CN117474365B - 一种基于人工智能技术的智慧警务方法及系统 - Google Patents

Abstract

本发明提供一种基于人工智能技术的智慧警务方法及系统，涉及数据处理技术领域，包括：获取历史事故数据进行预处理，根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，通过地理信息系统生成时空热力图，确定时空分析结果，构建时空特征集合，遍历时空特征集合，将时空特征根据时空特征的频次顺序插入频繁模式树，确定时空关联规则；对事故概率预测模型进行初始化，提取历史特征信息，输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到循环神经网络模块对应的第一预测输出和随机树模块对应的第二预测输出，根据权重分配算法为第一预测输出和第二预测输出分配对应的权重，得到预测事故概率。

Description

一种基于人工智能技术的智慧警务方法及系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于人工智能技术的智慧警务方法及系统。

背景技术

相关技术中，CN116844340A提供了一种基于人工智能的道路交通风险预测方法，包括：采用图像采集设备获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据，并对获取的道路交通状况历史数据进行预处理，基于路段的车流量、时间段平均车速以及该道路上驾驶员的不规范驾驶行为数据计算主客观风险指数，并基于主客观风险指数构建基于时间序列的道路交通风险指数作为ARIMA模型的输入，用于后续的道路交通风险预测；

CN109118761A，公开了一种基于人工智能的智慧交通解决方法及其管理系统，所述监控摄像头电性输入连接用于定位监控位置的北斗定位模块，所述北斗定位模块电性输出连接用于采集道路监控信息的数据采集模块，所述调控模块电性输入连接规划指挥运输的紧急运输端，所述交通信号灯电性输入连接消防端、医疗端、和警务端，所述交通信号灯电性输入连接用于控制电源输入的电源控制模块；

综上，现有技术虽然能够通过视频监控实现对道路信息的监控，从而为警务系统提供调控策略，但无法根据道路数据信息对警务风险的预测，因此需要一个方案解决现有技术中存在的问题。

发明内容

本发明实施例提供一种基于人工智能技术的智慧警务方法及系统，用于基于道路历史数据实现对道路交通的预测和管理，减少交通事故的风险。

本发明实施例的第一方面，提供一种基于人工智能技术的智慧警务方法，包括：

获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率。

在一种可选的实施方式中，

所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：

从交通数据库中获取历史事故数据，对所述历史事故数据进行补全缺失值和处理异常值，得到修正数据，将所述修正数据按照时间和地点进行分组，即将时间分为三小时的时段，将空间按照交叉路口分为不同区域，形成时空网格；

根据所述时空网格，通过ArcGIS软件在地图上创建图层并绘制网格单元，根据历史事故数据确定每个网格单元内发生的事故数量，根据所述事故数量为每个网格单元选择代表事件数量和密度的颜色，并创建用于解释颜色和事故数量之间关系的图例，最终得到时空热力图。

在一种可选的实施方式中，

所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：

根据所述时空热力图，根据不同时间段和地点的事故数量绘制原始数据的时间序列图表，根据所述时间序列图表，通过趋势分析算法拟合时间序列数据，得到趋势模型；

根据所述趋势模型中参数的取值，确定发生交通事故的趋势，若所述趋势模型中的参数为正数，则发生交通事故的概率增加，若所述趋势模型中的参数为负数，则发生交通事故的概率减小，若为0，则发生交通事故的概率不变，对所述时空热力图中的每个网格单元进行分析，最终得到时空分析结果。

在一种可选的实施方式中，

所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：

提取所述时空分析结果中的事故发生时间，位置和该位置发生交通事故的概率，并将非数值类型数据转化为数值型，得到时空特征集合；

遍历所述时空特征集合，统计每个特征项出现的频次，根据所述频次构建项头表；

遍历所述项头表，对于每个特征项，根据出现的频次从大到小将所述特征项插入至预设的频繁模式树中，遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集；

根据所述频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；

对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据所述频繁项和条件模式基，组合得到初始关联规则，计算所述初始关联规则对应的初始置信度，将所述初始置信度与预设的置信度阈值进行比较，删除初始置信度小于所述置信度阈值对应的初始关联规则，将保留的初始关联规则记为时空关联规则。

