CN116258241A - 一种基于时空关联的监管环境风险预测方法及系统 - Google Patents
一种基于时空关联的监管环境风险预测方法及系统 Download PDFInfo
- Publication number
- CN116258241A CN116258241A CN202211604126.0A CN202211604126A CN116258241A CN 116258241 A CN116258241 A CN 116258241A CN 202211604126 A CN202211604126 A CN 202211604126A CN 116258241 A CN116258241 A CN 116258241A
- Authority
- CN
- China
- Prior art keywords
- space
- risk
- time
- environment
- convolution
- 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 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012800 visualization Methods 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时空关联的监管环境风险预测方法及系统,属于人工智能领域,包括获取数据,得到包含时间和空间维度的监管环境数据信息;数据预处理;采用STGCN时空关联网络,通过实时获取到的数据信息模型定期在线训练学习,通过更新模型权重参数不断修正优化模型,以降低学习误差提高准确度;对预测结果超过风险阈值的认为是风险区域,由系统自动发出风险预警信号。本发明通过建立时空关系模型,来捕捉时间维度和空间维度的序列信息,基于时空关联分析,能够快速、高效的对监管环境未来的风险精准预测,并通过可视化技术将风险进行直观展示,以辅助民警对监管环境安全管理、风险防范,确保监管环境的长治久安。
Description
技术领域
本发明涉及一种基于时空关联的监管环境风险预测方法及系统,属于人工智能技术领域。
背景技术
监管环境作为国家刑罚执行机关,主要承担着关押罪犯的职能,其安全和稳定对社会稳定有着巨大的影响作用,当前,尽管监管环境安全处于历史最好时期,但仍然存在诸多问题,如监管环境押量大、民警警力少、被监管人员成分复杂、管理难度大等,显示监管安全仍然面临着严峻考验。近年来,伴随着人工智能技术的不断成熟、海量大数据的支撑以及云计算能力的提升,人工智能开始广泛应用到社会发展的多个领域,其中,智慧监管环境就是当前时代在人工智能领域的一个创新性应用。
目前我国的监管环境风险管理现状,多数还停留在以民警巡查加摄像机监视报警的阶段,人工作业仍占绝大比重,信息化程度也比较低,当前,信息技术、网络技术已经进入了各行各业,现代社会治安隐患、风险预警等也更加智能化、隐蔽化,将大数据智能化技术深入应用,可以有效提高公安民警的打击犯罪能力、保障社会安全的能力,为提高监管风险识别水平,利用机器学习的相关技术,整合监管方面的相关数据,提取监管环境风险相关特征和风险评估表,利用大数据、数据库处理技术、计算机软件技术、地理信息系统技术、互联网技术等多学科能力,实现监管环境管理信息化,检索的智能化,尤为重要。
发明内容
针对现有技术的不足,本发明提供一种基于时空关联的监管环境风险预测方法及系统,通过建立时空关系模型,来捕捉时间维度和空间维度的序列信息,基于时空关联分析,能够快速、高效的对监管环境未来的风险精准预测,并通过可视化技术将风险进行直观展示,以辅助民警对监管环境安全管理、风险防范,确保监管环境的长治久安。
术语解释:
STGCN:时空卷积网络(Spatio-Temporal Graph Convolutional Networks,STGCN),采用卷积层对神经网络进行时空预测。
本发明采用以下技术方案:
一种基于时空关联的监管环境风险预测方法,包括如下步骤;
(1)获取数据:通过监管环境大数据系统平台接入后端接口实时上传数据,得到包含时间和空间维度的监管环境数据信息;
(2)数据预处理:对获取到的数据信息进行预处理,包括缺失值填充、最大最小化、归一化、降维、数据清洗等数据预处理操作;
