CN112465229B - 一种综合应用人工智能技术的警情时空预测系统 - Google Patents

一种综合应用人工智能技术的警情时空预测系统 Download PDF

Info

Publication number
CN112465229B
CN112465229B CN202011377967.3A CN202011377967A CN112465229B CN 112465229 B CN112465229 B CN 112465229B CN 202011377967 A CN202011377967 A CN 202011377967A CN 112465229 B CN112465229 B CN 112465229B
Authority
CN
China
Prior art keywords
patrol
data
module
aui
alarm
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.)
Active
Application number
CN202011377967.3A
Other languages
English (en)
Other versions
CN112465229A (zh
Inventor
白建东
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.)
Anhui Lehand Technology Co ltd
Original Assignee
Anhui Lehand 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 Anhui Lehand Technology Co ltd filed Critical Anhui Lehand Technology Co ltd
Priority to CN202011377967.3A priority Critical patent/CN112465229B/zh
Publication of CN112465229A publication Critical patent/CN112465229A/zh
Application granted granted Critical
Publication of CN112465229B publication Critical patent/CN112465229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • G06Q10/0635—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种综合应用人工智能技术的警情时空预测系统，包括数据采集模块、数据初检模块、巡检分析模块以及巡检调配模块，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检，所述数据初检模块用于将巡检安全信号和巡检分析信号反馈至服务器中，所述巡检分析模块用于将巡检调配信号发送至巡检调配模块，所述巡检调配模块用于接收巡检调配信号后并对社区属性数据和职能机构警情数据进行重新部署，本发明解决原有的警情预测手段更多的是依靠人工经验和时空聚集程度来进行预测，预测准确性存在较大的不确定性，无法将预测结果精确到时段，预测区域相对较大的问题。

Description

一种综合应用人工智能技术的警情时空预测系统
技术领域
本发明属于人工智能应用领域，涉及警情时空预测系统，具体是一种综合应用人工智能技术的警情时空预测系统。
背景技术
不断发展的信息技术使得相关部门能够获取越来越多的犯罪相关(警情)数据，如何设计一种有效便捷的警情时空预测系统，通过分析这些警情数据，挖掘犯罪数据背后的模式和趋势，以帮助警方更好地进行治安防控和预防犯罪，已成为一个非常值得研究的问题，现有警情预测方法，多为基于最近一段时间已发生的警情数据，从已发生警情的时间聚集程度、空间聚集程度来对未来一段时间例如：明天、下周、下个月可能警情的风险进行评估。
目前，现有的警情预测手段更多的是依靠人工经验和时空聚集程度来进行预测，从预测准确性来说存在较大的不确定性，无法将预测结果精确到时段，预测区域相对较大，多以一个街道辖区为对象进行风险评估，为此，我们提出一种综合应用人工智能技术的警情时空预测系统。
发明内容
针对现有技术存在的不足，本发明目的是提供一种综合应用人工智能技术的警情时空预测系统。
本发明所要解决的技术问题为：
现有的警情预测手段更多的是依靠人工经验和时空聚集程度来进行预测，预测准确性存在较大的不确定性，无法将预测结果精确到时段，预测区域相对较大，多以一个街道、职能机构辖区为对象进行风险评估。
本发明的目的可以通过以下技术方案实现：
一种综合应用人工智能技术的警情时空预测系统，包括数据采集模块、数据初检模块、巡检分析模块、巡检调配模块、警报模块、分级显示模块、大数据模块以及服务器；
所述数据采集模块用于采集待预测地区的地区数据，并将采集到的地区数据发送至数据初检模块，待预测地区的地区数据包括待预测地区内社区的属性数据和职能机构的警情数据；
