CN114004722A - 基于人工智能和大数据的智慧安防辅助管理方法 - Google Patents
基于人工智能和大数据的智慧安防辅助管理方法 Download PDFInfo
- Publication number
- CN114004722A CN114004722A CN202111295738.1A CN202111295738A CN114004722A CN 114004722 A CN114004722 A CN 114004722A CN 202111295738 A CN202111295738 A CN 202111295738A CN 114004722 A CN114004722 A CN 114004722A
- Authority
- CN
- China
- Prior art keywords
- security
- personnel
- level feature
- security analysis
- feature vector
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000007726 management method Methods 0.000 title claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 158
- 238000004458 analytical method Methods 0.000 claims abstract description 106
- 230000003068 static effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000004931 aggregating effect Effects 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 15
- 238000011835 investigation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于人工智能和大数据的智慧安防辅助管理方法,其包括:根据安防分析数据生成若干个安防分析图,并获取每个安防分析图的关联连接;将每条关联连接所连接的两个关联人员的多元特征向量进行向量拼接得到每条关联连接的拼接特征向量;利用卷积神经网络对拼接特征向量进行多层次特征提取以得到多层次特征向量;根据所有关联连接的多层次特征向量获取每个关联人员的静态高层次特征向量,并通过长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合以得到每个关联人员的动态高层次特征向量;根据所有关联人员的动态高层次特征向量生成安防排查表。
Description
技术领域
本发明涉及智慧安防和人工智能领域,尤其涉及一种基于人工智能和大数据的智慧安防辅助管理方法。
背景技术
随着城市化进程的加快及经济发展,给安防工作带来很大压力,而安防资源则几乎未增长,导致供需矛盾日益激化。在此背景下,急需通过新技术和新模式寻求突破以适应当下需求。安防工作在人工智能、大数据以及云计算等技术融合的驱动下呈现出新的发展特征。
当前安防工作开展期间,在对目标人员进行排查的过程中,需要排查的数据量巨大,导致安防人员工作量大,效率低下,有时不能及时发现线索。因此,急需一套信息化的技术方法对现有的大量数据进行自动排查,提升排查目标人员线索的速度。
发明内容
有鉴于此,本发明提供了一种基于人工智能和大数据的智慧安防辅助管理方法,其包括以下步骤:
接收安防终端发送的安防分析数据,并将所述安防分析数据划分为若干个安防分析子数据;根据每个安防分析子数据构建相应的安防分析图以得到若干个安防分析图,并为每个安防分析图标记时间戳;
获取每个安防分析图中所有直接关联人员的多元属性特征,并将所有直接关联人员的多元属性特征采用独热编码生成每个安防分析图的直接关联向量;获取每个安防分析图中所有间接关联人员的多元属性特征,并将所有间接关联人员的多元属性特征采用独热编码生成每个安防分析图的间接关联向量;根据每个安防分析图的直接关联向量和间接关联向量构建每个安防分析图的关联特征矩阵;
将每个安防分析图采用四元组数据的形式表示;所述四元组数据包括关联人员、关联连接、关联特征矩阵和时间戳;所述关联人员包括直接关联人员和间接关联人员;所述关联连接为关联人员与关联人员之间的有向连接;
基于每个安防分析图的关联特征矩阵获取每个安防分析图中每个关联人员的多元属性特征,并将每个安防分析图的每个关联人员的多元属性特征映射到低维向量空间以获取每个安防分析图的每个关联人员的多元特征向量;获取每个安防分析图的所有关联连接,并获取每条关联连接所连接的两个关联人员的多元特征向量,然后将每条关联连接所连接的两个关联人员的多元特征向量进行向量拼接得到每条关联连接的拼接特征向量;
利用卷积神经网络对每条关联连接的拼接特征向量进行多层次特征提取以得到每条关联连接的多层次特征向量;所述多层次特征向量表征关联连接所连接的两个关联人员之间的交互特征以及关联连接所连接的两个关联人员的多元属性特征;
根据所有关联连接的多层次特征向量获取每个关联人员的静态高层次特征向量,并通过长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合以得到每个关联人员的动态高层次特征向量;