(3)模型训练优化:模型采用STGCN时空关联网络,监管环境大数据系统平台嵌入本发明提出的风险预测模型,通过实时获取到的数据信息模型定期在线训练学习,通过更新模型权重参数不断修正优化模型,以降低学习误差提高准确度;
(4)风险预警:设定风险阈值,对预测结果超过风险阈值的认为是风险区域,由系统自动发出风险预警信号,提醒监管环境民警有目的的展开巡查并对相关区域的工作人员进行意识提醒。
优选的,步骤(1)的数据信息包括监管环境内罪犯人员的定位信息、外来人员车辆的出入信息、监管环境内设备情况的运行信息、历史报警情况信息以及监管环境内气温变化情况等信息。
优选的,步骤(3)中构建模型的方法包括定义监管环境网络图和构建监管环境时空关联预测模型,其中定义监管环境网络图包括:
A、定义监管环境空间权重矩阵
假设区域为面元素,区域之间有公共边,确定面相邻的区域即为由公共边来构建邻接空间权重矩阵;
将监管环境区域标记为点,根据监管环境地理分布图定义空间权重矩阵,定义如下公式:
其中,aij表示i和j区域的相邻关系,如果相邻那么aij=1,反之则为0,空间权重矩阵是相邻关系的量化表示;
空间权重矩阵是通过空间邻接性的定义测量空间模式来构建,传统的空间邻接性采用区域之间的邻接性或者距离来定义,根据距离来构建空间权重矩阵,具体操作是认为空间之间的距离越小认为相关性越紧密,本发明采用的是邻接性构建空间权重矩阵,可以更好的体现空间之间的邻接关系。
B、定义监管环境无向图
首先,把整个监管环境表示为一个无向图G(V,E,A),其中监管环境中的每一个区域可以看作顶点,其中,V={V1,V2,…Vs}表示区域的集合,s代表区域的个数,E为边的集合,表示区域间的连通性,A∈Rs*s是无向图G的邻接矩阵,即上面定义的空间权重矩阵,表示区域间的连接关系;
在空间维度上,每个区域的风险受到相邻区域风险的影响,在时间维度上,该区域的风险受到历史时刻风险的影响,在时空的维度上,无向图中的顶点的风险受历史时间记录单位的时刻周围邻域的影响,那么区域n在时刻t的风险可以用来表示,其中n∈s,同样在t时刻所有区域的风险可以表示为/>整个监管环境可以用一个无向图G表示,每个顶点都有一个由历史风险组成的特征向量,可以使用图卷积操作捕捉监管环境中不规则的时空依赖关系。
优选的,构建监管环境时空关联预测模型的过程为:
时空关联预测模型的核心是时空卷积网络(STGCN),时空卷积网络包括两个时空卷积块(ST-Conv Block)和一个输出全连接层(Output Layer),而核心部分的时空卷积块由两个时空门控卷积(Temporal Gated-Conv)和中间的一个空间图卷积(Spatial Graph-Conv)形成,结构如三明治,有两个时间门控序列卷积层和中间的一个空间图卷积模块,Temporal Gated-Conv用来捕获时间关联,Spatial Graph-Conv用来捕获空间关联,其中时空门控卷积(Temporal Gated-Conv)又由一个一维卷积(1-D Conv)和一个门控线性单元(GLU)组成;
针对时间特征的提取,STGCN中用到的是门控卷积神经网络,与传统的时空模型的差异就在于用一维卷积进行时间维度的信息学习,卷积神经网络的优点在于不受之前时间点数据预测的限制从而可以更好捕捉变化且并行训练的消耗低。
①采用图卷积神经网络捕捉空间特性
针对监管环境的空间特征,采用图卷积神经网络(GCN)进行提取,图卷积神经网络是将卷积应用到图结构数据的方法,普通的卷积操作只适用于处理欧几里得数据,因为欧式数据具有规则的空间结构,对于图结构这样的数据,由于邻居节点(邻居节点即为图结构中每个节点的相邻节点)的数目不确定,无法选取固定大小的卷积核来适应不规则的图形,故选用的是图卷积;
图卷积的本质就是提取图结构的空间特征,通过利用边和节点的信息聚合,更新新的节点表示;
其中,A为邻接矩阵,IN为单位矩阵,这样可将节点本身和邻域节点的信息都考虑进来了,/>用来对节点进行归一化操作,故左右各乘以/>H(l)为节点的特征矩阵,W(l)为参数矩阵,σ为激活函数,通过图卷积神经网络,可以有效聚合周围邻域的信息,这样,监管环境某区域的风险不仅和自身有关,同时还会受到周围区域的影响,实现了空间维度的关联;
②采用门控卷积神经网络提取时间特征
