CN110322049B - 一种公安大数据预警方法 - Google Patents
一种公安大数据预警方法 Download PDFInfo
- Publication number
- CN110322049B CN110322049B CN201910475307.XA CN201910475307A CN110322049B CN 110322049 B CN110322049 B CN 110322049B CN 201910475307 A CN201910475307 A CN 201910475307A CN 110322049 B CN110322049 B CN 110322049B
- Authority
- CN
- China
- Prior art keywords
- public security
- data
- days
- security area
- current public
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 208000001613 Gambling Diseases 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000009545 invasion Effects 0.000 claims description 13
- 231100000614 poison Toxicity 0.000 claims description 9
- 239000002574 poison Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000002435 venom Substances 0.000 claims description 4
- 231100000611 venom Toxicity 0.000 claims description 4
- 210000001048 venom Anatomy 0.000 claims description 4
- 241000700605 Viruses Species 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 231100000279 safety data Toxicity 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种公安大数据预警方法，获取任一治安区域的训练数据集，提取特征值并进行预处理后输入算法模型直至稳定，实时获取当前治安区域的接口数据并进行相同的提取特征值、预处理操作，输入稳定的算法模型并对输出的分数自动判断，选择报警或返回继续监测。本发明以核心数据指导业务，以模型固化精准清查后的数据架构，更科学、有效、准确分析区域治安状况；重点考虑高危重点人员，通过高危重点人员容易藏身的重点场所、区域、部位，科学计算、赋分，实现区域治安状况自动展示、治安复杂区域自动预警、区域整治方案自动生成，可根据算法模型的分析结果采取有效措施，对高危重点人员重点防控，切实有效改善区域治安状况。
Description
技术领域
本发明涉及专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法的技术领域，特别涉及一种公安大数据预警方法。
背景技术
当前，一些深层的社会治安问题逐步暴露，总结实施社会治安综合治理以来的经验并反向引导社会治安预警工作在实际的社会治安综合治理工作中占据极为重要的地位。
现有技术中，治安预警的工作机制主要还是采用人为控制，各方汇集信息后，根据现有的信息依据系统给出的数据或是办案人员的工作经验进行治安综合治理，这种控制方式存在着信息获取慢、准确性差、重复率高、无效率高的问题，且无法预判事态发展走向，导致治安综合治理工作陷入被动。
发明内容
本发明解决了现有技术中，治安预警的工作机制主要还是采用人为控制，而导致的信息获取慢、准确性差、重复率高、无效率高的问题，且无法预判事态发展走向，导致治安综合治理工作陷入被动的问题，提供了一种优化的公安大数据预警方法。
本发明所采用的技术方案是，一种公安大数据预警方法，所述方法包括以下步骤：
步骤1：获取任一治安区域的若干训练数据，为训练数据集；
步骤2：提取训练数据集中的特征值，对特征值进行预处理；
步骤3：将预处理后的特征值输入算法模型，直至算法模型稳定；
步骤4：实时获取当前治安区域的接口数据；