所述大数据模块与服务器双向连接，所述大数据模块与互联网实时连通，大数据模块用于获取存储待预测地区的地区数据；
所述数据采集模块用于将采集到的待预测地区的地区数据发送至数据初检模块，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检；
所述数据初检模块用于将巡检安全信号和巡检分析信号反馈至服务器中，所述服务器用于接收巡检安全信号和巡检分析信号后并将巡检调配信号发送至巡检调配；
所述巡检分析模块用于将巡检调配信号发送至巡检调配模块，所述巡检调配模块用于接收巡检调配信号后并对社区属性数据和职能机构警情数据进行重新部署，部署步骤具体如下：
步骤W1：获取待检测地区内社区划分为若干个巡逻区域，并将巡逻区域标记XoAui，o＝1，2，……，v；
步骤W2：获取若干个巡逻区域XoAui的警情发生次数JSXoAui、出警次数CJXoAui和报警次数BJXoAui；
步骤W3：利用公式JQXoAui＝d1×JSXoAui+d2×CJXoAui+d3×BJXoAui计算得到巡逻区域警情发生值JQXoAui；
步骤W4：将巡逻区域的警情发生值JQXoAui大于预设值X2的巡逻区域记为警情高发区域，并将警情高发区域记为GJh，h＝1，2，……，x；
步骤W5：获取警情高发区域GJh中的警情发生时段TGJh，统计警情发生时段TGJh得到警情高发时段；
步骤W6：获取待检测地区内职能机构当前巡逻民警的巡逻时间和巡逻区域，巡逻时间与警情高发时段进行比对，巡逻区域与警情高发区域进行比对；
步骤W7：若警情高发时段处于巡逻时间内，则巡逻民警无需进行巡检时间调配，反之则需要进行巡检时间调配；若警情高发区域处于巡逻区域内，则巡逻民警无需进行巡检区域调配，反之则需要进行巡检区域调配。
进一步地，所述巡检分析模块用于接收到巡检分析信号后对待预测地区内社区的属性数据和职能机构的警情数据进行分析，分析过程具体如下：
SS1：获取数据初检模块计算得到的警力值JAu和社区巡检值SAui；
SS2：利用公式JCAu＝(SAui-3×JAu)计算得到警力值JAu中职能机构的警情数据差值JCAu；
SS3：按照对应的权重比例将警情数据差值JCAu分配给接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu，得到接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu和巡防人次差XFCAu；
SS4：若接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu、巡防人次差XFCAu中的任意一项大于预设差值X1，巡检分析模块产生警力部署信号发送至巡检调配模块，反之不进行任何操作。
进一步地，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检，数据初检过程具体如下：
S1：获取待预测地区内的职能机构，并将待预测地区内的职能机构标记为Au，u＝1，2，……，m；
S2：获取职能机构的接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu；
S3：分配相应的权重后利用公式JAu＝a1×JJAu+a2×CJAu+a3×JYAu+a4×XFAu计算出待预测地区内职能机构的警力值JAu；式中a1、a2、a3和a4均为预设比例系数固定数值，且a1+a2+a3+a4＝1；
S4：获取职能机构对应的社区，并将职能机构对应的社区标记为Aui，i＝1，2，……，n；
S5：获取社区的流动人口比例LRAui、机动车辆数JCAui、摄像点数JKAui和娱乐场所数YCAui；
S6：分配相应的权重后利用公式SAui＝b1×LRAui+b2×JCAui+b3×JKAui+b4×YCAui计算出职能机构辖区内社区的社区巡检值SAui；式中b1、b2、b3和b4均为预设比例系数固定数值，且b1+b2+b3+b4＝1；
S7：若3×JAu≥SAui，则生成巡检安全信号；
若3×JAu＜SAui，则生成巡检分析信号。
进一步地，所述警报模块用于在职能机构辖区内的社区出现警情时，警报模块产生警报信号发送至社区对应的职能机构，所述警报信号包括安全信号、已出警信号、未出警信号和立即出警信号；
所述分级显示模块用于对警报信号进行分级显示，其中安全信号在职能机构的显示屏中呈绿色颜色进行显示，已出警信号在职能机构的显示屏中呈黄色颜色进行显示，未出警信号在职能机构的显示屏中呈红色颜色进行显示，立即出警信号在职能机构的显示屏中呈红色颜色且字体加粗加大的形式进行显示。
进一步地，所述社区的属性数据包括：
A1、人口结构信息：所述人口结构信息包括以下一项或多项：
a1、流动人口数量：通过流动人口数量计算得到流动人口比例；
a2、相关人员数量：相关人员是根据职能机构业务规则制定的人员，通过相关人员数量计算得到相关人员比例；其中，文化程度包括：文盲，小学，初中，高中，大学及大学以上；
