CN112132357A - 一种基于大数据的行为预测方法、装置、设备及存储介质 - Google Patents
一种基于大数据的行为预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112132357A CN112132357A CN202011046915.8A CN202011046915A CN112132357A CN 112132357 A CN112132357 A CN 112132357A CN 202011046915 A CN202011046915 A CN 202011046915A CN 112132357 A CN112132357 A CN 112132357A
- Authority
- CN
- China
- Prior art keywords
- behavior prediction
- integral
- prediction model
- early warning
- integral value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000694 effects Effects 0.000 claims abstract description 63
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 230000005587 bubbling Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 234
- 238000012549 training Methods 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 36
- 230000001537 neural effect Effects 0.000 claims description 21
- 238000013480 data collection Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 47
- 239000002609 medium Substances 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000010354 integration Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013024 troubleshooting 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
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种基于大数据的行为预测方法、装置、设备及存储介质。本申请实施例提供的技术方案通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警积分值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。
Description
技术领域
本申请实施例涉及公共安全技术领域，尤其涉及一种基于大数据的行为预测方法、装置、设备及存储介质。
背景技术
为了维护社会治安稳定，需要实时对涉及治安稳定的人员进行管控。目前对目标人员的管控方式一般是直接安排工作人员对目标人员进行逐个走访，了解各目标人员的状态，并采取对应的控制措施。
但是在当前维稳工作中，由于目标人员众多，工作人员不足，维稳资源无法精准按需进行分配，导致部分真正要管控的目标人员没有落实管控的现象时有发生，安全管控效率较低。
发明内容
本申请实施例提供一种基于大数据的行为预测方法、装置、设备及存储介质，以确定需要进行管控的预测目标，提高安全管控效率。
在第一方面，本申请实施例提供了一种基于大数据的行为预测方法，包括：
基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；
将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；
根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
进一步的，所述活动信息包括积分项、积分条件和积分频次，所述积分项、所述积分条件、所述积分频次和所述积分分值存在预设的积分关联关系。
进一步的，所述基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值，包括：
获取预测目标在设定时间范围内的活动信息，确定预测目标对应的积分项、积分条件和积分频次；
基于所述积分关联关系确定所述积分项、所述积分条件和所述积分频次对应的积分分值。
进一步的，所述基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值之前，还包括：
基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练。
进一步的，所述基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练，包括：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
进一步的，所述以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求，包括：
预先设定多组权值项和偏置项的值，并基于设定的所述权值项和所述偏置项，以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练；
基于所述行为预测模型未达到准确率要求，筛选多组对应准确率靠前的权值项和偏置项；
对筛选出的所述权值项和所述偏置项的值进行交叉替换和/或随机替换，并补充权值项和偏置项的设置数量，基于更新后的权值项和偏置项对所述行为预测模型进行训练，直至所述行为预测模型达到准确率要求。
进一步的，所述基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练，包括：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
基于所述行为预测模型的向量模式，将所述行为预测模型的输出模式设置为
其中y为预警状态值；
以历史监测数据中的积分分值为输入、预警状态值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
进一步的，所述根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式之后，还包括：
响应于指示预测目标存在威胁的预警状态值，进行异常预警。
在第二方面，本申请实施例提供了一种基于大数据的行为预测装置，包括数据收集模块、行为预测模块和结果展示模块，其中：
数据收集模块，用于基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；
行为预测模块，用于将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；
结果展示模块，用于根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
进一步的，所述活动信息包括积分项、积分条件和积分频次，所述积分项、所述积分条件、所述积分频次和所述积分分值存在预设的积分关联关系。
进一步的，所述数据收集模块具体用于：
获取预测目标在设定时间范围内的活动信息，确定预测目标对应的积分项、积分条件和积分频次；
基于所述积分关联关系确定所述积分项、所述积分条件和所述积分频次对应的积分分值。
进一步的，所述装置还包括模型训练模块，所述模型训练模块用于：
基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练。
进一步的，所述模型训练模块具体用于：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
进一步的，所述模型训练模块在以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求时，具体包括：
预先设定多组权值项和偏置项的值，并基于设定的所述权值项和所述偏置项，以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练；
基于所述行为预测模型未达到准确率要求，筛选多组对应准确率靠前的权值项和偏置项；
对筛选出的所述权值项和所述偏置项的值进行交叉替换和/或随机替换，并补充权值项和偏置项的设置数量，基于更新后的权值项和偏置项对所述行为预测模型进行训练，直至所述行为预测模型达到准确率要求。
进一步的，所述模型训练模块具体用于：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
基于所述行为预测模型的向量模式，将所述行为预测模型的输出模式设置为
其中y为预警状态值；
以历史监测数据中的积分分值为输入、预警状态值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
进一步的，所述装置还包括预警模块，用于响应于指示预测目标存在威胁的预警状态值，进行异常预警。
在第三方面，本申请实施例提供了一种计算机设备，包括：存储器以及一个或多个处理器；
所述存储器，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，使得所述一个或多个处理器实现如第一方面所述的基于大数据的行为预测方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于大数据的行为预测方法。
本申请实施例通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警积分值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。
附图说明
图1是本申请实施例提供的一种基于大数据的行为预测方法的流程图；
图2是本申请实施例提供的另一种基于大数据的行为预测方法的流程图；
图3是本申请实施例提供的另一种基于大数据的行为预测方法的流程图；
图4是本申请实施例提供的一种基于大数据的行为预测装置的结构示意图；
图5是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种基于大数据的行为预测方法的流程图，本申请实施例提供的基于大数据的行为预测方法可以由基于大数据的行为预测装置来执行，该基于大数据的行为预测装置可以通过硬件和/或软件的方式实现，并集成在计算机设备中。
下述以基于大数据的行为预测装置执行基于大数据的行为预测方法为例进行描述。参考图1，该基于大数据的行为预测方法包括：
S101：基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值。
预先对不同的活动信息设置对应的积分分值，并且活动信息指示的活动对治安造成的威胁越大，发生的次数越多，对应的积分分值越高。
示例性的，实时通过大数据挖掘技术收集预测目标在设定时间范围内(例如半年内)的各项活动信息，并根据预测目标进行的活动的类型以及次数确定预测目标的积分分值。
可以理解的是，同一个预测目标在设定时间范围内可进行多项活动，对应的活动信息指示预测目标在设定时间范围内进行了多项活动，并针对不同的活动类型及次数确定对应的积分分值，此时根据该预测目标的活动信息可确定多个积分分值。
S102：将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值。
其中行为预测模型用于对积分分值进行分析并输出预警积分值，并且同一预测目标的活动信息指示的活动越多，即得到的积分分值越多，行为预测模型分析得到的预警积分值越高，指示该预测目标的异常程度越严重。
进一步的，行为预测模型可通过历史监测数据进行训练，即以历史监测数据中的积分分值为输入，预警积分值作为输出，对行为预测模型进行训练，得到准确率达到要求的行为预测模型。
示例性的，在确定预测目标的积分分值后，将积分分值输入到行为预测模型中，由行为预测模型对输入的积分分值进行分析，得到该预测目标的预警积分。
S103：根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
示例性的，在得到各预测目标的预警积分值后，根据预警积分值的大小比较情况对预警积分值进行冒泡排序，即较大的预警积分值排在较小的预警积分值的前面，从而根据异常程度对预测目标进行冒泡排序。
可以理解的是，排序结果指示排在越前面的预测目标，其异常程度越严重，即对治安造成的威胁更大。
进一步的，在完成对预测目标的排序后，根据排序结果确定对预测目标的展示方式，实现对各预测目标预警积分值的可视化展现。例如以冒泡图的展示方式对预测目标进行展示，可直观地展示那些预测目标的异常程度更严重，需要及时采取管控措施。
上述，通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警积分值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。
在上述实施例的基础上，图2为本申请实施例提供的另一种基于大数据的行为预测方法的流程图，该基于大数据的行为预测方法是对上述基于大数据的行为预测方法的具体化。参考图2，该基于大数据的行为预测方法包括：
S201：基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练。
其中历史监测数据记录有多个预测目标的活动信息(包括积分项、积分条件和积分频次)、活动信息对应的预警积分值以及反映是否有进行预警的预警状态值，其中预警积分值和预警状态值可根据预测目标当时的具体活动信息、异常程度或是否有进行安全管控进行确定。
在一个可能的实施例中，对行为预测模型的搭建与训练可以预警积分值为目标输出进行，具体包括步骤S2011-S2012：
S2011：基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b。
具体的，基于神经学习网络，并以z＝wTx+b作为向量模式搭建行为预测模型。其中z为预警积分值、w为权值项、b为偏置项、x为积分分值，wT为w的偏置矩阵，预警积分值和积分分值分别作为行为预测模型的输出和输入，在利用行为预测模型求取预警积分值时，积分分值作为已知项输入到行为预测模型中。
S2012：以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
在搭建行为预测模型后，获取历史监测数据，并以历史监测数据中的积分分值为输入、预警积分值为输出输入到行为预测模型中，对行为预测模型进行训练，并根据行为预测模型的准确率对权值项和偏置项进行调优(即调整w和b的值)，直至行为预测模型达到准确率要求。
在一个可能的实施例中，对行为预测模型中权值项和偏置项进行调优具体包括步骤S20121-S20123：
S20121：预先设定多组权值项和偏置项的值，并基于设定的所述权值项和所述偏置项，以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练。
具体的，预先设定多组权值项和偏置项的值，将这些权值项和偏置项的值代入到行为预测模型中，并以历史监测数据中的积分分值为输入、预警积分值为输出，对行为预测模型进行训练，得到各组权值项和偏置项对应行为预测模型的准确率。
例如随机初始化100组权值项和偏置项的值，并计算100组权值项和偏置项的值对应的行为预测模型的准确率。
S20122：基于所述行为预测模型未达到准确率要求，筛选多组对应准确率靠前的权值项和偏置项。
具体的，获取各组权值项和偏置项对应行为预测模型的准确率，判断最高的准确率是否达到准确率要求，若达到要求，则认为已完成行为预测模型的训练。
若最高的准确率未达到准确率要求，则进一步根据准确率从大到小对各组权值项和偏置的值进行排序，筛选出准确率靠前的若干组权值项和偏置项的值(例如准确率前20组的权值项和偏置项的值)，进行下一步对权值项和偏置项的更新。
S20123：对筛选出的所述权值项和所述偏置项的值进行交叉替换和/或随机替换，并补充权值项和偏置项的设置数量，基于更新后的权值项和偏置项对所述行为预测模型进行训练，直至所述行为预测模型达到准确率要求。
具体的，对筛选出权值项和偏置项的值进行交叉替换和/或随机替换。其中交叉替换具体为将筛选出的权值项和偏置项在组与组之间进行随机交换，随机替换为按照设定概率将部分权值项和偏置项的值替换为随机值。
进一步的，随机设置多组权值项和偏置项的值，使得此时权值项和偏置项的组数与筛选前一致，完成权值项和偏置项的更新，并基于更新后的权值项和偏置项重新对行为预测模型进行训练，直至行为预测模型达到准确率要求。
S202：获取预测目标在设定时间范围内的活动信息，确定预测目标对应的积分项、积分条件和积分频次。
本实施例提供的活动信息包括积分项、积分条件和积分频次，并且积分项、积分条件、积分频次和积分分值存在预设的积分关联关系。
其中积分项可以理解为预测目标进行的活动类型，可以理解的是，一个预测目标在一段时间内可进行多个类型的活动，即对应的活动信息包括有多个积分项。积分条件可以理解为活动类型的具体细节，并且一个积分项可对应有多个积分条件。积分频次可以理解为积分条件达成的次数(可以理解的是，部分积分条件可不设置积分频次)，并且一个积分条件可对应有多个积分频次。例如，假设一个积分项为预测目标的失控活动，对应的积分条件可以是半年内，对应的积分频次可设置为1次、2-5次和5次以上。
进一步的，根据积分项、积分条件和积分频次对异常程度的影响，针对不同的积分项、积分条件和积分频次的组合，设定相应的积分分值，并记录积分项、积分条件、积分频次和积分分值之间的积分关联关系。
具体的，获取预测目标在设定时间范围内的活动信息，基于活动信息确定活动信息中的积分项、积分条件和积分频次。其中预测目标的活动信息记录有预测目标进行的各种活动，可根据活动的类型确定积分项，根据活动类型的具体细节确定积分条件，并根据各积分条件下的活动发生的次数确定积分频次。
进一步的，对于不同的活动信息的类型，可设定不同的时间范围。
S203：基于所述积分关联关系确定所述积分项、所述积分条件和所述积分频次对应的积分分值。
具体的，根据积分关联关系确定多个不同积分项、积分条件和积分频次的组合所对应的分值，并将这些分值组成的分值矩阵作为对应预测目标的积分分值。在积分分值对应的矩阵中，在达成积分条件的积分项的数值为相应分值，未达成积分条件的数值为0或空。
S204：将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值。
S205：根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
在一个可能的实施例中，在将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值之后，还将预警积分值与预警阈值进行比较，在预警积分值达到预警阈值时，进行指向对应预测目标的异常预警，以提醒工作人员及时采取对应控制措施。
上述，通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警积分值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。根据预测目标的活动信息确定积分项、积分条件和积分频次，并据此确定预测目标的积分分值，通过搭建行为预测模型对每位预测目标进行预警积分值计算，并以冒泡排序的图形进行展示，自动推送异常危险程度高的人员，并对异常动态预测目标自动预警，有效减少工作人员的日常排查工作量。
在上述实施例的基础上，图3为本申请实施例提供的另一种基于大数据的行为预测方法的流程图，该基于大数据的行为预测方法是对上述基于大数据的行为预测方法的具体化。参考图3，该基于大数据的行为预测方法包括：
S301：基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b。
在本实施例中，对行为预测模型的搭建与训练可以预警状态值为目标输出进行。具体的，基于神经学习网络，并以z＝wTx+b作为向量模式搭建行为预测模型。其中z为预警积分值、w为权值项、b为偏置项、x为积分分值，wT为w的偏置矩阵。
S302：基于所述行为预测模型的向量模式，将所述行为预测模型的输出模式设置为
其中y为预警状态值。
由于预警积分值是一个连续值，存在无法准确给出是否预警的概率，本实施例增加一个映射函数
将预警积分值映射到[0，1]中，并定义在y分别大于和小于等于状态阈值时，对应将y转化为1和0。例如将状态阈值设置为0.5，在y大于0.5时，将y转化为1，此时对应的预警积分值z大于0；在y小于等于0.5时，将y转化为0，对应的预警积分值z小于等于0。将得到的1或0作为预警状态值，分别反映预警和不预警两种状态，此时行为预测模型的输出模式为
并且预测模型在y分别大于和小于等于状态阈值0.5时，对应将y转化为1和0。预警状态值和积分分值分别作为行为预测模型的输出和输入。
S303：以历史监测数据中的积分分值为输入、预警状态值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
在搭建行为预测模型后，获取历史监测数据，并以历史监测数据中的积分分值为输入、预警状态值为输出输入到行为预测模型中，对行为预测模型进行训练，并根据行为预测模型的准确率对权值项和偏置项进行调优(即调整w和b的值)，直至行为预测模型达到准确率要求。
S304：基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值。
S305：将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警状态值。
具体的，在确定预测目标的积分分值后，将积分分值输入到行为预测模型中，由行为预测模型对输入的积分分值进行分析，得到该预测目标的预警状态值。可以理解的是，在得到的预警状态值为0时，表示对应预测目标的行为状态处在安全范围，可以放缓对该预测目标的管控，而在得到的预警状态值为1时，表示对应预测目标的行为状态较严重，需要及时进行管控。
S306：根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
示例性的，在得到各预测目标的预警积分值后，以活动类型为横坐标，以预警积分值为纵坐标，对预警积分值进行冒泡排序，即将预警积分值较大的预警状态值排在前面，从而根据异常程度对预测目标进行冒泡排序。可以理解的是，在预测目标较为稳定或威胁程度较小时，其对应的预警积分值较小，预警积分值更接近横坐标，例如在wTx的值小于-b时，预警积分值位于横坐标下方，而在预测目标较不稳定或威胁程度较大时，其对应的预警积分值较大，预警积分值将远离横坐标，例如在wTx的值大于-b时，预警积分值位于横坐标上方。
进一步的，在完成对预测目标的排序后，根据排序结果确定对预测目标的展示方式，实现对各预测目标预警状态值的可视化展现。
S307：响应于指示预测目标存在威胁的预警状态值，进行异常预警。
具体的，在生成数值为1的预警状态值时，认为对应预测目标存在威胁，并响应于该指示预测目标存在威胁的预警状态值进行异常预警。例如通过弹窗、消息推送、邮件、短信等方式发起异常预警，以提示工作人员及时采取对应管控措施。
上述，通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警状态值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。同时，将预警积分值映射在[0，1]中得到预警状态值，更清楚地反映对应预测目标是否需要进行管控，有效提高安全管控效率。
图4给出了本申请实施例提供的一种基于大数据的行为预测装置的结构示意图。参考图4，该基于大数据的行为预测装置包括数据收集模块41、行为预测模块42和结果展示模块43。
其中，数据收集模块41，用于基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；行为预测模块42，用于将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；结果展示模块43，用于根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
上述，通过基于大数据收集预测目标在设定时间范围内的活动信息，并根据活动信息确定预测目标的积分分值，将积分分值输入到行为预测模型中，由行为预测模型对积分分值进行分析并输出对应预测目标的预警积分值，并根据各预测目标的预警积分值对预测目标进行冒泡排序，以根据排序结果确定对预测目标的展示方式，工作人员可根据对预测目标的展示方式确定更需要进行管控的预测目标，提高安全管控效率。
在一个可能的实施例中，所述活动信息包括积分项、积分条件和积分频次，所述积分项、所述积分条件、所述积分频次和所述积分分值存在预设的积分关联关系。
在一个可能的实施例中，所述数据收集模块41具体用于：
获取预测目标在设定时间范围内的活动信息，确定预测目标对应的积分项、积分条件和积分频次；
基于所述积分关联关系确定所述积分项、所述积分条件和所述积分频次对应的积分分值。
在一个可能的实施例中，所述装置还包括模型训练模块，所述模型训练模块用于：
基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练。
在一个可能的实施例中，所述模型训练模块具体用于：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
在一个可能的实施例中，所述模型训练模块在以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求时，具体包括：
预先设定多组权值项和偏置项的值，并基于设定的所述权值项和所述偏置项，以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练；
基于所述行为预测模型未达到准确率要求，筛选多组对应准确率靠前的权值项和偏置项；
对筛选出的所述权值项和所述偏置项的值进行交叉替换和/或随机替换，并补充权值项和偏置项的设置数量，基于更新后的权值项和偏置项对所述行为预测模型进行训练，直至所述行为预测模型达到准确率要求。
在一个可能的实施例中，所述模型训练模块具体用于：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
基于所述行为预测模型的向量模式，将所述行为预测模型的输出模式设置为
其中y为预警状态值；
以历史监测数据中的积分分值为输入、预警状态值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
在一个可能的实施例中，所述装置还包括预警模块，用于响应于指示预测目标存在威胁的预警状态值，进行异常预警。
本申请实施例还提供了一种计算机设备，该计算机设备可集成本申请实施例提供的基于大数据的行为预测装置。图5是本申请实施例提供的一种计算机设备的结构示意图。参考图5，该计算机设备包括：输入装置53、输出装置54、存储器52以及一个或多个处理器51；所述存储器52，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51执行，使得所述一个或多个处理器51实现如上述实施例提供的基于大数据的行为预测方法。其中输入装置53、输出装置54、存储器52和处理器51可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器52作为一种计算设备可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的基于大数据的行为预测方法对应的程序指令/模块(例如，基于大数据的行为预测装置中的数据收集模块41、行为预测模块42和结果展示模块43)。存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置54可包括显示屏等显示设备。
处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于大数据的行为预测方法。
上述提供的基于大数据的行为预测装置、设备和计算机可用于执行上述任意实施例提供的基于大数据的行为预测方法，具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于大数据的行为预测方法，该基于大数据的行为预测方法包括：基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于大数据的行为预测方法，还可以执行本申请任意实施例所提供的基于大数据的行为预测方法中的相关操作。
上述实施例中提供的基于大数据的行为预测装置、设备及存储介质可执行本申请任意实施例所提供的基于大数据的行为预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于大数据的行为预测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (11)
1.一种基于大数据的行为预测方法，其特征在于，包括：
基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；
将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；
根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
2.根据权利要求1所述的基于大数据的行为预测方法，其特征在于，所述活动信息包括积分项、积分条件和积分频次，所述积分项、所述积分条件、所述积分频次和所述积分分值存在预设的积分关联关系。
3.根据权利要求2所述的基于大数据的行为预测方法，其特征在于，所述基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值，包括：
获取预测目标在设定时间范围内的活动信息，确定预测目标对应的积分项、积分条件和积分频次；
基于所述积分关联关系确定所述积分项、所述积分条件和所述积分频次对应的积分分值。
4.根据权利要求1所述的基于大数据的行为预测方法，其特征在于，所述基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值之前，还包括：
基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练。
5.根据权利要求4所述的基于大数据的行为预测方法，其特征在于，所述基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练，包括：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
6.根据权利要求5所述的基于大数据的行为预测方法，其特征在于，所述以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求，包括：
预先设定多组权值项和偏置项的值，并基于设定的所述权值项和所述偏置项，以历史监测数据中的积分分值为输入、预警积分值为输出，对所述行为预测模型进行训练；
基于所述行为预测模型未达到准确率要求，筛选多组对应准确率靠前的权值项和偏置项；
对筛选出的所述权值项和所述偏置项的值进行交叉替换和/或随机替换，并补充权值项和偏置项的设置数量，基于更新后的权值项和偏置项对所述行为预测模型进行训练，直至所述行为预测模型达到准确率要求。
7.根据权利要求4所述的基于大数据的行为预测方法，其特征在于，所述基于神经学习网络搭建行为预测模型，并利用历史监测数据对所述行为预测模型进行训练，包括：
基于神经学习网络搭建行为预测模型，所述行为预测模型的向量模式为z＝wTx+b，其中z为预警积分值、w为权值项、b为偏置项、x为积分分值；
基于所述行为预测模型的向量模式，将所述行为预测模型的输出模式设置为
其中y为预警状态值；
以历史监测数据中的积分分值为输入、预警状态值为输出，对所述行为预测模型进行训练并对权值项和偏置项进行调优，直至所述行为预测模型达到准确率要求。
8.根据权利要求7所述的基于大数据的行为预测方法，其特征在于，所述根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式之后，还包括：
响应于指示预测目标存在威胁的预警状态值，进行异常预警。
9.一种基于大数据的行为预测装置，其特征在于，包括数据收集模块、行为预测模块和结果展示模块，其中：
数据收集模块，用于基于预测目标在设定时间范围内的活动信息，确定预测目标的积分分值；
行为预测模块，用于将所述积分分值输入行为预测模型，由所述行为预测模型对所述积分分值进行分析得到预测目标的预警积分值；
结果展示模块，用于根据所述预警积分值对预测目标进行冒泡排序，并根据排序结果确定对预测目标的展示方式。
10.一种计算机设备，其特征在于，包括：存储器以及一个或多个处理器；
所述存储器，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，使得所述一个或多个处理器实现如权利要求1-8任一所述的基于大数据的行为预测方法。
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8任一所述的基于大数据的行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011046915.8A CN112132357A (zh) | 2020-09-29 | 2020-09-29 | 一种基于大数据的行为预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011046915.8A CN112132357A (zh) | 2020-09-29 | 2020-09-29 | 一种基于大数据的行为预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112132357A true CN112132357A (zh) | 2020-12-25 |
Family
ID=73844554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011046915.8A Pending CN112132357A (zh) | 2020-09-29 | 2020-09-29 | 一种基于大数据的行为预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132357A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559971A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种概率预测方法、装置及计算机可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及系统 |
| CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
| 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 |
| CN110852517A (zh) * | 2019-11-15 | 2020-02-28 | 北京明略软件系统有限公司 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
| CN110866642A (zh) * | 2019-11-15 | 2020-03-06 | 北京明略软件系统有限公司 | 安全监控方法、装置、电子设备和计算机可读存储介质 |
| CN110909706A (zh) * | 2019-11-29 | 2020-03-24 | 北京明略软件系统有限公司 | 一种昼伏夜出人员判定方法、装置、电子设备及存储介质 |
| US20200210817A1 (en) * | 2018-12-31 | 2020-07-02 | Wipro Limited | Method and system for providing explanation of prediction generated by an artificial neural network model |
-
2020
- 2020-09-29 CN CN202011046915.8A patent/CN112132357A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
| 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 |
| CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及系统 |
| US20200210817A1 (en) * | 2018-12-31 | 2020-07-02 | Wipro Limited | Method and system for providing explanation of prediction generated by an artificial neural network model |
| 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 |
| CN110852517A (zh) * | 2019-11-15 | 2020-02-28 | 北京明略软件系统有限公司 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
| CN110866642A (zh) * | 2019-11-15 | 2020-03-06 | 北京明略软件系统有限公司 | 安全监控方法、装置、电子设备和计算机可读存储介质 |
| CN110909706A (zh) * | 2019-11-29 | 2020-03-24 | 北京明略软件系统有限公司 | 一种昼伏夜出人员判定方法、装置、电子设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559971A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种概率预测方法、装置及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
| CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
| CN101004770B (zh) | 用于对安全威胁提供实时响应的方法和系统 | |
| US10592308B2 (en) | Aggregation based event identification | |
| US20220078188A1 (en) | Change Monitoring and Detection for a Cloud Computing Environment | |
| CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
| CN102881124B (zh) | 警报管理 | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| US20120072456A1 (en) | Adaptive resource allocation for multiple correlated sub-queries in streaming systems | |
| WO2023207689A1 (zh) | 一种变更风险评估方法、设备及存储介质 | |
| CN114398354A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
| CN112132357A (zh) | 一种基于大数据的行为预测方法、装置、设备及存储介质 | |
| Hidayat et al. | Performance Analysis and mitigation of virtual machine server by using naive bayes classification | |
| CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
| CN110769003B (zh) | 一种网络安全预警的方法、系统、设备及可读存储介质 | |
| US20170293608A1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
| EP3304316A1 (en) | Cross-module behavioral validation | |
| CN116624226A (zh) | 一种煤矿灾害数据采集、分析及可视化展现系统 | |
| Gaskova et al. | Semantic modeling of cyber threats in the energy sector using Dynamic Cognitive Maps and Bayesian Belief Network | |
| CN111614503B (zh) | 设备告警控制方法和装置、电子设备和存储介质 | |
| TWI771531B (zh) | 使用機器學習預測系統健康度之方法與系統 | |
| Kostadinov et al. | Reducing the number of incidents in converged IT infrastructure using correlation approach | |
| Li et al. | Research on the Safety Accidents Prediction for Smart Laboratory Based on Statistical Analysis | |
| CN108712465A (zh) | 大数据平台监控方法 | |
| Hawkins | Minimum viable model estimates for machine learning projects |
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 |