步骤5：对接口数据进行与步骤2相同的提取特征值并进行预处理；
步骤6：将预处理后的特征值输入稳定的算法模型；
步骤7：若算法模型输出分数超过阈值，则报警，否则，返回步骤4。
优选地，所述训练数据和接口数据包括接处警记录数据、落地侵财案件数据、黄赌毒举报数据、流动人口管理系统数据、排摸后的边缘性场所数据、社区区域分布数据、旅馆及网吧登记信息数据及常住人口信息数据。
优选地，所述特征值包括警情a、落地侵财案b、人员异常数c、黄赌毒举报数d、边缘性场所数e，所述算法模型输出分数S＝a+b+c+d+e。
优选地，所述警情特征包括30日内当前治安区域人均警情占全局人均警情比偏离值a1、最近4周警情连续增长周数a2、7日警情均值与当前治安区域前30天警情均值比偏离值a3；
警情特征值的预处理包括以下步骤：
步骤2.1.1：清理假警数据和重复报警数据；
步骤2.1.2：得到30日内当前治安区域人均警情A和全局人均警情B，计算a1＝(A-B)/B；若a1＞0.3，则
否则，a′1为0；
步骤2.1.3：统计最近4周警情，以后一周警情数减去前一周警情数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为a2；a′2＝a2×5；
步骤2.1.4：得到当前治安区域的7日警情均值C和当前治安区域前30天警情均值D，计算a3＝(C-D)/D；若a3＞0.3，则
否则，a′3为0；
步骤2.1.5：计算a＝a′1+a′2+a′3。
优选地，所述落地侵财案特征包括当前治安区域最近4周案件连续增长周数b1、7日案件均值与当前治安区域前30天案件均值比偏离值b2及7日案件数b3；
落地侵财案特征值的预处理包括以下步骤：
步骤2.2.1：清理重复记录的案件；
步骤2.2.2：统计最近4周案件，以后一周案件数减去前一周案件数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为b1；计算b′1＝b1×5；
步骤2.2.3：得到当前治安区域的近7日案件总数值E与当前治安区域近30日案件总数值F；
步骤2.2.4：得到当前治安区域的近7日案件数日均值E'＝E/7与当前治安区域近30日案件数日均值F'＝F/30；
步骤2.2.5：若F为1，则偏离调整系数x＝6；若F为2，则偏离调整系数x＝3；若F为3，则偏离调整系数x＝1.5；
步骤2.2.6：计算b2＝(E’-F’)/x/F’；若b2＞0.3，则
否则，b′2为0；
步骤2.2.7：为案件数附分值b′3＝b3×5＝E×5；
步骤2.2.8：计算b＝b′1+b′2+b′3。
优选地，所述人员异常数特征包括7日内当前治安区域的重点人员触网数c1和30天内当前治安区域流动人口增长数c2；
人员异常数特征值的预处理包括以下步骤：
步骤2.3.1：得到7日内当前治安区域的重点人员触网数据和30天内当前治安区域流动人口增长数；
步骤2.3.2：以重点人员的姓名和身份证号为排重要素，任一重点人员单人多天次触网统一记为一次；
步骤2.3.3：排重后得到c1；c′1＝(c1-10)×2；
步骤2.3.4：以流动人口的姓名和身份证号为排重要素，任一流动人口单人多天次流动至当前治安区域统一记为一次；
步骤2.3.5：排重后得到c2；c′2＝c2/3000×2；
步骤2.3.6：计算c＝c′1+c′2。
优选地，所述黄赌毒举报数特征为30天内当前治安区域的黄赌毒举报数d；
黄赌毒举报数特征值的预处理包括以下步骤：
步骤2.4.1：获得30天内当前治安区域的黄赌毒举报数；
步骤2.4.2：对同一时间段内同一被举报场所或同一被举报自然人进行排重；
步骤2.4.3：对排重后，不同时间段内同一被举报场所或同一被举报自然人进行计数n；
步骤2.4.4：若n为2，则d＝2；若n为3，则d＝4；若n≥4，则d＝8。
优选地，所述边缘性场所数特征为当前治安区域的无证场所数e’；若e’＜15，则边缘性场所数特征值e＝e’；若15≤e’≤30，则边缘性场所数特征值e＝15；若e’＞30，则边缘性场所数特征值e＝20。
优选地，算法模型输出分数S；当S>80，标记为高危区域；当60＜S≤80，标记为重点关注区域；当40＜S≤60，标记为普通关注区域；当S≤40，标记为安全区域；
若警情a、落地侵财案b、人员异常数c中任一单项大于等于30或最终输出为高危区域，则报警并持续观察。
优选地，若步骤7中，超过时间T未发生新的报警，则返回步骤1，获取当前治安区域的新的若干训练数据，为新训练数据集，进行步骤2。
