CN111078872A - 警务事件模拟数据生成方法 - Google Patents
警务事件模拟数据生成方法 Download PDFInfo
- Publication number
- CN111078872A CN111078872A CN201911153466.4A CN201911153466A CN111078872A CN 111078872 A CN111078872 A CN 111078872A CN 201911153466 A CN201911153466 A CN 201911153466A CN 111078872 A CN111078872 A CN 111078872A
- Authority
- CN
- China
- Prior art keywords
- entity
- behaviors
- behavior
- event
- police
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种警务事件模拟数据生成方法，包括：警务事件实体的行为数据抽取；行为数据的知识化描述；建立时序驱动下的代理算法；建立想定警务事件的框架；警务事件推演，获得模拟数据。本发明通过对已有警务数据的归纳学习，抽取行为特征并将所建立的知识化行为模型用于时序推演，在推演过程中不断触发一系列随机性事件，最终通过对所有事件数据的收集完成警务事件模拟，该方法所生成的数据，在时间连贯性、逻辑一致性、可解释性等方面具备更好的实用性，解决了复杂场景下警务事件模拟数据生成问题。
Description
技术领域
本发明属于模拟数据生成技术领域，尤其涉及一种基于知识化行为模型及时序推演的警务事件模拟数据生成方法。
背景技术
在当前动荡不安的国际局势下，国内所面临的恐怖主义形势日趋严峻，影响社会治安的重大事件频发，智能化警务的需求日益迫切。
目前绝大多数的人工智能算法，都需要海量的数据对其进行训练。数据的真实性与数据规模直接影响着算法模型的可靠性与适应程度。然而目前各个地市公安系统中的涉案的真实数据，在数据可用性和数据规模方面都存在巨大差距，现有的随机数据生成算法难以在复杂事件模拟中有效组合运用。快速生成真实、海量的模拟数据来训练智能算法，成为了警务指挥调度智能化迫切关注的技术问题。
在随机数据生成方面，目前已有成熟算法支撑独立随机的正态分布、泊松分布、指数分布等模型。但是在警务事件中，仅满足某一项随机变量的随机分布远远不够，还需要对连续的随机行为进行建模并满足大量随机事件的约束及事件之间的相互关联性。
发明内容
基于此，针对上述技术问题，提供一种基于知识化行为模型及时序推演的警务事件模拟数据生成方法。
为解决上述技术问题，本发明采用如下技术方案：
一种警务事件模拟数据生成方法，包括：
一、警务事件实体的行为数据抽取：
将警务事件本体进行分类；
将警务事件所涉及到的实体分类至各本体类；
在警务系统数据库中抽取各类实体对应的行为数据；
二、行为数据的知识化描述：
将步骤一得到的行为数据作为数据样本进行学习，对各类实体行为进行建模，包括独立实体独立行为的连续时序建模、独立实体连续行为的随机建模以及多实体独立事件的关联建模；
将建模得到知识化模型存储在知识库之中；
三、建立时序驱动下的代理算法：
根据代理的初始状态产生随机行为；
读取所述知识库，根据所述随机行为对应的知识化模型及周边代理的状态，持续该随机行为或切换到其他行为；
行为发生过程中，在每个系统时钟的激励下，每个代理输出行为数据；
四、建立想定警务事件的框架：
根据待推演的警务事件，分别对环境向量、实体初始向量以及事件过程向量进行建模，所述环境向量包括事件场所、道路与设施、其他群体以及天气，所述实体初始向量包括参与推演的人员实体、初始状态、初始位置以及初始行为，所述事件过程向量包括涉案人员的涉案行为、接警处置、报案后的指挥调度行为以及执法人员的管控行为；
五、警务事件推演，获得模拟数据：
通过所述环境向量构建虚拟环境，通过所述实体初始向量创建相应的多个代理，并将所述多个代理放入推演引擎之中，通过所述实体初始向量对各代理设置初始位置与初始行为；
开启推演引擎，在所述框架下通过所述时序驱动下的代理算法，各代理输出行为数据并影响周围的其他代理，直到满足预设的终止条件结束推演；
将所有实体行为在推演过程中输出的时序数据存储到推演数据库中。
将警务事件本体分成四类：控制单元、执行单元、客体以及场景，控制单元类本体的实体为指挥中心的非现场执法人员，执行单元类本体的实体为现场执法的警务人员，客体类本体的实体为犯罪人员、受害者以及群众，场景类本体的实体为重要的场所以及天气。
所述控制单元类本体的实体的行为包括接警以及决策与处置，所述执行单元类本体的实体的行为包括卡口设置、行动路线以及管制措施，所述客体类本体的实体的行为包括移动行为、消费行为、犯罪行为、通信行为以及受管制行为，所述场景类本体的实体的行为包括重要的场所以及天气。
