件界面。如图8A所示，该界面显示包含“警情”、“智能巡防”、“人群动态”和“公告”四项的“消息中心”。“智能巡防”对应于显示智能巡防任务列表的页面。该页面包含当前登录帐号今日所有智慧巡逻任务，以及任务的简要信息。任务简要信息包含以下元素：(1)巡防任务名称；(2)任务执行时间；(3)任务序号；(4)任务状态；(5)任务创建时间。

当点击图8A所示界面上的单条智慧巡防任务时，进入图8B所示的巡防任务详情页面。该巡防任务详情页面包含该项智慧巡逻任务的详细信息以及下一步操作入口。巡防任务详情包含以下元素：(1)任务编号；(2)任务生成时间；(3)任务执行时间；(4)有效截至时间；(5)任务执行大队；(6)巡逻起点；(7)建议人数；(8)附加任务；(9)当前状态；(10)已执行次数。下一步操作入口包含以下入口：(1)巡防路线预览页面入口；(2)巡逻记录查看入口；(3)执行任务入口。当点击图8B所示界面上的“巡逻路线预览”时，进入图8C所示的巡逻路线预览页面。该巡逻路线预览页面通过动画在地图上展示该巡防任务的路线情况，并包含巡防路线的文字描述以及路径估算长度和预计完成时长。当点击图8B所示界面上的“立即执行任务”时，进入图8D所示的巡防任务执行页面，并开始执行巡防任务。该智能巡防执行页巡防任务执行页面记录巡防队员的事实轨迹、巡防里程、巡防时长，同时可以在该页面上播放巡防任务路径动画以及完成巡防时进行签退的入口。当点击图8B所示界面上的“执行记录”时，进入图8E所示的巡防任务执行记录页面。该巡防执行记录页面包含该巡防任务的所有执行记录，展示每个执行记录的执行人、执行状态。然后，当点击图8E所示的巡防任务执行记录页面中的单条巡逻任务执行记录时，进入图8F所示的巡防任务执行详情页面。该巡防执行详情页面包含以下元素：(1)巡防轨迹；(2)执行日期；(3)巡防里程；(4)巡防时长；(5)平均速度；(6)该次巡防覆盖的实时案件；(7)该次巡防覆盖的近30天历史案件数；(8)该次巡防覆盖的区域面积。

上文中已经参考附图详细描述了根据本发明的巡防管理方法和装置。

此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中限定的上述各步骤的计算机程序代码指令。

另外，本发明还可以实施为一种计算设备，该计算设备包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行根据本发明的方法的各个步骤。

或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法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，所述模块、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，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续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指令的组合来实现。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (24)

1.一种巡防管理方法，其特征在于，所述巡防管理方法包括：

提取与指定的巡逻时间段和巡逻区域范围相对应的历史数据，所述历史数据是历史案件的案发地点和时间以及巡防轨迹的相关数据；

基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域，所述自适应案件高发区域识别模型采用基于密度的聚类算法，所述基于密度的聚类算法是DBSCAN算法；

获取目标区域内的巡防警力数据、巡防配置数据，并基于GIS地图数据获取路网数据；

基于自适应案件高发区域识别模型的输出，结合巡防警力数据、巡防配置数据和路网数据，利用优化算法对基于辖区路网无向图以案件被巡防警力时空覆盖率为目标的巡防路径模型进行求解，并输出使得案件的巡防警力时空覆盖率最大的巡防路径，所述优化算法是利用遗传策略的粒子群算法，所述案件被巡防警力时空覆盖率是根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算得到的。

2.根据权利要求1所述的巡防管理方法，其特征在于，在利用优化算法对巡防路径模型进行求解之前，所述巡防管理方法还包括：

基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。

3.根据权利要求1所述的巡防管理方法，其特征在于，在利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域之前，所述巡防管理方法还包括：

对所提取的历史数据进行预处理；

基于预处理后的数据，初始化自适应案件高发区域识别模型的参数。

4.根据权利要求3所述的巡防管理方法，其特征在于，对所提取的历史数据进行预处理包括去除异常数据和/或噪声数据。

5.根据权利要求4所述的巡防管理方法，其特征在于，所述异常数据包括案件和巡防轨迹的时间和/或地点坐标缺失和异常的数据，并且，所述噪声数据包括案件地点在公安机构内的数据。