a3、流动人口与常住人口中以下信息的一项或多项：各文化程度人口的比例、平均家庭人口数、8岁以下儿童人口比例、8到15岁青少年人口比例、15岁到30岁青年人口比例、30到60岁中年人口比例、60岁以上老年人口比例、第一产业从业人口比例、第二产业从业人口比例、第三产业从业人口比例、拥有社保人数比例、人员居住时长；
A2、车辆信息：车辆信息为社区住户拥有的机动车辆数；
A3、房屋信息的一项或多项：社区内部摄像点数量、社区房屋均价、在租房屋数量、社区自来水用水量；
A4、娱乐场所数量：娱乐场所包括洗浴中心、网吧、棋牌室、KTV；
A5、社区的面积；
所述职能机构的警情数据包括以下一项或多项：接警数量、出警数量、警员人数、巡防人次或过车数量；其中，过车数量为职能机构辖区内车辆卡口采集的每个月外地车辆、本地车辆的车辆数。
与现有技术相比，本发明的有益效果是：
1、本发明通过数据初检模块对待预测地区的地区数据进行数据初检，获取职能机构对应的接警数、出警数、警员人数和巡防人次等数据，分配相应的权重后利用公式计算出待预测地区内职能机构的警力值，而后再获取职能机构对应的社区的流动人口比例、机动车辆数、摄像点数和娱乐场所数等数据，分配相应的权重后利用公式计算出职能机构辖区内社区的社区巡检值，警力值与社区巡检值比对生成巡检安全信号和巡检分析信号，该设计方便对警情数据进行初检，从而生成相应的巡检安全信号和巡检分析信号；
2、本发明通过巡检分析模块对待预测地区内社区的属性数据和职能机构的警情数据进行分析，将警力值和社区巡检值代入利用公式得到警力值中职能机构的警情数据差值，按照对应的权重比例将警情数据差值分配给接警数、出警数、警员人数和巡防人次，得到接警数差、出警数差、警员人数差和巡防人次差，若接警数差、出警数差、警员人数差、巡防人次差中的任意一项大于预设差值，巡检分析模块产生警力部署信号发送至巡检调配模块，该设计对警情数据进行巡检分析后方便对警情数据进行重新调配部署；
3、本发明通过巡检调配模块对社区属性数据和职能机构警情数据进行重新部署，将待检测地区内社区划分为若干个巡逻区域，获取若干个巡逻区域的警情发生次数、出警次数和报警次数，利用公式计算得到每个巡逻区域的警情发生值，将巡逻区域的警情发生值大于预设值X2的巡逻区域记为警情高发区域，并获取警情高发区域中的警情发生时段，统计警情发生时段得到警情高发时段，与待检测地区内职能机构当前巡逻民警的巡逻时间和巡逻区域进行比对，从而产生相应的巡检调配指令。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的整体系统框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，一种综合应用人工智能技术的警情时空预测系统，包括数据采集模块、数据初检模块、巡检分析模块、巡检调配模块、警报模块、分级显示模块、大数据模块以及服务器；
所述数据采集模块用于采集待预测地区的地区数据，并将采集到的地区数据发送至数据初检模块；
需要具体说明的是，待预测地区的地区数据包括待预测地区内社区的属性数据和职能机构的警情数据；
其中，社区的属性数据包括：
A1、人口结构信息：所述人口结构信息包括以下一项或多项：
a1、流动人口数量：通过流动人口数量可以计算得到流动人口比例；
a2、相关人员数量：相关人员是根据职能机构业务规则制定的人员，通过相关人员数量可以计算得到相关人员比例；其中，文化程度包括：文盲，小学，初中，高中，大学及大学以上；
a3、流动人口与常住人口中以下信息的一项或多项：各文化程度人口的比例、平均家庭人口数、8岁以下儿童人口比例、8到15岁青少年人口比例、15岁到30岁青年人口比例、30到60岁中年人口比例、60岁以上老年人口比例、第一产业从业人口比例、第二产业从业人口比例、第三产业从业人口比例、拥有社保人数比例、人员居住时长等；
A2、车辆信息：车辆信息为社区住户拥有的机动车辆数；
A3、房屋信息的一项或多项：社区内部摄像点数量、社区房屋均价、在租房屋数量或社区自来水用水量；
A4、娱乐场所数量：娱乐场所包括洗浴中心、网吧、棋牌室、KTV；
A5、社区的面积；
其中，职能机构的警情数据包括以下一项或多项：接警数量、出警数量、警员人数、巡防人次或过车数量，其中，过车数量为职能机构辖区内车辆卡口采集的每个月外地车辆、本地车辆的车辆数；
所述大数据模块与服务器双向连接，所述大数据模块与互联网实时连通，大数据模块用于获取存储待预测地区的地区数据，在互联网上爬取待预测地区内的所有社区、路段、厂企、店铺的名称，对爬取的地点名词建立全称和简称词库，将全称和简称词库合并为地点名词词库；所述数据采集模块还用于将地址字段进行标准化处理，地址标准化处理具体包括以下步骤：
L1：根据待预测地区内的地点名词建立地点名词词库和层级行政区划库；
L2：将地点名词词库作为词典库，对采集数据中的地址字段分词，提取分词结果；
L3：提取出的地点名词映射到标准地址；所述标准地址包括社区字段和职能机构字段；
其中，所述层级行政区划库为3层，其中第一层为小区、路段、厂企、店铺；第二层为第一层社区、路段、厂企、店铺所属的社区；第三层为第二层社区所对应的职能机构；
所述数据采集模块用于将采集到的待预测地区的地区数据发送至数据初检模块，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检，数据初检过程具体如下：