在一种可选的实施方式中，

所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：

初始化一个空集合，记为频繁项集集合，对于所述频繁模式树中包含的每个元素，访问以当前频繁项为结尾的路径，即访问条件模式基；

对于每个路径，提取每个路径上的全部元素，加入至所述频繁项集集合中，并继续挖掘新的频繁项集；

对于挖掘到的新的频繁项集，若包含多个元素，则将其作为新的条件模式基，继续挖掘新的频繁项集，若只包含一个元素，则停止挖掘，直至无法找到新的条件模式基。

在一种可选的实施方式中，

基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合循环神经网络模块，将所述第一输入分解为时间步序列，对于每个时间步，所述循环神经网络模块中的正向计算模块按照所述第一输入的时间步顺序计算所述第一输入对应的正向状态和正向记忆因子，得到第一正向输出，所述循环神经网络模块中的反向计算模块按照所述第一输入的时间步倒序计算所述第一输入对应的反向状态和反向记忆因子，得到第一反向输出；

根据所述第一正向输出和所述第一反向输出，组合得到所述第一预测输出。

在一种可选的实施方式中，

确定所述第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合随机树模块，将所述第一输入加入至所述随机树模块的初始节点，根据所述初始节点的初始判断规则判断所述第一输入的传递方向，若符合所述初始判断规则，则将所述第一输入向左子节点传递，否则向右子节点传递；

根据每个节点对应的判断规则和分割操作，将所述第一输入在所述随机树模块中进行传递，直至达到最终节点，得到所述第二预测输出；

根据所述第二预测输出和预先得到的第一预测输出，根据权重分配算法结合预设的所述时空关联规则，为所述第一预测输出和所述第二预测输出分配对应的第一预测权重和第二预测权重，通过加权计算，得到预测事故概率。

本发明实施例的第二方面，提供一种基于人工智能技术的智慧警务系统，包括：

第一单元，用于获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

第二单元，用于根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

第三单元，用于基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率。

本发明实施例的第三方面，

提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

本发明实施例的第四方面，

提供一种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被处理器执行时实现前述所述的方法。

本发明通过构建时空关联规则，能够更好地捕捉不同地点和时间之间的关联性，这对于交通事故的预测至关重要，结合循环神经网络和随机树模块，能够从不同角度和方法获得预测输出，通过权重分配算法的加权计算，最终可以得到更可靠的预测，基于实时数据不断进行预测，因此可以为警务人员提供及时的交通事故概率信息，帮助他们更好地规划和响应，综上，本发明有助于警务人员更有效地分配资源，采取预防措施，提高道路交通的安全性。

附图说明

图1为本发明实施例一种基于人工智能技术的智慧警务方法的流程示意图；

图2为本发明实施例一种基于人工智能技术的智慧警务系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明实施例一种基于人工智能技术的智慧警务方法的流程示意图，如图1所示，所述方法包括：

S1.获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

所述历史事故数据指在过去一段时间内发生的各种事故的记录和数据，通常包括事故的类型、发生时间、地点、伤亡人数、损失程度等信息，所述时空分析规则是一组规则或算法，用于根据时间和空间特征对历史事故数据进行分类、分组或分析，以便从数据中提取有用的信息，所述时空网格是将地理空间划分成规则的网格单元，每个单元代表一个特定的空间区域和时间段，用于对历史事故数据进行时空分析，以识别和描述事故的分布和趋势，所述时空热力图是一种地图或可视化工具，用于展示时空数据的密度和分布，颜色或密度表示在特定时空单元内发生的事件数量或密度，所述时空分析结果是根据历史事故数据、时空分析规则和时空网格得出的结论或发现，可以包括事故的分布模式、高风险区域、趋势分析等，用于制定安全策略和决策。

在一种可选的实施方式中，

所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：

从交通数据库中获取历史事故数据，对所述历史事故数据进行补全缺失值和处理异常值，得到修正数据，将所述修正数据按照时间和地点进行分组，即将时间分为三小时的时段，将空间按照交叉路口分为不同区域，形成时空网格；

根据所述时空网格，通过ArcGIS软件在地图上创建图层并绘制网格单元，根据历史事故数据确定每个网格单元内发生的事故数量，根据所述事故数量为每个网格单元选择代表事件数量和密度的颜色，并创建用于解释颜色和事故数量之间关系的图例，最终得到时空热力图。

从交通数据库中获取历史事故数据，包括每起事故的时间、地点、类型、伤亡人数等信息，对历史事故数据进行清洗，包括去除重复记录、处理缺失值和异常值，将事故数据按照时间分为三小时的时段，例如早上6:00-9:00、中午12:00-15:00等，将地理空间按交叉路口或其他合适的方式分为不同区域，形成时空网格，其中每个网格单元代表一个特定的时间和地点组合。