本发明提供了一种优化的公安大数据预警方法，通过获取任一治安区域的训练数据集，提取特征值并进行预处理后，输入算法模型直至稳定，然后实时获取当前治安区域的接口数据并进行相同的提取特征值、预处理操作，之后输入稳定的算法模型，并对输出的分数自动判断，选择报警或返回继续监测。
本发明根据核心数据指导核心业务的理念，通过算法模型的建设，固化精准清查后的数据架构模式，巩固全区社会治安生态环境专项整治行动效果，更加科学、更加有效、更加准确地对区域治安状况进行分析；同时，本发明重点考虑高危重点人员的因素，而非简单地以警情案情来分析社会治安状况，通过高危重点人员容易藏身的重点场所、重点区域、重点部位，科学自动地计算、赋分，最终实现区域治安状况自动展示、治安复杂区域自动预警、区域整治方案自动生成的目标，并可以根据算法模型的分析结果采取有效措施，对高危重点人员重点防控，切实有效改善区域治安状况。
本发明中基于模型计算的结果，结合警情信息、娱乐场所信息、危化品信息，还可以以地图为标识，对数据进行大数据可视化处理，实现数据信息实时自动监测并直观展示上墙，达到数据直观显现、信息自动推送、情指联动融合，发挥大数据优势，有效提升公安实战指挥效能，提升公安的战斗力。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种公安大数据预警方法，方法中涉及到精准清查后的数据，并在此数据的基础上增加动态数据，最后基于这些数据的异动判断治安漏洞或威胁，进行预警。
所述训练数据和接口数据包括接处警记录数据、落地侵财案件数据、黄赌毒举报数据、流动人口管理系统数据、排摸后的边缘性场所数据、社区区域分布数据、旅馆及网吧登记信息数据及常住人口信息数据。
本发明中，方法中的治安区域以行政区划进行区分，如以社区为单元，数据涉及任一三级县级行政区的多个社区，本领域技术人员可以依据当前管控区域范围及人口组成情况进行选择。
本发明中，训练数据和接口数据包括：
接处警记录数据，主要为公安110的接警和出警记录；
落地侵财案件数据，是指涉及侵犯财产的犯罪案件，包括抢劫、诈骗、盗窃等犯罪案件，主要为当前治安区域的案件数；
黄赌举报数据，是指涉黄、涉赌的举报案件，具体涉及到涉黄、涉赌的场所、重点监控人员信息等数据；
流动人口管理系统数据，是指当前治安区域备案在册的非常住人口的姓名、身份证号码、现住地、联系方式等；
排摸后的边缘性场所数据，是指经过前期排摸后定性为旅馆、网吧或娱乐性场所的无证场所的地址、联系人、联系方式等；
社区区域分布数据，是指当前治安区域中所有社区区域的位置关系数据，便于排查关联性案件或警情；
旅馆及网吧登记信息数据，是指旅馆的入住登记信息及网吧的登入信息，包括人员的姓名、身份证号码、联系方式、录入时间和登出时间等；
常住人口信息数据，是指当前治安区域备案在册的常住人口的姓名、身份证号码、现住地、联系方式等。
所述方法包括以下步骤。
步骤1：获取任一治安区域的若干训练数据，为训练数据集。
本发明中，从多个数据接口处实时进行数据收集，用于后续的特征值提取及预处理。
步骤2：提取训练数据集中的特征值，对特征值进行预处理。
所述特征值包括警情a、落地侵财案b、人员异常数c、黄赌毒举报数d、边缘性场所数e，所述算法模型输出分数S＝a+b+c+d+e。
所述警情特征包括30日内当前治安区域人均警情占全局人均警情比偏离值a1、最近4周警情连续增长周数a2、7日警情均值与当前治安区域前30天警情均值比偏离值a3；
警情特征值的预处理包括以下步骤：
步骤2.1.1：清理假警数据和重复报警数据；
步骤2.1.2：得到30日内当前治安区域人均警情A和全局人均警情B，计算a1＝(A-B)/B；若a1＞0.3，则
否则，a′1为0；
步骤2.1.3：统计最近4周警情，以后一周警情数减去前一周警情数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为a2；a′2＝a2×5；
步骤2.1.4：得到当前治安区域的7日警情均值C和当前治安区域前30天警情均值D，计算a3＝(C-D)/D；若a3＞0.3，则
否则，a′3为0；/>
步骤2.1.5：计算a＝a′1+a′2+a′3。
本发明中，7日警情均值与当前治安区域前30天警情均值比偏离值超过30％的部分，每10％算1分，每超过10％且未满20％的算1分，最低为0分。
所述落地侵财案特征包括当前治安区域最近4周案件连续增长周数b1、7日案件均值与当前治安区域前30天案件均值比偏离值b2及7日案件数b3；
落地侵财案特征值的预处理包括以下步骤：
步骤2.2.1：清理重复记录的案件；