S1：获取待预测地区内的职能机构，并将待预测地区内的职能机构标记为Au，u＝1，2，……，m；
S2：获取职能机构的接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu；
S3：分配相应的权重后利用公式JAu＝a1×JJAu+a2×CJAu+a3×JYAu+a4×XFAu计算出待预测地区内职能机构的警力值JAu；式中a1、a2、a3和a4均为预设比例系数固定数值，且a1+a2+a3+a4＝1；
S4：获取职能机构对应的社区，并将职能机构对应的社区标记为Aui，i＝1，2，……，n；
S5：获取社区的流动人口比例LRAui、机动车辆数JCAui、摄像点数JKAui和娱乐场所数YCAui；
S6：分配相应的权重后利用公式SAui＝b1×LRAui+b2×JCAui+b3×JKAui+b4×YCAui计算出职能机构辖区内社区的社区巡检值SAui；式中b1、b2、b3和b4均为预设比例系数固定数值，且b1+b2+b3+b4＝1；
S7：若3×JAu≥SAui，则生成巡检安全信号；
若3×JAu＜SAui，则生成巡检分析信号；
所述数据初检模块用于将巡检安全信号和巡检分析信号反馈至服务器中，所述服务器用于接收巡检安全信号和巡检分析信号后并将巡检调配信号发送至巡检调配；
所述巡检分析模块用于接收到巡检分析信号后对待预测地区内社区的属性数据和职能机构的警情数据进行分析，分析过程具体如下：
SS1：获取数据初检模块计算得到的警力值JAu和社区巡检值SAui；
SS2：利用公式JCAu＝(SAui-3×JAu)计算得到警力值JAu中职能机构的警情数据差值JCAu；
SS3：按照对应的权重比例将警情数据差值JCAu分配给接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu，得到接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu和巡防人次差XFCAu；
SS4：若接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu、巡防人次差XFCAu中的任意一项大于预设差值X1，巡检分析模块产生警力部署信号发送至巡检调配模块，反之不进行任何操作；
在具体实施时，巡检分析模块还用于对待预测地区内社区的属性数据进行单独分析，分析过程具体如下：
P1：获取待预测地区内社区对应的社区面积MJAui、摄像点数JKAui；
P2：利用公式计算MJAui/JKAui得到每个摄像点所覆盖的社区面积JMAui；
P3：获取每个摄像点所覆盖面积JMAui内的机动车辆数JCJMAui、娱乐场所数YCJMAui、流动人口比例LRJMAui；
P4：利用公式计算得出摄像点所覆盖面积的风险值FXJMAui，公式具体如下：
FXJMAui＝(c1×JCJMAui+c2×YCJMAui+c3×LRJMAui)/α，式中，c1、c2和c3均为预设比例系数固定数值，α取值为6.7512745；
P5：若风险值FXJMAui大于设定的风险阈值，则生成巡检调配信号；若风险值FXJMAui小于等于设定的风险阈值，则不进行任何操作；
所述巡检分析模块用于将巡检调配信号发送至巡检调配模块，所述巡检调配模块用于接收巡检调配信号后并对社区属性数据和职能机构警情数据进行重新部署，部署步骤具体如下：
步骤W1：获取待检测地区内社区划分为若干个巡逻区域，并将巡逻区域标记XoAui，o＝1，2，……，v；
步骤W2：获取若干个巡逻区域XoAui的警情发生次数JSXoAui、出警次数CJXoAui和报警次数BJXoAui；
步骤W3：利用公式JQXoAui＝d1×JSXoAui+d2×CJXoAui+d3×BJXoAui计算得到巡逻区域警情发生值JQXoAui；
步骤W4：将巡逻区域的警情发生值JQXoAui大于预设值X2的巡逻区域记为警情高发区域，并将警情高发区域记为GJh，h＝1，2，……，x；
步骤W5：获取警情高发区域GJh中的警情发生时段TGJh，统计警情发生时段TGJh得到警情高发时段；
步骤W6：获取待检测地区内职能机构当前巡逻民警的巡逻时间和巡逻区域，巡逻时间与警情高发时段进行比对，巡逻区域与警情高发区域进行比对；
步骤W7：若警情高发时段处于巡逻时间内，则巡逻民警无需进行巡检时间调配，反之则需要进行巡检时间调配；
若警情高发区域处于巡逻区域内，则巡逻民警无需进行巡检区域调配，反之则需要进行巡检区域调配；
所述警报模块用于在职能机构辖区内的社区出现警情时，警报模块产生警报信号发送至社区对应的职能机构，所述警报信号包括安全信号、已出警信号、未出警信号和立即出警信号；
所述分级显示模块用于对警报信号进行分级显示，其中安全信号在职能机构的显示屏中呈绿色颜色进行显示，已出警信号在职能机构的显示屏中呈黄色颜色进行显示，未出警信号在职能机构的显示屏中呈红色颜色进行显示，立即出警信号在职能机构的显示屏中呈红色颜色且字体加粗加大的形式进行显示。