根据所有关联人员的动态高层次特征向量生成安防排查表,并将其发送到安防终端。
根据一个优选实施方式,所述直接关联人员为与安防事件具有直接关联的人员所述间接关联人员为与安防事件具有间接关联的人员。所述第一类关联人员为参与安防事件的关联人员;所述第二类关联人员为与安防事件有关但不参与安防事件的关联人员;所述第三类关联人员为与安防事件无关的关联人员。
根据一个优选实施方式,根据安防分析子数据构建安防分析图包括:
基于安防分析子数据获取每个直接关联人员的多元属性数据,并根据每个直接关联人员的多元属性数据提取每个直接关联人员的多元属性特征,然后将每个直接关联人员的多元属性特征映射到低维向量空间以得到每个直接关联人员的多元特征向量;
根据每个直接关联人员的多元特征向量在每个直接关联人员的社会关系图中选择若干个特征距离小于距离阈值的人员作为相关关联人员,并将直接关联人员的相关关联人员作为间接关联人员;
在直接关联人员与直接关联人员的相关关联人员之间设置关联连接,并根据特征距离设置相应关联连接的权值系数以生成安防分析图。
根据一个优选实施方式,基于所有关联连接的多层次特征向量获取关联人员的静态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员,将所连接的两个关联人员中的其中一个关联人员为目标关联人员的关联连接作为目标关联人员的相关关联连接;
获取目标关联人员的所有相关关联连接的多层次特征向量,并将目标关联人员的所有相关关联连接的多层次特征向量进行特征聚合以得到目标关联人员的一阶多层次特征向量;
通过卷积神经网络对目标关联人员的一阶多层次特征向量进行多层次特征提取以得到目标关联人员的二阶多层次特征向量;
将目标关联人员的二阶多层次特征向量和目标关联人员的多元特征向量进行向量拼接以得到目标关联人员的三阶多层次特征向量,并将目标关联人员的三阶多层次特征向量通过全连接神经网络以得到目标关联人员的静态高层次特征向量;
重复以上步骤,直到遍历完所有的关联人员以获取每个关联人员的静态高层次特征向量。
根据一个优选实施方式,根据长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合得到关联人员的动态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员;获取目标关联人员在每个安防分析图中的静态高层次特征向量,并为每个静态高层次特征向量标记时间戳;
将目标关联人员的所有静态高层次特征向量按照时间戳依次输入长短期记忆模型,长短期记忆模型的全连接网络根据时间戳将目标关联人员的所有静态高层次特征向量进行信息聚合以得到目标关联人员的时序高层次特征向量;
重复以上步骤以得到每个关联人员的时序高层次特征向量;
长短期记忆模型的循环神经网络根据每个关联人员的时序高层次特征向量提取所有关联人员之间的前后依赖特征以得到前后依赖特征向量;
通过前后依赖特征向量对每个关联人员的时序高层次特征向量进行更新以生成每个关联人员的动态高层次特征向量。
根据一个优选实施方式,根据所有关联人员的动态高层次特征向量生成安防排查表包括:
根据所有关联人员的动态高层次特征向量构建安防排查图,并根据所述安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员;
获取每个第一类关联人员的第一安防关联度,并获取每个第二类关联人员的第二安防关联度,然后获取每个第三类关联人员的第三安防关联度;所述第一安防关联度为第一类关联人员的安防关联度;所述第二安防关联度为第二类关联人员的安防关联度;所述第三安防关联度为第三类关联人员的安防关联度;
根据将所有第一类关联人员按照第一安防关联度进行降序排列以生成第一排查表;根据将所有第二类关联人员按照第二安防关联度进行降序排列以生成第二排查表;根据将所有第三类关联人员按照第三安防关联度进行降序排列以生成第三排查表;
根据第一排查表、第二排查表和第三排查表生成安防排查表,并将其发送安防终端。
根据一个优选实施方式,根据安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员包括:
将关联人员的动态高层次特征向量映射到高维特征空间以生成若干个特征点,并随机选择三个特征点作为第一中心点、第二中心点和第三中心点;
分别计算每个特征点第一中心点、第二中心点和第三中心点之间的距离,并将每个特征点分配给距离最近的中心点以生成三个簇;计算每个簇中所有特征点的坐标的均值作为每个簇的质心,并重复该步骤直至每个簇的质心不再发生变化从而将关联人员分为第一类关联人员、第二类关联人员和第三关联人员。
本发明具有以下有益效果:本发明通过安防分析数据获取关联人员与安防事件相关的多元属性特征,并根据多元属性特征挖掘关联人员与安防事件相关的高层次特征,然后根据关联人员与安防事件相关的高层次特征自动排查目标人员提升排查目标人员线索的速度以便安防人员能够高效率的匹配目标人员。此外,本发明能极大节约排查目标人员所需的人力物力成本。
附图说明