步骤2.2.2：统计最近4周案件，以后一周案件数减去前一周案件数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为b1；计算b′1＝b1×5；
步骤2.2.3：得到当前治安区域的近7日案件总数值E与当前治安区域近30日案件总数值F；
步骤2.2.4：得到当前治安区域的近7日案件数日均值E'＝E/7与当前治安区域近30日案件数日均值F'＝F/30；
步骤2.2.5：若F为1，则偏离调整系数x＝6；若F为2，则偏离调整系数x＝3；若F为3，则偏离调整系数x＝1.5；
步骤2.2.6：计算b2＝(E’-F’)/x/F’；若b2＞0.3，则
否则，b′2为0；
步骤2.2.7：为案件数附分值b′3＝b3×5＝E×5；
步骤2.2.8：计算b＝b1′+b′2+b′3。
本发明中，当前治安区域的前30天案件均值在计算前首先进行加权处理，计算案件比重。
本发明中，7日案件均值与本区域前30天案件均值比偏离值按照超过30％的部分进行得分计算，每10％算1分，最低为0分。
所述人员异常数特征包括7日内当前治安区域的重点人员触网数c1和30天内当前治安区域流动人口增长数c2；
人员异常数特征值的预处理包括以下步骤：
步骤2.3.1：得到7日内当前治安区域的重点人员触网数据和30天内当前治安区域流动人口增长数；
步骤2.3.2：以重点人员的姓名和身份证号为排重要素，任一重点人员单人多天次触网统一记为一次；
步骤2.3.3：排重后得到c1；c′1＝(c1-10)×2；
步骤2.3.4：以流动人口的姓名和身份证号为排重要素，任一流动人口单人多天次流动至当前治安区域统一记为一次；
步骤2.3.5：排重后得到c2；c′2＝c2/3000×2；
步骤2.3.6：计算c＝c1′+c′2。
本发明中，当前治安区域的重点人员触网数据，如旅馆网吧的触网人员数，一般先采用排重处理，当任一个人持续触网时，需要着重对此人进行布控，而不应当计入当前区域的治安状况预测中。
本发明中，30天内当前治安区域流动人口增长数同样一般先采用排重处理，当任一个人持续流动时，需要着重对此人进行布控，而不应当计入当前区域的治安状况预测中。
所述黄赌毒举报数特征为30天内当前治安区域的黄赌毒举报数d；
黄赌毒举报数特征值的预处理包括以下步骤：
步骤2.4.1：获得30天内当前治安区域的黄赌毒举报数；
步骤2.4.2：对同一时间段内同一被举报场所或同一被举报自然人进行排重；
步骤2.4.3：对排重后，不同时间段内同一被举报场所或同一被举报自然人进行计数n；
步骤2.4.4：若n为2，则d＝2；若n为3，则d＝4；若n≥4，则d＝8。
本发明中，黄赌毒举报数涉及到时间和次数，同一时间针对同一个体或地址的多次举报应视为一次，而当存在不同时间针对同一个体或地址的多次举报应实际计数，作为计算风险值的依据。
本发明中，根据黄赌毒的实际情况，拘留时间为5-15不等，故默认当n≥4时需要介入处理。
所述边缘性场所数特征为当前治安区域的无证场所数e’；若e’＜15，则边缘性场所数特征值e＝e’；若15≤e’≤30，则边缘性场所数特征值e＝15；若e’＞30，则边缘性场所数特征值e＝20。
本发明中，在处理器中配合每一个预处理后的特征值的每个加数或涉及的获取数据的乘法项设置存储位，存储位中的数值以二进制表示，并以0补齐一定位数后进行数据加密，防止不法分子篡改。
本发明中，在得到最终的算法模型输出分数S后，对存储位进行清零处理。
步骤3：将预处理后的特征值输入算法模型，直至算法模型稳定。
本发明中，当算法的计算结果满足经验判断得到的预警值后，以当前的算法模型作为后续实时获取数据的计算模型。
本发明中，当前治安区域中的积分可以量化体现社区治安状况，同理也可以查看当前治安区域中每个单元的积分。
本发明中，某一子项分数超过预定值时可以设置自动预警，也可以通过分析子项分数来有针对性地改善社区治安状况。
本发明中，遇到总分过高需要清查时，将不用根据经验进行判断，也不用在清查前分析数据，而实现自动分析治安状况，自动生成清查方案，清查重点；系统将实时分析每个区域的治安状况，根据高分的区域不同确定清查区域，根据总分不同确定不同清查规模，根据某一子项分值高低确定不同清查重点；何时需要进行清查、需要清查何地、需要多少力量参与清查、清查哪些重点区域，都可以通过此模型自动生成方案，做到精确制导、精准发力、精细管控。
步骤4：实时获取当前治安区域的接口数据。
步骤5：对接口数据进行与步骤2相同的提取特征值并进行预处理。
步骤6：将预处理后的特征值输入稳定的算法模型。
本发明中，步骤4～6的过程与步骤1～3一致。
