CN111784039A - 一种基于动态风险评估的城市大型活动警力布防方法 - Google Patents
一种基于动态风险评估的城市大型活动警力布防方法 Download PDFInfo
- Publication number
- CN111784039A CN111784039A CN202010595845.5A CN202010595845A CN111784039A CN 111784039 A CN111784039 A CN 111784039A CN 202010595845 A CN202010595845 A CN 202010595845A CN 111784039 A CN111784039 A CN 111784039A
- Authority
- CN
- China
- Prior art keywords
- patrol
- deployment
- scheme
- temporary
- area
- 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
- 230000007123 defense Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000000694 effects Effects 0.000 title claims abstract description 17
- 238000012502 risk assessment Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 35
- 230000007704 transition Effects 0.000 claims description 9
- 230000037361 pathway Effects 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态风险评估的城市大型活动警力布防方法,属于信息应用技术领域。方法为对需要布防的范围进行栅格划分,对每个栅格面临的社会安全事件风险进行评估,风险评估模型中引入警察位置对风险的影响,通过比较不同的警察临布控点位置对整体风险的影响程度来确定最佳的临布控点布置方案,加入临布控点后再次对各栅格所面临的风险进行评估,筛选出需要警察巡逻的目标区域,计算各巡逻目标区域以及巡逻出发点之间的最短路径距离,利用蚁群算法找出最佳巡逻方案。本发明重点解决寻找最佳警力临布控点分布方案及巡逻方案的问题,布防方案随着管控区域内情景变化而改变,增强布防方案的适用性。
Description
技术领域
本发明具体涉及一种基于动态风险评估的城市大型活动警力布防方法,属于信息应用技术领域。
背景技术
随着中国经济的快速发展,国内大型活动的数量和规模也急剧增长,活动期间场馆附近人员密集,极易成为社会安全事件发起者的目标,如何科学地运用警力对目标部位进行布防是保障场馆附近人员安全的关键。当前警方对目标部位的布防存在主观性较强、方案固定的问题。布防方案主观性较强会使得布防方案并不一定最优方案,方案固定则时效性较差,不能随着区域内场景变化自动调整方案。
将信息技术应用到警力布防,是未来警力部署的一个趋势。中国发明专利CN104965974,公开了一种基于覆盖度评估及优化警力资源部署的方法,公开了一种利用信息技术的警力部署方法。类似的现有技术还有中国发明专利CN108053122、CN110858207。这些方案的不足之处在于方案固定,没有考虑风险因素的变化,不能根据情况及时的调整方案,在警力的配置和部署方面,也有待进一步的优化。
发明内容
本发明为克服上述的不足,目的在于提供一种基于动态风险评估的城市大型活动警力布防方法,综合考虑布防区域内社会安全事件重点人信息、警察分布、人员密度、部位信息,计算各部位面临的社会安全事件风险,加入临布控点,根据风险变化确定最佳临布控点位置分布方案,确定巡逻目标区域位置,生成最佳巡逻方案。本专利以区域内风险分布为指导,合理安排警力的部署和巡逻方案,提高布防方案的科学性和时效性,保障防控区域内的安全。
本发明的技术解决方案是:
一种基于动态风险评估的城市大型活动警力布防方法,包括以下步骤,
S1将要布防的区域内进行栅格化划分;
S2分别对各栅格面临的社会安全事件风险进行评估;
S3通过比较不同临布控点布置方案对整体风险的影响程度来确定最佳临布控点布置方案;
S4对加入临布控点后的各栅格面临的风险进行评估,筛选出巡逻目标区域;
S5计算各巡逻目标区域及出发点之间的最短路径距离;
S6利用蚁群算法获得最佳巡逻方案;
其中,步骤S6具体包括,
S61、确定各变量含义及限制条件,设有K支巡逻队伍,一个巡逻出发点V0,G个巡逻目标区域(Vm,m=1,2...,G),每支队伍每次巡逻可以巡逻多个点目标区域,每个目标区域只被巡逻一次,巡逻队伍在每个目标区域停留时间相同,每支队伍的行进速度相同,每支队伍从出发点出发,巡逻完成后回到出发点;