所述独立实体独立行为的连续时序建模是在特定场景下实体发生该某一特定行为的概率及其持续数据特征或规律；
所述独立实体连续行为的随机建模是某个实体持续实施多个连续行为的特征规律；
所述多实体独立事件的关联建模是在某个涉及多实体的事件发生过程中，多个实体在时间、空间、因果过程中的关联性约束。
所述知识化模型以分布函数、分布参数、转移矩阵或约束规则进行描述。
本发明通过对已有警务数据的归纳学习，抽取行为特征并将所建立的知识化行为模型用于时序推演，在推演过程中不断触发一系列随机性事件，最终通过对所有事件数据的收集完成警务事件模拟，该方法所生成的数据，在时间连贯性、逻辑一致性、可解释性等方面具备更好的实用性，解决了复杂场景下警务事件模拟数据生成问题。
附图说明
下面结合附图和具体实施方式本发明进行详细说明：
图1为本发明原理图；
图2为本发明的想定警务事件的框架示意图。
具体实施方式
如图1所示，一种警务事件模拟数据生成方法，包括：
一、警务事件实体的行为数据抽取：
1、将警务事件本体进行分类。
2、将警务事件所涉及到的实体分类至各本体类。
在本实施例中，建立警务事件本体模型，将警务事件本体分成四类：控制单元、执行单元、客体以及场景，并将警务事件所涉及到的实体分类至四个本体类中，则控制单元类本体的实体为指挥中心的非现场执法人员，执行单元类本体的实体为现场执法的警务人员，客体类本体的实体为犯罪人员、受害者以及群众，场景类本体的实体为重要的场所以及天气。
本体是概念模型，实体是具体的实例。
3、在警务系统数据库中抽取各类实体对应的行为数据。
控制单元类本体的实体的行为包括接警以及决策与处置，执行单元类本体的实体的行为包括卡口设置、行动路线以及管制措施，客体类本体的实体的行为包括移动行为、消费行为、犯罪行为、通信行为以及受管制行为，场景类本体的实体的行为包括重要的场所以及天气，参见表1。
表1
二、行为数据的知识化描述：
1、将步骤一得到的行为数据作为数据样本进行学习，对各类实体行为进行建模，包括独立实体独立行为的连续时序建模、独立实体连续行为的随机建模以及多实体独立事件的关联建模。
其中，独立实体独立行为的连续时序建模是在特定场景下实体发生该某一特定行为的概率及其持续数据特征或规律，如在特定场景下某实体发生移动行为的概率，以及该实体在移动过程中从起始地出发以一定的速度持续输出轨迹数据直到目的地为止。
独立实体连续行为的随机建模是某个实体持续实施多个连续行为的特征规律。该模型主要刻画了涉案人员在事前、事中、事后所触发的一系列行为的随机性。这些行为在时间上是连续的，但是所实施的地点、实施的目标、实施的手段及事后的逃逸路线又具有一定的随机性。在该类行为建模中，既包含真实数据分析后得到的随机统计分布模型，又包含事件因果约束下的概率转移模型。
对建模中涉及到的统计分布模型，若行为数据是离散的集合类数据，则建立离散的随机分布函数(如二项式分布函数)，若行为数据是连续的数据，建立连续分布函数(如正态分布函数)。
多实体独立事件的关联建模是在某个涉及多实体的事件发生过程中，多个实体在时间、空间、因果过程中的关联性约束，如涉案事件中的涉案人员与受害人员在时间、轨迹位置上的一致性关联约束。
绝大部分实体都可以通过警务数据的样本进行学习，对于个别实体行为(如建筑燃烧模型)，可直接采用相关专业已研究的模型或近似公式。
通过上述模型可以保证后续模拟的数据具有时间连贯性、逻辑一致性以及可解释性。
2、将建模得到知识化模型存储在知识库之中。
建模完成的知识化模型以分布函数、分布参数、转移矩阵或约束规则进行描述，是对各类行为的知识化描述。
三、建立时序驱动下的代理算法：
1、根据代理的初始状态产生随机行为。
2、读取所述知识库，根据所述随机行为对应的知识化模型及周边代理的状态，持续该随机行为或切换到其他行为。
3、行为发生过程中，在每个系统时钟的激励下，每个代理输出行为数据。
其中，代理是推演过程中某个具体实体的算法模拟(如模拟某个犯罪人员)，能根据周边场景和其他代理的状态，选择自身的行为；时序驱动，是推演过程中的系统时钟对各个代理发布的系统时间。
比如某个代理是犯罪人员，正在坐车(移动行为)，那么在不同的时钟下，就要输出最新的位置数据(位置轨迹记录)。
四、如图2所示，建立想定警务事件的框架,想定警务事件是对推演剧本的框架性设计。对每一个具体的想定(刑事案件推演或安保事件推演)，都需要一个具体的场景和事件脚本进行描述。此类描述要将事件性质、发生范围、发生时间框定在某个特定的范围，并约定涉案人员、执法人员的数量和初始状态。建立过程如下：
根据待推演的警务事件，分别对环境向量、实体初始向量以及事件过程向量进行建模，环境向量包括事件场所、道路与设施、其他群体以及天气，实体初始向量包括参与推演的人员实体(包含对应的数量)、初始状态、初始位置以及初始行为，事件过程向量包括涉案人员的涉案行为、接警处置、报案后的指挥调度行为以及执法人员的管控行为。
