CN117236753A - 一种基于图神经网络的执勤人员布点效能分析方法 - Google Patents
一种基于图神经网络的执勤人员布点效能分析方法 Download PDFInfo
- Publication number
- CN117236753A CN117236753A CN202311162043.5A CN202311162043A CN117236753A CN 117236753 A CN117236753 A CN 117236753A CN 202311162043 A CN202311162043 A CN 202311162043A CN 117236753 A CN117236753 A CN 117236753A
- Authority
- CN
- China
- Prior art keywords
- duty personnel
- model
- data
- distribution
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于图神经网络的执勤人员布点效能分析方法,属于计算机信息处理技术领域,包括:获取第一执勤人员分布数据生成原始训练数据集后进行预处理得到训练数据集,再构建成拓扑结构图并进行图嵌入操作得到图嵌入向量数据;构建执勤人员布点效能分析模型并使用图嵌入向量数据进行训练并进行优化;将第二执勤人员分布数据输入执勤人员布点效能分析模型得到预测值并得到效能分析结果。本发明通过将执勤人员分布数据转换为图嵌入向量数据,对基于图神经网络的执勤人员布点效能分析模型进行训练,从而对不同的执勤人员分布数据有针对性地且快速精准地得到执勤人员布点效能分析结果,从而做出最优的执勤人员布点方案。
Description
技术领域
本发明涉及计算机信息处理技术领域,特别是一种基于图神经网络的执勤人员布点效能分析方法。
背景技术
在执勤任务资源调度过程中,执勤人员布点的合理性是一个重要因素,根据案件发生的地点、时间和次数,执勤人员分布和巡逻路线都要做出合理的布局,所以需要通过对执勤人员布点方案的效能进行分析,进而做出最优的执勤人员布点方案。
但是因为执勤人员、案件等信息和数据庞大且复杂,依靠人力分析无法做到快速且准确,所以本发明提出了一种基于图神经网络的执勤人员布点效能分析方法。
发明内容
本发明为解决现有技术中存在的技术问题,提供了一种基于图神经网络的执勤人员布点效能分析方法,其特征在于,包括以下步骤:
S1、获取第一执勤人员分布数据生成原始训练数据集;
S2、对所述原始训练数据集进行预处理,得到训练数据集;
S3、将所述训练数据集构建成拓扑结构图;
S4、将所述拓扑结构图进行图嵌入操作,得到图嵌入向量数据;
S5、利用图神经网络模型和深度学习模型构建出执勤人员布点效能分析模型,使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练,并通过学习算法对所述执勤人员布点效能分析模型进行优化;
S6、将第二执勤人员分布数据输入所述执勤人员布点效能分析模型得到预测值,并根据预测值得到效能分析结果。
进一步地,所述第一执勤人员分布数据和第二执勤人员分布数据均包括:案件发生地点、案件类型、案件发生时间、执勤人员分布情况和巡逻路线;所述第一执勤人员分布数据为模型训练数据;所述第二执勤人员分布数据为模型分析数据。
进一步地,所述对所述原始训练数据集进行预处理,具体为对所述原始训练数据集进行数据清洗、去重和标准化。
进一步地,所述拓扑结构图以案件发生地点为节点,以巡逻路线为边。
进一步地,所述将所述拓扑结构图进行图嵌入操作,具体为:将节点和边转化为向量表示。
进一步地,所述图神经网络模型包括GAT模型。
进一步地,所述深度学习模型为GAN模型。
进一步地,所述GAN模型包括生成模型和判别模型。
进一步地,所述使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练具体为:所述GAT模型根据不同的案件类型为各节点赋予权重;所述生成模型根据所述图嵌入向量数据学习生成类似数据,所述判别模型对所述图嵌入向量数据和所述类似数据进行区分,所述生成模型和所述判别模型相互博弈,反复迭代训练。
进一步地,所述学习算法为反向传播算法。
相比于现有技术,本发明的有益效果在于:通过将执勤人员分布数据转换为图嵌入向量数据,对基于图神经网络的执勤人员布点效能分析模型进行训练,从而对不同的执勤人员分布数据有针对性地、快速精准地得到执勤人员布点效能分析结果,进而让执勤部门做出最优的执勤人员布点方案;执勤人员布点效能分析模型基于图神经网络,利用图神经网络模型提升训练的有效性和测试的精度;通过反向传播算法对执勤人员布点效能分析模型进行参数优化,提高模型泛化能力。
附图说明
图1是本发明一种基于图神经网络的执勤人员布点效能分析方法的流程图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是,本发明可以用许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1所示,本发明提供的一种基于图神经网络的执勤人员布点效能分析方法,包括以下步骤:
S1、获取第一执勤人员分布数据生成原始训练数据集;
S2、对所述原始训练数据集进行预处理,得到训练数据集;
S3、将所述训练数据集构建成拓扑结构图;
S4、将所述拓扑结构图进行图嵌入操作,得到图嵌入向量数据;
S5、利用图神经网络模型和深度学习模型构建出执勤人员布点效能分析模型,使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练,并通过学习算法对所述执勤人员布点效能分析模型进行优化;
S6、将第二执勤人员分布数据输入所述执勤人员布点效能分析模型得到预测值,并根据预测值得到效能分析结果。
所述第一执勤人员分布数据和第二执勤人员分布数据均包括:案件发生地点、案件类型、案件发生时间、执勤人员分布情况和巡逻路线;