一种综合应用人工智能技术的警情时空预测系统，工作时，通过数据采集模块用于采集待预测地区的地区数据，并将采集到的地区数据发送至数据初检模块，由于大数据模块与互联网实时连通，可以通过大数据模块获取存储的待预测地区的地区数据，数据初检模块接收到数据采集模块发送的待预测地区的地区数据后对待预测地区的地区数据进行数据初检，获取待预测地区内的职能机构Au，并获取职能机构对应的接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu，分配相应的权重后利用公式JAu＝a1×JJAu+a2×CJAu+a3×JYAu+a4×XFAu计算出待预测地区内职能机构的警力值JAu，而后再获取职能机构对应的社区Aui，获取社区对应的流动人口比例LRAui、机动车辆数JCAui、摄像点数JKAui和娱乐场所数YCAui，分配相应的权重后利用公式SAui＝b1×LRAui+b2×JCAui+b3×JKAui+b4×YCAui计算出职能机构辖区内社区的社区巡检值SAui，若3×JAu≥SAui，则生成巡检安全信号，若3×JAu＜SAui，则生成巡检分析信号；
数据初检模块将初检产生的将巡检安全信号和巡检分析信号反馈至服务器中，服务器接收到巡检安全信号和巡检分析信号后并将巡检调配信号发送至巡检调配，巡检分析模块对待预测地区内社区的属性数据和职能机构的警情数据进行分析，首先获取数据初检模块计算得到的警力值JAu和社区巡检值SAui，利用公式JCAu＝(SAui-3×JAu)计算得到警力值JAu中职能机构的警情数据差值JCAu，按照对应的权重比例将警情数据差值JCAu分配给接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu，得到接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu和巡防人次差XFCAu，若接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu、巡防人次差XFCAu中的任意一项大于预设差值X1，巡检分析模块产生警力部署信号发送至巡检调配模块，反之不进行任何操作；
同时，巡检分析模块还可以对待预测地区内社区的属性数据进行单独分析，获取待预测地区内社区对应的社区面积MJAui、摄像点数JKAui，利用公式计算MJAui/JKAui得到每个摄像点所覆盖的社区面积JMAui，获取每个摄像点所覆盖面积JMAui内的机动车辆数JCJMAui、娱乐场所数YCJMAui、流动人口比例LRJMAui，利用公式FXJMAui＝(c1×JCJMAui+c2×YCJMAui+c3×LRJMAui)/α计算得出摄像点所覆盖面积的风险值FXJMAui，若风险值FXJMAui大于设定的风险阈值，则生成巡检调配信号，若风险值FXJMAui小于等于设定的风险阈值，则不进行任何操作；
通过巡检调配模块接收巡检调配信号后并对社区属性数据和职能机构警情数据进行重新部署，获取待检测地区内社区划分为若干个巡逻区域，并将巡逻区域标记XoAui，获取若干个巡逻区域XoAui的警情发生次数JSXoAui、出警次数CJXoAui和报警次数BJXoAui，利用公式JQXoAui＝d1×JSXoAui+d2×CJXoAui+d3×BJXoAui计算得到巡逻区域警情发生值JQXoAui，将巡逻区域的警情发生值JQXoAui大于预设值X2的巡逻区域记为警情高发区域GJh，获取警情高发区域GJh中的警情发生时段TGJh，统计警情发生时段TGJh得到警情高发时段，获取待检测地区内职能机构当前巡逻民警的巡逻时间和巡逻区域，巡逻时间与警情高发时段进行比对，巡逻区域与警情高发区域进行比对，若警情高发时段处于巡逻时间内，则巡逻民警无需进行巡检时间调配，反之则需要进行巡检时间调配，若警情高发区域处于巡逻区域内，则巡逻民警无需进行巡检区域调配，反之则需要进行巡检区域调配。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种综合应用人工智能技术的警情时空预测系统，其特征在于，包括数据采集模块、数据初检模块、巡检分析模块、巡检调配模块、警报模块、分级显示模块、大数据模块以及服务器；
所述数据采集模块用于采集待预测地区的地区数据，待预测地区的地区数据包括待预测地区内社区的属性数据和职能机构的警情数据；
所述大数据模块与服务器双向连接，所述大数据模块与互联网实时连通，大数据模块用于获取存储待预测地区的地区数据；
所述数据采集模块用于将采集到的待预测地区的地区数据发送至数据初检模块，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检；
所述数据初检模块用于将巡检安全信号和巡检分析信号反馈至服务器中，所述服务器用于接收巡检安全信号和巡检分析信号后并将巡检调配信号发送至巡检调配；
所述巡检分析模块用于将巡检调配信号发送至巡检调配模块，所述巡检调配模块用于接收巡检调配信号后并对社区属性数据和职能机构警情数据进行重新部署，部署步骤具体如下：
步骤W1：获取待检测地区内社区划分为若干个巡逻区域，并将巡逻区域标记XoAui，o＝1，2，……，v；