图1为一示例性实施例提供的基于人工智能和大数据的智慧安防辅助管理方法的流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。在本申请的描述中,除非另有说明,“至少一个”包括一个或多个。“多个”是指两个或两个以上。例如,A、B和C中的至少一个,包括:单独存在A、单独存在B、同时存在A和B、同时存在A和C、同时存在B和C,以及同时存在A、B和C。在本申请中,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
参见图1,在一个实施例中,基于人工智能和大数据的智慧安防辅助管理方法可以包括:
S1、接收安防终端发送的安防分析数据,并将所述安防分析数据划分为若干个安防分析子数据;根据每个安防分析子数据构建相应的安防分析图以得到若干个安防分析图,并为每个安防分析图标记时间戳。
根据安防分析数据中的时间特征数据将安防分析数据划分为若干个安防分析子数据,并根据时间特征数据获取每个安防分析子数据时间特征从而为每个安防分析子数据生成时间戳。
根据每个安防分析子数据生成每个安防分析子数据对应的安防分析图,并根据安防分析子数据的时间戳为相应安防分析图标记时间戳。
安防分析数据记录了安防事件情况,包括当事人、目击者或证人等,安防事件发生时间、安防事件发生地点和安防事件的其他相关特征等。
安防分析子数据为在某一时间点安防事件的相关数据,安防分析图为在某一时间点的对安防事件的分析图。
在一个实施例中根据安防分析子数据构建安防分析图包括:
基于安防分析子数据获取每个直接关联人员的多元属性数据,并根据每个直接关联人员的多元属性数据提取每个直接关联人员的多元属性特征,然后将每个直接关联人员的多元属性特征映射到低维向量空间以得到每个直接关联人员的多元特征向量;
根据每个直接关联人员的多元特征向量在每个直接关联人员的社会关系图中选择若干个特征距离小于距离阈值的人员作为相关关联人员,并将直接关联人员的相关关联人员作为间接关联人员;
在直接关联人员与直接关联人员的相关关联人员之间设置关联连接,并根据特征距离设置相应关联连接的权值系数以生成安防分析图。
可选地,社会关系图主要用于研究团体内成员之间人际关系和人际相互作用的模式。安防分析子数据记录了所有直接关联人员的多元属性数据,多元属性数据记录了关联人员的多种属性数据。
距离阈值为根据实际情况预先进行设置。
S2、获取每个安防分析图中所有直接关联人员的多元属性特征,并将所有直接关联人员的多元属性特征采用独热编码生成每个安防分析图的直接关联向量;获取每个安防分析图中所有间接关联人员的多元属性特征,并将所有间接关联人员的多元属性特征采用独热编码生成每个安防分析图的间接关联向量;根据每个安防分析图的直接关联向量和间接关联向量构建每个安防分析图的关联特征矩阵。
直接关联人员为与安防事件具有直接关联的人员,例如当事者、目击者和证人等,间接关联人员为与安防事件具有间接关联的人员,例如与当事者有关的人员或与证人有关的人员等。
S3、将每个安防分析图采用四元组数据的形式表示;基于每个安防分析图的关联特征矩阵获取每个安防分析图中每个关联人员的多元属性特征,并将每个安防分析图的每个关联人员的多元属性特征映射到低维向量空间以获取每个安防分析图的每个关联人员的多元特征向量。
四元组数据包括关联人员、关联连接、关联特征矩阵和时间戳;关联人员包括直接关联人员和间接关联人员;关联连接为关联人员与关联人员之间的有向连接;
关联人员与关联人员具有关联连接表明相应两个关联人员间具有某些与安防事件特征有关的关联。
S4、获取每个安防分析图的所有关联连接,并获取每条关联连接所连接的两个关联人员的多元特征向量,然后将每条关联连接所连接的两个关联人员的多元特征向量进行向量拼接得到每条关联连接的拼接特征向量。
S5、利用卷积神经网络对每条关联连接的拼接特征向量进行多层次特征提取以得到每条关联连接的多层次特征向量;根据所有关联连接的多层次特征向量获取每个关联人员的静态高层次特征向量,并通过长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合以得到每个关联人员的动态高层次特征向量。
关联连接的多层次特征向量表征关联连接所连接的两个关联人员之间的交互特征以及关联连接所连接的两个关联人员的多元属性特征。
在一个实施例中,基于所有关联连接的多层次特征向量获取关联人员的静态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员,将所连接的两个关联人员中的其中一个关联人员为目标关联人员的关联连接作为目标关联人员的相关关联连接;
获取目标关联人员的所有相关关联连接的多层次特征向量,并将目标关联人员的所有相关关联连接的多层次特征向量进行特征聚合以得到目标关联人员的一阶多层次特征向量;
通过卷积神经网络对目标关联人员的一阶多层次特征向量进行多层次特征提取以得到目标关联人员的二阶多层次特征向量;
将目标关联人员的二阶多层次特征向量和目标关联人员的多元特征向量进行向量拼接以得到目标关联人员的三阶多层次特征向量,并将目标关联人员的三阶多层次特征向量通过全连接神经网络以得到目标关联人员的静态高层次特征向量;
重复以上步骤,直到遍历完所有的关联人员以获取每个关联人员的静态高层次特征向量。
进一步地,根据长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合得到关联人员的动态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员;获取目标关联人员在每个安防分析图中的静态高层次特征向量,并为每个静态高层次特征向量标记时间戳;