所述第一执勤人员分布数据为模型训练数据,即用于训练执勤人员布点效能分析模型的执勤人员分布数据;所述第二执勤人员分布数据为模型分析数据,即执勤人员布点效能分析模型经过训练之后,在实际应用时需要进行效能分析的执勤人员分布数据。
所述对所述原始训练数据集进行预处理,包括对所述原始训练数据集进行数据清洗、去重和标准化。
数据清洗包括数据一致性检查,去除原始训练数据集中的噪声数据和无关数据,处理遗漏数据、空缺值等。
一致性检查是根据每个数据的合理取值范围和相互关系,检查数据是否合乎要求,发现超出正常范围、逻辑上不合理或者相互矛盾的数据,比如某一巡逻路线中并无执勤人员分布,即存在矛盾。
在本方案中,噪声数据和无关数据即为第一执勤人员分布数据之外的干扰数据,可通过人工检查进行筛选删除;也可通过聚类法进行筛选删除,比如将案件发生地点、案件类型、案件发生时间、执勤人员分布情况和巡逻路线分为五类数据,以该五类数据进行集合分组,找到在集合之外的数据孤点,这些数据孤点即为噪声数据和无关数据,进而进行准确清除。
数据去重,在本方案中,当出现所述案件发生地点以及对应的案件类型和案件发生时间都一致时,则判定为重复数据,避免出现在同一地点发生不同案件被数据去重的情况从而保证数据的多样性以提高模型训练的准确性。
所述拓扑结构图以案件发生地点为节点,以巡逻路线为边,以反映执勤活动中执勤人员分布数据的空间关系。
所述将所述拓扑结构图进行图嵌入操作,具体为:将节点和边转化为向量表示。图嵌入操作可选择基于因子分解的方法、基于随机游走的方法以及基于深度学习的方法以上任意一种的方法。
图神经网络(Graph Neural Network,GNN)是指使用神经网络来学习图结构数据,提取和发掘图结构数据中的特征和模式,满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
所述图神经网络模型包括GAT模型,即图注意力网络模型(Graph AttentionNetwork),注意力机制可以让一个神经网络只关注任务学习所需要的信息,它能够选择特定的输入。在图神经网络中引入注意力机制可以让神经网络关注对任务更加相关的节点和边,提升训练的有效性和测试的精度。
在本方案中,GAT模型,即图注意力网络模型能够为不同的案件类型赋予不同的权重,即为所述拓扑结构图的各节点分配不同的权重,使得图神经网络聚焦于权重更大的节点,进而让所述执勤人员布点效能分析模型更为精准地训练。
所述深度学习模型为GAN模型,即生成式对抗网络模型(Generative AdversarialNetworks);所述GAN模型包括生成模型和判别模型。其中,生成模型负责捕捉样本数据的分布,而判别模型一般情况下是一个二分类器,判别输入是真实数据还是生成的样本。这个模型的优化过程即为训练时固定判别模型或生成模型,更新另一个模型的参数,交替迭代,最终,生成模型能够估测出样本数据的分布。
在本方案中,GAN模型能够通过第一执勤人员分布数据得到的所述图嵌入向量数据作为真实数据,通过生成模型根据真实样本数据生成与真实样本数据相似的类似样本数据,再由判别模型对类似样本数据进行判断是否为真实样本数据,经过不断的生成、判别、迭代和参数调整后,生成模型所生成的类似样本数据无限接近真实数据,能够使判别模型无法判定,从而获得大量的能够用于执勤人员布点效能分析模型训练的类似样本数据,以足够的训练数据保证训练后执勤人员布点效能分析模型的效能分析准确性。
即所述使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练具体为:所述GAT模型根据不同的案件类型为各节点赋予权重;所述生成模型根据所述图嵌入向量数据学习生成类似数据,所述判别模型对所述图嵌入向量数据和所述类似数据进行区分,所述生成模型和所述判别模型相互博弈,反复迭代训练。
所述学习算法为反向传播算法,具体通过误差反向传递来不断让调整权重,从而使得执勤人员布点效能分析模型输出预测值尽可能接近目标值。具体来说,在每一次前向计算中,将输入数据传入执勤人员布点效能分析模型,并按照预设的权重进行计算,得出预测值。然后,通过比较这个预测值与真实值之间的误差来确定需要调整哪些模型参数以使误差最小化。在反向传播过程中,根据链式规则依次计算每个节点对各自输入变量和权重参数的导数,并将误差梯度沿着连接路径倒退回到所有隐藏层和输入层中相应节点处更新其参数值。因此,在多个样本上迭代优化可以不断减少预测输出与实际值之间的误差并提高模型泛化能力。
将第二执勤人员分布数据输入所述执勤人员布点效能分析模型得到预测值,并根据预测值得到效能分析结果。比如根据预测值分析执勤人员分布情况或者巡逻路线的合理性等等。
在分析出效能分析结果的同时,进行可视化展示,所述可视化展示采用热力图、柱状图等任意一种方式。
在另一些实施例中,图神经网络模型还可以选择采用图卷积网络模型(GraphConvolutional Network,GCN),进行卷积操作方法包括基于谱分解,即谱分解图卷积;基于节点空间变换,即空间图卷积。
本发明的有益效果在于:通过将执勤人员分布数据转换为图嵌入向量数据,对基于图神经网络的执勤人员布点效能分析模型进行训练,从而对不同的执勤人员分布数据有针对性地、快速精准地得到执勤人员布点效能分析结果,进而让执勤部门做出最优的执勤人员布点方案;执勤人员布点效能分析模型基于图神经网络,利用图神经网络模型提升训练的有效性和测试的精度;通过反向传播算法对执勤人员布点效能分析模型进行参数优化,提高模型泛化能力。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于图神经网络的执勤人员布点效能分析方法,其特征在于,包括以下步骤:
S1、获取第一执勤人员分布数据生成原始训练数据集;
S2、对所述原始训练数据集进行预处理,得到训练数据集;
S3、将所述训练数据集构建成拓扑结构图;
S4、将所述拓扑结构图进行图嵌入操作,得到图嵌入向量数据;