S62、确定筛选最优巡逻方案的目标函数,目标是K只队伍中巡逻时间最长的那支队伍的时间最短;目标函数为T=min[max(T1,T2,…,Tk,…,TK)] 公式一
式中,Tk为第k支巡逻队伍巡逻的时间,每支队伍的巡逻时间包括在目标区域间的行进时间和在各巡逻目标区域内的停留时间;
S63、确定蚁群算法的参数配置,蚂蚁数H,最大迭代次数Nmax,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,信息素释放总量Q;
式中,ηmn为启发函数,ηmn=1/dmn,τmn为巡逻目标区域Vm到Vn路径上的信息素浓度,tabuk为所有蚂蚁已经走过的巡逻目标区域列表,即禁忌列表;
S65、确定信息素更新策略,在所有蚂蚁都形成路径完成一次迭代后再更新所有路径上的信息素;当完成一次迭代后,将当前产生的方案L与之前最优方案L*进行比较,若L的目标T劣于L*,将L路径上的信息素进行挥发,
τmn(N+1)=(1-ρ)τmn(N) 公式三
式中,τmn(N)为第N次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度,τmn(N+1)为第N+1次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度。若L的目标T优于L*,将L路径上的信息素进行沉淀,
τmn(N+1)=τmn(N)+Δτmn(N) 公式四
式中,Q为信息素释放总量,Tmax、Tmin为当前迭代次数之前目标的最大值和最小值。
S66、寻找最优巡逻方案的算法设置完毕,开始迭代运算,迭代完成即可找出最优巡逻方案。
本发明的有益效果:
(1)对布防区域内不同位置所面临的社会安全事件风险进行评估,以对整体风险的影响来选择临布控点布置方案,以各位置面临的风险来确定巡逻目标区域,运用蚁群算法找出最佳巡逻方案,减少警力部署时的主观性;(2)由于布防区域内风险分布实时变化,本发明可按时更新临布控点布置方案和巡逻方案,降低犯罪分子掌握布防规律的可能性,增加布防方案的时效性。
附图说明
图1是本发明的流程示意图。
图2是本发明用于风险评估中后果分析的贝叶斯网络图。
图3是本发明用于寻找最优巡逻方案的蚁群算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行说明:
一种基于动态风险评估的城市大型活动警力布防方法,以区域内风险分布为指导,合理安排警力的部署和巡逻方案,提高布防方案的科学性和时效性。如图1所示,具体包括以下步骤:
S1、确定需要布防的区域,对布防区域进行栅格化划分,划分栅格形状为正方形,每个栅格面积相同,栅格指代的区域大小根据布防区域大进行调整,保证栅格数量合理。区分每个栅格是障碍区还是通行区,障碍区栅格不进行风险计算以及不作为临布控点和巡逻目标区域,通行区栅格数量为A。
S2、分别对各栅格面临的社会安全事件风险进行评估,具体步骤为:
S21、收集风险评估需要的数据,包括布防区域内所有的社会安全事件重点人,各重点人基本信息,不同类型重点人发起社会安全事件的概率,以及布防区域内已有的警察位置。所有的重点人的获取可以依靠布防区域内所有的人脸识别摄像头或者身份核验设备,重点人基本信息可以来自重点人信息库,警察的位置获取可通过警察携带的通讯设备实时定位获取,通过专家经验建立不同类型重点人发起各类社会安全事件概率的信息库,布防区域内识别出的重点人根据建立的信息库来获得各重点人发起社会安全事件的概率。
S22、根据S21提供的数据,计算各栅格面临的风险。各栅格面临的社会安全事件风险由在栅格内发生社会安全事件地概率和造成的后果来衡量,即r=P*C。
S23、对社会安全事件风险发生概率的计算考虑各类社会安全事件重点人以及警察的影响,某栅格发生社会安全事件的概率P的计算如下,
式中,pi各重点人发起社会安全事件的概率,E为所要关注的社会安全事件重点人数量,dj为所评估栅格与各警察位置间的直线距离,F为布防区域内警察的点位数。D为距离标度,建议取值范围[50,150],单位为米。
S24、根据所评估栅格内人员密度、警察处置速度、事件敏感程度、作案工具、部位敏感程度构建后果分析贝叶斯网络,建立的贝叶斯网络如附图2所示。贝叶斯网络的后果级别共l级,根据计算获得的各后果级别概率以及专家经验法或硬评价法获得的各级别效用值来计算后果严重程度,专家经验法是以专家为索取未来信息的对象,组织各领域的专家运用专业方面的知识和经验,通过直观的归纳,对预测对象过去和现在的状况、发展变化过程进行综合分析与研究,找出预测对象变化、发展规律、从而对预测对象未来的发展区实际状况做出判断。硬评价方法是以统计数据为基础,把统计数据作为主要评价信息,建立评价数学模型,以数学手段,求得评价结果,并以数量表示出来。
式中,C为后果严重程度,pt为不同后果级别的概率,ut为不同级别后果的效用值,l为贝叶斯网络的后果级别数。
S3、通过比较不同临布控点布置方案对整体风险的影响程度来确定最佳临布控点布置方案,具体步骤如下:
S31、确定警方能提供的临布控点的数量X,确定每个临布控点位的范围,即确定每个临布控点应该位于哪个区域且该区域包含多少栅格。根据各临布控点在不同栅格的排列组合,生成所有的临布控点分布方案,
式中,B为临布控点所有的布置方案数,bu表示第u个临布控点所在的范围所包含的栅格数。
S32、重复步骤S2操作,分别评估不同临布控点的布置方案方案下各栅格面临的风险和整个布防区域面临的整体风险。整体风险为各栅格风险的总和,
式中,RI第I种临布控点布置方案下布防区域面临的整体风险,A为通行区栅格数量,rj为第j个栅格面临的社会安全事件风险。
S33、比较不同临布控点布置方案对整体风险的影响来找出最佳临布控点布置方案,临布控点对整体风险的影响大小通过前后整体风险变化率来衡量,产生风险变化率最大的方案为最佳临布控点布置方案,
式中,rateI为第I种临布控点布置方案下布防区域的整体风险变化率,RI第I种临布控点布置方案下布防区域面临的整体风险,R0为未布置临布控点时布防区域面临的整体风险。
S4、根据最佳临布控点方案在布防区域加入临布控点后,重复步骤S2操作,对各栅格所面临的风险再次进行评估,设定风险阈值Rt,风险高于阈值的栅格确定为巡逻目标区域,巡逻目标区域数量为G(Vm,m=1,2...,G)。
S5、计算各巡逻目标区域以及出发点之间的最短路径距离,采用的算法为经典Dijkstra算法,计算得到的巡逻目标区域Vm到Vn的最短路径距离为dmn,出发点到巡逻目标区域Vm的最短路径距离为d0m。
其中,Dijkstra算法又名迪克斯特拉算法。Dijkstra算法属于贪心算法。贪心算法的精髓在于局部最优解(或当前最优解)。Dijkstra算法体现了贪心算法的核心思想,并且经过论证,在寻径问题中,局部最优解能够全局最优解。
算法思想:设G=(V,E)是一个带权有向图,把图中顶点集合分成两组,第一组为已求出最短路径的顶点集合(用S表示,初始时S中只有一个源点,以后每求得一条最短路径,就将其加入到集合S中,直到全部顶点都加入到S中,算法就结束了)、第二组为其余未确定最短路径的顶点集合(用U表示)、按最短路径长度的递增次序依次把第二组的顶点加入S中。在加入过程中,总保持从源点v到S中各顶点的最短路径长度不大于从源点v到中任何顶点的最短路径长度。此外,每个顶点对应一个距离,S中的顶点的距离就是从到此顶点的最短路径长度U中的顶点的距离是从v到此顶点只包括S中的顶点为中间顶点的当前最短路径长度。
S6、以巡逻时间最短为目标,采用蚁群算法,找出最佳巡逻方案,如图3。具体步骤为:
S61、确定各变量含义及限制条件,设有K支巡逻队伍,一个巡逻出发点(V0),G个巡逻目标区域(Vm,m=1,2...,G),每支队伍每次巡逻可以巡逻多个点目标区域,每个目标区域只被巡逻一次,巡逻队伍在每个目标区域停留时间相同,每支队伍的行进速度相同,每支队伍从出发点出发,巡逻完成后回到出发点。
巡逻目标Vm到Vn的距离为dmn,决策变量分别为x0mk、xmnk、xmk。x0mk为1时表示从V0到Vm由第k支队伍巡逻,x0mk为0时则不由第k支队伍巡逻。xmnk为1时表示从Vm到Vn由第k支队伍巡逻,xmnk为0时则不由第k支队伍巡逻。xmk为1时表示第k支队伍经过巡逻目标区域Vm,xmk为0时表示第k支队伍不经过巡逻目标区域Vm。v为队伍巡逻时的速度,t为巡逻队伍在每个巡逻目标区域停留的时间。
S62、确定最优巡逻方案的目标函数及限制条件的函数,目标是K只队伍中巡逻时间最长的那支队伍的时间最短。目标函数为
T=min[max(T1,T2,…,Tk,…,TK)] (6)
式中,Tk为第k支巡逻队伍巡逻的时间。Tk的计算方式为
Tk=[(∑m∑ndmn*xmnk+∑md0m*x0mk)/v]+∑mxmk*t (7)
式中,dmn为巡逻目标Vm到Vn的距离为,d0m为巡逻出发点到巡逻目标Vm的距离,xmnk、x0mk、xmk表示决策变量,v为队伍巡逻时的行进速度,t为巡逻队伍在每个巡逻目标区域停留的时间。
限制条件的公式如下,
∑n∑kxmnk=1,m=1,…,G (8)
∑m∑kxmnk=1,n=1,…,G (9)
式(8)和式(9)表示每次巡逻时每个巡逻目标区域只能由一支巡逻队巡逻一次。
∑mxm0k=∑nx0nk<=1,k=1,…,K (10)
该式表示每支巡逻队从出发点出发,完成巡逻后回到出发点。
S63、确定蚁群算法的参数配置,蚂蚁数H,最大迭代次数Nmax,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,信息素释放总量Q。
式中,ηmn为启发函数,ηmn=1/dmn,τmn为巡逻目标区域Vm到Vn路径上的信息素浓度,tabuk为所有蚂蚁已经走过的巡逻目标区域列表,即禁忌列表。
S65、确定信息素更新策略,在所有蚂蚁都形成路径完成一次迭代后再更新所有路径上的信息素,这避免陷入局部最优。当完成一次迭代后,将当前产生的方案L与之前最优方案L*进行比较,若L的目标(T)劣于L*,将L路径上的信息素进行挥发,