五、警务事件推演，获得模拟数据：
1、推演的初始化：通过上述环境向量构建虚拟环境，通过实体初始向量创建相应的多个代理，并将多个代理放入推演引擎之中，通过实体初始向量对各代理设置初始位置与初始行为。
2、开启推演引擎(开启代表系统时钟的时序触发器，激活各个代理)，在步骤四建立的想定警务事件的框架下通过上述时序驱动下的代理算法，各代理输出行为数据并影响周围的其他代理，直到满足预设的终止条件结束推演。
3、将所有实体行为在推演过程中输出的时序数据(按时间保存的行为数据)存储到推演数据库中。
这些数据可以作为警务时间模拟数据对警务指挥调度智能算法进行训练。
如待推演的警务事件为：某城市马拉松活动，有人对道路进行破坏，扰乱会场秩序，警务人员实施管控，可以将5个破坏者代理、3个警员代理、若干群众代理放入推演引擎，随机生成具体行为。
如待推演的警务事件为：召开中非论坛，那么需要设定会场代理(如国家会议中心，属于重要的场所实体)、重要元首代理(属于客体类的人员实体)、破坏者代理和群众代理。国家会议中心实体被纵火或破坏之后，随着时间改变，其行为数据(状态)也会改变。
本发明通过对已有警务数据的归纳学习，抽取行为特征并将所建立的知识化行为模型用于时序推演，在推演过程中不断触发一系列随机性事件，最终通过对所有事件数据的收集完成警务事件模拟，该方法所生成的数据，在时间连贯性、逻辑一致性、可解释性等方面具备更好的实用性，解决了复杂场景下警务事件模拟数据生成问题。
但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种警务事件模拟数据生成方法，其特征在于，包括：
一、警务事件实体的行为数据抽取：
将警务事件本体进行分类；
对警务事件所涉及到的实体分类至各本体类；
在警务系统数据库中抽取各类实体对应的行为数据；
二、行为数据的知识化描述：
将步骤一得到的行为数据作为数据样本进行学习，对各类实体行为进行建模，包括独立实体独立行为的连续时序建模、独立实体连续行为的随机建模以及多实体独立事件的关联建模；
将建模得到知识化模型存储在知识库之中；
三、建立时序驱动下的代理算法：
根据代理的初始状态产生随机行为；
读取所述知识库，根据所述随机行为对应的知识化模型及周边代理的状态，持续该随机行为或切换到其他行为；
行为发生过程中，在每个系统时钟的激励下，每个代理输出行为数据；
四、建立想定警务事件的框架：
根据待推演的警务事件，分别对环境向量、实体初始向量以及事件过程向量进行建模，所述环境向量包括事件场所、道路与设施、其他群体以及天气，所述实体初始向量包括参与推演的人员实体、初始状态、初始位置以及初始行为，所述事件过程向量包括涉案人员的涉案行为、接警处置、报案后的指挥调度行为以及执法人员的管控行为；
五、警务事件推演，获得模拟数据：
通过所述环境向量构建虚拟环境，通过所述实体初始向量创建相应的多个代理，并将所述多个代理放入推演引擎之中，通过所述实体初始向量对各代理设置初始位置与初始行为；
开启推演引擎，在所述框架下通过所述时序驱动下的代理算法，各代理输出行为数据并影响周围的其他代理，直到满足预设的终止条件结束推演；
将所有实体行为在推演过程中输出的时序数据存储到推演数据库中。
2.根据权利要求1所述的一种警务事件模拟数据生成方法，其特征在于，将警务事件本体分成四类：控制单元、执行单元、客体以及场景，控制单元类本体的实体为指挥中心的非现场执法人员，执行单元类本体的实体为现场执法的警务人员，客体类本体的实体为犯罪人员、受害者以及群众，场景类本体的实体为重要的场所以及天气。
3.根据权利要求2所述的一种警务事件模拟数据生成方法，其特征在于，所述控制单元类本体的实体的行为包括接警以及决策与处置，所述执行单元类本体的实体的行为包括卡口设置、行动路线以及管制措施，所述客体类本体的实体的行为包括移动行为、消费行为、犯罪行为、通信行为以及受管制行为，所述场景类本体的实体的行为包括重要的场所以及天气。
4.根据权利要求1或3所述的一种警务事件模拟数据生成方法，其特征在于，所述独立实体独立行为的连续时序建模是在特定场景下实体发生该某一特定行为的概率及其持续数据特征或规律；
所述独立实体连续行为的随机建模是某个实体持续实施多个连续行为的特征规律；
所述多实体独立事件的关联建模是在某个涉及多实体的事件发生过程中，多个实体在时间、空间、因果过程中的关联性约束。