S5、利用图神经网络模型和深度学习模型构建出执勤人员布点效能分析模型,使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练,并通过学习算法对所述执勤人员布点效能分析模型进行优化;
S6、将第二执勤人员分布数据输入所述执勤人员布点效能分析模型得到预测值,并根据预测值得到效能分析结果。
2.根据权利要求1所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述第一执勤人员分布数据和第二执勤人员分布数据均包括:案件发生地点、案件类型、案件发生时间、执勤人员分布情况和巡逻路线;所述第一执勤人员分布数据为模型训练数据;所述第二执勤人员分布数据为模型分析数据。
3.根据权利要求1所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述对所述原始训练数据集进行预处理,具体为对所述原始训练数据集进行数据清洗、去重和标准化。
4.根据权利要求2所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述拓扑结构图以案件发生地点为节点,以巡逻路线为边。
5.根据权利要求4所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述将所述拓扑结构图进行图嵌入操作,具体为:将节点和边转化为向量表示。
6.根据权利要求4所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述图神经网络模型包括GAT模型。
7.根据权利要求6所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述深度学习模型为GAN模型。
8.根据权利要求7所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述GAN模型包括生成模型和判别模型。
9.根据权利要求8所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述使用所述图嵌入向量数据对所述执勤人员布点效能分析模型进行训练具体为:所述GAT模型根据不同的案件类型为各节点赋予权重;所述生成模型根据所述图嵌入向量数据学习生成类似数据,所述判别模型对所述图嵌入向量数据和所述类似数据进行区分,所述生成模型和所述判别模型相互博弈,反复迭代训练。
10.根据权利要求1所述的基于图神经网络的执勤人员布点效能分析方法,其特征在于,所述学习算法为反向传播算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162043.5A CN117236753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于图神经网络的执勤人员布点效能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162043.5A CN117236753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于图神经网络的执勤人员布点效能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236753A true CN117236753A (zh) | 2023-12-15 |
Family
ID=89081876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162043.5A Pending CN117236753A (zh) | 2023-09-11 | 2023-09-11 | 一种基于图神经网络的执勤人员布点效能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236753A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160537A (zh) * | 2020-01-03 | 2020-05-15 | 南京邮电大学 | 一种基于ann的路口交通警力资源调度系统 |
CN114593733A (zh) * | 2021-11-19 | 2022-06-07 | 海纳云物联科技有限公司 | 一种巡逻路线设置方法、装置 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
WO2022133725A1 (en) * | 2020-12-22 | 2022-06-30 | Orange | Improved distributed training of graph-embedding neural networks |
CN115730751A (zh) * | 2022-05-31 | 2023-03-03 | 海纳云物联科技有限公司 | 一种警力巡逻路线的生成方法、电子设备、可读存储介质 |
CN116614717A (zh) * | 2023-07-20 | 2023-08-18 | 中国市政工程西南设计研究总院有限公司 | 用于智慧社区的视频监控方法和系统 |
-
2023
- 2023-09-11 CN CN202311162043.5A patent/CN117236753A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160537A (zh) * | 2020-01-03 | 2020-05-15 | 南京邮电大学 | 一种基于ann的路口交通警力资源调度系统 |
WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
WO2022133725A1 (en) * | 2020-12-22 | 2022-06-30 | Orange | Improved distributed training of graph-embedding neural networks |