τmn(N+1)=(1-ρ)τmn(N) (12)
式中,τmn(N)为第N次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度,τmn(N+1)为第N+1次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度,ρ为信息素挥发因子。若L的目标(T)优于L*,将L路径上的信息素进行沉淀,
τmn(N+1)=τmn(N)+Δτmn(N) (13)
式中,Q为信息素释放总量,Tmax、Tmin为当前迭代次数之前目标的最大值和最小值。
S66、寻找最优巡逻方案的算法设置完毕,开始迭代运算,迭代完成即可找出最优巡逻方案。
完成巡逻后,为定时更新布防方案,删除所有临布控点,再次回到步骤S2,重新评估风险,确定新的临布控点、巡逻目标区域和巡逻方案。
本发明的基于动态风险评估的城市大型活动警力布防方法对布防区域内不同位置所面临的社会安全事件风险进行评估,以对整体风险的影响来选择临布控点布置方案,以各位置面临的风险来确定巡逻目标区域,运用蚁群算法找出最佳巡逻方案,减少警力部署时的主观性。由于布防区域内风险分布实时变化,本发明可按时更新临布控点布置方案和巡逻方案,降低犯罪分子掌握布防规律的可能性,增加布防方案的时效性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法包括以下步骤:
S1将要布防的区域内进行栅格化划分;
S2分别对各栅格面临的社会安全事件风险进行评估;
S3通过比较不同临布控点布置方案对整体风险的影响程度来确定最佳临布控点布置方案;
S4对加入临布控点后的各栅格面临的风险进行评估,筛选出巡逻目标区域;
S5计算各巡逻目标区域及出发点之间的最短路径距离;
S6利用蚁群算法获得最佳巡逻方案;
其中,步骤S6具体包括,
S61、确定各变量含义及限制条件,设有K支巡逻队伍,一个巡逻出发点V0,G个巡逻目标区域(Vm,m=1,2...,G),每支队伍每次巡逻可以巡逻多个点目标区域,每个目标区域只被巡逻一次,巡逻队伍在每个目标区域停留时间相同,每支队伍的行进速度相同,每支队伍从出发点出发,巡逻完成后回到出发点;
S62、确定筛选最优巡逻方案的目标函数,目标是K只队伍中巡逻时间最长的那支队伍的时间最短;目标函数为
T=min[max(T1,T2,…,Tk,…,TK)] 公式一
式中,Tk为第k支巡逻队伍巡逻的时间,每支队伍的巡逻时间包括在目标区域间的行进时间和在各巡逻目标区域内的停留时间;
S63、确定蚁群算法的参数配置,蚂蚁数H,最大迭代次数Nmax,信息素重要程度因子α,启发函数重要程度因子β,信息素挥发因子ρ,信息素释放总量Q;
式中,ηmn为启发函数,ηmn=1/dmn,τmn为巡逻目标区域Vm到Vn路径上的信息素浓度,tabuk为所有蚂蚁已经走过的巡逻目标区域列表,即禁忌列表;
S65、确定信息素更新策略,在所有蚂蚁都形成路径完成一次迭代后再更新所有路径上的信息素;当完成一次迭代后,将当前产生的方案L与之前最优方案L*进行比较,若L的目标T劣于L*,将L路径上的信息素进行挥发,
τmn(N+1)=(1-ρ)τmn(N) 公式三
式中,τmn(N)为第N次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度,τmn(N+1)为第N+1次迭代时巡逻目标区域Vm到Vn路径上的信息素浓度,若L的目标T优于L*,将L路径上的信息素进行沉淀,
τmn(N+1)=τmn(N)+Δτmn(N) 公式四
式中,Q为信息素释放总量,Tmax、Tmin为当前迭代次数之前目标的最大值和最小值。
S66、寻找最优巡逻方案的算法设置完毕,开始迭代运算,迭代完成即可找出最优巡逻方案。
2.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中步骤S1中对布防区域进行栅格化划分,区分每个栅格是障碍区还是通行区,障碍区栅格不进行风险计算且不作为临布控点和巡逻目标区域。
3.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中步骤S2具体包括,
S21、各栅格面临的社会安全事件风险由在栅格内发生社会安全事件风险发生概率和后果来衡量;
S22对社会安全事件风险发生概率的计算考虑各类社会安全事件重点人以及警察的影响,某栅格发生社会安全事件的概率P的计算如下,
式中,pi各重点人发起社会安全事件的概率,E为所要关注的社会安全事件重点人数量,dj为所评估栅格与各警察位置间的直线距离,F为布防区域内警察的点位数,D为距离标度,取值范围[50,150],单位为米;
S23、根据所评估栅格内人员密度、警察处置速度、事件敏感程度、作案工具、部位敏感程度构建后果分析贝叶斯网络,贝叶斯网络的后果级别共l级,根据计算获得的后果级别概率以及各级别效用值来计算后果严重程度,