在ArcGIS软件中创建地图项目，导入事故数据并将其与地图地理信息进行关联，根据时空网格创建图层，每个图层代表一个网格单元，使用ArcGIS工具在地图上绘制网格单元的边界，确保每个网格单元的大小和形状一致，针对每个网格单元，统计该区域内发生的事故数量，将事故数量与网格单元关联，以便将数据可视化，根据事故数量为每个网格单元选择代表事件数量和密度的颜色，事故数量较多的区域颜色较深，事故数量较少的区域颜色较浅，创建图例，以解释颜色和事故数量之间的关系，使观察者能够理解地图上的热力分布，根据颜色编码和事故数量，使用ArcGIS软件生成时空热力图，显示不同地区和时间段内事故的热力分布情况。

本实施例中，通过处理历史事故数据中的缺失值和异常值，得到修正数据，提高了数据的质量和可用性，有助于警务部门基于更准确和可靠的数据做出决策和预测，将数据按时间和地点分组，并创建时空网格，使数据得以时空化，使得事故数据可以更容易地与地理信息系统集成，有助于分析和可视化，利用时空网格内事故数量来创建时空热力图，将不同区域和时间段的事故密度用颜色表示，使警务部门能够迅速识别高风险区域和时段，有助于资源分配和交通安全管理，创建图例以解释颜色和事故数量之间的关系，帮助用户理解时空热力图的含义，综上，本实施例充分利用人工智能和地理信息系统技术，提供了强大的数据分析和可视化工具，以改进事故数据的分析、管理和决策制定。

在一种可选的实施方式中，

所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：

根据所述时空热力图，根据不同时间段和地点的事故数量绘制原始数据的时间序列图表，根据所述时间序列图表，通过趋势分析算法拟合时间序列数据，得到趋势模型；

根据所述趋势模型中参数的取值，确定发生交通事故的趋势，若所述趋势模型中的参数为正数，则发生交通事故的概率增加，若所述趋势模型中的参数为负数，则发生交通事故的概率减小，若为0，则发生交通事故的概率不变，对所述时空热力图中的每个网格单元进行分析，最终得到时空分析结果。

根据所述时空热力图，将每个时间段和地点的事故数量提取出来，形成原始时间序列数据，每个时间段可以代表三个小时或其他适当的时间间隔，使用原始时间序列数据，绘制时间序列图表，其中横轴表示时间，纵轴表示事故数量，每个时间段的事故数量对应一个数据点，选择合适的趋势分析算法，例如线性回归、多项式回归、指数平滑等，用于拟合时间序列数据，得到趋势模型。

通常，模型的参数代表了时间变化的趋势。如果参数为正数，表示事故数量随时间增加的趋势；如果参数为负数，表示事故数量随时间减少的趋势；如果参数为0，表示事故数量没有明显趋势，针对时空热力图中的每个网格单元，根据趋势模型中的参数值进行分析。

对于每个网格单元，可以根据参数值确定事故发生的趋势，如果参数为正数，表示该区域在相应的时间段内事故数量可能增加，存在较高的风险，如果参数为负数，表示该区域在相应的时间段内事故数量可能减少，存在较低的风险，如果参数为0，表示该区域在相应的时间段内事故数量没有明显趋势，风险相对稳定，根据时空热力图中每个网格单元的分析结果，汇总和整合信息，得到全局的时空分析结果。

所述时间序列图表是一种可视化工具，用于显示数据随时间变化的趋势。横轴通常代表时间，纵轴代表观测值，每个时间点对应一个数据点，形成一条曲线或折线图，显示了数据随时间的波动和变化，所述趋势分析算法是一种统计方法，用于识别时间序列数据中的趋势或模式，用于预测未来的数值，检测周期性或非周期性趋势，趋势模型是一个数学公式或方程，用于描述时间序列数据的趋势，通常包括一个或多个参数，这些参数控制着趋势的形状和方向，趋势模型中的参数是数学公式中的系数或权重，控制着趋势的具体形状，这些参数的值可以通过拟合模型到时间序列数据中来获得。

本实施例中，通过绘制时间序列图表，可以将历史事故数据在不同时间段和地点的变化趋势可视化，使警务部门能够更好地理解事故数据的分布情况，包括是否存在某些时段或地点的高风险，利用趋势分析算法，可以拟合时间序列数据，找出其中的趋势和模式，有助于警务部门识别事故发生的潜在规律，例如是否存在逐渐增加或减少的趋势，结合趋势分析的结果和时空热力图中的信息，可以更准确地预测不同地点和时间段的交通事故风险，有助于警务部门优化资源分配，采取预防措施，并改善交通安全，综上，本实施例利用人工智能技术对历史事故数据进行分析和建模，以更好地理解交通事故的趋势和分布，提供了决策支持，帮助警务部门采取更有效的措施来减少交通事故的发生。