步骤7：若算法模型输出分数超过阈值，则报警，否则，返回步骤4。
算法模型输出分数S；当S>80，标记为高危区域；当60＜S≤80，标记为重点关注区域；当40＜S≤60，标记为普通关注区域；当S≤40，标记为安全区域；
若警情a、落地侵财案b、人员异常数c中任一单项大于等于30或最终输出为高危区域，则报警并持续观察。
若步骤7中，超过时间T未发生新的报警，则返回步骤1，获取当前治安区域的新的若干训练数据，为新训练数据集，进行步骤2。
本发明中，当超过时间T未发生新的报警，如6个小时，则考虑是否出现算法应当更新的问题或是应当减小预警阈值，防止出现警情的遗漏。
本发明中，还可以将上述所有的数据呈现在大屏上，并展示各社区按照治安模型计算得出的分数，在地图两边展示社区得分柱状图、娱乐场所人员数量柱状图、黄赌毒举报信息、触网人数波动图、危化器安全指数仪表盘、区域实时预警信息，在地图上画出每个社区的边界，用红、橙、蓝、绿分别表示高危、重点关注、欠安、安全区域(社区)，并显示各个安全级别的社区数量，每小时计算并更新数据。
本发明通过获取任一治安区域的训练数据集，提取特征值并进行预处理后，输入算法模型直至稳定，然后实时获取当前治安区域的接口数据并进行相同的提取特征值、预处理操作，之后输入稳定的算法模型，并对输出的分数自动判断，选择报警或返回继续监测。
本发明根据核心数据指导核心业务的理念，通过算法模型的建设，固化精准清查后的数据架构模式，巩固全区社会治安生态环境专项整治行动效果，更加科学、更加有效、更加准确地对区域治安状况进行分析；同时，本发明重点考虑高危重点人员的因素，而非简单地以警情案情来分析社会治安状况，通过高危重点人员容易藏身的重点场所、重点区域、重点部位，科学自动地计算、赋分，最终实现区域治安状况自动展示、治安复杂区域自动预警、区域整治方案自动生成的目标，并可以根据算法模型的分析结果采取有效措施，对高危重点人员重点防控，切实有效改善区域治安状况。
本发明中基于模型计算的结果，结合警情信息、娱乐场所信息、危化品信息，还可以以地图为标识，对数据进行大数据可视化处理，实现数据信息实时自动监测并直观展示上墙，达到数据直观显现、信息自动推送、情指联动融合，发挥大数据优势，有效提升公安实战指挥效能，提升公安的战斗力。
Claims (9)
1.一种公安大数据预警方法，其特征在于：所述方法包括以下步骤：
步骤1：获取任一治安区域的若干训练数据，为训练数据集；
步骤2：提取训练数据集中的特征值，对特征值进行预处理，所述特征值包括警情a、落地侵财案b、人员异常数c、黄赌毒举报数d、边缘性场所数e；
警情特征值的预处理包括以下步骤：
步骤2.1.1：清理假警数据和重复报警数据；
步骤2.1.2：得到30日内当前治安区域人均警情A和全局人均警情B，计算a1＝(A-B)/B；若a1＞0.3，则
否则，a′1为0；
步骤2.1.3：统计最近4周警情，以后一周警情数减去前一周警情数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为a2；a′2＝a2×5；
步骤2.1.4：得到当前治安区域的7日警情均值C和当前治安区域前30天警情均值D，计算a3＝(C-D)/D；若a3＞0.3，则
否则，a′3为0；
步骤2.1.5：计算a＝a′1+a′2+a′3；
落地侵财案特征值的预处理包括以下步骤：
步骤2.2.1：清理重复记录的案件；
步骤2.2.2：统计最近4周案件，以后一周案件数减去前一周案件数，若相邻两周间的差值为正则记为连续增长，统计连续增长周数为b1；计算b′1＝b1×5；
步骤2.2.3：得到当前治安区域的近7日案件总数值E与当前治安区域近30日案件总数值F；
步骤2.2.4：得到当前治安区域的近7日案件数日均值E'＝E/7与当前治安区域近30日案件数日均值F'＝F/30；
步骤2.2.5：若F为1，则偏离调整系数x＝6；若F为2，则偏离调整系数x＝3；若F为3，则偏离调整系数x＝1.5；
步骤2.2.6：计算b2＝(E’-F’)/x/F’；若b2＞0.3，则
否则，b′2为0；
步骤2.2.7：为案件数附分值b′3＝b3×5＝E×5；
步骤2.2.8：计算b＝b′1+b′2+b′3；
人员异常数特征值的预处理包括以下步骤：
步骤2.3.1：得到7日内当前治安区域的重点人员触网数据和30天内当前治安区域流动人口增长数；
步骤2.3.2：以重点人员的姓名和身份证号为排重要素，任一重点人员单人多天次触网统一记为一次；
步骤2.3.3：排重后得到c1；c′1＝(c1-10)×2；