式中,pt为不同后果级别的概率,ut为不同级别后果的效用值,l为贝叶斯网络的后果级别数。
4.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中步骤S3具体包括:
S31、确定警方能提供的临布控点的数量X,确定每个临布控点位的范围,即确定每个临布控点应该位于哪个区域且该区域包含多少栅格,根据各临布控点在不同栅格的排列组合,生成所有的临布控点分布方案,
式中,B为临布控点所有的布置方案数,bu表示第u个临布控点所在的范围所包含的栅格数;
S32、重复步骤S2操作,分别评估不同临布控点的布置方案方案下各栅格面临的风险和整个布防区域面临的整体风险,整体风险为各栅格风险的总和,
式中,RI第I种临布控点布置方案下布防区域面临的整体风险,A为通行区栅格数量,rj为第j个栅格面临的社会安全事件风险;
S33、比较不同临布控点布置方案对整体风险的影响来找出最佳临布控点布置方案,临布控点对整体风险的影响大小通过前后整体风险变化率来衡量,产生风险变化率最大的方案为最佳临布控点布置方案,
式中,rateI为第I种临布控点布置方案下布防区域的整体风险变化率,RI第I种临布控点布置方案下布防区域面临的整体风险,R0为未布置临布控点时布防区域面临的整体风险。
5.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中S4具体为根据最佳临布控点方案在布防区域加入临布控点后,重复步骤S2操作,对各栅格所面临的风险再次进行评估,设定风险阈值Rt,风险高于阈值的栅格确定为巡逻目标区域,巡逻目标区域数量为G(Vm,m=1,2...,G)。
6.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中步骤S5具体为计算各巡逻目标区域以及出发点之间的最短路径距离,采用的算法为经典Dijkstra算法,计算得到的巡逻目标区域Vm到Vn的最短路径距离为dmn,出发点到巡逻目标区域Vm的最短路径距离为d0m。
7.如权利要求1所述的基于动态风险评估的城市大型活动警力布防方法,其特征在于,所述方法中步骤S66还包括,完成巡逻后,为定时更新布防方案,删除所有临布控点,再次回到步骤S2,重新评估风险,确定新的临布控点、巡逻目标区域和巡逻方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595845.5A CN111784039B (zh) | 2020-06-28 | 2020-06-28 | 一种基于动态风险评估的城市大型活动警力布防方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010595845.5A CN111784039B (zh) | 2020-06-28 | 2020-06-28 | 一种基于动态风险评估的城市大型活动警力布防方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784039A true CN111784039A (zh) | 2020-10-16 |
CN111784039B CN111784039B (zh) | 2020-12-25 |
Family
ID=72760170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010595845.5A Active CN111784039B (zh) | 2020-06-28 | 2020-06-28 | 一种基于动态风险评估的城市大型活动警力布防方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784039B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229395A (zh) * | 2020-10-21 | 2021-01-15 | 广州大学 | 一种巡逻路径规划方法、计算设备及存储介质 |
CN112649813A (zh) * | 2020-12-15 | 2021-04-13 | 北京星天地信息科技有限公司 | 重要场所室内安全检查的方法、检查设备、机器人及终端 |
CN113096425A (zh) * | 2021-03-29 | 2021-07-09 | 紫清智行科技(北京)有限公司 | 一种应用于大型场景下的自动驾驶巡逻车的调度方法及系统 |
CN114577227A (zh) * | 2020-12-02 | 2022-06-03 | 浙江宇视科技有限公司 | 一种巡逻路线的规划方法、装置、介质及电子设备 |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
CN116562711A (zh) * | 2023-06-26 | 2023-08-08 | 应急管理部大数据中心 | 全国安全生产态势评估方法、装置及电子设备 |