在以往时间特征提取的方法中,最常用的是循环神经网络,但是对于风险预测会随时产生波动且数据量较大的问题,循环神经网络很难捕捉到时间特性,而且复杂的门控机制和多次的迭代训练会耗费宝贵的算力和时间,与循环神经网络相比,门控卷积神经网络,它可以更好的适应风险的随时变化,并且它还可以并行训练,大大降低了训练时间。因此,在时间维度上,本发明选用门控卷积网络来捕捉时间依赖性。
门控卷积神经网络包含了一个一维卷积和一个门控线性单元(GLU),采用因果卷积,对于无向图G中的每一个顶点,输入X是长度为M的风险历史观测值,输出Y为:
Y=Γ*X=P⊙σ(Q)
其中,Γ为卷积核,P和Q分别为GLU门的输入,⊙表示哈达玛积,σ为非线性激活函数,该公式表示一个没有非线性激活函数的卷积层输出和一个经过非线性激活函数σ输出进行点积,通过门控卷积网络能够捕捉到每个节点风险历史数据的长期依赖性,从而实现了时间维度上的关联。
③构建整个时空卷积网络
整个时空卷积网络包括前后两个时间卷积层和中间的一个空间图卷积层,处于中间的空间卷积层,前后连接着两个时间卷积层,可以使得空间状态能够在图卷积到时间卷积之间进行快速传播,通过时空卷积层,既捕捉到了时间维度上的关联信息,又捕捉到了空间维度上的关联信息,实现了时空的关联,监管环境风险涉及人事物地,是时间和空间共同作用的结果,采用时空关联的预测模型,能够最大尺度的捕获风险特征,进行精准预测。
优选的,步骤B中定义监管环境无向图时,监管环境中的每一个区域是指将监管环境按照地理结构划分成若干个区域,覆盖监舍、走廊、餐厅、活动场、工厂车间、会见室、休息室等。
一种基于时空关联的监管环境风险预测系统,包括数据获取和存储模块、模型算法优化模块、风险预警模块和数据显示和查询模块;
数据获取和存储模块用于动态获取监管环境内数据信息,包含时间信息和空间信息,并进行数据的分析和预处理;
模型算法优化模块用于得到风险预测结果,通过实时读取变动的数据信息,在线学习并更新模型权重,降低学习误差;
风险预警模块用于对监管环境内风险预测结果发出风险预警信号,如可对中、高风险发出预警信号,干警接收到此信息并对其进行特别关注,采取相应措施以预防监管环境内危险事件发生;
数据显示和查询模块提供显示界面,用于实时展示和查询当前监管环境内的风险预测情况,风险预测情况分为三级,分别为高、中、低(高、中、低三级风险的标准可根据实际需要灵活设定),并通过热力图的形式进行可视化展示,这样监管环境内的风险情况便清晰可见。
本发明中未详尽之处,均可采用现有技术进行。
本发明的有益效果为:
本发明提供了基于时空关联的监管环境风险预测方法,提出了基于时空卷积块来捕获监管环境风险的预测方法,从时间和空间两个维度进行时空关联分析,最大尺度的捕获风险特征,有效提高了监管环境风险的预测准确率,同时,使用时空卷积的方式,还可减少计算复杂度和模型复杂性,通过该方法为监管环境的风险预测管理和防控工作提供了理论支持、依据和参考。
本发明提供了基于时空关联的监管环境风险预测系统,包含数据获取和存储模块、模型算法优化模块、风险预警模块、数据显示和查询模块,通过将监管环境数据库、算法、终端相结合,形成了一套完备的监管环境风险预测系统,为监管环境风险管理工作带来极大的便利,有效降低了监管环境各类风险事故的发生。
附图说明
图1为本发明基于时空关联的监管环境风险预测方法流程示意图;
图2为本发明基于时空关联的监管环境风险预测系统结构框图;
图3为监管环境地理分布图;
图4为将监管环境表示为图结构示意图;
图5为STGCN结构示意图;
图6为空间卷积结构示意图;
图7为时间卷积结构示意图;
图8为时空卷积块示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,但不仅限于此,本发明未详尽说明的,均按本领域常规技术。
实施例1
一种基于时空关联的监管环境风险预测方法,如图1所示,包括如下步骤;
(1)获取数据:通过监管环境大数据系统平台接入后端接口实时上传数据,得到包含时间和空间维度的监管环境数据信息,数据信息包括监管环境内罪犯人员的定位信息、外来人员车辆的出入信息、监管环境内设备情况的运行信息、历史报警情况信息以及监管环境内气温变化情况等信息。;
(2)数据预处理:对获取到的数据信息进行预处理,包括缺失值填充、最大最小化、归一化、降维、数据清洗等数据预处理操作;