将目标关联人员的所有静态高层次特征向量按照时间戳依次输入长短期记忆模型,长短期记忆模型的全连接网络根据时间戳将目标关联人员的所有静态高层次特征向量进行信息聚合以得到目标关联人员的时序高层次特征向量;
重复以上步骤以得到每个关联人员的时序高层次特征向量;
长短期记忆模型的循环神经网络根据每个关联人员的时序高层次特征向量提取所有关联人员之间的前后依赖特征以得到前后依赖特征向量;
通过前后依赖特征向量对每个关联人员的时序高层次特征向量进行更新以生成每个关联人员的动态高层次特征向量。
静态高层次特征向量表征在某个时间点的关联人员的特征,动态高层次特征向量表征在安防事件发生时间段内关联人员的行为轨迹特征。
高层次特征为根据关联人员的多元属性特征挖掘出的高阶特征。
S6、根据所有关联人员的动态高层次特征向量生成安防排查表,并将其发送到安防终端。
具体地,根据关联人员的动态高层次特征向量生成安防排查表包括:
根据所有关联人员的动态高层次特征向量构建安防排查图,并根据所述安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员;
获取每个第一类关联人员的第一安防关联度,并获取每个第二类关联人员的第二安防关联度,然后获取每个第三类关联人员的第三安防关联度;所述第一安防关联度为第一类关联人员的安防关联度;所述第二安防关联度为第二类关联人员的安防关联度;所述第三安防关联度为第三类关联人员的安防关联度;
根据将所有第一类关联人员按照第一安防关联度进行降序排列以生成第一排查表;根据将所有第二类关联人员按照第二安防关联度进行降序排列以生成第二排查表;根据将所有第三类关联人员按照第三安防关联度进行降序排列以生成第三排查表;
根据第一排查表、第二排查表和第三排查表生成安防排查表,并将其发送安防终端。
所述安防关联度为与安防事件的相关程度,安防关联度越高表示相应关联人员与安防事件越相关。
安防关联度越高的第一类关联人员参与安防事件的概率越大,安防关联度高的第二类关联人员没有参与安防事件但也与安防事件密切相关,例如安防事件的目击者或知情者。
进一步地,根据安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员包括:
将关联人员的动态高层次特征向量映射到高维特征空间以生成若干个特征点,并随机选择三个特征点作为第一中心点、第二中心点和第三中心点;
分别计算每个特征点第一中心点、第二中心点和第三中心点之间的距离,并将每个特征点分配给距离最近的中心点以生成三个簇;计算每个簇中所有特征点的坐标的均值作为每个簇的质心,并重复该步骤直至每个簇的质心不再发生变化从而将关联人员分为第一类关联人员、第二类关联人员和第三关联人员。
安防终端为安防人员使用的具有通信功能和数据传输功能的智能设备,其包括:智能手机、笔记本电脑、台式电脑和平板电脑。
第一类关联人员为参与安防事件的关联人员;第二类关联人员为与安防事件有关但不参与安防事件的关联人员,例如目击者获取证人等;第三类关联人员为与安防事件无关的关联人员。
本发明通过安防分析数据获取关联人员与安防事件相关的多元属性特征,并根据多元属性特征挖掘关联人员与安防事件相关的高层次特征,然后根据关联人员与安防事件相关的高层次特征自动排查目标人员提升排查目标人员线索的速度以便安防人员能够高效率的匹配目标人员。此外,本发明能极大节约排查目标人员所需的人力物力成本。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solidstate disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、系统和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种基于人工智能和大数据的智慧安防辅助管理方法,其特征在于,接收安防终端发送的安防分析数据,并将所述安防分析数据划分为若干个安防分析子数据;根据每个安防分析子数据构建相应的安防分析图以得到若干个安防分析图,并为每个安防分析图标记时间戳;
获取每个安防分析图中所有直接关联人员的多元属性特征,并将所有直接关联人员的多元属性特征采用独热编码生成每个安防分析图的直接关联向量;获取每个安防分析图中所有间接关联人员的多元属性特征,并将所有间接关联人员的多元属性特征采用独热编码生成每个安防分析图的间接关联向量;根据每个安防分析图的直接关联向量和间接关联向量构建每个安防分析图的关联特征矩阵;
将每个安防分析图采用四元组数据的形式表示;所述四元组数据包括关联人员、关联连接、关联特征矩阵和时间戳;所述关联人员包括直接关联人员和间接关联人员;所述关联连接为关联人员与关联人员之间的有向连接;
基于每个安防分析图的关联特征矩阵获取每个安防分析图中每个关联人员的多元属性特征,并将每个安防分析图的每个关联人员的多元属性特征映射到低维向量空间以获取每个安防分析图的每个关联人员的多元特征向量;获取每个安防分析图的所有关联连接,并获取每条关联连接所连接的两个关联人员的多元特征向量,然后将每条关联连接所连接的两个关联人员的多元特征向量进行向量拼接得到每条关联连接的拼接特征向量;