步骤W2：获取若干个巡逻区域XoAui的警情发生次数JSXoAui、出警次数CJXoAui和报警次数BJXoAui；
步骤W3：利用公式JQXoAui＝d1×JSXoAui+d2×CJXoAui+d3×BJXoAui计算得到巡逻区域警情发生值JQXoAui；
步骤W4：将巡逻区域的警情发生值JQXoAui大于预设值X2的巡逻区域记为警情高发区域，并将警情高发区域记为GJh，h＝1，2，……，x；
步骤W5：获取警情高发区域GJh中的警情发生时段TGJh，统计警情发生时段TGJh得到警情高发时段；
步骤W6：获取待检测地区内职能机构当前巡逻民警的巡逻时间和巡逻区域，巡逻时间与警情高发时段进行比对，巡逻区域与警情高发区域进行比对；
步骤W7：若警情高发时段处于巡逻时间内，则巡逻民警无需进行巡检时间调配，反之则需要进行巡检时间调配；若警情高发区域处于巡逻区域内，则巡逻民警无需进行巡检区域调配，反之则需要进行巡检区域调配。
2.根据权利要求1所述的一种综合应用人工智能技术的警情时空预测系统，其特征在于，所述数据初检模块用于接收数据采集模块发送的待预测地区的地区数据，并对待预测地区的地区数据进行数据初检，数据初检过程具体如下：
S1：获取待预测地区内的职能机构，并将待预测地区内的职能机构标记为Au，u＝1，2，……，m；
S2：获取职能机构的接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu；
S3：分配相应的权重后利用公式JAu＝a1×JJAu+a2×CJAu+a3×JYAu+a4×XFAu计算出待预测地区内职能机构的警力值JAu；式中a1、a2、a3和a4均为预设比例系数固定数值，且a1+a2+a3+a4＝1；
S4：获取职能机构对应的社区，并将职能机构对应的社区标记为Aui，i＝1，2，……，n；
S5：获取社区的流动人口比例LRAui、机动车辆数JCAui、摄像点数JKAui和娱乐场所数YCAui；
S6：分配相应的权重后利用公式SAui＝b1×LRAui+b2×JCAui+b3×JKAui+b4×YCAui计算出职能机构辖区内社区的社区巡检值SAui；式中b1、b2、b3和b4均为预设比例系数固定数值，且b1+b2+b3+b4＝1；
S7：若3×JAu≥SAui，则生成巡检安全信号；若3×JAu＜SAui，则生成巡检分析信号。
3.根据权利要求1所述的一种综合应用人工智能技术的警情时空预测系统，其特征在于，所述巡检分析模块用于接收到巡检分析信号后对待预测地区内社区的属性数据和职能机构的警情数据进行分析，分析过程具体如下：
SS1：获取数据初检模块计算得到的警力值JAu和社区巡检值SAui；
SS2：利用公式JCAu＝(SAui-3×JAu)计算得到警力值JAu中职能机构的警情数据差值JCAu；
SS3：按照对应的权重比例将警情数据差值JCAu分配给接警数JJAu、出警数CJAu、警员人数JYAu和巡防人次XFAu，得到接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu和巡防人次差XFCAu；
SS4：若接警数差JJCAu、出警数差CJCAu、警员人数差JYCAu、巡防人次差XFCAu中的任意一项大于预设差值X1，巡检分析模块产生警力部署信号发送至巡检调配模块，反之不进行任何操作。
4.根据权利要求1所述的一种综合应用人工智能技术的警情时空预测系统，其特征在于，所述警报模块用于在职能机构辖区内的社区出现警情时，警报模块产生警报信号发送至社区对应的职能机构，所述警报信号包括安全信号、已出警信号、未出警信号和立即出警信号；
所述分级显示模块用于对警报信号进行分级显示，其中安全信号在职能机构的显示屏中呈绿色颜色进行显示，已出警信号在职能机构的显示屏中呈黄色颜色进行显示，未出警信号在职能机构的显示屏中呈红色颜色进行显示，立即出警信号在职能机构的显示屏中呈红色颜色且字体加粗加大的形式进行显示。
5.根据权利要求1所述的一种综合应用人工智能技术的警情时空预测系统，其特征在于，所述社区的属性数据包括：
A1、人口结构信息：所述人口结构信息包括以下一项或多项：
a1、流动人口数量：通过流动人口数量计算得到流动人口比例；
a2、相关人员数量：相关人员是根据职能机构业务规则制定的人员，通过相关人员数量计算得到相关人员比例；其中，文化程度包括：文盲，小学，初中，高中，大学及大学以上；
a3、流动人口与常住人口中以下信息的一项或多项：各文化程度人口的比例、平均家庭人口数、第一产业从业人口比例、第二产业从业人口比例、第三产业从业人口比例、拥有社保人数比例、人员居住时长；
A2、车辆信息：车辆信息为社区住户拥有的机动车辆数；
A3、房屋信息的一项或多项：社区内部摄像点数量、社区房屋均价、在租房屋数量、社区自来水用水量；
A4、娱乐场所数量：娱乐场所包括洗浴中心、网吧、棋牌室、KTV；
A5、社区的面积；
所述职能机构的警情数据包括以下一项或多项：接警数量、出警数量、警员人数、巡防人次或过车数量；其中，过车数量为职能机构辖区内车辆卡口采集的每个月外地车辆、本地车辆的车辆数。