5.根据权利要求4所述的一种警务事件模拟数据生成方法，其特征在于，所述知识化模型以分布函数、分布参数、转移矩阵或约束规则进行描述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911153466.4A CN111078872B (zh) | 2019-11-22 | 2019-11-22 | 警务事件模拟数据生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911153466.4A CN111078872B (zh) | 2019-11-22 | 2019-11-22 | 警务事件模拟数据生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111078872A true CN111078872A (zh) | 2020-04-28 |
| CN111078872B CN111078872B (zh) | 2023-05-16 |
Family
ID=70311713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911153466.4A Active CN111078872B (zh) | 2019-11-22 | 2019-11-22 | 警务事件模拟数据生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111078872B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112863286A (zh) * | 2021-01-21 | 2021-05-28 | 公安部物证鉴定中心 | 面向案件调查的全尺寸住宅纵火实验系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100100510A1 (en) * | 2007-05-17 | 2010-04-22 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Dynamic discrete decision simulation system |
| CN102073698A (zh) * | 2010-12-28 | 2011-05-25 | 中国工商银行股份有限公司 | 企业级数据仓库系统的样本数据获取方法及装置 |
| CN103970920A (zh) * | 2013-02-05 | 2014-08-06 | 周柏贾 | 地震应急演练虚拟仿真系统 |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110309564A (zh) * | 2019-06-18 | 2019-10-08 | 中国船舶工业系统工程研究院 | 一种虚实结合的警用预案制定方法 |
-
2019
- 2019-11-22 CN CN201911153466.4A patent/CN111078872B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100100510A1 (en) * | 2007-05-17 | 2010-04-22 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Dynamic discrete decision simulation system |
| CN102073698A (zh) * | 2010-12-28 | 2011-05-25 | 中国工商银行股份有限公司 | 企业级数据仓库系统的样本数据获取方法及装置 |
| CN103970920A (zh) * | 2013-02-05 | 2014-08-06 | 周柏贾 | 地震应急演练虚拟仿真系统 |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110309564A (zh) * | 2019-06-18 | 2019-10-08 | 中国船舶工业系统工程研究院 | 一种虚实结合的警用预案制定方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112863286A (zh) * | 2021-01-21 | 2021-05-28 | 公安部物证鉴定中心 | 面向案件调查的全尺寸住宅纵火实验系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111078872B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109559008A (zh) | 施工监控方法、装置及系统 | |
| CN111881625A (zh) | 一种基于深度强化学习的人群疏散仿真方法及系统 | |