(3)模型训练优化:模型采用STGCN时空关联网络,监管环境大数据系统平台嵌入本发明提出的风险预测模型,通过实时获取到的数据信息模型定期在线训练学习,通过更新模型权重参数不断修正优化模型,以降低学习误差提高准确度;
(4)风险预警:设定风险阈值,对预测结果超过风险阈值的认为是风险区域,由系统自动发出风险预警信号,提醒监管环境民警有目的的展开巡查并对相关区域的工作人员进行意识提醒。
实施例2
一种基于时空关联的监管环境风险预测方法,如实施例1所述,所不同的是,步骤(3)中构建模型的方法包括定义监管环境网络图和构建监管环境时空关联预测模型,其中定义监管环境网络图包括:
A、定义监管环境空间权重矩阵
假设区域为面元素,区域之间有公共边,确定面相邻的区域即为由公共边来构建邻接空间权重矩阵;
如图3所示,将监管环境区域标记为点,根据监管环境地理分布图定义空间权重矩阵,定义如下公式:
其中,aij表示i和j区域的相邻关系,如果相邻那么aij=1,反之则为0,空间权重矩阵是相邻关系的量化表示;
空间权重矩阵是通过空间邻接性的定义测量空间模式来构建,传统的空间邻接性采用区域之间的邻接性或者距离来定义,根据距离来构建空间权重矩阵,具体操作是认为空间之间的距离越小认为相关性越紧密,本发明采用的是邻接性构建空间权重矩阵,可以更好的体现空间之间的邻接关系。
B、定义监管环境无向图
首先,把整个监管环境表示为一个无向图G(V,E,A),其中监管环境中的每一个区域可以看作顶点,监管环境中的每一个区域是指将监管环境按照地理结构划分成若干个区域,覆盖监舍、走廊、餐厅、活动场、工厂车间、会见室、休息室等,其中,V={V1,V2,…Vs}表示区域的集合,s代表区域的个数,E为边的集合,表示区域间的连通性,A∈Rs*s是无向图G的邻接矩阵,即上面定义的空间权重矩阵,表示区域间的连接关系;
在空间维度上,每个区域的风险受到相邻区域风险的影响,在时间维度上,该区域的风险受到历史时刻风险的影响,在时空的维度上,无向图中的顶点的风险受历史时间记录单位的时刻周围邻域的影响,那么区域n在时刻t的风险可以用来表示,其中n∈s,同样在t时刻所有区域的风险可以表示为/>如图4所示,整个监管环境可以用一个无向图G表示,每个顶点都有一个由历史风险组成的特征向量,可以使用图卷积操作捕捉监管环境中不规则的时空依赖关系。
优选的,构建监管环境时空关联预测模型的过程为:
如图5所示,时空关联预测模型的核心是时空卷积网络(STGCN),时空卷积网络包括两个时空卷积块(ST-Conv Block)和一个输出全连接层(Output Layer),而核心部分的时空卷积块由两个时空门控卷积(Temporal Gated-Conv)和中间的一个空间图卷积(Spatial Graph-Conv)形成,结构如三明治,有两个时间门控序列卷积层和中间的一个空间图卷积模块,Temporal Gated-Conv用来捕获时间关联,Spatial Graph-Conv用来捕获空间关联,其中时空门控卷积(Temporal Gated-Conv)又由一个一维卷积(1-D Conv)和一个门控线性单元(GLU)组成;
针对时间特征的提取,STGCN中用到的是门控卷积神经网络,与传统的时空模型的差异就在于用一维卷积进行时间维度的信息学习,卷积神经网络的优点在于不受之前时间点数据预测的限制从而可以更好捕捉变化且并行训练的消耗低。
①采用图卷积神经网络捕捉空间特性
针对监管环境的空间特征,采用图卷积神经网络(GCN)进行提取,图卷积神经网络是将卷积应用到图结构数据的方法,普通的卷积操作只适用于处理欧几里得数据,因为欧式数据具有规则的空间结构,对于图结构这样的数据,由于邻居节点(邻居节点即为图结构中每个节点的相邻节点)的数目不确定,无法选取固定大小的卷积核来适应不规则的图形,故选用的是图卷积;
图卷积的本质就是提取图结构的空间特征,通过利用边和节点的信息聚合,更新新的节点表示,如图6;
其中,A为邻接矩阵,IN为单位矩阵,这样可将节点本身和邻域节点的信息都考虑进来了,/>用来对节点进行归一化操作,故左右各乘以/>H(l)为节点的特征矩阵,W(l)为参数矩阵,σ为激活函数,通过图卷积神经网络,可以有效聚合周围邻域的信息,这样,监管环境某区域的风险不仅和自身有关,同时还会受到周围区域的影响,实现了空间维度的关联;