利用卷积神经网络对每条关联连接的拼接特征向量进行多层次特征提取以得到每条关联连接的多层次特征向量;所述多层次特征向量表征关联连接所连接的两个关联人员之间的交互特征以及关联连接所连接的两个关联人员的多元属性特征;
根据所有关联连接的多层次特征向量获取每个关联人员的静态高层次特征向量,并通过长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合以得到每个关联人员的动态高层次特征向量;
根据所有关联人员的动态高层次特征向量生成安防排查表,并将其发送到安防终端。
2.根据权利要求1所述的方法,其特征在于,根据安防分析子数据构建安防分析图包括:
基于安防分析子数据获取每个直接关联人员的多元属性数据,并根据每个直接关联人员的多元属性数据提取每个直接关联人员的多元属性特征,然后将每个直接关联人员的多元属性特征映射到低维向量空间以得到每个直接关联人员的多元特征向量;
根据每个直接关联人员的多元特征向量在每个直接关联人员的社会关系图中选择若干个特征距离小于距离阈值的人员作为相关关联人员,并将直接关联人员的相关关联人员作为间接关联人员;
在直接关联人员与直接关联人员的相关关联人员之间设置关联连接,并根据特征距离设置相应关联连接的权值系数以生成安防分析图。
3.根据权利要求1或2所述的方法,其特征在于,基于所有关联连接的多层次特征向量获取关联人员的静态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员,将所连接的两个关联人员中的其中一个关联人员为目标关联人员的关联连接作为目标关联人员的相关关联连接;
获取目标关联人员的所有相关关联连接的多层次特征向量,并将目标关联人员的所有相关关联连接的多层次特征向量进行特征聚合以得到目标关联人员的一阶多层次特征向量;
通过卷积神经网络对目标关联人员的一阶多层次特征向量进行多层次特征提取以得到目标关联人员的二阶多层次特征向量;
将目标关联人员的二阶多层次特征向量和目标关联人员的多元特征向量进行向量拼接以得到目标关联人员的三阶多层次特征向量,并将目标关联人员的三阶多层次特征向量通过全连接神经网络以得到目标关联人员的静态高层次特征向量;
重复以上步骤,直到遍历完所有的关联人员以获取每个关联人员的静态高层次特征向量。
4.根据权利要求2或3所述的方法,其特征在于,根据长短期记忆模型和安防分析图的时间戳将所有的安防分析图进行时间序列上的信息聚合得到关联人员的动态高层次特征向量包括:
遍历所有的关联人员,并将正在遍历的关联人员作为目标关联人员;获取目标关联人员在每个安防分析图中的静态高层次特征向量,并为每个静态高层次特征向量标记时间戳;
将目标关联人员的所有静态高层次特征向量按照时间戳依次输入长短期记忆模型,长短期记忆模型的全连接网络根据时间戳将目标关联人员的所有静态高层次特征向量进行信息聚合以得到目标关联人员的时序高层次特征向量;
重复以上步骤以得到每个关联人员的时序高层次特征向量;
长短期记忆模型的循环神经网络根据每个关联人员的时序高层次特征向量提取所有关联人员之间的前后依赖特征以得到前后依赖特征向量;
通过前后依赖特征向量对每个关联人员的时序高层次特征向量进行更新以生成每个关联人员的动态高层次特征向量。
5.根据权利要求4所述的方法,其特征在于,所述直接关联人员为与安防事件具有直接关联的人员所述间接关联人员为与安防事件具有间接关联的人员。
6.根据权利要求5所述的方法,其特征在于,所述根据所有关联人员的动态高层次特征向量生成安防排插表包括:
根据所有关联人员的动态高层次特征向量构建安防排查图,并根据所述安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员;
获取每个第一类关联人员的第一安防关联度,并获取每个第二类关联人员的第二安防关联度,然后获取每个第三类关联人员的第三安防关联度;所述第一安防关联度为第一类关联人员的安防关联度;所述第二安防关联度为第二类关联人员的安防关联度;所述第三安防关联度为第三类关联人员的安防关联度;
根据将所有第一类关联人员按照第一安防关联度进行降序排列以生成第一排查表;根据将所有第二类关联人员按照第二安防关联度进行降序排列以生成第二排查表;根据将所有第三类关联人员按照第三安防关联度进行降序排列以生成第三排查表;
根据第一排查表、第二排查表和第三排查表生成安防排查表,并将其发送安防终端。
7.根据权利要求6所述的方法,其特征在于,根据安防排查图将所有的关联人员分为第一类关联人员、第二类关联人员和第三关联人员包括:
将关联人员的动态高层次特征向量映射到高维特征空间以生成若干个特征点,并随机选择三个特征点作为第一中心点、第二中心点和第三中心点;
分别计算每个特征点第一中心点、第二中心点和第三中心点之间的距离,并将每个特征点分配给距离最近的中心点以生成三个簇;计算每个簇中所有特征点的坐标的均值作为每个簇的质心,并重复该步骤直至每个簇的质心不再发生变化从而将关联人员分为第一类关联人员、第二类关联人员和第三关联人员。