步骤2.3.4：以流动人口的姓名和身份证号为排重要素，任一流动人口单人多天次流动至当前治安区域统一记为一次；
步骤2.3.5：排重后得到c2；c′2＝c2/3000×2；
步骤2.3.6：计算c＝c′1+c′2；
黄赌毒举报数特征值的预处理包括以下步骤：
步骤2.4.1：获得30天内当前治安区域的黄赌毒举报数；
步骤2.4.2：对同一时间段内同一被举报场所或同一被举报自然人进行排重；
步骤2.4.3：对排重后，不同时间段内同一被举报场所或同一被举报自然人进行计数n；
步骤2.4.4：若n为2，则d＝2；若n为3，则d＝4；若n≥4，则
d＝8；
所述边缘性场所数特征为当前治安区域的无证场所数e’；若e’＜15，则边缘性场所数特征值e＝e’；若15≤e’≤30，则边缘性场所数特征值e＝15；若e’＞30，则边缘性场所数特征值e＝20；
步骤3：将预处理后的特征值输入算法模型，直至算法模型稳定；
步骤4：实时获取当前治安区域的接口数据；
步骤5：对接口数据进行与步骤2相同的提取特征值并进行预处理；
步骤6：将预处理后的特征值输入稳定的算法模型；
步骤7：若算法模型输出分数超过阈值，则报警，否则，返回步骤4。
2.根据权利要求1所述的一种公安大数据预警方法，其特征在于：所述训练数据和接口数据包括接处警记录数据、落地侵财案件数据、黄赌毒举报数据、流动人口管理系统数据、排摸后的边缘性场所数据、社区区域分布数据、旅馆及网吧登记信息数据及常住人口信息数据。
3.根据权利要求2所述的一种公安大数据预警方法，其特征在于：所述算法模型输出分数S＝a+b+c+d+e。
4.根据权利要求3所述的一种公安大数据预警方法，其特征在于：所述警情特征包括30日内当前治安区域人均警情占全局人均警情比偏离值a1、最近4周警情连续增长周数a2、7日警情均值与当前治安区域前30天警情均值比偏离值a3。
5.根据权利要求3所述的一种公安大数据预警方法，其特征在于：所述落地侵财案特征包括当前治安区域最近4周案件连续增长周数b1、7日案件均值与当前治安区域前30天案件均值比偏离值b2及7日案件数b3。
6.根据权利要求3所述的一种公安大数据预警方法，其特征在于：所述人员异常数特征包括7日内当前治安区域的重点人员触网数c1和30天内当前治安区域流动人口增长数c2。
7.根据权利要求3所述的一种公安大数据预警方法，其特征在于：所述黄赌毒举报数特征为30天内当前治安区域的黄赌毒举报数d。
8.根据权利要求3所述的一种公安大数据预警方法，其特征在于：算法模型输出分数S；当S>80，标记为高危区域；当60＜S≤80，标记为重点关注区域；当40＜S≤60，标记为普通关注区域；当S≤40，标记为安全区域；
若警情a、落地侵财案b、人员异常数c中任一单项大于等于30或最终输出为高危区域，则报警并持续观察。
9.根据权利要求1所述的一种公安大数据预警方法，其特征在于：若步骤7中，超过时间T未发生新的报警，则返回步骤1，获取当前治安区域的新的若干训练数据，为新训练数据集，进行步骤2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475307.XA CN110322049B (zh) | 2019-06-03 | 2019-06-03 | 一种公安大数据预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475307.XA CN110322049B (zh) | 2019-06-03 | 2019-06-03 | 一种公安大数据预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110322049A CN110322049A (zh) | 2019-10-11 |
| CN110322049B true CN110322049B (zh) | 2023-06-09 |
Family
ID=68119369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910475307.XA Active CN110322049B (zh) | 2019-06-03 | 2019-06-03 | 一种公安大数据预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110322049B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400415B (zh) * | 2020-03-12 | 2024-05-17 | 深圳市天彦通信股份有限公司 | 人员的管理方法及相关装置 |