②采用门控卷积神经网络提取时间特征
在以往时间特征提取的方法中,最常用的是循环神经网络,但是对于风险预测会随时产生波动且数据量较大的问题,循环神经网络很难捕捉到时间特性,而且复杂的门控机制和多次的迭代训练会耗费宝贵的算力和时间,与循环神经网络相比,门控卷积神经网络,它可以更好的适应风险的随时变化,并且它还可以并行训练,大大降低了训练时间。因此,在时间维度上,本发明选用门控卷积网络来捕捉时间依赖性。
门控卷积神经网络如图7所示,包含了一个一维卷积和一个门控线性单元(GLU),采用因果卷积,对于无向图G中的每一个顶点,输入X是长度为M的风险历史观测值,输出Y为:
Y=Γ*X=P⊙σ(Q)
其中,Γ为卷积核,P和Q分别为GLU门的输入,⊙表示哈达玛积,σ为非线性激活函数,该公式表示一个没有非线性激活函数的卷积层输出和一个经过非线性激活函数σ输出进行点积,通过门控卷积网络能够捕捉到每个节点风险历史数据的长期依赖性,从而实现了时间维度上的关联。
③构建整个时空卷积网络
如图8所示,整个时空卷积网络包括前后两个时间卷积层和中间的一个空间图卷积层,处于中间的空间卷积层,前后连接着两个时间卷积层,可以使得空间状态能够在图卷积到时间卷积之间进行快速传播,通过时空卷积层,既捕捉到了时间维度上的关联信息,又捕捉到了空间维度上的关联信息,实现了时空的关联,监管环境风险涉及人事物地,是时间和空间共同作用的结果,采用时空关联的预测模型,能够最大尺度的捕获风险特征,进行精准预测。
实施例3
一种基于时空关联的监管环境风险预测系统,如图2所示,包括数据获取和存储模块、模型算法优化模块、风险预警模块和数据显示和查询模块;
数据获取和存储模块用于动态获取监管环境内数据信息,包含时间信息和空间信息,并进行数据的分析和预处理;
模型算法优化模块用于得到风险预测结果,通过实时读取变动的数据信息,在线学习并更新模型权重,降低学习误差;
风险预警模块用于对监管环境内风险预测结果发出风险预警信号,如可对中、高风险发出预警信号,干警接收到此信息并对其进行特别关注,采取相应措施以预防监管环境内危险事件发生;
数据显示和查询模块提供显示界面,用于实时展示和查询当前监管环境内的风险预测情况,风险预测情况分为三级,分别为高、中、低(高、中、低三级风险的标准可根据实际需要灵活设定),并通过热力图的形式进行可视化展示,这样监管环境内的风险情况便清晰可见。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于时空关联的监管环境风险预测方法,其特征在于,包括如下步骤;
(1)获取数据:通过监管环境大数据系统平台接入后端接口实时上传数据,得到包含时间和空间维度的监管环境数据信息;
(2)数据预处理:对获取到的数据信息进行预处理,包括缺失值填充、最大最小化、归一化、降维、数据清洗;
(3)模型训练优化:模型采用STGCN时空关联网络,通过实时获取到的数据信息模型定期在线训练学习,通过更新模型权重参数不断修正优化模型,以降低学习误差提高准确度;
(4)风险预警:设定风险阈值,对预测结果超过风险阈值的认为是风险区域,由系统自动发出风险预警信号,提醒监管环境民警有目的的展开巡查并对区域的工作人员进行意识提醒。
2.根据权利要求1所述的基于时空关联的监管环境风险预测方法,其特征在于,步骤(1)的数据信息包括监管环境内罪犯人员的定位信息、外来人员车辆的出入信息、监管环境内设备情况的运行信息、历史报警情况信息以及监管环境内气温变化情况信息。
3.根据权利要求1所述的基于时空关联的监管环境风险预测方法,其特征在于,步骤(3)中构建模型的方法包括定义监管环境网络图和构建监管环境时空关联预测模型,其中定义监管环境网络图包括:
A、定义监管环境空间权重矩阵
假设区域为面元素,区域之间有公共边,确定面相邻的区域即为由公共边来构建邻接空间权重矩阵;
将监管环境区域标记为点,根据监管环境地理分布图定义空间权重矩阵,定义如下公式:
其中,aij表示i和j区域的相邻关系,如果相邻那么aij=1,反之则为0,空间权重矩阵是相邻关系的量化表示;
B、定义监管环境无向图
