CN112131381A - 警情高发地的识别方法、装置、电子设备及存储介质 - Google Patents

警情高发地的识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112131381A
CN112131381A CN202010841636.4A CN202010841636A CN112131381A CN 112131381 A CN112131381 A CN 112131381A CN 202010841636 A CN202010841636 A CN 202010841636A CN 112131381 A CN112131381 A CN 112131381A
Authority
CN
China
Prior art keywords
determining
preset
cluster
clustering
training sample
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.)
Withdrawn
Application number
CN202010841636.4A
Other languages
English (en)
Inventor
彭涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010841636.4A priority Critical patent/CN112131381A/zh
Publication of CN112131381A publication Critical patent/CN112131381A/zh
Withdrawn legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了警情高发地的识别方法、装置、电子设备及存储介质。该方法的一具体实施方式包括：获取历史警情文本集；提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集；基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇；确定每个聚类簇的聚类中心；根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集。该实施方式能够自动识别警情高发地，无需人工干预，减少了人力成本和时间成本。

Description

警情高发地的识别方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，具体涉及警情高发地的识别方法、装置、电子设备及存储介质。
背景技术
警情热线(亦可称之为报警热线)是供人们报警反映相关问题或者需求帮助的重要途径。通过对警情文本进行分析，可获得有价值的信息，例如警情发生的数量、警情高发地(即产生警情问题的数量较多的地区)等，进而为有针对性的解决警情问题和进行社会治理提供重要支持。
相关技术中，主要通过人工统计分析的方式通过历史警情文本确定警情问题高发地，这种方式至少存在以下不足之处：随着时间积累，警情文本的数量日益增加，人工处理的低效率使其无法有效处理大体量数据；警情文本多采用自然语言描述的方式，表达方式口语化且无规则，使得人工统计分析的难度较大。
因此，有必要提出一种新的识别警情高发地的技术方案。
发明内容
本公开提出了警情高发地的识别方法、装置、电子设备及存储介质。
第一方面，本公开提供了一种警情高发地的识别方法，包括：
获取历史警情文本集；
提取上述历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，上述特征向量包括表示地址的分量；
基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，其中，上述聚类簇包括至少一个上述特性向量；
确定每个上述聚类簇的聚类中心，其中，上述聚类簇的聚类中心是上述聚类簇中到上述聚类簇中其他全部特性向量的距离之和最小的特征向量；
根据各上述聚类簇的聚类中心对应的地址，确定与上述历史警情文本集对应的警情高发地址集。
在一些可选的实施方式中，在上述确定与上述历史警情文本集对应的警情高发地址集后，上述方法还包括：
对上述警情高发地址集中的地址执行以下区域异常趋势确定操作：
确定与该地址对应的目标区域；
获取上述目标区域在预设时间段中每个预设时间单位内的警情数量；
根据上述目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列，其中，上述时间序列以上述警情数量为指标数值，以上述预设时间单位为时间单位；
对上述时间序列进行线性拟合，得到对应的拟合直线斜率；
将上述拟合直线斜率与预设斜率阈值进行比较，若上述拟合直线斜率大于上述预设斜率阈值，则将上述目标区域在上述预设时间段中的警情数量变化趋势确定为异常。
在一些可选的实施方式中，上述预设时间段的长度为预设时长，上述预设斜率阈值和上述预设时长是通过如下训练步骤确定的：
获取训练样本集，其中，上述训练样本集中的训练样本包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，上述样本时间序列是根据样本区域在历史时间段中每个上述预设时间单位内的警情数量生成的；
获取预设训练参数的至少两组候选值，其中，上述预设训练参数包括滑动窗口长度、滑动步长和斜率阈值；
基于时间序列中的窗口滑动方法，通过上述训练样本集确定上述至少两组候选值中每组候选值对应的验证准确率；
将上述至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为上述预设斜率阈值和上述预设时长。
在一些可选的实施方式中，上述基于时间序列中的窗口滑动方法，通过上述训练样本集确定上述至少两组候选值中每组候选值对应的验证准确率，包括：
对于上述至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在上述训练样本集上的验证准确率，上述第一操作包括：
对于上述训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，上述第二操作包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得上述滑动窗口遍历该训练样本对应的样本时间序列；将上述滑动窗口在每个滑动位置下截取的该训练样本对应的时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的上述标签，确定该组候选值在该训练样本上的验证结果；
根据该组候选值在上述训练样本集中的每个训练样本上的验证结果，确定该组候选值在上述训练样本集上的验证准确率。
在一些可选的实施方式中，上述提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，包括：
对于上述历史警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化信息，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
在一些可选的实施方式中，上述聚类算法为kmeans算法；以及
上述基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，包括：
将上述特征向量集中预设数目的特征向量确定为初始点；
以各上述初始点作为中心点，执行以下聚类步骤：根据上述特征向量集中各特征向量与各上述中心点的距离，确定上述特征向量集中各特征向量对应的中心点；用每个中心点对应的各特性向量生成该中心点对应的归属簇；根据每个归属簇中全部或部分特征向量的平均值，确定该归属簇的新的中心点；
重复上述聚类步骤直至达到预设停止条件，其中，上述预设停止条件包括以下至少一项：各上述归属簇的中心点在上述聚类步骤前后均不发生变化、上述聚类步骤的执行次数达到预设次数；
将当前的各上述归属簇确定为各上述聚类簇。
在一些可选的实施方式中，在上述确定上述警情高发地址集之前，上述方法还包括：
对于通过上述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定上述警情高发地址集中的元素：
基于该聚类簇中每个特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，上述地址分布密度用于表示该聚类簇对应的各地址在地理分布上的聚集程度；
确定上述地址分布密度是否大于预设密度阈值；
若上述地址分布密度大于上述预设密度阈值，将该聚类簇的聚类中心对应的地址确定为上述警情高发地址集的元素。
第二方面，本公开提供了一种警情高发地的识别装置，包括：
获取模块，被配置为获取历史警情文本集；
提取模块，被配置为提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，上述特征向量包括表示地址的分量；
聚类模块，被配置为基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，其中，上述聚类簇包括至少一个上述特性向量；
中心确定模块，别配置为确定每个上述聚类簇的聚类中心，其中，上述聚类簇的聚类中心是上述聚类簇中到上述聚类簇中其他全部特性向量的距离之和最小的特征向量；
地址集生成模块，被配置为根据各上述聚类簇的聚类中心对应的地址，确定与上述历史警情文本集对应的警情高发地址集。
在一些可选的实施方式中，上述装置还包括异常趋势识别模块，上述异常趋势识别模块被配置为对上述警情高发地址集中的地址执行区域通过区域异常趋势确定模块执行区域异常趋势确定操作：上述区域异常趋势确定模块包括：
区域确定单元，被配置为确定与该地址对应的目标区域；
警情数量获取单元，被配置为获取上述目标区域在预设时间段中每个预设时间单位内的警情数量；
时间序列生成单元，被配置为根据上述目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列，其中，上述时间序列以上述警情数量为指标数值，以上述预设时间单位为时间单位；
拟合单元，被配置为对上述时间序列进行线性拟合，得到对应的拟合直线斜率；
趋势识别单元，被配置为将上述拟合直线斜率与预设斜率阈值进行比较，若上述拟合直线斜率大于上述预设斜率阈值，则将上述目标区域在上述预设时间段中的警情数量变化趋势确定为异常。
在一些可选的实施方式中，上述预设时间段的长度为预设时长，上述预设斜率阈值和上述预设时长是通过如下训练步骤确定的：
获取训练样本集，其中，上述训练样本集中的训练样本包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，上述样本时间序列是根据样本区域在历史时间段中每个上述预设时间单位内的警情数量生成的；
获取预设训练参数的至少两组候选值，其中，上述预设训练参数包括滑动窗口长度、滑动步长和斜率阈值；
基于时间序列中的窗口滑动方法，通过上述训练样本集确定上述至少两组候选值中每组候选值对应的验证准确率；
将上述至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为上述预设斜率阈值和上述预设时长。
在一些可选的实施方式中，上述基于时间序列中的窗口滑动方法，通过上述训练样本集确定上述至少两组候选值中每组候选值对应的验证准确率，包括：
对于上述至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在上述训练样本集上的验证准确率，上述第一操作包括：
对于上述训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，上述第二操作包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得上述滑动窗口遍历该训练样本对应的样本时间序列；将上述滑动窗口在每个滑动位置下截取的该训练样本对应的时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的上述标签，确定该组候选值在该训练样本上的验证结果；
根据该组候选值在上述训练样本集中的每个训练样本上的验证结果，确定该组候选值在上述训练样本集上的验证准确率。
在一些可选的实施方式中，上述提取模块进一步被配置为：
对于上述历史警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化信息，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
在一些可选的实施方式中，上述聚类算法为kmeans算法；以及
上述聚类模块进一步被配置为：
将上述特征向量集中预设数目的特征向量确定为初始点；
以各上述初始点作为中心点，执行以下聚类步骤：根据上述特征向量集中各特征向量与各上述中心点的距离，确定上述特征向量集中各特征向量对应的中心点；用每个中心点对应的各特性向量生成该中心点对应的归属簇；根据每个归属簇中全部或部分特征向量的平均值，确定该归属簇的新的中心点；
重复上述聚类步骤直至达到预设停止条件，其中，上述预设停止条件包括以下至少一项：各上述归属簇的中心点在上述聚类步骤前后均不发生变化、上述聚类步骤的执行次数达到预设次数；
将当前的各上述归属簇确定为各上述聚类簇。
在一些可选的实施方式中，上述装置还包括密度检测模块，上述密度检测模块被配置为：
对于通过上述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定上述警情高发地址集中的元素：
基于该聚类簇中每个特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，上述地址分布密度用于表示该聚类簇对应的各地址在地理分布上的聚集程度；
确定上述地址分布密度是否大于预设密度阈值；
若上述地址分布密度大于上述预设密度阈值，将该聚类簇的聚类中心对应的地址确定为上述警情高发地址集的元素。
第三方面，本公开提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如本公开第一方面任一实施方式描述的方法。
第四方面，本公开提供了一种计算机可读介质，其上存储有计算机程序，其中，上述程序被处理器执行时实现如本公开第一方面任一实施方式描述的方法。
本实施例中警情高发地的识别方法和装置，基于预设的聚类算法对特征向量进行聚类处理，根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集，能够自动识别警情高发地，无需人工干预，减少了识别警情高发地的人力成本和时间成本。同时，上述方法处理效率高，能够处理大体量数据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2A是根据本公开的警情高发地的识别方法的一个实施例的流程图；
图2B是根据本公开的步骤203的一个实施例的分解流程图；
图2C是根据本公开的分布密度检测步骤的一个实施例的分解流程图；
图2D是根据本公开的区域异常趋势确定操作的一个实施例的分解流程图；
图3是根据本公开的时间序列的一个例子的示意图；
图4是根据本公开的训练步骤的一个实施例的分解流程图；
图5是根据本公开的第二操作的一个实施例的流程图；
图6是根据本公开的警情高发地的识别装置的一个实施例的结构示意图；
图7是适于用来实现本公开的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的警情高发地的识别方法或警情高发地的识别装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如警情文本记录类应用、警情高发地的识别类应用、网页浏览器应用等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有显示屏并且支持文本输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供警情高发地的识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器，例如对终端设备101发送的历史警情文本提供警情高发地的识别服务的后台服务器。后台服务器可以对接收到的历史警情文本进行分析等处理，并将处理结果(例如警情高发地址集)反馈给终端设备。
在一些情况下，本公开所提供的警情高发地的识别方法可以由终端设备101和服务器103共同执行，例如，“获取历史警情文本集”的步骤可以由终端设备101执行，其余步骤可以由服务器103执行。本公开对此不做限定。相应地，警情高发地的识别装置也可以分别设置于终端设备101和服务器103中。
在一些情况下，本公开所提供的警情高发地的识别方法可以由服务器103执行，相应地，警情高发地的识别装置也可以设置于服务器103中，这时，系统架构100也可以不包括终端设备101。
在一些情况下，本公开所提供的警情高发地的识别方法可以由终端设备101执行，相应地，警情高发地的识别装置也可以设置于终端设备101中，这时，系统架构100也可以不包括服务器103。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供警情高发地的识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2A，其示出了根据本公开的警情高发地的识别方法的一个实施例的流程200。该警情高发地的识别方法，包括以下步骤：
步骤201，获取历史警情文本集。
在本实施例中，历史警情文本集可以是已有的警情文本形成的集合。这里，警情文本可以是文本形式的警情数据。具体来说，警情文本可以是来电人员和接线人员之间通话内容的文本记录，也可以是接线人员基于通话内容进行标注形成的结构化数据，还可以是警情记录服务器根据通话时间、来电基站位置等信息自动生成的结构化数据。基于一次报警通话过程可以生成对应的警情文本。
在本实施例中，上述警情高发地的识别方法的执行主体(例如图1所示的服务器)可以从本地获取历史警情文本集，也可以从与上述执行主体网络连接的其他电子设备远程地获取历史警情文本集。例如，上述执行主体可以从本地存储的数据库或者与上述执行主体网络连接的其他电子设备存储的数据库中获取历史警情文本集。上述执行主体也可以从警情平台服务器或对警情数据提供资源管理服务的服务器获取历史警情文本集。
步骤202，提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集。
在本实施例中，对于历史警情文本集中的每个历史警情文本，该历史警情文本的特征向量可以是该历史警情文本的属性量化值的集合。这里，该历史警情文本的特征向量中的分量可以对应于该历史警情文本的属性。上述属性可以是该历史警情文本对应的来电时间、该历史警情文本对应的警情事件的发生时间、该警情文本对应的来电地址、该警情文本对应的警情事件的发生地址、该警情文本对应的警情事件的涉及人数、该警情文本对应的警情类别等。
在一些可选的实施方式中，步骤202可以按照如下方式执行：对于警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化数据，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
这里，结构化数据可以通过接线人员基于通话内容对警情事件的发生地址、警情事件的涉及人数、警情类别等信息进行人工标注得到，也可以通过警情记录服务器对警情的来电时间、来电地址(例如来电基站的地址)等信息进行自动记录得到。基于上述结构化数据，可以确定该历史警情文本对应的特征向量的相应分量。
这里，对该历史警情文本进行信息提取时，可以采用基于有限状态机的信息提取方法、信息抽取的概率模型方法等。例如，可以采用正则表达式进行信息提取，还可以采用隐马尔可夫模型(Hidden Markov Model，HMM)进行信息提取。基于上述信息提取的结果，可以确定该历史警情文本对应的特征向量的相应分量。
在上述实施方式中，基于结构化数据和/或信息提取方式，能够准确有效地确定特征向量的相应分量。
在本实施例中，对于历史警情文本集中的每个历史警情文本，该历史警情文本的特征向量可以包括表示地址的分量。上述地址可以是基于该历史警情文本对应的结构化数据得到的，也可以是通过对该历史警情文本进行信息提取得到的。上述地址可以是文本形式、经纬度形式等。
在一个例子中，某个历史警情文本的特征向量可以包括表示地址的分量(可称之为地址分量)、表示来电时间的分量(可称之为时间分量)和表示警情类别的分量(可称之为类别分量)。这里，地址分量的数值可以是该历史警情文本对应的地址的数字编码(例如，记为a1)，时间分量的数值可以是该历史警情文本对应的时间的数字编码(例如，记为a2)，类别分量的数值可以是该历史警情文本对应的警情类别的代码(例如，记为a3)。容易理解，该历史警情文本的特征向量即为(a1，a2，a3)。
步骤203，基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇。
在本实施例中，聚类处理可以是将特征向量集分成至少一个聚类簇的过程，其中，每个聚类簇可以包括至少一个特征向量。
在一些可选的实施方式中，聚类算法可以包括kmeans(k-means clusteringalgorithm，均值聚类算法)算法、DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
在一些可选的实施方式中，聚类算法可以为kmeans算法。相应地，步骤203可以进一步包括以下步骤：
首先，将特征向量集中预设数目的特征向量确定为初始点。例如，可以从特性向量集中随机选取预设数目的特征向量，将其确定为初始点。
在一个例子中，特征向量集可以是{(1,2,1)，(1,2,2)，(1,2,3)，(5,6,7)，(5,6,8)，(5,6,9)}，预设数目可以是2，这样可以从特性向量集中随机选取2个特征向量作为初始点，例如选出的初始点可以是(1,2,1)和(5,6,7)。
其次，以各初始点作为中心点，执行以下聚类步骤：首先，根据各中心点与特征向量集中各特征向量的距离，确定特征向量集中各特征向量对应的中心点。这里，可以将与某个特征向量距离最小的中心点作为该特征向量对应的中心点。其次，根据各中心点对应的全部特性向量，生成各中心点对应的归属簇。这里，可以将某个中心点对应的全部特征向量形成的集合作为该中心点对应的归属簇。最后，根据各归属簇中全部或部分特征向量的平均值，确定各归属簇的新的中心点。这里，可以将某个归属簇中全部特性向量的平均值作为该归属簇的新的中心点，也可以从某个归属簇中去除与该归属簇中其他特征向量的距离之和大于某个阈值的特性向量，并将剩余特性向量的平均值作为该归属簇的新的中心点。
在前文描述的例子中，可以将初始点(1,2,1)和(5,6,7)作为中心点，并基于中心点(1,2,1)和(5,6,7)执行以下聚类步骤：首先，对于中心点(1,2,1)，可以分别计算该中心点到特征向量(1,2,1)、(1,2,2)、(1,2,3)、(5,6,7)、(5,6,8)和(5,6,9)的欧式距离，上述欧式距离依次为0、1、2、8.25、9和9.80。对于中心点(5,6,7)，可以分别计算该中心点到特征向量(1,2,1)、(1,2,2)、(1,2,3)、(5,6,7)、(5,6,8)和(5,6,9)的欧式距离，上述欧式距离依次为8.25、7.55、6.93、0、1、0。对于特征向量(1,2,2)，该特征向量到中心点(1,2,1)和中心点(5,6,7)的距离分别为1和7.55，因而该特性向量可以与中心点(1,2,1)对应。按照上述方式，可确定每个特性向量对应的中心点。其次，对于中心点(1,2,1)，该中心点对应的特征向量包括(1,2,1)、(1,2,2)和(1,2,3)，因而该中心点对应的归属簇为{(1,2,1)，(1,2,2)，(1,2,3)}。对于中心点(5,6,7)，该中心点对应的特征向量包括(5,6,7)，(5,6,8)和(5,6,9)，因而该特征向量对应的归属簇为{(5,6,7)，(5,6,8)，(5,6,9)}。最后，可以计算中心点(1,2,1)对应的归属簇{(1,2,1)，(1,2,2)，(1,2,3)}中全部特性向量的平均值，并将相应的平均值(1,2,2)作为新的中心点。可以计算中心点(5,6,7)对应的归属簇{(5,6,7)，(5,6,8)，(5,6,9)}中全部特性向量的平均值，并将相应的平均值(5,6,8)作为新的中心点。
之后，重复聚类步骤直至达到预设停止条件，其中，预设停止条件可以包括以下至少一种：各归属簇的中心点在聚类步骤前后不发生变化，聚类步骤的重复次数大于预设次数。在一个例子中，预设停止条件可以同时包括各归属簇的中心点在聚类步骤前后不发生变化和聚类步骤的重复次数大于预设次数，在两个条件中的任意一个条件实现的情况下即停止聚类步骤。
在前文描述的例子中，基于新的中心点(1,2,2)和(5,6,8)重新执行一次聚类步骤，得到的新的中心点仍然为(1,2,2)和(5,6,8)，即各归属簇的中心点在聚类步骤前后没有发生变化，这时可以认为达到了预设停止条件，因而可以停止执行聚类步骤。
最后，将当前的各归属簇确定为各聚类簇。
在前文描述的例子中，最终得到的聚类簇可以是{(1,2,1)，(1,2,2)，(1,2,3)}和{(5,6,7)，(5,6,8)，(5,6,9)}。
在一些可选的实施方式中，步骤203可以按照图2B所示的分解流程实施。请参考图2B，图2B示出了根据本公开的步骤203的一个实施例的分解流程图。如图2B所示，步骤203可以进一步包括以下步骤：
步骤2031，确定初始点并将其作为中心点。
例如，可以随机抽取预设数目的特性向量作为初始点。
步骤2032，根据各中心点与特征向量集中各特征向量的距离，确定特征向量集中各特征向量对应的中心点。
步骤2033，根据各中心点对应的全部特性向量，生成各中心点对应的归属簇。
例如，可以将与某个特征向量距离最小的中心点作为该特征向量对应的中心点。
步骤2034，根据各归属簇中全部或部分特征向量的平均值，确定各归属簇的新的中心点。
例如，可以将某个归属簇中全部特性向量的平均值作为该归属簇的新的中心点，也可以从某个归属簇中去除与该归属簇中其他特征向量的距离之和大于某个阈值的特性向量，并将剩余特性向量的平均值作为该归属簇的新的中心点。
步骤2035，确定是否达到了预设停止条件。
预设停止条件可以包括以下至少一种：各归属簇的中心点在聚类步骤前后不发生变化，聚类步骤的重复次数大于预设次数。
响应于确定否，转至步骤2032。
响应于确定是，转至步骤2036。
步骤2036，将当前的各归属簇确定为各聚类簇。
上述实施方式通过kmeans算法对特征向量集进行聚类处理，实现方便，参数简单，聚类效果较优。
步骤204，确定每个聚类簇的聚类中心。
在本实施例中，每个聚类簇的聚类中心可以是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量。
在前文描述的例子中，对于聚类簇{(1,2,1)，(1,2,2)，(1,2,3)}，该聚类簇中的特征向量(1,2,1)与该聚类簇中其他全部特征向量之和为3，特征向量(1,2,2)与该聚类簇中其他全部特征向量之和为2，特征向量(1,2,3)与该聚类簇中其他全部特征向量之和为3，因此该聚类簇的聚类中心可以是(1,2,2)。按照上述方式，可以确定聚类簇{(5,6,7)，(5,6,8)，(5,6,9)}的聚类中心为(5,6,8)。
步骤205，根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集。
在本实施例中，特征向量可以包括表示地址的分量，因此可以根据聚类簇的聚类中心对应的特征向量中标识地址的分量确定相应的地址。进一步地，可以根据各个聚类簇的聚类中心对应的地址生成与历史警情文本集对应的警情高发地址集。
在前文描述的例子中，聚类中心(1,2,2)对应的地址可以是A，聚类中心(5,6,8)对应的地址可以是B。相应地，历史警情文本集对应的警情高发地址集可以是{A，B}。
本实施例中警情高发地的识别方法，基于预设的聚类算法对特征向量进行聚类处理，根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集，能够自动识别警情高发地，无需人工干预，减少了警情高发地识别的人力成本和时间成本。同时，上述方法处理效率高，能够处理大体量数据。
在一些可选的实施方式中，如图2A所示，在步骤205之前，根据本公开的警情高发地的识别方法的一个实施例的流程200还可以包括以下步骤：
步骤204'，对于通过聚类处理得到的每个聚类簇，对该聚类簇执行分布密度检测步骤，以确定警情高发地址集中的元素。
请参考图2C，图2C示出了根据本公开的分布密度检测步骤的一个实施例的分解流程图。如图2C所示，分布密度检测步骤2040可以包括以下步骤：
步骤2040a，基于该聚类簇中各特征向量对应的地址，确定该聚类簇对应的地址分布密度。
在本实施例中，地址分布密度可以用于表示该聚类簇对应的各地址在地理分布中的聚集程度。在一个例子中，可以在地图中找到包含该聚类簇对应的全部地址的最小圆形区域，并可以将全部地址的数量除以最小圆形区域的比值作为该聚类簇对应的地址分布密度。
步骤2040b，响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为警情高发地址集中的元素。
在一个例子中，预设密度阈值可以是5/km2。如果该聚类簇对应的地址分布密度大于5/km2，则可以将该聚类簇对应的地址确定为警情高发地址集中的元素，反之则不将该聚类簇对应的地址作为警情高发地址集中的元素。
在上述实施方式中，通过确定聚类簇对应的地址分布密度并将其与预设密度阈值进行比较，能够避免将多个地址之间分布过于分散的聚类簇作为确定警情高发地的基础，避免出现不合理的处理结果。
在一些可选的实施方式中，如图2A所示，在步骤205之后，根据本公开的警情高发地的识别方法的一个实施例的流程200还可以包括步骤206：
步骤206，对警情高发地中的地址执行区域异常趋势确定操作。
图2D是根据本公开的区域异常趋势确定操作的一个实施例的分解流程图。如图2D所示，区域异常趋势确定操作可以包括以下步骤：
步骤2060，确定与该地址对应的目标区域。
在该实施方式中，可以根据预设方式确定该地址对应的目标区域。例如，将以该地址为中心、半径为2km的圆形区域确定为目标区域。
步骤2061，获取目标区域在预设时间段中每个预设时间单位内的警情数量。
在该实施方式中，预设时间段可以是预先设定的时间段。可以通过起点和终点来确定相应的预设时间段，例如某个预设时间段的起点为1月1日(包含当日)，终点为1月7日(包含当日)。可以通过起点和时间段长度来确定相应的预设时间段，例如某个预设时间段的起点为2月1日(包含当日)，时间段长度为5天。还可以通过时间段长度和终点来确定相应的预设时间段，例如某个预设时间段的长度为10天，终点为3月5日(包含当日)。
在本实施例中，预设时间单位可以是预先设定的时间单位，例如可以是月、日、小时等。在一个例子中，预设时间段可以是1月1日至1月7日，预设时间单位可以是“日”。相应地，目标区域在预设时间段中每个预设时间单位内的警情数量可以是目标人员在1月1日至1月7日中每一天内的警情数量。在另外一个例子中，预设时间段可以是8:00到12:00，预设时间单位可以是“小时”。相应地，目标人员在预设时间段中每个预设时间单位内的警情数量可以是目标人员在8:00到12:00中每个小时内的警情数量。
步骤2062，根据目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列。
在相关技术中，时间序列可以指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在可应用于经济预测、在军事科学、空间科学、气象预报和工业自动化等部门和领域。时间序列分析(Timeseries analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列构成要素包括现象所属的时间和反映现象发展水平的指标数值。
在本实施例中，时间序列可以以警情数量为指标数值，可以以预设时间单位为时间单位。在一个例子中，预设时间段可以是1月1日至1月7日，预设时间单位可以是天，目标区域在预设时间段内每个预设时间单位内的警情数量可以依次是1、1、2、3、5、1和8。根据上述数据可以生成对应的时间序列，该时间序列如图3所示。
请参考图3，图3是根据本公开的时间序列的一个例子的示意图。图3中采用图表形式表示该时间序列。该图表的横轴可以用于表示时间，并且以预设时间单位“天”为时间单位。该图表的纵轴可以是用于表示警情数量。图3中的每个点可以用于表示目标人员在相应的预设时间单位内的警情数量。例如，从图中可以看出，目标区域在1月7日这一天内的警情数量为8。
步骤2062，对时间序列进行线性拟合，得到对应的拟合直线斜率。
在相关技术中，线性拟合可以是将两个变量之间的映射关系拟合为线性方程的形式。线性拟合的方法可以包括最小二乘法、Theil回归方法、Siegel回归方法、最小中位数二乘法、最小截尾二乘法、S估计方法等。
在本实施例中，对时间序列进行线性拟合，可以得到相应的线性方程。该线性方程的斜率即为该时间序列对应的拟合直线斜率。
在一些具体的实施方式中，可以采用最小二乘法对时间序列进行线性拟合。假设时间序列对应的线性方程为y＝kx+b，其中x表示时间，y表示来电数量，k为斜率，b为截距。这里，基于最小二乘法可以确定拟合直线的斜率k为
Figure BDA0002641647640000141
计算出斜率k后，根据
Figure BDA0002641647640000142
和已经确定的斜率k，可以利用待定系数法可以求出截距b，进而可以得到时间序列对应的线性方程。
在图3所示的例子中，基于最小二乘法可以确定该时间序列对应的线性方程为y＝0.8571x–37569，由此可确定该时间序列对应的拟合直线斜率为0.8571。
步骤2063，将拟合直线斜率与预设斜率阈值进行比较，若拟合直线斜率大于预设斜率阈值，则将目标区域在预设时间段中的警情数量变化趋势确定为异常。
在该实施方式中，可以将时间序列对应的拟合直线斜率与预设斜率阈值进行比较，如果该拟合直线斜率大于预设斜率阈值，那么可以将目标区域在预设时间段中的警情数量变化趋势确定为异常。
在图3所示的例子中，假设预设斜率阈值是0.5，由于该时间序列对应的拟合直线斜率0.8571大于预设斜率阈值0.5，因此可以确定目标区域在预设时间段中的警情数量变化趋势为异常。
在该实施方式中，根据目标区域在预设时间段中每个预设时间单位内的警情数量生成对应的时间序列，在该时间序列对应的拟合直线斜率大于预设斜率阈值的情况下，将目标区域在预设时间段中的警情数量变化趋势确定为异常，实现了对警情高发地附近警情数量变化趋势的自动识别，有利于快速识别异常趋势，为采取针对性行动提供数据参考。
在一些可选的实施方式中，预设时间段的时长可以是预设时长，且预设斜率阈值和预设时长可以是通过图4所示的训练步骤预先确定的。请参考图4，图4是根据本公开的训练步骤的一个实施例的分解流程图。如图4所示，训练步骤400包括以下步骤：
步骤401，获取训练样本集。
在该实施方式中，训练样本集中的训练样本可以包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，样本时间序列可以是根据样本区域在历史时间段中每个预设时间单位内的警情数量生成的。在一个例子中，训练样本A中的样本时间序列可以是根据样本人员a在2月1日到2月28日之间每天内的警情数量生成的，该样本时间序列在每天上的标签例如均是“正常”。训练样本B中的样本时间序列可以是根据样本区域b在3月1日到3月28日之间每天内的警情数量生成的，该时间序列在3月15号、3月18号的标签例如是“异常”，在其他日期的标签例如均是“正常”。
步骤402，获取预设训练参数的至少两组候选值。
在该实施方式中，预设训练参数可以包括滑动窗口长度(可以记为N个预设时间单位)、滑动步长(可以记为S个预设时间单位)和斜率阈值(可以记为K)。可以通过随机生成的方式获取预设训练参数的两组候选值，例如随机生成(N，S，K)的两组候选值分别为(5,1,0.5)和(6,2,0.6)。
步骤403，基于时间序列中的窗口滑动方法，通过训练样本集确定至少两组候选值中每组候选值对应的验证准确率。
在一些可选的实施方式中，步骤403可以进一步包括如下步骤：对于至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在训练样本集上的验证准确率。
上述第一操作可以进一步包括：对于训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，以及根据该组候选值在训练样本集中的每个训练样本上的验证结果，确定该组候选值对应的验证准确率。
上述第二操作可以进一步包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得滑动窗口遍历该训练样本对应的样本时间序列；将滑动窗口在每个滑动位置下截取的该训练样本对应的样本时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的标签，确定该组候选值在该训练样本上的验证结果。
图5是根据本公开的第二操作的一个实施例的示意图。在图5所示的例子中，预设时间单位为“天”，训练样本包括的样本时间序列可以是根据某个样本区域在2月1日至2月10日之间每天内的警情数量生成的，假设该样本区域在2月4日的标签为“异常”，在其他日期的标签为“正常”。待验证的一组候选值可以是(6,2,0.6)，即滑动窗口长度可以是6天，滑动步长可以是2天，斜率阈值可以是0.6。在基于该训练样本和该组候选值执行第二操作时，可以将长度为6天的滑动窗口以2天为滑动步长沿该样本时间序列进行滑动，直至遍历该样本时间序列。图5中以虚线框示出了该滑动窗口，从中可以看出该滑动窗口的长度为6天，并且还可以看出该滑动窗口从该样本时间序列的起点以2天为滑动步长经过两次滑动到达了该样本时间序列的终点，从而完成了对该样本时间序列的遍历。上述滑动过程可以对应滑动窗口的3个位置，即图5所示的位置1、位置2和位置3。可以将该滑动窗口在每个位置下截取的该样本时间序列的片段作为该样本时间序列对应的子时间序列。从图5中可以看出，该样本时间序列对应各个子时间序列分别对应于2月1日至2月6日之间每天内的警情数量、2月3日至2月8日之间每天内的警情数量和2月5日至2月10日之间每天内的警情数量。可以根据前文描述的线性拟合方法对该训练样本对应的每个子时间序列进行线性拟合，得到的拟合直线斜率可以分别是0.5714、0.8857和-0.7714。将上述拟合直线斜率分别与斜率阈值0.6进行比较，可以确定拟合直线斜率0.8857大于斜率阈值0.6，相应的子时间序列(可以记为第二子时间序列)的识别结果为“异常”，可以确定拟合直线斜率0.5714和-0.7714小于斜率阈值0.6，相应的子时间序列(可以记为第一子时间序列和第三子时间序列)的识别结果为“正常”。由于样本区域在2月4日的标签是“异常”，包含该日期的子时间序列(即第一子时间序列和第二子时间序列)也应该是“异常”，因此上述候选值对该样本的识别结果与该样本的标签不一致，即上述候选值在该样本上的验证结果为错误。
上述方式是基于候选值在每个样本上的验证结果计算候选值在训练样本集上的验证准确率的。也可以采用其他方式计算候选值在训练样本集上的验证准确率，例如可以基于候选值在每个子时间序列上的验证结果确定候选值在该训练样本上的验证准确率，再进一步确定候选值在训练样本集上的验证准确率。
步骤404，将至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为预设斜率阈值和预设时长。
在该实施方式中，可以将各组候选值的验证准确率进行比较，确定验证准确率最高的一组候选值。然后，可以将该组候选值中的斜率阈值确定为预设斜率阈值，并将该组候选值中的滑动窗口长度确定为预设时长。
上述训练步骤基于窗口滑动方法进行，能够扩充时间序列的数量，即减少了对训练样本数量的要求，且有利于得出合理有效的相关参数，进而提高异常人员识别的准确性。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种警情高发地的识别装置的一个实施例，该装置实施例与图2A所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的警情高发地的识别装置600包括：获取模块601、提取模块602、聚类模块603、中心确定模块604和地址集生成模块605。其中，获取模块601，被配置为获取历史警情文本集；提取模块602，被配置为提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，特征向量包括表示地址的分量；聚类模块603，被配置为基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇，其中，聚类簇包括至少一个特性向量；中心确定模块604，别配置为确定每个聚类簇的聚类中心，其中，聚类簇的聚类中心是聚类簇中到聚类簇中其他全部特性向量的距离之和最小的特征向量；地址集生成模块605，被配置为根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集。
在本实施例中，警情高发地的识别装置600的获取模块601、提取模块602、聚类模块603、中心确定模块604和地址集生成模块605的具体处理及其所带来的技术效果可分别参考图2A对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在一些可选的实施方式中，如图6所示，该装置还可以包括异常趋势识别模块606，异常趋势识别模块606被配置为对警情高发地址集中的地址通过区域异常趋势确定模块(图6中未示出)执行区域异常趋势确定操作。上述区域异常趋势确定模块还可以进一步包括以下单元(图6中未示出)：区域确定单元，被配置为确定与该地址对应的目标区域；警情数量获取单元，被配置为获取目标区域在预设时间段中每个预设时间单位内的警情数量；时间序列生成单元，被配置为根据目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列，其中，时间序列以警情数量为指标数值，以预设时间单位为时间单位；拟合单元，被配置为对时间序列进行线性拟合，得到对应的拟合直线斜率；趋势识别单元，被配置为将拟合直线斜率与预设斜率阈值进行比较，若拟合直线斜率大于预设斜率阈值，则将目标区域在预设时间段中的警情数量变化趋势确定为异常。
在一些可选的实施方式中，预设时间段的长度为预设时长，预设斜率阈值和预设时长可以是通过如下训练步骤确定的：获取训练样本集，其中，训练样本集中的训练样本包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，样本时间序列是根据样本区域在历史时间段中每个预设时间单位内的警情数量生成的；获取预设训练参数的至少两组候选值，其中，预设训练参数包括滑动窗口长度、滑动步长和斜率阈值；基于时间序列中的窗口滑动方法，通过训练样本集确定至少两组候选值中每组候选值对应的验证准确率；将至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为预设斜率阈值和预设时长。
在一些可选的实施方式中，基于时间序列中的窗口滑动方法，通过训练样本集确定至少两组候选值中每组候选值对应的验证准确率，可以进一步包括：对于至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在训练样本集上的验证准确率，第一操作包括：对于训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，第二操作包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得滑动窗口遍历该训练样本对应的样本时间序列；将滑动窗口在每个滑动位置下截取的该训练样本对应的时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的标签，确定该组候选值在该训练样本上的验证结果；根据该组候选值在训练样本集中的每个训练样本上的验证结果，确定该组候选值在训练样本集上的验证准确率。
在一些可选的实施方式中，提取模块602可以进一步被配置为：对于历史警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化信息，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
在一些可选的实施方式中，聚类算法可以为kmeans算法；以及聚类模块603可以进一步被配置为：将特征向量集中预设数目的特征向量确定为初始点；以各初始点作为中心点，执行以下聚类步骤：根据特征向量集中各特征向量与各中心点的距离，确定特征向量集中各特征向量对应的中心点；用每个中心点对应的各特性向量生成该中心点对应的归属簇；根据每个归属簇中全部或部分特征向量的平均值，确定该归属簇的新的中心点；重复聚类步骤直至达到预设停止条件，其中，预设停止条件包括以下至少一项：各归属簇的中心点在聚类步骤前后均不发生变化、聚类步骤的执行次数达到预设次数；将当前的各归属簇确定为各聚类簇。
在一些可选的实施方式中，该装置还可以包括密度检测模块(图6中未示出)，密度检测模块可以被配置为：对于通过聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定警情高发地址集中的元素：基于该聚类簇中每个特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，地址分布密度用于表示该聚类簇对应的各地址在地理分布上的聚集程度；确定地址分布密度是否大于预设密度阈值；若地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为警情高发地址集的元素。
下面参考图7，其示出了适于用来实现本公开的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU，Central Processing Unit)701，其可以根据存储在只读存储器(ROM，Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM，Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O，Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705：包括触控屏、手写板、键盘或鼠标等的输入部分706；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid CrystalDisplay)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品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，该模块、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，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示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。
描述于本公开中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、提取模块、聚类模块、中心确定模块和地址集生成模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取历史警情文本集的模块”。
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取历史警情文本集；提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，特征向量包括表示地址的分量；基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇，其中，聚类簇包括至少一个特性向量；确定每个聚类簇的聚类中心，其中，聚类簇的聚类中心是聚类簇中到聚类簇中其他全部特性向量的距离之和最小的特征向量；根据各聚类簇的聚类中心对应的地址，确定与历史警情文本集对应的警情高发地址集。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种警情高发地的识别方法，包括：
获取历史警情文本集；
提取所述历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，所述特征向量包括表示地址的分量；
基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，其中，所述聚类簇包括至少一个所述特性向量；
确定每个所述聚类簇的聚类中心，其中，所述聚类簇的聚类中心是所述聚类簇中到所述聚类簇中其他全部特性向量的距离之和最小的特征向量；
根据各所述聚类簇的聚类中心对应的地址，确定与所述历史警情文本集对应的警情高发地址集。
2.根据权利要求1所述的方法，其中，在所述确定与所述历史警情文本集对应的警情高发地址集后，所述方法还包括：
对所述警情高发地址集中的地址执行以下区域异常趋势确定操作：
确定与该地址对应的目标区域；
获取所述目标区域在预设时间段中每个预设时间单位内的警情数量；
根据所述目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列，其中，所述时间序列以所述警情数量为指标数值，以所述预设时间单位为时间单位；
对所述时间序列进行线性拟合，得到对应的拟合直线斜率；
将所述拟合直线斜率与预设斜率阈值进行比较，若所述拟合直线斜率大于所述预设斜率阈值，则将所述目标区域在所述预设时间段中的警情数量变化趋势确定为异常。
3.根据权利要求2所述的方法，其中，所述预设时间段的长度为预设时长，所述预设斜率阈值和所述预设时长是通过如下训练步骤确定的：
获取训练样本集，其中，所述训练样本集中的训练样本包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，所述样本时间序列是根据样本区域在历史时间段中每个所述预设时间单位内的警情数量生成的；
获取预设训练参数的至少两组候选值，其中，所述预设训练参数包括滑动窗口长度、滑动步长和斜率阈值；
基于时间序列中的窗口滑动方法，通过所述训练样本集确定所述至少两组候选值中每组候选值对应的验证准确率；
将所述至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为所述预设斜率阈值和所述预设时长。
4.根据权利要求3所述的方法，其中，所述基于时间序列中的窗口滑动方法，通过所述训练样本集确定所述至少两组候选值中每组候选值对应的验证准确率，包括：
对于所述至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在所述训练样本集上的验证准确率，所述第一操作包括：
对于所述训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，所述第二操作包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得所述滑动窗口遍历该训练样本对应的样本时间序列；将所述滑动窗口在每个滑动位置下截取的该训练样本对应的时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的所述标签，确定该组候选值在该训练样本上的验证结果；
根据该组候选值在所述训练样本集中的每个训练样本上的验证结果，确定该组候选值在所述训练样本集上的验证准确率。
5.根据权利要求1所述的方法，其中，所述提取历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，包括：
对于所述历史警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化信息，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
6.根据权利要求1-5中任一项所述的方法，其中，所述聚类算法为kmeans算法；以及
所述基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，包括：
将所述特征向量集中预设数目的特征向量确定为初始点；
以各所述初始点作为中心点，执行以下聚类步骤：根据所述特征向量集中各特征向量与各所述中心点的距离，确定所述特征向量集中各特征向量对应的中心点；用每个中心点对应的各特性向量生成该中心点对应的归属簇；根据每个归属簇中全部或部分特征向量的平均值，确定该归属簇的新的中心点；
重复所述聚类步骤直至达到预设停止条件，其中，所述预设停止条件包括以下至少一项：各所述归属簇的中心点在所述聚类步骤前后均不发生变化、所述聚类步骤的执行次数达到预设次数；
将当前的各所述归属簇确定为各所述聚类簇。
7.根据权利要求1-5中任一项所述的方法，其中，在所述确定所述警情高发地址集之前，所述方法还包括：
对于通过所述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定所述警情高发地址集中的元素：
基于该聚类簇中每个特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，所述地址分布密度用于表示该聚类簇对应的各地址在地理分布上的聚集程度；
确定所述地址分布密度是否大于预设密度阈值；
若所述地址分布密度大于所述预设密度阈值，将该聚类簇的聚类中心对应的地址确定为所述警情高发地址集的元素。
8.一种警情高发地的识别装置，包括：
获取模块，被配置为获取历史警情文本集；
提取模块，被配置为提取所述历史警情文本集中每个历史警情文本的特征向量并生成特征向量集，其中，所述特征向量包括表示地址的分量；
聚类模块，被配置为基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，其中，所述聚类簇包括至少一个所述特性向量；
中心确定模块，别配置为确定每个所述聚类簇的聚类中心，其中，所述聚类簇的聚类中心是所述聚类簇中到所述聚类簇中其他全部特性向量的距离之和最小的特征向量；
地址集生成模块，被配置为根据各所述聚类簇的聚类中心对应的地址，确定与所述历史警情文本集对应的警情高发地址集。
9.根据权利要求8所述的装置，其中，所述装置还包括异常趋势识别模块，所述异常趋势识别模块被配置为对所述警情高发地址集中的地址通过区域异常趋势确定模块执行区域异常趋势确定操作，所述区域异常趋势确定模块包括：
区域确定单元，被配置为确定与该地址对应的目标区域；
警情数量获取单元，被配置为获取所述目标区域在预设时间段中每个预设时间单位内的警情数量；
时间序列生成单元，被配置为根据所述目标区域在预设时间段中每个预设时间单位内的警情数量，生成相应的时间序列，其中，所述时间序列以所述警情数量为指标数值，以所述预设时间单位为时间单位；
拟合单元，被配置为对所述时间序列进行线性拟合，得到对应的拟合直线斜率；
趋势识别单元，被配置为将所述拟合直线斜率与预设斜率阈值进行比较，若所述拟合直线斜率大于所述预设斜率阈值，则将所述目标区域在所述预设时间段中的警情数量变化趋势确定为异常。
10.根据权利要求9所述的装置，其中，所述预设时间段的长度为预设时长，所述预设斜率阈值和所述预设时长是通过如下训练步骤确定的：
获取训练样本集，其中，所述训练样本集中的训练样本包括样本时间序列和对应的表征该样本时间序列在每个时间单位上是否异常的标签，所述样本时间序列是根据样本区域在历史时间段中每个所述预设时间单位内的警情数量生成的；
获取预设训练参数的至少两组候选值，其中，所述预设训练参数包括滑动窗口长度、滑动步长和斜率阈值；
基于时间序列中的窗口滑动方法，通过所述训练样本集确定所述至少两组候选值中每组候选值对应的验证准确率；
将所述至少两组候选值中验证准确率最高的一组候选值对应的斜率阈值和滑动窗口长度分别确定为所述预设斜率阈值和所述预设时长。
11.根据权利要求10所述的装置，其中，所述基于时间序列中的窗口滑动方法，通过所述训练样本集确定所述至少两组候选值中每组候选值对应的验证准确率，包括：
对于所述至少两组候选值中的每组候选值，执行第一操作以确定该组候选值在所述训练样本集上的验证准确率，所述第一操作包括：
对于所述训练样本集中的每个训练样本，执行第二操作以确定该组候选值在该训练样本上的验证结果，所述第二操作包括：按照该组候选值中的滑动窗口长度和滑动步长，将滑动窗口沿该训练样本对应的样本时间序列进行滑动，使得所述滑动窗口遍历该训练样本对应的样本时间序列；将所述滑动窗口在每个滑动位置下截取的该训练样本对应的时间序列的片段，确定为该训练样本对应的子时间序列；对该训练样本对应的每个子时间序列进行线性拟合，得到相应的拟合直线斜率；确定该训练样本对应的每个拟合直线斜率是否大于该组候选值中的斜率阈值；响应于确定是，确定该拟合直线斜率对应的子时间序列的识别结果为异常；响应于确定否，确定该拟合直线斜率对应的子时间序列的识别结果为非异常；根据该训练样本对应的各子时间序列的识别结果和该训练样本对应的所述标签，确定该组候选值在该训练样本上的验证结果；
根据该组候选值在所述训练样本集中的每个训练样本上的验证结果，确定该组候选值在所述训练样本集上的验证准确率。
12.根据权利要求8所述的装置，其中，所述提取模块进一步被配置为：
对于所述历史警情文本集中每个历史警情文本，根据该历史警情文本对应的结构化信息，确定该历史警情文本对应的特征向量的相应分量；和/或对该历史警情文本进行信息提取，确定该历史警情文本对应的特性向量的相应分量。
13.根据权利要求8-12中任一项所述的装置，其中，所述聚类算法为kmeans算法；以及
所述聚类模块进一步被配置为：
将所述特征向量集中预设数目的特征向量确定为初始点；
以各所述初始点作为中心点，执行以下聚类步骤：根据所述特征向量集中各特征向量与各所述中心点的距离，确定所述特征向量集中各特征向量对应的中心点；用每个中心点对应的各特性向量生成该中心点对应的归属簇；根据每个归属簇中全部或部分特征向量的平均值，确定该归属簇的新的中心点；
重复所述聚类步骤直至达到预设停止条件，其中，所述预设停止条件包括以下至少一项：各所述归属簇的中心点在所述聚类步骤前后均不发生变化、所述聚类步骤的执行次数达到预设次数；
将当前的各所述归属簇确定为各所述聚类簇。
14.根据权利要求1-12中任一项所述的装置，其中，所述装置还包括密度检测模块，所述密度检测模块被配置为：
对于通过所述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定所述警情高发地址集中的元素：
基于该聚类簇中每个特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，所述地址分布密度用于表示该聚类簇对应的各地址在地理分布上的聚集程度；
确定所述地址分布密度是否大于预设密度阈值；
若所述地址分布密度大于所述预设密度阈值，将该聚类簇的聚类中心对应的地址确定为所述警情高发地址集的元素。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202010841636.4A 2020-08-20 2020-08-20 警情高发地的识别方法、装置、电子设备及存储介质 Withdrawn CN112131381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841636.4A CN112131381A (zh) 2020-08-20 2020-08-20 警情高发地的识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841636.4A CN112131381A (zh) 2020-08-20 2020-08-20 警情高发地的识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112131381A true CN112131381A (zh) 2020-12-25

Family

ID=73851745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841636.4A Withdrawn CN112131381A (zh) 2020-08-20 2020-08-20 警情高发地的识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112131381A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131382A (zh) * 2020-08-20 2020-12-25 彭涛 民生问题高发地的识别方法、装置及电子设备
CN113535823A (zh) * 2021-07-26 2021-10-22 北京天融信网络安全技术有限公司 异常访问行为检测方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631917A (zh) * 2013-11-28 2014-03-12 中国科学院软件研究所 一种基于移动对象数据流的突发事件检测方法
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
CN107194068A (zh) * 2017-05-22 2017-09-22 中国石油大学(北京) 页岩气压裂过程井下异常工况实时预测预警方法及装置
CN107633325A (zh) * 2017-09-11 2018-01-26 中国石油大学(北京) 一种页岩气压裂井下事故早期诊断报警方法及装置
CN109472419A (zh) * 2018-11-16 2019-03-15 中山大学 基于时空的警情预测模型的建立方法、装置和存储介质
CN109684162A (zh) * 2018-11-09 2019-04-26 平安科技（深圳）有限公司 设备状态预测方法、系统、终端及计算机可读存储介质
CN110728526A (zh) * 2019-08-19 2020-01-24 阿里巴巴集团控股有限公司 地址识别方法、设备以及计算机可读介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103631917A (zh) * 2013-11-28 2014-03-12 中国科学院软件研究所 一种基于移动对象数据流的突发事件检测方法
CN103955804A (zh) * 2014-05-20 2014-07-30 中山大学 一种服务于警务防控分区规划的犯罪风险时空模式识别方法
CN107194068A (zh) * 2017-05-22 2017-09-22 中国石油大学(北京) 页岩气压裂过程井下异常工况实时预测预警方法及装置
CN107633325A (zh) * 2017-09-11 2018-01-26 中国石油大学(北京) 一种页岩气压裂井下事故早期诊断报警方法及装置
CN109684162A (zh) * 2018-11-09 2019-04-26 平安科技（深圳）有限公司 设备状态预测方法、系统、终端及计算机可读存储介质
CN109472419A (zh) * 2018-11-16 2019-03-15 中山大学 基于时空的警情预测模型的建立方法、装置和存储介质
CN110728526A (zh) * 2019-08-19 2020-01-24 阿里巴巴集团控股有限公司 地址识别方法、设备以及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
瞿庆亮;曲国庆;徐工;: "车载GPS在公路交通事故多发路段判别中的应用", 公路, no. 07, pages 224 - 228 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131382A (zh) * 2020-08-20 2020-12-25 彭涛 民生问题高发地的识别方法、装置及电子设备
CN113535823A (zh) * 2021-07-26 2021-10-22 北京天融信网络安全技术有限公司 异常访问行为检测方法、装置及电子设备
CN113535823B (zh) * 2021-07-26 2023-11-10 北京天融信网络安全技术有限公司 异常访问行为检测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US10248528B2 (en) System monitoring method and apparatus
US11169911B2 (en) Method and apparatus for performing a fitting calculation on test data and generating data fluctuation values
CN108228428B (zh) 用于输出信息的方法和装置
US20170278382A1 (en) Risk early warning method and apparatus
CN110929136A (zh) 一种个性化推荐方法和装置
CN113641994B (zh) 基于图数据的数据处理方法及系统
US20190147540A1 (en) Method and apparatus for outputting information
CN114422267A (zh) 流量检测方法、装置、设备及介质
CN115357470B (zh) 信息生成方法、装置、电子设备和计算机可读介质
CN111427974A (zh) 数据质量评估管理方法和装置
CN112016793B (zh) 基于目标用户群的资源分配方法、装置及电子设备
CN116822995A (zh) 事件发生数量的预测方法和装置
CN112131381A (zh) 警情高发地的识别方法、装置、电子设备及存储介质
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
CN116756616A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN113111230B (zh) 基于正则表达式的接处警文本户籍地地址提取方法和装置
CN114581219A (zh) 一种反电信网络诈骗预警方法及系统
CN111798237B (zh) 基于应用日志的异常交易诊断方法及系统
CN111275466B (zh) 一种超期单量预警的方法和装置
CN112131382B (zh) 民生问题高发地的识别方法、装置及电子设备
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN113360590A (zh) 兴趣点信息的更新方法、装置、电子设备及存储介质
CN109218062B (zh) 基于置信区间的互联网业务报警方法和装置
CN112132720A (zh) 区域警情数量异常趋势确定方法、装置、电子设备及介质
CN110990528A (zh) 一种问答方法、装置及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201225

WW01 Invention patent application withdrawn after publication