| CN113468948B (zh) * | 2021-04-26 | 2023-11-10 | 深圳市安软科技股份有限公司 | 基于视图数据的治安防控方法、模块、设备及存储介质 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060009992A1 (en) * | 2004-07-02 | 2006-01-12 | Cwiek Mark A | Method and system for assessing a community's preparedness, deterrence, and response capability for handling crisis situations |
| CN104102773B (zh) * | 2014-07-05 | 2017-06-06 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
| US10558936B2 (en) * | 2015-10-06 | 2020-02-11 | Numerica Corporation | Systems and methods for dynamically generating patrol schedules based on historic demand data |
| CN105488588A (zh) * | 2015-11-25 | 2016-04-13 | 安徽瑞信软件有限公司 | 基于Apriori算法的警情预测方法及警情预测系统 |
| CN106128028B (zh) * | 2016-07-21 | 2018-11-20 | 深圳奇迹智慧网络有限公司 | 一种基于mac码和人脸识别的人流预警方法 |
| CN106453061B (zh) * | 2016-11-22 | 2019-07-09 | 北京锐安科技有限公司 | 一种识别网络诈骗行为的方法及系统 |
| CN106600969A (zh) * | 2016-12-19 | 2017-04-26 | 安徽百诚慧通科技有限公司 | 一种智慧化道路综合防控方法及系统 |
| CN106682876A (zh) * | 2016-12-29 | 2017-05-17 | 广东精规划信息科技股份有限公司 | 一种用于公安指挥的可视化指挥平台 |
| CN107067141A (zh) * | 2016-12-29 | 2017-08-18 | 苏碧云 | 一种指挥系统 |
| CN106875692A (zh) * | 2017-03-27 | 2017-06-20 | 武汉烽火众智数字技术有限责任公司 | 基于大数据的车辆积分预警系统及其方法 |
| CN106970911A (zh) * | 2017-03-28 | 2017-07-21 | 广州中国科学院软件应用技术研究所 | 一种基于大数据和机器学习的防范电信诈骗系统及方法 |
| CN107481177A (zh) * | 2017-08-17 | 2017-12-15 | 航天科工智慧产业发展有限公司 | 一种快速实现可疑人员核查处置指导的方法和系统 |
| CN107748786B (zh) * | 2017-10-27 | 2021-09-10 | 南京西三艾电子系统工程有限公司 | 警情大数据管理系统 |
| CN108024207B (zh) * | 2017-12-06 | 2020-12-01 | 南京华苏科技有限公司 | 基于三层防控圈的人流量监控方法 |
| CN108460144B (zh) * | 2018-03-14 | 2021-11-12 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
| CN108805202B (zh) * | 2018-06-11 | 2021-07-30 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
| CN109461106A (zh) * | 2018-10-11 | 2019-03-12 | 浙江公共安全技术研究院有限公司 | 一种多维信息感知处理方法 |
| CN109492821A (zh) * | 2018-11-20 | 2019-03-19 | 北京荣之联科技股份有限公司 | 一种维稳预警方法及系统、电子设备 |