首先,把整个监管环境表示为一个无向图G(V,E,A),其中监管环境中的每一个区域看作顶点,其中,V={V1,V2,…Vs}表示区域的集合,s代表区域的个数,E为边的集合,表示区域间的连通性,A∈Rs*s是无向图G的邻接矩阵,即空间权重矩阵,表示区域间的连接关系;
4.根据权利要求3所述的基于时空关联的监管环境风险预测方法,其特征在于,构建监管环境时空关联预测模型的过程为:
时空关联预测模型的核心是时空卷积网络,时空卷积网络包括两个时空卷积块和一个输出全连接层,而核心部分的时空卷积块由两个时空门控卷积和中间的一个空间图卷积形成,其中时空门控卷积又由一个一维卷积和一个门控线性单元组成;
①采用图卷积神经网络捕捉空间特性
采用图卷积神经网络进行提取,图卷积神经网络是将卷积应用到图结构数据的方法,图卷积的本质就是提取图结构的空间特征,通过利用边和节点的信息聚合,更新新的节点表示;
②采用门控卷积神经网络提取时间特征
门控卷积神经网络包含了一个一维卷积和一个门控线性单元,采用因果卷积,对于无向图G中的每一个顶点,输入X是长度为M的风险历史观测值,输出Y为:
Y=Γ*X=P⊙σ(Q)
其中,Γ为卷积核,P和Q分别为GLU门的输入,⊙表示哈达玛积,σ为非线性激活函数;
③构建整个时空卷积网络
整个时空卷积网络包括前后两个时间卷积层和中间的一个空间图卷积层,处于中间的空间卷积层,前后连接着两个时间卷积层。
5.根据权利要求4所述的基于时空关联的监管环境风险预测方法,其特征在于,步骤B中定义监管环境无向图时,监管环境中的每一个区域是指将监管环境按照地理结构划分成若干个区域,覆盖监舍、走廊、餐厅、活动场、工厂车间、会见室、休息室。
6.一种基于时空关联的监管环境风险预测系统,其特征在于,包括数据获取和存储模块、模型算法优化模块、风险预警模块和数据显示和查询模块;
数据获取和存储模块用于动态获取监管环境内数据信息,包含时间信息和空间信息,并进行数据的分析和预处理;
模型算法优化模块用于得到风险预测结果,通过实时读取变动的数据信息,在线学习并更新模型权重,降低学习误差;
风险预警模块用于对监管环境内风险预测结果发出风险预警信号;
数据显示和查询模块提供显示界面,用于实时展示和查询当前监管环境内的风险预测情况,风险预测情况分为三级,分别为高、中、低,并通过热力图的形式进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604126.0A CN116258241A (zh) | 2022-12-13 | 2022-12-13 | 一种基于时空关联的监管环境风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604126.0A CN116258241A (zh) | 2022-12-13 | 2022-12-13 | 一种基于时空关联的监管环境风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258241A true CN116258241A (zh) | 2023-06-13 |
Family
ID=86680041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604126.0A Pending CN116258241A (zh) | 2022-12-13 | 2022-12-13 | 一种基于时空关联的监管环境风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258241A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681292A (zh) * | 2023-08-04 | 2023-09-01 | 交通运输部水运科学研究所 | 基于深度学习的石化港区安全风险分析及责任划分方法 |
CN116822658A (zh) * | 2023-08-28 | 2023-09-29 | 长江三峡集团实业发展(北京)有限公司 | 一种风光资源的预警方法、装置、计算机设备及存储介质 |
CN117787792A (zh) * | 2023-12-27 | 2024-03-29 | 江苏科佳软件开发有限公司 | 一种基于医疗器械质量安全风险监管的方法及系统 |
-
2022