CN202011377967.3A 2020-11-30 2020-11-30 一种综合应用人工智能技术的警情时空预测系统 Active CN112465229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011377967.3A CN112465229B (zh) 2020-11-30 2020-11-30 一种综合应用人工智能技术的警情时空预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011377967.3A CN112465229B (zh) 2020-11-30 2020-11-30 一种综合应用人工智能技术的警情时空预测系统

Publications (2)

Publication Number Publication Date
CN112465229A CN112465229A (zh) 2021-03-09
CN112465229B true CN112465229B (zh) 2023-06-23

Family

ID=74805026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011377967.3A Active CN112465229B (zh) 2020-11-30 2020-11-30 一种综合应用人工智能技术的警情时空预测系统

Country Status (1)

Country Link
CN (1) CN112465229B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610309B (zh) * 2021-08-13 2022-06-03 清华大学 基于大数据和人工智能的消防站选址方法及装置
CN114768158B (zh) * 2022-04-21 2022-12-02 广东永耀消防安全技术有限公司 一种智慧消防系统及其自动巡检方法
CN116054167B (zh) * 2023-03-06 2023-06-06 国网山东省电力公司聊城供电公司 基于配电网柔性控制器的电网综合调度管理系统及方法
CN117037501B (zh) * 2023-10-10 2023-12-12 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统
CN118096087A (zh) * 2024-04-25 2024-05-28 大连地铁运营有限公司 一种绿色云平台业务系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726568A (zh) * 2009-11-24 2010-06-09 环境保护部华南环境科学研究所 一种水环境安全预警预测方法
CN106682876A (zh) * 2016-12-29 2017-05-17 广东精规划信息科技股份有限公司 一种用于公安指挥的可视化指挥平台
CN108269000A (zh) * 2017-12-22 2018-07-10 武汉烽火众智数字技术有限责任公司 基于警情大数据时空分析的智能警力部署方法及系统
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
CN110674981A (zh) * 2019-09-12 2020-01-10 中科曙光南京研究院有限公司 基于分层岭回归算法的警情预测方法和预测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726568A (zh) * 2009-11-24 2010-06-09 环境保护部华南环境科学研究所 一种水环境安全预警预测方法
CN106682876A (zh) * 2016-12-29 2017-05-17 广东精规划信息科技股份有限公司 一种用于公安指挥的可视化指挥平台
CN108269000A (zh) * 2017-12-22 2018-07-10 武汉烽火众智数字技术有限责任公司 基于警情大数据时空分析的智能警力部署方法及系统
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
CN110674981A (zh) * 2019-09-12 2020-01-10 中科曙光南京研究院有限公司 基于分层岭回归算法的警情预测方法和预测系统

Also Published As

Publication number Publication date
CN112465229A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112465229B (zh) 一种综合应用人工智能技术的警情时空预测系统
La Vigne et al. Evaluating the use of public surveillance cameras for crime control and prevention
Spader et al. Fewer vacants, fewer crimes? Impacts of neighborhood revitalization policies on crime
