CN112434973A - 基于一维和二维卷积的重点区域安全治理指标评估方法 - Google Patents

基于一维和二维卷积的重点区域安全治理指标评估方法 Download PDF

Info

Publication number
CN112434973A
CN112434973A CN202011466053.4A CN202011466053A CN112434973A CN 112434973 A CN112434973 A CN 112434973A CN 202011466053 A CN202011466053 A CN 202011466053A CN 112434973 A CN112434973 A CN 112434973A
Authority
CN
China
Prior art keywords
safety
data
subentry
feature
governance
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Withdrawn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
CN202011466053.4A
Other languages
English (en)
Inventor
姜亮亮
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.)
Foshan Shiai Network Technology Co ltd
Original Assignee
Foshan Shiai Network Technology Co ltd
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 Foshan Shiai Network Technology Co ltd filed Critical Foshan Shiai Network Technology Co ltd
Priority to CN202011466053.4A priority Critical patent/CN112434973A/zh
Publication of CN112434973A publication Critical patent/CN112434973A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于一维和二维卷积的重点区域安全治理指数评估方法，其包括：获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；基于所述多个分项特征向量获得安全治理单项特征向量；基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及，基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。这样，推进政法平安系统运行管理数字化和职能数字化，以提升其数字治理能力和水平。

Description

基于一维和二维卷积的重点区域安全治理指标评估方法
技术领域
本申请涉及人工智能技术领域，且更为具体地，涉及一种基于一维和二维卷积的重点区域安全治理指数评估方法、系统和电子设备。
背景技术
“智慧城市”将信息技术与先进的城市经营服务理念进行有效融合，通过对城市的地理、资源、环境、经济等进行数字网络化管理，为城市提供更便捷、高效、灵活的公共管理的创新服务模式。
打造数字赋能安全治理协同系统，推进政法机关内部运行管理数字化、政法机关履行职能数字化，并全面提升政法平安系统数字治理能力和水平是智慧城市建设的重要内容。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为数字赋能安全治理协同的建设提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于一维和二维卷积的重点区域安全治理指数评估方法、系统和电子设备，其结合一维卷积和二维卷积对安全治理分项数据进行处理，其中，一维卷积用于对各单项数据内部的各项数据的时序关系进行处理，而二维卷积用于处理各单项数据之间的关联关系。这样，通过基于一维卷积获取的安全治理单项特征向量，可以充分提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。并且，通过基于二维卷积获得的安全治理综合特征向量，可以充分提取出各个安全治理分项数据之间的关联特征。也就是，从安全治理指数的评估整体来看，一维卷积提取出用于指数评估的局部特征，而二维卷积提取出用于指数评估的全局特征，这样，通过结合局部特征和全局特征，能够使得安全治理指数的评估更加准确。
根据本申请的一个方面，提供了一种基于一维和二维卷积的重点区域安全治理指数评估方法，其包括：
获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；
对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；
基于所述多个分项特征向量获得安全治理单项特征向量；
基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及
基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，对于所述多个分项时序子数据进行一维卷积以获得多个分项特征向量，包括：将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量；计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值；以及，对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量，包括：将所述多个分项时序子数据中的每个分项子数据中的事件描述进行基于文本特征的转化以获得多个事件特征向量；将所述每个分项子数据中的事件描述对应的时间信息转换为多个时间特征向量；以及，将所述每个对应的事件特征向量和时间特征向量进行级联以获得所述多个文本特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量获得安全治理单项特征向量，包括：将所述多个分项特征向量转换为相同长度的分项特征向量；以及，计算所述相同长度的分项特征向量的按位置的加权和以获得所述安全治理单项特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量，包括：将所述多个分项特征向量转换为相同长度的分项特征向量；将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；将所述第一卷积特征图通过第一池化层以获得第一池化特征图；基于所述第一池化特征图由第二卷积层获得第二卷积特征图；以及，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述第一池化特征图由第二卷积层获得第二卷积特征图，包括：将所述第一池化特征图通过第三卷积层以获得第三卷积特征图；将所述第三卷积特征图通过第二池化层以获得第二池化特征图；以及，将所述第二池化特征图通过所述第二卷积层以获得所述第二卷积特征图。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量，包括：将所述第二卷积特征图通过全局平均池化获得全局平均池化特征向量；以及，将所述全局平均池化特征向量通过全连接层以获得所述安全治理综合特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，所述重点区域的多个安全治理分项数据包括信访数据、黄赌毒警情数据、偷盗警情数据、纠纷警情数据、电诈警情数据、火警数据、重大交通事故数据、命案数据中的多个。
在上述基于一维和二维卷积的重点区域安全治理指数评估方法中，其中，所述预定周期为月、季度、半年和一年的其中之一。
根据本申请的另一方面，提供了一种基于一维和二维卷积的重点区域安全治理指数评估系统，包括：
安全治理分项数据获取单元，用于获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；
分项特征向量生成单元，用于对于所述安全治理分项数据获取单元获得的所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；
安全治理单向特征向量生成单元，用于基于所述分项特征向量生成单元获得的所述多个分项特征向量获得安全治理单项特征向量；
安全治理综合特征向量生成单元，用于基于所述分项特征向量生成单元获得的所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及
安全治理指数生成单元，用于基于所述安全治理单向特征向量生成单元获得的所述安全治理单项特征向量和所述安全治理综合特征向量生成单元获得的所述安全治理综合特征向量获得所述重点区域的安全治理指数。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述分项特征向量生成单元，包括：文本特征向量转化子单元，用于将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量；特征值计算子单元，用于计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值；以及，一维卷积处理子单元，用于对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述文本特征向量转化子单元，进一步用于：将所述多个分项时序子数据中的每个分项子数据中的事件描述进行基于文本特征的转化以获得多个事件特征向量；将所述每个分项子数据中的事件描述对应的时间信息转换为多个时间特征向量；以及，将所述每个对应的事件特征向量和时间特征向量进行级联以获得所述多个文本特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述安全治理单向特征向量生成单元，进一步用于：将所述多个分项特征向量转换为相同长度的分项特征向量；以及，计算所述相同长度的分项特征向量的按位置的加权和以获得所述安全治理单项特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述安全治理综合特征向量生成单元，包括：长度调整子单元，用于将所述多个分项特征向量转换为相同长度的分项特征向量；向量拼接子单元，用于将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；第一维卷积处理子单元，用于将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；池化子单元，用于将所述第一卷积特征图通过第一池化层以获得第一池化特征图；第二维卷积处理子单元，用于基于所述第一池化特征图由第二卷积层获得第二卷积特征图；以及，安全治理综合特征向量获取子单元，用于将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述第二维卷积处理子单元，进一步用于：将所述第一池化特征图通过第三卷积层以获得第三卷积特征图；将所述第三卷积特征图通过第二池化层以获得第二池化特征图；以及，将所述第二池化特征图通过所述第二卷积层以获得所述第二卷积特征图。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述安全治理综合特征向量获取子单元，进一步用于：将所述第二卷积特征图通过全局平均池化获得全局平均池化特征向量；以及，将所述全局平均池化特征向量通过全连接层以获得所述安全治理综合特征向量。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述重点区域的多个安全治理分项数据包括信访数据、黄赌毒警情数据、偷盗警情数据、纠纷警情数据、电诈警情数据、火警数据、重大交通事故数据、命案数据中的多个。
在上述基于一维和二维卷积的重点区域安全治理指数评估系统中，所述预定周期为月、季度、半年和一年的其中之一。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于一维和二维卷积的重点区域安全治理指数评估方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于一维和二维卷积的重点区域安全治理指数评估方法。
根据本申请提供的基于一维和二维卷积的重点区域安全治理指数评估方法、系统和电子设备，其结合一维卷积和二维卷积对安全治理分项数据进行处理，其中，一维卷积用于对各单项数据内部的各项数据的时序关系进行处理，而二维卷积用于处理各单项数据之间的关联关系。
这样，通过基于一维卷积获取的安全治理单项特征向量，可以充分提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。并且，通过基于二维卷积获得的安全治理综合特征向量，可以充分提取出各个安全治理分项数据之间的关联特征。也就是，从安全治理指数的评估整体来看，一维卷积提取出用于指数评估的局部特征，而二维卷积提取出用于指数评估的全局特征，这样，通过结合局部特征和全局特征，能够使得安全治理指数的评估更加准确。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法的流程图。
图2图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，对于所述多个分项时序子数据进行一维卷积以获得多个分项特征向量的流程图。
图3图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量的流程图。
图4图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量的结构示意图。
图5图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估系统的框图。
图6图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估系统中分项特征向量生成单元的框图。
图7图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估系统中安全治理综合特征向量生成单元的框图。
图8图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
为了打造数字赋能安全治理协同系统，推进政法机关内部运行管理数字化、政法机关履行职能数字化，并全面提升政法平安系统数字治理能力和水平，本申请提供了重点区域的安全治理指数评估方法。这里，市级的重点区域指的是特定区县和镇街，通过对于该重点区域的安全治理指数进行评估，可以量化重点区域的安全治理态势，从而有助于构建市级一体化应用平台，注重结果运用，实现各区县、镇街的安全治理得分评价、变化趋势、综合展示，并由行业主管部门会同属地进行镇街安全治理态势专项整治。
在进行重点区域的安全治理指数评估时，既需要考虑各单项数据，例如信访数据、特定警情数据、交通相关数据，也需要各数据之间的关联，比如由信访带来的特定警情，或者由交通事故带来的特定警情等。并且，因为在进行安全治理指数评估时，是以预定时间周期为单位进行评估的，例如，每月、每季度、每半年、每一年进行评估，因此，对于每个单项数据来说，都需要挖掘数据本身的时间规律。
因此，为了兼顾各单项数据的内在时序关系，以及各单项数据之间的关联关系，本申请的重点区域安全治理指数评估方法结合一维卷积和二维卷积。其中，一维卷积用于对各单项数据内部的各项数据的时序关系进行处理，而二维卷积用于处理各单项数据之间的关联关系。这样，通过基于一维卷积获取的安全治理单项特征向量，可以充分提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。并且，通过基于二维卷积获得的安全治理综合特征向量，可以充分提取出各个安全治理分项数据之间的关联特征。也就是，从安全治理指数的评估整体来看，一维卷积提取出用于指数评估的局部特征，而二维卷积提取出用于指数评估的全局特征，这样，通过结合局部特征和全局特征，能够使得安全治理指数的评估更加准确。
另外，在本申请的方案中，通过结合一维卷积和二维卷积进行特征提取，可以使得对于各分项数据的特征提取更加灵活，也就是，因为分别对各分项数据进行基于一维卷积的特征提取，然后再基于一维卷积获得的特征向量来进行二维卷积，可以不要求各分项数据之间严格对齐。
基于此，本申请提出了一种基于一维和二维卷积的重点区域安全治理指数评估方法，其包括：获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；基于所述多个分项特征向量获得安全治理单项特征向量；基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及，基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法的流程图。如图1所示，根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法，包括：S110，获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；S120，对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；S130，基于所述多个分项特征向量获得安全治理单项特征向量；S140，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及，S150，基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。
在步骤S110中，获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据。这里，所述重点区域指的是特定的区县和镇街，安全治理分项数据包括但不限于信访数据、黄赌毒警情数据、偷盗警情数据、纠纷警情数据、电诈警情数据、火警数据、重大交通事故数据和命案数据等，通过对于该重点区域的安全治理指数进行评估，可以量化重点区域的安全治理态势，从而有助于构建市级一体化应用平台，注重结果运用，实现各区县、镇街的安全治理得分评价、变化趋势、综合展示，并由行业主管部门会同属地进行镇街安全治理态势专项整治。
并且，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据。也就是，在进行安全治理指数评估时，是以预定时间周期为单位进行评估的，例如，每月、每季度、每半年、每一年进行评估。
在步骤S120中，对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量。如前所述，在进行安全治理指数评估时，是以预定时间周期为单位进行评估的，例如，每月、每季度、每半年、每一年进行评估，因此，对于每个单项数据来说，都需要挖掘数据本身的时间规律。
相应地，在本申请实施例中，通过一维卷积对各单项数据内部的各项数据的时序关系进行处理，以挖掘各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。也就是，通过基于一维卷积获取的安全治理单项特征向量，可以充分提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。
具体地，在本申请实施例中，对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量的过程，包括如下步骤。
首先，将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量。例如，通过词嵌入模型将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量，这里，词嵌入过程是把一个维数为所有词数量的高维空间嵌入到一个维度低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量，词嵌入的结果就生成了词向量，即，所述文本特征向量。
然后，计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值。也就是，将每项数据转化为特征值。
接着，对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。也就是，对特征值组成的数据进行一维卷积，可以更加关注各项数据作为整体的其间的时序关系，而避免被数据内部的细节混淆。
值得一提的是，在每个分项子数据中，不仅包括事件描述文本还包括事件描述对应的信息，例如，在每个电诈警情数据中，即有对电诈时间本身的描述，也有电诈发生时间的记录，因此，为了在进行一维卷积提取特征时，可以充分考虑事件本身之间、时间本身之间以及相对应的事件和时间之间的关联特征，从而提取出更多维度且更加充分的信息，在本申请实施例中，可以通过对于每个分项子数据中时间信息进行单独处理以获得特征向量，并与用于表示事件的特征向量进行级联。
也就是，在本申请实施例中，将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量的过程，包括：首先，将所述多个分项时序子数据中的每个分项子数据中的事件描述进行基于文本特征的转化以获得多个事件特征向量；同时，将所述每个分项子数据中的事件描述对应的时间信息转换为多个时间特征向量；接着，将所述每个对应的事件特征向量和时间特征向量进行级联以获得所述多个文本特征向量。
图2图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，对于所述多个分项时序子数据进行一维卷积以获得多个分项特征向量的流程图。如图2所示，对于所述多个分项时序子数据进行一维卷积以获得多个分项特征向量，包括：S210，将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量；S220，计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值；以及，S230，对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。
在步骤S130中，基于所述多个分项特征向量获得安全治理单项特征向量。应可以理解，所述多个分项特征向量提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征，相应地，基于所述多个分项特征向量便可以获得安全治理单项特征向量。
具体地，在本申请实施例中，基于所述多个分项特征向量获得安全治理单项特征向量的过程，包括：首先，将所述多个分项特征向量转换为相同长度的分项特征向量；然后，计算所述相同长度的分项特征向量的按位置的加权和以获得所述安全治理单项特征向量。应可以理解，可以通过权重来控制各分项数据的受关注程度，从而便于调整在整个安全治理指数的评估体系中各分项的权重。当然，在本申请其他示例中，也可以采用其他方式获得所述安全治理单项特征向量，例如，将所述相同长度的分项特征向量进行级别，以获得所述安全治理单项特征向量，对此，并不为本申请所局限。
在步骤S140中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量。这里，二维卷积用于处理各单项数据之间的关联关系，通过基于二维卷积获得的安全治理综合特征向量，可以充分提取出各个安全治理分项数据之间的关联特征。
更具体地，在本申请实施例中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量的过程，包括如下步骤。
首先，将所述多个分项特征向量转换为相同长度的分项特征向量。
然后，将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；
接着，将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；这里，所述第一卷积层的作用在于将所述拼接特征向量映射到隐层特征空间中，以提取出所述拼接特征向量中相邻分项特征向量之间的关联特征。
然后，将所述第一卷积特征图通过第一池化层以获得第一池化特征图；也就是，将所述第一卷积特征图进行下采样操作以获得所述第一池化特征图，这里，所述第一池化层可采用最大池化或全局最大池化，对此，并不为本申请所局限。
继而，基于所述第一池化特征图由第二卷积层获得第二卷积特征图；也就是，通过两个卷积层来提取特征，可以保证特征提取充分。具体地，在本申请实施例中，基于所述第一池化特征图由第二卷积层获得第二卷积特征图的过程，包括：首先，将所述第一池化特征图通过第三卷积层以获得第三卷积特征图；然后，将所述第三卷积特征图通过第二池化层以获得第二池化特征图；接着，将所述第二池化特征图通过所述第二卷积层以获得所述第二卷积特征图。也就是，多加了层卷积层来提取各个安全治理分项数据之间的关联特征，这样可以更加充分地提取到各个安全治理分项数据之间的关联特征和其他特征。
然后，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。具体地，在本申请实施例中，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量的过程，包括：首先，将所述第二卷积特征图通过全局平均池化获得全局平均池化特征向量；然后，将所述全局平均池化特征向量通过全连接层以获得所述安全治理综合特征向量。应可以理解，全连接层在神经网络中起到“分类器”的作用，其作用在于将分布式特征表示映射到样本标记空间，所述全连接层能够输出一组向量(即，所述安全治理综合特征向量)，其中，所述安全治理综合特征向量每个值能够表示各个安全治理分项数据之间的存在某种关联的可能性。
图3图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量的流程图。如图3所示，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量，包括：S310，将所述多个分项特征向量转换为相同长度的分项特征向量；S320，将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；S330，将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；S340，将所述第一卷积特征图通过第一池化层以获得第一池化特征图；S350，基于所述第一池化特征图由第二卷积层获得第二卷积特征图；以及，S360，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。
图4图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量的结构示意图。如图4所示，在该网络架构中，被转换为相同长度的分项特征向量(例如，如图4中所示意的Vp)被以项目维度进行拼接，以获得拼接特征向量(例如，如图4中所示意的Vs)；接着，将所述拼接特征向量经过第一卷积层(例如，如图4中所示意的CL1)以获得第一卷积特征图(例如，如图4中所示意的Fc1)；接着，将所述第一卷积特征图通过第一池化层(例如，如图4中所示意的Ip1)以获得第一池化特征图(例如，如图4中所示意的Fp1)；然后，将所述第一池化特征图通过第三卷积层(例如，如图4中所示意的CL3)以获得第三卷积特征图(例如，图4中所示意的Fc3)；然后，将所述第三卷积特征图通过第二池化层(例如，如图4中所示意的Ip2)以获得第二池化特征图(例如，如图4中所示意的Fp2)；接着，将所述第二池化特征图通过所述第二卷积层(例如，如图4中所示意的CL2)以获得所述第二卷积特征图(例如，图4中所示意的Fc2)；接着，将所述第二卷积特征图通过第三池化层(例如，如图4中所示意的Ip3)进行全局平均池化以获得全局平均池化特征向量(例如，如图4中所示意的Vg)；进而，将所述全局平均池化特征向量通过全连接层(例如，如图4中所示意的FCL)以获得所述安全治理综合特征向量(例如，如图4中所示意的Vgs)。
应注意到在本申请实施例中，没有采用深度神经网络来提取特征，其目的在于为了避免深度卷积神经网络提取出过多隐变量降低了指数评估的可控性。当然，在本申请其他示例中，为了更充分提取特征可以采用具有不同卷积核大小的卷积层，或者再加几个卷积层。
在步骤S150中，基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。例如，通过对所述安全治理单项特征向量和所述安全治理综合特征向量进行逐项加权方法，或者，每个向量计算均值再对均值加权和，或者其他复杂的计算方法来获得所述重点区域的安全治理指数。
综上，基于本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估方法被阐明，其结合一维卷积和二维卷积对安全治理分项数据进行处理，其中，一维卷积用于对各单项数据内部的各项数据的时序关系进行处理，而二维卷积用于处理各单项数据之间的关联关系。这样，通过基于一维卷积获取的安全治理单项特征向量，可以充分提取出各个安全治理分项数据内部的各项数据之间的时序关联特征和其它关联特征。并且，通过基于二维卷积获得的安全治理综合特征向量，可以充分提取出各个安全治理分项数据之间的关联特征。也就是，从安全治理指数的评估整体来看，一维卷积提取出用于指数评估的局部特征，而二维卷积提取出用于指数评估的全局特征，这样，通过结合局部特征和全局特征，能够使得安全治理指数的评估更加准确。
示例性系统
图5图示了根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估系统的框图。
如图5所示，根据本申请实施例的基于一维和二维卷积的重点区域安全治理指数评估系统500，包括：安全治理分项数据获取单元510，用于获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；分项特征向量生成单元520，用于对于所述安全治理分项数据获取单元510获得的所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；安全治理单向特征向量生成单元530，用于基于所述分项特征向量生成单元520获得的所述多个分项特征向量获得安全治理单项特征向量；安全治理综合特征向量生成单元540，用于基于所述分项特征向量生成单元520获得的所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及，安全治理指数生成单元550，用于基于所述安全治理单向特征向量生成单元530获得的所述安全治理单项特征向量和所述安全治理综合特征向量生成单元540获得的所述安全治理综合特征向量获得所述重点区域的安全治理指数。
在一个示例中，在上述评估系统500中，如图6所示，所述分项特征向量生成单元520，包括：文本特征向量转化子单元521，用于将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量；特征值计算子单元522，用于计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值；以及，一维卷积处理子单元523，用于对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。
在一个示例中，在上述评估系统500中，所述文本特征向量转化子单元521，进一步用于：将所述多个分项时序子数据中的每个分项子数据中的事件描述进行基于文本特征的转化以获得多个事件特征向量；将所述每个分项子数据中的事件描述对应的时间信息转换为多个时间特征向量；以及，将所述每个对应的事件特征向量和时间特征向量进行级联以获得所述多个文本特征向量。
在一个示例中，在上述评估系统500中，所述安全治理单向特征向量生成单元530，进一步用于：将所述多个分项特征向量转换为相同长度的分项特征向量；以及，计算所述相同长度的分项特征向量的按位置的加权和以获得所述安全治理单项特征向量。
在一个示例中，在上述评估系统500中，如图7所示，所述安全治理综合特征向量生成单元540，包括：长度调整子单元541，用于将所述多个分项特征向量转换为相同长度的分项特征向量；向量拼接子单元542，用于将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；第一维卷积处理子单元543，用于将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；池化子单元544，用于将所述第一卷积特征图通过第一池化层以获得第一池化特征图；第二维卷积处理子单元545，用于基于所述第一池化特征图由第二卷积层获得第二卷积特征图；以及，安全治理综合特征向量获取子单元546，用于将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。
在一个示例中，在上述评估系统500中，所述第二维卷积处理子单元545，进一步用于：将所述第一池化特征图通过第三卷积层以获得第三卷积特征图；将所述第三卷积特征图通过第二池化层以获得第二池化特征图；以及，将所述第二池化特征图通过所述第二卷积层以获得所述第二卷积特征图。
在一个示例中，在上述评估系统500中，所述安全治理综合特征向量获取子单元546，进一步用于：将所述第二卷积特征图通过全局平均池化获得全局平均池化特征向量；以及，将所述全局平均池化特征向量通过全连接层以获得所述安全治理综合特征向量。
在一个示例中，在上述评估系统500中，所述重点区域的多个安全治理分项数据包括信访数据、黄赌毒警情数据、偷盗警情数据、纠纷警情数据、电诈警情数据、火警数据、重大交通事故数据、命案数据中的多个。
在一个示例中，在上述评估系统500中，所述预定周期为月、季度、半年和一年的其中之一。
这里，本领域技术人员可以理解，上述评估系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于一维和二维卷积的重点区域安全治理指数评估方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的评估系统500可以实现在各种终端设备中，例如政法机关内部的服务器等。在一个示例中，根据本申请实施例的评估系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该评估系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该评估系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该评估系统500与该终端设备也可以是分立的设备，并且该评估系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于一维和二维卷积的重点区域安全治理指数评估方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如安全治理分项数据等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括安全治理指数等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的神经网络的基于一维和二维卷积的重点区域安全治理指数评估方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于一维和二维卷积的重点区域安全治理指数评估方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于一维和二维卷积的重点区域安全治理指数评估方法，其特征在于，包括：
获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；
对于所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；
基于所述多个分项特征向量获得安全治理单项特征向量；
基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及
基于所述安全治理单项特征向量和所述安全治理综合特征向量获得所述重点区域的安全治理指数。
2.根据权利要求1所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，对于所述多个分项时序子数据进行一维卷积以获得多个分项特征向量，包括：
将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量；
计算所述多个文本特征向量中的每个文本特征向量的平均值以获得多个特征值；以及
对于所述多个安全治理分项数据中的每个安全治理分项数据，对由所述多个特征值组成的数组进行一维卷积以获得多个分项特征向量。
3.根据权利要求2所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，将所述多个分项时序子数据中的每个分项子数据进行基于文本的特征转化以获得多个文本特征向量，包括：
将所述多个分项时序子数据中的每个分项子数据中的事件描述进行基于文本特征的转化以获得多个事件特征向量；
将所述每个分项子数据中的事件描述对应的时间信息转换为多个时间特征向量；以及
将所述每个对应的事件特征向量和时间特征向量进行级联以获得所述多个文本特征向量。
4.根据权利要求1所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，基于所述多个分项特征向量获得安全治理单项特征向量，包括：
将所述多个分项特征向量转换为相同长度的分项特征向量；以及
计算所述相同长度的分项特征向量的按位置的加权和以获得所述安全治理单项特征向量。
5.根据权利要求1所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，基于所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量，包括：
将所述多个分项特征向量转换为相同长度的分项特征向量；
将所述相同长度的分项特征向量进行项目维度的拼接以获得拼接特征向量；
将所述拼接特征向量经过第一卷积层以获得第一卷积特征图；
将所述第一卷积特征图通过第一池化层以获得第一池化特征图；
基于所述第一池化特征图由第二卷积层获得第二卷积特征图；以及
将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量。
6.根据权利要求5所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，基于所述第一池化特征图由第二卷积层获得第二卷积特征图，包括：
将所述第一池化特征图通过第三卷积层以获得第三卷积特征图；
将所述第三卷积特征图通过第二池化层以获得第二池化特征图；以及
将所述第二池化特征图通过所述第二卷积层以获得所述第二卷积特征图。
7.根据权利要求5所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，将所述第二卷积特征图通过全局平均池化以获得所述安全治理综合特征向量，包括：
将所述第二卷积特征图通过全局平均池化获得全局平均池化特征向量；以及
将所述全局平均池化特征向量通过全连接层以获得所述安全治理综合特征向量。
8.根据权利要求1到7中任意一项所述的基于一维和二维卷积的重点区域安全治理指数评估方法，其中，所述重点区域的多个安全治理分项数据包括信访数据、黄赌毒警情数据、偷盗警情数据、纠纷警情数据、电诈警情数据、火警数据、重大交通事故数据、命案数据中的多个。
9.一种基于一维和二维卷积的重点区域安全治理指数评估系统，其特征在于，包括：
安全治理分项数据获取单元，用于获取所述重点区域的多个安全治理分项数据，每个所述安全治理分项数据包括在预定周期内的按预定时间序列排列的多个分项时序子数据；
分项特征向量生成单元，用于对于所述安全治理分项数据获取单元获得的所述多个安全治理分项数据中的每个安全治理分项数据，对所述多个分项时序子数据进行一维卷积以获得多个分项特征向量；
安全治理单向特征向量生成单元，用于基于所述分项特征向量生成单元获得的所述多个分项特征向量获得安全治理单项特征向量；
安全治理综合特征向量生成单元，用于基于所述分项特征向量生成单元获得的所述多个分项特征向量进行二维卷积以获得安全治理综合特征向量；以及
安全治理指数生成单元，用于基于所述安全治理单向特征向量生成单元获得的所述安全治理单项特征向量和所述安全治理综合特征向量生成单元获得的所述安全治理综合特征向量获得所述重点区域的安全治理指数。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于一维和二维卷积的重点区域安全治理指数评估方法。
CN202011466053.4A 2020-12-13 2020-12-13 基于一维和二维卷积的重点区域安全治理指标评估方法 Withdrawn CN112434973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011466053.4A CN112434973A (zh) 2020-12-13 2020-12-13 基于一维和二维卷积的重点区域安全治理指标评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011466053.4A CN112434973A (zh) 2020-12-13 2020-12-13 基于一维和二维卷积的重点区域安全治理指标评估方法

Publications (1)

Publication Number Publication Date
CN112434973A true CN112434973A (zh) 2021-03-02

Family

ID=74692579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011466053.4A Withdrawn CN112434973A (zh) 2020-12-13 2020-12-13 基于一维和二维卷积的重点区域安全治理指标评估方法

Country Status (1)

Country Link
CN (1) CN112434973A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547466A (zh) * 2022-09-05 2022-12-30 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115547466A (zh) * 2022-09-05 2022-12-30 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审系统及其方法
CN115547466B (zh) * 2022-09-05 2023-06-16 西安启玥华辰软件咨询开发有限公司 基于大数据的医疗机构登记评审系统及其方法

Similar Documents

Publication Publication Date Title
Selvaraju et al. Grad-CAM: visual explanations from deep networks via gradient-based localization
Shen et al. Remote sensing image captioning via variational autoencoder and reinforcement learning
Khan et al. Multi-gcn: Graph convolutional networks for multi-view networks, with applications to global poverty
RU2695489C1 (ru) Идентификация полей на изображении с использованием искусственного интеллекта
RU2703343C2 (ru) Назначение оценки релевантности для искусственных нейронных сетей
CN115796173A (zh) 针对监管报送需求的数据处理方法和系统
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN116405299A (zh) 一种基于网络安全的报警器
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN116343301B (zh) 基于人脸识别的人员信息智能校验系统
CN114462412B (zh) 实体识别方法、装置、电子设备及存储介质
CN115620303A (zh) 人事档案智慧管理系统
CN115631385A (zh) 消防车道实时监控系统
CN116247824A (zh) 电力设备的控制方法及其系统
Farazi et al. Reciprocal attention fusion for visual question answering
Mi et al. Knowledge-aware cross-modal text-image retrieval for remote sensing images
CN115658905A (zh) 一种跨篇章的事件多维画像生成方法
CN116866054A (zh) 公共信息安全监测系统及其方法
CN112434973A (zh) 基于一维和二维卷积的重点区域安全治理指标评估方法
Nam et al. A survey on multimodal bidirectional machine learning translation of image and natural language processing
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN116702156B (zh) 信息安全风险评价系统及其方法
Arif et al. Visual attention-based comparative study on disaster detection from social media images
Damasceno et al. Efficient multivariate data fusion for misinformation detection during high impact events

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: 20210302

WW01 Invention patent application withdrawn after publication