| CN109711613A (zh) * | 2018-12-24 | 2019-05-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于人员关系模型和事件关联模型的预警方法及系统 |
| CN109711622A (zh) * | 2018-12-27 | 2019-05-03 | 四川九洲电器集团有限责任公司 | 一种基于时空多维因素预测警情的方法和系统 |
-
2019
- 2019-06-03 CN CN201910475307.XA patent/CN110322049B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| AI驱动智慧警务发展 以大数据引领警务实战变革――昆明市公安局盘龙分局创新构建VID视频数据治理体系深入推进智慧安防建设应用;敖文昆;乔志;孙靖宇;;中国安防(第08期);全文 * |
| 李伟――推动城域物联网建设 夯实"智慧警务"的"智慧基础";李瑾;;警察技术(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110322049A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106254317A (zh) | 一种数据安全异常监控系统 | |
| CN107528832A (zh) | 一种面向系统日志的基线构建与未知异常行为检测方法 | |
| US11336672B2 (en) | Detecting behavioral anomaly in machine learned rule sets | |
| CN106709513A (zh) | 一种基于有监督机器学习的证券配资账户识别方法 | |
| CN110322049B (zh) | 一种公安大数据预警方法 | |
| CN108388969A (zh) | 基于个人行为时序特征的内部威胁人物风险预测方法 | |
| CN110474878A (zh) | 基于动态阈值的DDoS攻击态势预警方法和服务器 | |
| CN106447194A (zh) | 综合静态和动态信息的罪犯危险度评估方法 | |
| KR102259838B1 (ko) | 암호화폐 블랙리스트 구축 장치 및 방법 | |
| CN112116464A (zh) | 基于事件序列频繁项集的异常交易行为分析方法和系统 | |
| Ramaki et al. | Credit card fraud detection based on ontology graph | |
| CN107609330B (zh) | 基于门禁日志挖掘的内部威胁异常行为分析方法 | |
| Turner et al. | Follow the money: Revealing risky nodes in a Ransomware-Bitcoin network | |
| CN113642672A (zh) | 医保数据的特征加工方法、装置、计算机设备及存储介质 | |
| CN115567241A (zh) | 一种多站点网络感知检测系统 | |
| CN110211014A (zh) | 一种运营商反欺诈检测方法 | |
| CN114780711B (zh) | 基于智慧档案平台的证照申办识别方法、系统及介质 | |
| CN110738570A (zh) | 基于多通道异质数据的信息型操纵自动识别方法 | |
| CN113486243B (zh) | 一种社交网络假流量黑灰产自动挖掘方法和系统 | |
| CN110096532A (zh) | 一种安全生产大数据分析挖掘方法和系统 | |
| Abdulraheem et al. | CRIME RATE PREDICTION USING THE RANDOM FOREST ALGORITHM | |
| CN117217900A (zh) | 基于信用卡信息大数据分析的溢缴款风险监控方法及装置 | |
| CN117670049A (zh) | 一种卷烟仓库不安全行为自动识别预警系统 | |
| CN117729026A (zh) | 一种用户实体行为分析风险值计算方法 | |
| Moyo | Crime and firm characteristics in South Africa |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |