CN111080005A - 一种基于支持向量机的治安风险预警方法及系统 - Google Patents
一种基于支持向量机的治安风险预警方法及系统 Download PDFInfo
- Publication number
- CN111080005A CN111080005A CN201911275900.6A CN201911275900A CN111080005A CN 111080005 A CN111080005 A CN 111080005A CN 201911275900 A CN201911275900 A CN 201911275900A CN 111080005 A CN111080005 A CN 111080005A
- Authority
- CN
- China
- Prior art keywords
- early warning
- security risk
- data
- abnormal behavior
- identity
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 239000012792 core layer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 230000008520 organization Effects 0.000 description 1
- 238000012954 risk control Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于支持向量机的治安风险预警方法及系统，属于智能安防技术领域，包括：从社区基础数据中提取主题数据并分类，以构建多个主题库；从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库分别表达为身份特征和异常行为特征，将治安事件类型与身份特征和异常行为特征关联到一起，形成一条预警规则；建立基于支持向量机的治安风险预警引擎，以治安事件类型为标签，以身份特征和异常行为特征为输入数据，对治安风险预警引擎进行测试验证，根据测试验证结果对模型参数进行调整，以得到满足预警准确度要求的治安风险预警引擎。本发明能够提高治安风险预警的准确度。
Description
技术领域
本发明属于智能安防技术领域，更具体地，涉及一种基于支持向量机的治安风险预警方法及系统。
背景技术
治安风险是一种危害国家安全、社会秩序以及人民生命财产安全的可能性，这种可能性所指向的损害结果就是产生危害社会治安秩序和公共安全的治安问题。当前我国城镇化进程正处于高速发展时期，大量人口涌入城市，社区居民居住动态化、居住成分复杂化，使得原本已经很严重的社区治安管理问题更加难以处理，因此，在信息化时代，如何利用科技手段有效地进行社区治安风险管理，显得尤为重要。
目前对社区治安风险的管理主要结合电子围栏和视频监控进行管理，主要流程为：管理员在小区设置电子围栏，之后利用电子围栏对社区的治安情况进行管理；当电子围栏检测到有可疑人员异常穿越时，发出异常情况告警；管理员接收到电子围栏发出的告警信息后，根据视频监控内容评估异常情况，根据个人经验对治安风险进行预测；管理员依据治安风险的预测结果，调配治安管理资源，同时，关闭异常情况告警或者向有关部门上报。
现有的结合电子围栏和视频监控的治安风险管理方法，在一定程度上能够实现对治安风险的预警，但是，还存在以下问题：(1)管理员对小区设置的电子围栏，相对固定，一般设定之后不再改变，无法很好适应实际管理中复杂多变的安全现状，而造成风险告警的漏报；(2)治安风险的预测结果依赖于管理员对安全风险管控的工作经验，没有具体标准可以参考，所以容易出现治安风险的误报，从而影响正常生活。总的来说，现有的治安风险预警方法由于检测手段单一，且高度依赖于个人经验，其准确度有待提高。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于支持向量机的治安风险预警方法及系统，其目的在于，提高对治安风险预警的准确度。
为实现上述目的，按照本发明的第一方面，提供了一种基于支持向量机的治安风险预警方法，包括：
从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；
从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；
建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎。
本发明构建了基于支持向量机的治安风险预警引擎，并结合治安事件历史数据和先验知识建立了预警规则，同时利用治安事件历史数据对所建立的治安风险预警引擎进行测试验证，最终使得治安风险预警引擎的预警准确度满足要求，从而后续利用治安风险预警引擎进行预警的过程中，能够从身份特征和异常行为特征这两个维度进行预警，并且规避了人为因素带来的偶然性，使得预警结果更准确也更稳定。
进一步地，治安风险预警引擎的超平面表达式为：a+bX+cY+KXY＝0；
进行预警时，若a+bX+cY+KXY>0，则判定治安风险异常；若a+bX+cY+KXY≤0，则判定治安安全；
其中，a、b、c分别为支持向量机的模型参数；K为权重系数，用于衡量输入的身份特征与异常行为特征的关联度，K的每一个取值对应关联度的一个区间，各区间互不重叠，且区间取值范围越大，对应的K的取值越大。
本发明在支持向量机的基础上，引入了权重系数，从而在治安风险预警的过程中，能够充分利用身份特征与异常行为特征之间的准确度，进一步提高预警结果的准确度。
进一步地，本发明第一方面提供的基于支持向量机的治安风险预警方法，还包括：
获取社区的实时监控视频，以提取当前监控范围内每个行人的身份特征和异常行为特征；
对于当前监控范围内的每一个行人Pi，根据其身份特征Xi和异常行为特征Yi的关联度确定相应的权重系数K的取值Ki后，以身份特征Xi和异常行为特征Yi为输入，利用经过测试验证的治安风险预警引擎进行治安风险预警，若预警结果为治安风险异常，则发出预警信息；否则，不作处理。
进一步地，本发明第一方面提供的基于支持向量机的治安风险预警方法，还包括：
对于行人Pi，若预警结果为治安风险异常，则将身份特征和异常行为特征组作为组合特征，从预警规则集中识别出与组合特征(Xi，Yi)最相似的一条或多条预警规则，并从中提取治安风险类型，将其识别为为当前治安风险事件的类型；
其中，组合特征(Xi，Yi)为身份特征Xi和异常行为特征Yi组合而成的组合特征。
本发明在判断治安风险异常后，进一步结合身份特征和行为特征以及预先构建的预警规则集识别出了具体的治安风险类型，实现了准确的警情分析，为治安事件的指挥决策提供了可靠的支撑。
进一步地，身份特征与异常行为特征之间的关联度被预设的低阈值Thlow和高阈值Thhigh划分为三个区间[Rmin,Thlow]、(Thlow,Thhigh)和[Thhigh,Rmax]，分别对应轻权重等级、中权重等级和重权重等级，三个等级对应的K的取值分别为K1、K2和K3，K1<K2<K3；
其中，Rmin和Rmax分别表示身份特征与异常行为特征之间的关联度的最小取值和最大取值，Thlow<Thhigh。
进一步地，本发明第一方面提供的基于支持向量机的治安风险预警方法，还包括：
主题库构建完成后，采用特殊值填充、回归、多重填补、期望值最大化中的一种或多种方式对主题库进行遗漏数据补齐处理。
本发明通过对主题库进行遗漏数据补齐处理，保证了能够准确获取到身份特征和异常行为特征，从而保证了治安风险预警的准确度。
按照本发明的第二方面，提供了一种基于支持向量机的治安风险预警系统，包括：主题库构建模块、预警规则构建模块以及测试验证模块；
主题库构建模块，用于从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；
预警规则构建模块，用于从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；
测试验证模块，用于建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明构建了基于支持向量机的治安风险预警引擎，并结合治安事件历史数据和先验知识建立了预警规则，同时利用治安事件历史数据对所建立的治安风险预警引擎进行测试验证，最终使得治安风险预警引擎的预警准确度满足要求，从而后续利用治安风险预警引擎进行预警的过程中，能够从身份特征和异常行为特征这两个维度进行预警，并且规避了人为因素带来的偶然性，使得预警结果更准确也更稳定。
(2)本发明在支持向量机的基础上，引入了权重系数，从而在治安风险预警的过程中，能够充分利用身份特征与异常行为特征之间的准确度，进一步提高预警结果的准确度。
(3)本发明在判断治安风险异常后，进一步结合身份特征和行为特征以及预先构建的预警规则集识别出了具体的治安风险类型，实现了准确的警情分析，为治安事件的指挥决策提供了可靠的支撑。
附图说明
图1为现有的治安风险管理架构图。
图2为本发明实施例提供的基于支持向量机的治安风险预警方法流程图；
图3为本发明实施例提供的利用治安风险预警引擎进行治安风险预警方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
现有的治安风险管理系统内部一般会分为多层，每一层包括多个功能模块，实现不同的功能，通过多层协作共同完成治安风险管理。图1所示为一个现有的治安风险管理系统的架构示意图，在该系统中，具体划分了应用层、核心层、数据层、传输层以及感知层。
为了提高对治安风险预警的准确度，本发明提供的基于支持向量机的治安风险预警方法，如图2所示，包括：
从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；可选地，主题库构建完成后，还可采用特殊值填充、回归、多重填补、期望值最大化中的一种或多种方式对主题库进行遗漏数据补齐处理，由此能够准确获取到身份特征和异常行为特征，保证治安风险预警的准确度；例如，最终构建的主题库可能是社区人员库、组织库、视频库、语音库、人员步态库、重点人员库等等；
从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；通过将治安风险类型与身份特征和异常行为特征关联到一起，实现了多源异构数据的关联，具体在进行数据关联时，可采用大数据检索、整合、分析和挖掘等技术；
建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎；
表1所示为部分预警规则示例，其中每一条规则对应一个治安风险类型以及与之相关联的身份特征和异常行为特征，其中，用于描述身份特征和异常行为特征的主题数据取自预先构建的主题库；应当说明的是，表1所示仅为示例，不应理解为对本发明的唯一限定，在实际应用中，随着社区治安状况的不同，所构建的主题库及预警规则也会有所不同。
表1预警规则示例
上述基于支持向量机的治安风险预警方法，构建了基于支持向量机的治安风险预警引擎，并结合治安事件历史数据和先验知识(如专家经验等)建立了预警规则，同时利用治安事件历史数据对所建立的治安风险预警引擎进行测试验证，最终使得治安风险预警引擎的预警准确度满足要求，从而后续利用治安风险预警引擎进行预警的过程中，能够从身份特征和异常行为特征这两个维度进行预警，并且规避了人为因素带来的偶然性，使得预警结果更准确也更稳定；
支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，由于应用本方法所需要解决的问题是非线性可分的，即最大边际分类器将没有分离超平面(没有可行的解决方案)；因此这个问题将通过支持向量分类器来解决即特征空间存在超曲面(hypersurface)将正类和负类分开，使用非线性函数可以将非线性可分问题从原始的特征空间映射至更高维的希尔伯特空间(Hilbert space)，从而转化为线性可分问题；
基于支持向量机的上述特性，为了进一步提高治安风险，在本实施例中，治安风险预警引擎的超平面表达式为：a+bX+cY+KXY＝0；
进行预警时，若a+bX+cY+KXY>0，则判定治安风险异常；若a+bX+cY+KXY≤0，则判定治安安全；
其中，a、b、c分别为支持向量机的模型参数，最终通过测试验证确定；K为权重系数，用于衡量输入的身份特征与异常行为特征的关联度，K的每一个取值对应关联度的一个区间，各区间互不重叠，且区间取值范围越大，对应的K的取值越大；具体在计算身份特征与异常行为特征的关联度时，可通过构建知识图谱，描绘出身份特征、异常行为特征和发生治安风险的关联度，也可以通过大数据分析技术，统计发生安全风险时的身份特征和异常行为，通过设定阈值，进行关联度的划分；
本实施例在支持向量机的基础上，引入了权重系数，从而在治安风险预警的过程中，能够充分利用身份特征与异常行为特征之间的准确度，进一步提高预警结果的准确度；
为了便于在实际应用中快速完成治安风险预警，在本实施例中，将治安风险场景具体划分为了三个等级：
重权重：身份特征和异常行为特征关联度很高为重权重；
中权重：身份特征和异常行为特征关联度一般为中权重；
轻权重：身份特征和异常行为特征关联度较弱为轻权重；
针对上述等级划分，具体设定了低阈值Thlow和高阈值Thhigh这两个阈值，身份特征与异常行为特征之间的关联度被预设的低阈值Thlow和高阈值Thhigh划分为三个区间[Rmin,Thlow]、(Thlow,Thhigh)和[Thhigh,Rmax]，分别对应轻权重等级、中权重等级和重权重等级，三个等级对应的K的取值分别为K1、K2和K3，K1<K2<K3；
其中，Rmin和Rmax分别表示身份特征与异常行为特征之间的关联度的最小取值和最大取值，Thlow<Thhigh。
基于经过测试验证的治安风险预警引擎，上述基于支持向量机的治安风险预警方法，对社区治安风险进行实时预警的过程，包括：
获取社区的实时监控视频，以提取当前监控范围内每个行人的身份特征和异常行为特征；
对于当前监控范围内的每一个行人Pi(i表示当前监控范围内的行人编号)，如图3所示，根据其身份特征Xi和异常行为特征Yi的关联度确定相应的权重系数K的取值KP后，以身份特征Xi和异常行为特征Yi为输入，利用经过测试验证的治安风险预警引擎进行治安风险预警，若预警结果为治安风险异常，则发出预警信息；否则，不作处理；
为了在判定治安风险异常时做进一步的警情分析，上述基于支持向量机的治安风险预警方法，如图3所示，还可包括：
对于行人Pi，若预警结果为治安风险异常，则将身份特征和异常行为特征组作为组合特征，从预警规则集中识别出与组合特征(Xi，Yi)最相似的一条或多条预警规则，并从中提取治安风险类型，将其识别为为当前治安风险事件的类型；
其中，组合特征(Xi，Yi)为身份特征Xi和异常行为特征Yi组合而成的组合特征；在判断组合特征(Xi，Yi)与预警规则中的组合特征之间的相似性时，具体可通过特征之间的欧式距离、余弦相似度等进行衡量；
本实施例在判断治安风险异常后，进一步结合身份特征和行为特征以及预先构建的预警规则集识别出了具体的治安风险类型，实现了准确的警情分析，为治安事件的指挥决策提供了可靠的支撑；在实际应用中，还可以针对每一类治安风险事件设置相应的应急预案，在识别出具体的治安风险类型后，发出预警信息的同时可以推送相应的应急预案；
参照图1所示的系统分层架构，上述基于支持向量机的治安风险预警方法中，特征库位于数据层，治安风险预警位于核心层；发送预警信息和推送相关应急预案位于应用层。
为了适应社区的治安情况变化，经过一段时间后，可重新对所构建的治安风险预警引擎进行测试验证，以达到更新的治安风险预警引擎的目的，从而保证预警准确度。
本发明还提供了一种基于支持向量机的治安风险预警系统，包括：主题库构建模块、预警规则构建模块以及测试验证模块；
主题库构建模块，用于从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；
预警规则构建模块，用于从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；
测试验证模块，用于建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎；
本实施例中，各模块的具体实施方式可参考上述方法实施例中的描述，在此将不作复述。
总的来说，本发明利用大量的历史数据和专家经验对治安风险的特点进行学习，构建一套标准的治安风险预警模型，从而规避人为因素的偶然性，使得治安风险评价更加准确、稳定；通过治安风险场景的权重系数和支持向量机的机器学习算法对治安风险的异常情况进行综合判断，提升了治安风险断定的准确性，降低公安和物业安保的运营成本。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于支持向量机的治安风险预警方法，其特征在于，包括：
从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；
从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；
建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对所述治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎。
2.如权利要求1所述的基于支持向量机的治安风险预警方法，其特征在于，所述治安风险预警引擎的超平面表达式为：a+bX+cY+KXY＝0；
进行预警时，若a+bX+cY+KXY>0，则判定治安风险异常；若a+bX+cY+KXY≤0，则判定治安安全；
其中，a、b、c分别为支持向量机的模型参数；K为权重系数，用于衡量输入的身份特征与异常行为特征的关联度，K的每一个取值对应关联度的一个区间，各区间互不重叠，且区间取值范围越大，对应的K的取值越大。
3.如权利要求2所述的基于支持向量机的治安风险预警方法，其特征在于，还包括：
获取社区的实时监控视频，以提取当前监控范围内每个行人的身份特征和异常行为特征；
对于当前监控范围内的每一个行人Pi，根据其身份特征Xi和异常行为特征Yi的关联度确定相应的权重系数K的取值Ki后，以身份特征Xi和异常行为特征Yi为输入，利用经过测试验证的治安风险预警引擎进行治安风险预警，若预警结果为治安风险异常，则发出预警信息；否则，不作处理。
4.如权利要求3所述的基于支持向量机的治安风险预警方法，其特征在于，还包括：
对于行人Pi，若预警结果为治安风险异常，则将身份特征和异常行为特征组作为组合特征，从所述预警规则集中识别出与组合特征(Xi，Yi)最相似的一条或多条预警规则，并从中提取治安风险类型，将其识别为为当前治安风险事件的类型；
其中，组合特征(Xi，Yi)为身份特征Xi和异常行为特征Yi组合而成的组合特征。
5.如权利要求2所述的基于支持向量机的治安风险预警方法，其特征在于，身份特征与异常行为特征之间的关联度被预设的低阈值Thlow和高阈值Thhigh划分为三个区间[Rmin,Thlow]、(Thlow,Thhigh)和[Thhigh,Rmax]，分别对应轻权重等级、中权重等级和重权重等级，三个等级对应的K的取值分别为K1、K2和K3，K1<K2<K3；
其中，Rmin和Rmax分别表示身份特征与异常行为特征之间的关联度的最小取值和最大取值，Thlow<Thhigh。
6.如权利要求1所述的基于支持向量机的治安风险预警方法，其特征在于，还包括：
主题库构建完成后，采用特殊值填充、回归、多重填补、期望值最大化中的一种或多种方式对主题库进行遗漏数据补齐处理。
7.一种基于支持向量机的治安风险预警系统，其特征在于，包括：主题库构建模块、预警规则构建模块以及测试验证模块；
所述主题库构建模块，用于从社区基础数据中提取主题数据，并对主题数据进行分类，由每一个类别的主题数据构成一个主题库；
所述预警规则构建模块，用于从社区治安事件历史数据中，针对同一类型的治安事件，提取相关人员共有的身份数据和异常行为数据，并使用主题库中的主题数据将身份数据和异常行为数据分别表达为身份特征和异常行为特征，从而将治安事件类型与相关的身份特征和异常行为特征关联到一起，形成一条预警规则，由所有的预警规则构成预警规则集；
所述测试验证模块，用于建立基于支持向量机的治安风险预警引擎，以预警规则中的治安事件类型为标签，以相关的身份特征和异常行为特征为输入数据，利用治安事件历史数据对所述治安风险预警引擎进行测试验证，在测试验证的过程中，根据测试验证结果对支持向量机的模型参数进行调整，从而在测试验证结束后，得到满足预警准确度要求的治安风险预警引擎。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911275900.6A CN111080005B (zh) | 2019-12-12 | 2019-12-12 | 一种基于支持向量机的治安风险预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911275900.6A CN111080005B (zh) | 2019-12-12 | 2019-12-12 | 一种基于支持向量机的治安风险预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080005A true CN111080005A (zh) | 2020-04-28 |
| CN111080005B CN111080005B (zh) | 2022-05-17 |
Family
ID=70314190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911275900.6A Active CN111080005B (zh) | 2019-12-12 | 2019-12-12 | 一种基于支持向量机的治安风险预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080005B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184520A (zh) * | 2020-08-28 | 2021-01-05 | 恒大智慧科技有限公司 | 社区安全性的评估方法、服务器及计算机可读存储介质 |
| CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | 系统参数的配置方法和配置装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174260A1 (en) * | 2016-12-08 | 2018-06-21 | Nuctech Company Limited | Method and apparatus for classifying person being inspected in security inspection |
| CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
| CN109598446A (zh) * | 2018-12-09 | 2019-04-09 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于机器学习算法的电费回收风险预警系统 |
| US20190180398A1 (en) * | 2016-10-17 | 2019-06-13 | Nuctech Company Limited | Security check system and method for configuring security check device |
| CN110209709A (zh) * | 2019-06-06 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种关注人员行为分析的方法 |
-
2019
- 2019-12-12 CN CN201911275900.6A patent/CN111080005B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190180398A1 (en) * | 2016-10-17 | 2019-06-13 | Nuctech Company Limited | Security check system and method for configuring security check device |
| US20180174260A1 (en) * | 2016-12-08 | 2018-06-21 | Nuctech Company Limited | Method and apparatus for classifying person being inspected in security inspection |
| CN109598446A (zh) * | 2018-12-09 | 2019-04-09 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于机器学习算法的电费回收风险预警系统 |
| CN109447048A (zh) * | 2018-12-25 | 2019-03-08 | 苏州闪驰数控系统集成有限公司 | 一种人工智能预警系统 |
| CN110209709A (zh) * | 2019-06-06 | 2019-09-06 | 四川九洲电器集团有限责任公司 | 一种关注人员行为分析的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 关文玲等: ""基于支持向量机的化工企业安全预警模型研究"", 《天津理工大学学报》 * |
| 李欣: ""智能化平安社区关键技术研究"", 《中国安防》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112184520A (zh) * | 2020-08-28 | 2021-01-05 | 恒大智慧科技有限公司 | 社区安全性的评估方法、服务器及计算机可读存储介质 |
| CN114385256A (zh) * | 2020-10-22 | 2022-04-22 | 华为云计算技术有限公司 | 系统参数的配置方法和配置装置 |
| CN114385256B (zh) * | 2020-10-22 | 2024-06-11 | 华为云计算技术有限公司 | 系统参数的配置方法和配置装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080005B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107180070B (zh) | 一种风险信息自动分类、识别与预警方法及系统 | |
| CN107909299B (zh) | 人伤理赔数据风险检测方法和系统 | |
| CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
| CN109615116A (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| CN104182805A (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 | |
| CN104636751A (zh) | 基于时间递归神经网络的人群异常检测和定位系统及方法 | |
| CN111445106A (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN112087442B (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
| CN109446812A (zh) | 一种嵌入式系统固件安全分析方法及系统 | |
| CN116308960B (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 | |
| CN111080005B (zh) | 一种基于支持向量机的治安风险预警方法及系统 | |
| CN112711757B (zh) | 一种基于大数据平台的数据安全集中管控方法及系统 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
| CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
| Kamiran et al. | Classifying socially sensitive data without discrimination: An analysis of a crime suspect dataset | |
| CN116488914A (zh) | 基于GCN-BiLSTM的动态权限访问控制方法 | |
| CN116384736A (zh) | 一种智慧城市的风险感知方法及系统 | |
| CN117829787B (zh) | 一种基于bim和ai大模型的工程安全智能管理方法及系统 | |
| CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
| CN117370548A (zh) | 用户行为风险识别方法、装置、电子设备及介质 | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN115982646A (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
| CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 |
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 |