8.根据权利要求7所述的方法,其特征在于,所述第一类关联人员为参与安防事件的关联人员;所述第二类关联人员为与安防事件有关但不参与安防事件的关联人员;所述第三类关联人员为与安防事件无关的关联人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295738.1A CN114004722A (zh) | 2021-11-03 | 2021-11-03 | 基于人工智能和大数据的智慧安防辅助管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295738.1A CN114004722A (zh) | 2021-11-03 | 2021-11-03 | 基于人工智能和大数据的智慧安防辅助管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004722A true CN114004722A (zh) | 2022-02-01 |
Family
ID=79926993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111295738.1A Pending CN114004722A (zh) | 2021-11-03 | 2021-11-03 | 基于人工智能和大数据的智慧安防辅助管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004722A (zh) |
-
2021
- 2021-11-03 CN CN202111295738.1A patent/CN114004722A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084377B (zh) | 用于构建决策树的方法和装置 | |
US11436430B2 (en) | Feature information extraction method, apparatus, server cluster, and storage medium | |
EP3971798A1 (en) | Data processing method and apparatus, and computer readable storage medium | |
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN104820708B (zh) | 一种基于云计算平台的大数据聚类方法和装置 | |
CN104809244B (zh) | 一种大数据环境下的数据挖掘方法和装置 | |
CN110855648B (zh) | 一种网络攻击的预警控制方法及装置 | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
US20210232706A1 (en) | Generating behavioral profiles | |
EP3217335A1 (en) | Method and system for generating a training model for fabricating synthetic data and for fabricating synthetic data | |
CN112990583B (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
US9058470B1 (en) | Actual usage analysis for advanced privilege management | |
Elagib et al. | Big data analysis solutions using MapReduce framework | |
CN114398864A (zh) | 报表显示方法、装置、设备及存储介质 | |
CN112215655A (zh) | 一种客户画像的标签管理方法及系统 | |
CN109635193B (zh) | 一种书籍阅读共享平台 | |
CN113344393B (zh) | 一种基于v模型产品研制流程的资源构建方法 | |
CN114004722A (zh) | 基于人工智能和大数据的智慧安防辅助管理方法 | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
Ma et al. | [Retracted] The Construction of Big Data Computational Intelligence System for E‐Government in Cloud Computing Environment and Its Development Impact | |
CN114707835A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN114237798A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN114281549A (zh) | 数据的处理方法及装置 | |
CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
CN112070487A (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220201 |
|
WD01 | Invention patent application deemed withdrawn after publication |