CN114593733A (zh) * | 2021-11-19 | 2022-06-07 | 海纳云物联科技有限公司 | 一种巡逻路线设置方法、装置 |
CN115730751A (zh) * | 2022-05-31 | 2023-03-03 | 海纳云物联科技有限公司 | 一种警力巡逻路线的生成方法、电子设备、可读存储介质 |
CN116614717A (zh) * | 2023-07-20 | 2023-08-18 | 中国市政工程西南设计研究总院有限公司 | 用于智慧社区的视频监控方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivagaminathan et al. | A hybrid approach for feature subset selection using neural networks and ant colony optimization | |
CN106682502A (zh) | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 | |
Li et al. | Graph convolution recurrent denoising diffusion model for multivariate probabilistic temporal forecasting | |
CN113783715A (zh) | 一种采用因果卷积神经网络的机会网络拓扑预测方法 | |
Sánchez et al. | Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms | |
CN117236753A (zh) | 一种基于图神经网络的执勤人员布点效能分析方法 | |
KR102110316B1 (ko) | 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치 | |
CN116383446A (zh) | 一种基于异构引文网络的作者分类方法 | |
CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
Grando et al. | Computing vertex centrality measures in massive real networks with a neural learning model | |
Chen et al. | Learning to rank high closeness centrality nodes in a given network based on ranknet method | |
Riff et al. | A graph-based immune-inspired constraint satisfaction search | |
Thant et al. | Evaluation of student academic performance using Naïve Bayes classifier | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
Chen et al. | Research on Interpolation Method for Missing Electricity Consumption Data. | |
Ali et al. | A brief analysis of data mining techniques | |
Shu et al. | Link prediction based on 3D convolutional neural network | |
Kuraś et al. | Using machine learning techniques to reduce pairwise comparison matrix inconsistencies | |
Skulimowski | Strategy building for a knowledge repository with a novel expert information fusion tool | |
CN118297561B (zh) | 一种探寻企业核心族群的方法、存储介质及电子设备 | |
Poorsoltani et al. | Enabling Link Prediction Optimization on Social Networks | |
Li et al. | Research on classification of graph neural networks in heterogeneous information network | |
Giraldo Mejía et al. | Knowledge-based model to support decision-making when choosing between two association data mining techniques | |
Ilahi et al. | Implementing Bayesian network and generalized raking multilevel IPF for constructing population synthesis in megacities | |
Bossomaier et al. | Simulation of trust in client-wealth management adviser relationships |
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 |