6.根据权利要求4所述的巡防管理方法，其特征在于，对所提取的历史数据进行预处理还包括：

根据预定的案发时间衰减函数计算案件权重。

7.根据权利要求6所述的巡防管理方法，其特征在于，对所提取的历史数据进行预处理还包括：

根据计算的案件被覆盖率以及权重对巡逻效果进行评估。

8.根据权利要求6所述的巡防管理方法，其特征在于，所述预定的案发时间衰减函数是基于逻辑函数的时间衰减函数。

9.根据权利要求3所述的巡防管理方法，其特征在于，初始化自适应案件高发区域识别模型的参数包括：

求解数据对象的k近邻邻域半径k-dist；

构造k-dist向量；

根据不同的密度层次，自动确定与所述不同的密度层次相对应的Eps值。

10.根据权利要求1所述的巡防管理方法，其特征在于，在利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域之后，所述巡防管理方法还包括：

对所识别出的案件高发区域的结果进行评估。

11.根据权利要求1所述的巡防管理方法，其特征在于，所述巡防管理方法还包括：

在输出的巡防路径上增加文本描述性的路径说明。

12.一种巡防管理装置，其特征在于，所述巡防管理装置包括：

提取单元，用于提取与指定的巡逻时间段和巡逻区域范围相对应的历史数据，所述历史数据是历史案件的案发地点和时间以及巡防轨迹的相关数据；

案件高发区域识别单元，用于基于所提取的历史数据，利用自适应案件高发区域识别模型识别出目标区域内案件密度相对较高的区域作为案件高发区域，所述自适应案件高发区域识别模型采用基于密度的聚类算法，所述基于密度的聚类算法是DBSCAN算法；

获取单元，用于获取目标区域内的巡防警力数据、巡防配置数据，并基于GIS地图数据获取路网数据；

求解输出单元，用于基于自适应案件高发区域识别模型的输出，结合巡防警力数据、巡防配置数据和路网数据，利用优化算法对基于辖区路网无向图以案件被巡防警力时空覆盖率为目标的巡防路径模型进行求解，并输出使得案件的巡防警力时空覆盖率最大的巡防路径，所述优化算法是利用遗传策略的粒子群算法，所述案件被巡防警力时空覆盖率是根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算得到的。

13.根据权利要求12所述的巡防管理装置，其特征在于，所述巡防管理装置还包括：

初始化配置单元，用于基于自适应案件高发区域识别模型的输出，初始化巡防路径模型，配置巡防起点以及巡防最大路线数。

14.根据权利要求12所述的巡防管理装置，其特征在于，所述巡防管理装置还包括：

预处理单元，用于对所提取的历史数据进行预处理；

识别模型初始化单元，用于基于预处理后的数据，初始化自适应案件高发区域识别模型的参数。

15.根据权利要求14所述的巡防管理装置，其特征在于，所述预处理单元包括用于去除异常数据和/或噪声数据的单元。

16.根据权利要求15所述的巡防管理装置，其特征在于，所述异常数据包括案件和巡防轨迹的时间和/或地点坐标缺失和异常的数据，并且，所述噪声数据包括案件地点在公安机构内的数据。

17.根据权利要求15所述的巡防管理装置，其特征在于，所述预处理单元还包括：

案件权重计算单元，用于根据预定的案发时间衰减函数计算案件权重；

案件被覆盖率计算单元，用于根据案件的案发地点和时间与巡防轨迹之间的时空重合关系来计算案件被覆盖率。

18.根据权利要求17所述的巡防管理装置，其特征在于，所述预处理单元还包括：

巡逻效果评估单元，用于根据计算的案件被覆盖率以及权重对巡逻效果进行评估。

19.根据权利要求17所述的巡防管理装置，其特征在于，所述预定的案发时间衰减函数是基于逻辑函数的时间衰减函数。

20.根据权利要求14所述的巡防管理装置，其特征在于，所述识别模型初始化单元包括：

求解单元，用于求解数据对象的k近邻邻域半径k-dist；

构造单元，用于构造k-dist向量；

确定单元，用于根据不同的密度层次，自动确定与所述不同的密度层次相对应的Eps值。

21.根据权利要求12所述的巡防管理装置，其特征在于，所述巡防管理装置还包括：

案件高发区域评估单元，用于对所识别出的案件高发区域的结果进行评估。

22.根据权利要求12所述的巡防管理装置，其特征在于，所述巡防管理装置还包括：

路径描述单元，用于在输出的巡防路径上增加文本描述性的路径说明。

23.一种计算设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-11中任何一项所述的巡防管理方法。

24.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至11中任一项所述的巡防管理方法。

Images