| O'Toole et al. | Towards decentralised detection of emergence in complex adaptive systems | |
| Wang et al. | Deep Q learning-based traffic signal control algorithms: Model development and evaluation with field data | |
| JP2020024678A (ja) | 航空交通管制電子システムを試験する方法、関連装置及びプラットフォーム | |
| Lee et al. | Integrated human decision making model under belief-desire-intention framework for crowd simulation | |
| CN111078872A (zh) | 警务事件模拟数据生成方法 | |
| Su et al. | Optimizing spaced repetition schedule by capturing the dynamics of memory | |
| CN110443408A (zh) | 出行预测方法和装置 | |
| Brüngger et al. | Design of an agent-based model to predict crime (WIP). | |
| CN107122464A (zh) | 一种辅助决策系统及方法 | |
| Raczynski | Interacting complexities of herds and social organizations | |
| JP2017513110A (ja) | ニューロモーフィックモデル開発のためのコンテキストリアルタイムフィードバック | |
| Chow | When GeoAI meets the crowd | |
| Kareem et al. | Traffic light controller module based on particle swarm optimization (PSO) | |
| Bu et al. | Support Vector Machine for Classification of Terrorist Attacks Based on Intelligent Tuned Harmony Search. | |
| Fan et al. | Evaluation of Urban Crime Risk Based on Agent Simulation Model | |
| Nakamiti et al. | An agent-based simulation system for traffic control in the Brazilian intelligent cities project context | |
| Birks et al. | Agent-based decision-support systems for crime scientists | |
| Hameed et al. | Prediction of civilians killing in the upcoming drone attack | |
| Schubert et al. | Decision support for crowd control: Using genetic algorithms with simulation to learn control strategies | |
| Eck et al. | Varieties of artificial crime analysis: purpose, structure, and evidence in crime simulations | |
| Lawniczak et al. | Decisions and success of heterogeneous population of agents in learning to cross a highway | |
| Chiew et al. | Analysis of burglary crime patterns through the integration of spatial statistics and Agent-Based Modelling | |
| Pillai et al. | Simulation of human criminal behavior using clustering algorithm |
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 |