Snook et al. Simply criminal: Predicting burglars’ occupancy decisions with a simple heuristic
Minetto et al. Measuring human and economic activity from satellite imagery to support city-scale decision-making during covid-19 pandemic
CN109887283B (zh) 一种基于卡口数据的道路拥堵预测方法、系统及装置
Khorshidi et al. Explaining crime diversity with google street view
CN113115225A (zh) 基于危险源监测与人员定位的电子围栏区域生成系统
Andresen et al. Predicting property crime risk: An application of risk terrain modeling in Vancouver, Canada
CN110197158B (zh) 一种安保云系统及其应用
Chen et al. Investigating the influence of tree coverage on property crime: A case study in the city of Vancouver, British Columbia, Canada
CN112580470A (zh) 城市视觉感知方法、装置、电子设备和存储介质
Antolos et al. Burglary crime analysis using logistic regression
Skydan et al. Methodological foundations of information support for decision-making in the field of food, environmental, and socio-economic components of national security
Yue et al. Examining the effect of housing density and composition on residential burglary in Wuhan, China
Gilbuena Jr et al. Fuzzy‐based gaps assessment of flood disaster risk reduction management systems in Metro Manila, Philippines
Wilson et al. Projecting future land use/land cover by integrating drivers and plan prescriptions: the case for watershed applications
KR20210091461A (ko) 범죄위험지수 기반 범죄예방 장치 및 방법
Taiwo Technological Innovation and Crime Prevention: Implications for Effective Performance of Nigerian Police
Bäumler et al. Generating representative test scenarios: The fuse for representativity (Fuse4Rep) process model for collecting and analysing traffic observation data
Szczyrba et al. A machine learning method to quantify the role of vulnerability in hurricane damage
Hirschfield 12 Decision support in crime prevention Data analysis, policy evaluation and GIS
Naqvi et al. Street mapping, object detection and traffic load assessment from SVIs and field data using YOLOv3, machine learning and GIS
Anuar et al. Data visualization of violent crime hotspots in Malaysia
Akpinar et al. Geographic information systems technologies in crime analysis and crime mapping

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