- 2022-12-13 CN CN202211604126.0A patent/CN116258241A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681292A (zh) * | 2023-08-04 | 2023-09-01 | 交通运输部水运科学研究所 | 基于深度学习的石化港区安全风险分析及责任划分方法 |
CN116681292B (zh) * | 2023-08-04 | 2024-04-09 | 交通运输部水运科学研究所 | 基于深度学习的石化港区安全风险分析及责任划分方法 |
CN116822658A (zh) * | 2023-08-28 | 2023-09-29 | 长江三峡集团实业发展(北京)有限公司 | 一种风光资源的预警方法、装置、计算机设备及存储介质 |
CN116822658B (zh) * | 2023-08-28 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种风光资源的预警方法、装置、计算机设备及存储介质 |
CN117787792A (zh) * | 2023-12-27 | 2024-03-29 | 江苏科佳软件开发有限公司 | 一种基于医疗器械质量安全风险监管的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN116258241A (zh) | 一种基于时空关联的监管环境风险预测方法及系统 | |
CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN115034600A (zh) | 一种用于地质灾害监测的预警方法及系统 | |
CN117172414A (zh) | 一种基于bim技术的建筑幕墙施工管理系统 | |
CN114518143A (zh) | 一种智能环境感知系统 | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
CN105005852A (zh) | 一种基于图像分析的宿舍环境智能监测系统 | |
CN115585731A (zh) | 空天地一体化水电站空间状态智能监控管理系统及其方法 | |
CN113084193B (zh) | 一种激光选区熔化技术原位质量综合评价方法 | |
CN115826477B (zh) | 基于数据可视化的水域监控系统及方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN117318981A (zh) | 网络攻击预测方法、系统、电子设备及存储介质 | |
CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
Fu et al. | Research on detection and recognition of abnormal behavior in video | |
Liu et al. | Substation intelligent monitoring system based on pattern recognition | |
Xu et al. | Research and Application of Anomaly Detection of Bridge Data Based on Improved Transformer | |
CN117689210A (zh) | 道路自然灾害风险智能评估方法 | |
Zhang et al. | A power substation monitoring system based on artificial intelligence | |
Naresh et al. | DETECTING ABNORMALITIES USING VGG 16 NEURAL NETWORKS: AN ANOMALY DETECTION FRAMEWORK | |
Karim et al. | Fire detection by using CNN Alex net Algorithm |
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 |