CN117876191A (zh) * | 2024-02-04 | 2024-04-12 | 广州市图南软件科技有限公司 | 一种基于智慧城市的消防管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及系统 |
CN109118007A (zh) * | 2018-08-21 | 2019-01-01 | 南京中孚信息技术有限公司 | 路径规划方法、装置、电子设备及存储介质 |
US20190279482A1 (en) * | 2014-09-09 | 2019-09-12 | Torvec, Inc. | Methods and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification |
CN110826818A (zh) * | 2019-11-21 | 2020-02-21 | 中冶华天工程技术有限公司 | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 |
CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
CN111222784A (zh) * | 2020-01-03 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于人口大数据的安防监控方法和系统 |
-
2020
- 2020-06-28 CN CN202010595845.5A patent/CN111784039B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279482A1 (en) * | 2014-09-09 | 2019-09-12 | Torvec, Inc. | Methods and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification |
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
CN107862437A (zh) * | 2017-10-16 | 2018-03-30 | 中国人民公安大学 | 基于风险概率评估的公共区域人群聚集预警方法及系统 |
CN109118007A (zh) * | 2018-08-21 | 2019-01-01 | 南京中孚信息技术有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN110826818A (zh) * | 2019-11-21 | 2020-02-21 | 中冶华天工程技术有限公司 | 多个巡检员对多个站点进行巡检任务规划和路径设计方法 |
CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
CN111222784A (zh) * | 2020-01-03 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于人口大数据的安防监控方法和系统 |
Non-Patent Citations (1)
Title |
---|
李丽华 等: "我国城市面临恐怖袭击的安全风险评估机制与方法探究", 《公安学研究》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229395A (zh) * | 2020-10-21 | 2021-01-15 | 广州大学 | 一种巡逻路径规划方法、计算设备及存储介质 |
CN112229395B (zh) * | 2020-10-21 | 2024-04-26 | 广州大学 | 一种巡逻路径规划方法、计算设备及存储介质 |
CN114577227A (zh) * | 2020-12-02 | 2022-06-03 | 浙江宇视科技有限公司 | 一种巡逻路线的规划方法、装置、介质及电子设备 |
CN112649813A (zh) * | 2020-12-15 | 2021-04-13 | 北京星天地信息科技有限公司 | 重要场所室内安全检查的方法、检查设备、机器人及终端 |
CN113096425A (zh) * | 2021-03-29 | 2021-07-09 | 紫清智行科技(北京)有限公司 | 一种应用于大型场景下的自动驾驶巡逻车的调度方法及系统 |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
CN116433051B (zh) * | 2023-06-09 | 2023-08-18 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
CN116562711A (zh) * | 2023-06-26 | 2023-08-08 | 应急管理部大数据中心 | 全国安全生产态势评估方法、装置及电子设备 |
CN117876191A (zh) * | 2024-02-04 | 2024-04-12 | 广州市图南软件科技有限公司 | 一种基于智慧城市的消防管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111784039B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784039B (zh) | 一种基于动态风险评估的城市大型活动警力布防方法 | |
Casas | Deep deterministic policy gradient for urban traffic light control | |
CN110032782B (zh) | 一种城市级智能交通信号控制系统及方法 | |
CN105426970B (zh) | 一种基于离散动态贝叶斯网络的气象威胁评估方法 | |
CN111609864B (zh) | 路网约束下多警员协作围捕任务分配及路径规划方法 | |
CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN111611749A (zh) | 基于rnn的室内人群疏散自动引导仿真方法及系统 | |
CN103747537A (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN104834987A (zh) | 基于层次分析的量化决策方法及系统 | |
CN115063184A (zh) | 电动汽车充电需求建模方法、系统、介质、设备及终端 | |
CN111414681A (zh) | 基于共享深度强化学习的建筑物内疏散仿真方法及系统 | |
Li et al. | Dynamic sign guidance optimization for crowd evacuation considering flow equilibrium | |
Benhamza et al. | Adaptive traffic signal control in multiple intersections network | |
CN110570046B (zh) | 环境监测站点的选址方法及系统 | |
CN111578961A (zh) | 基于领导者海豚群求解不确定条件车辆路径优化算法 | |
CN116592903A (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
CN112434857B (zh) | 一种基于ga-pso优化的无人机机场网络选址布置方法 | |
CN109711593A (zh) | 一种面向瞬时计算决策的高速铁路沿线风速预测方法 | |
Ye et al. | Hybrid calibration of agent-based travel model using traffic counts and AVI data | |
Sheu et al. | Stochastic optimal-control approach to automatic incident-responsive coordinated ramp control | |
Zhuang et al. | Compound event barrier coverage algorithm based on environment Pareto dominated selection strategy in multi-constraints sensor networks | |
Yuan et al. | Medium-term prediction of urban traffic states using probability tree | |
Wawrzynczak et al. | Feedforward neural networks in forecasting the spatial distribution of the time-dependent multidimensional functions | |
Duan et al. | Multi-objective optimization model based on heuristic ant colony algorithm for emergency evacuation | |
Duan et al. | Research and application of urban real-time traffic flow prediction based on STARIMA |
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 |