S2.根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

所述频次是指某一事件、特征或数据点在数据集中出现的次数，本发明中频次表示特定地点或时间段内的事故发生次数，所述时空特征集合是指包含时空信息的特征集，通常由时（时间）和空（空间）组成，包括交通事故的时间和地点信息，所述频繁模式树是一种数据挖掘工具，用于查找在数据集中频繁出现的模式或组合，所述时空关联规则是指描述时间和空间关联性的规则或模式，用于分析事物在时间和空间上的关系。

在一种可选的实施方式中，

所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：

提取所述时空分析结果中的事故发生时间，位置和该位置发生交通事故的概率，并将非数值类型数据转化为数值型，得到时空特征集合；

遍历所述时空特征集合，统计每个特征项出现的频次，根据所述频次构建项头表；

遍历所述项头表，对于每个特征项，根据出现的频次从大到小将所述特征项插入至预设的频繁模式树中，遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集；

根据所述频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；

对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据所述频繁项和条件模式基，组合得到初始关联规则，计算所述初始关联规则对应的初始置信度，将所述初始置信度与预设的置信度阈值进行比较，删除初始置信度小于所述置信度阈值对应的初始关联规则，将保留的初始关联规则记为时空关联规则。

从交通数据库中获取历史事故数据，对历史事故数据进行缺失值补全和异常值处理，确保数据质量，根据事故的时间和位置信息，将数据分组，并将非数值表示的数据转换为数值表示之后，将全部数据加入至时空特征集合；

遍历时空特征集合，统计每个特征项的频次，通过记录特征项的出现情况构建项头表；

遍历项头表，对于每个特征项，根据频次从大到小将其插入预设的频繁模式树中，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；

对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据频繁项和条件模式基，组合得到初始关联规则，其中每个规则包括两部分：频繁项和条件模式基中不包含频繁项的部分，对于每个初始关联规则，计算置信度，其中置信度表示条件模式基中的频繁项对应于当前频繁项的概率，并将初始置信度与预设的置信度阈值进行比较，若所述初始置信度小于预设的置信度阈值，则删除与这一初始置信度对应的初始关联规则，只保留满足条件的初始关联规则，并作为时空关联规则。

所述频繁项是指在数据集中经常出现的项或特征，其出现次数达到了预定的阈值。所述频繁项集是指由频繁项组成的集合，所述项头表是用于存储频繁项的数据结构，所述条件模式基是指包含特定频繁项的所有事务或序列，用于构建频繁模式树的条件模式树分支，所述置信度是一个规则评估指标，表示在条件出现的情况下，结果出现的概率，所述置信度阈值是由用户设定的常数值，用于筛选出高于置信度的关联规则。

本实施例中，通过提取时空分析结果中的事故发生时间、位置以及该位置的交通事故概率，同时将非数值类型数据转化为数值型，实现了对原始数据的预处理和特征提取，有助于将原始数据转化为可供进一步分析的形式，在遍历时空特征集合时，统计每个特征项的频次，并构建项头表，有助于识别哪些特征项在数据中出现频繁，为频繁模式挖掘奠定基础，使用预设的频繁模式树，将频繁特征项插入树中，并寻找以这些项结尾的路径，有助于发现数据中频繁共现的模式，提供了有关事故发生的相关信息，综上，本实施例通过数据的精细处理和挖掘，使得从历史事故数据中提取出有关事故发生的模式和规则，有助于警务部门更好地理解事故的趋势和关联性，从而采取更有效的预防和应对措施。

在一种可选的实施方式中，

所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：

初始化一个空集合，记为频繁项集集合，对于所述频繁模式树中包含的每个元素，访问以当前频繁项为结尾的路径，即访问条件模式基；

对于每个路径，提取每个路径上的全部元素，加入至所述频繁项集集合中，并继续挖掘新的频繁项集；

对于挖掘到的新的频繁项集，若包含多个元素，则将其作为新的条件模式基，继续挖掘新的频繁项集，若只包含一个元素，则停止挖掘，直至无法找到新的条件模式基。

创建一个新的空集合，并将这个空集合作为频繁项集集合，对于所述频繁模式树中的每个元素，访问以该元素为结尾的路径，通过频繁模式树的路径向上遍历，直至没有节点可以继续访问，即访问条件模式基；

对于每个向上遍历的路径，记录路径上的每个节点，将全部节点作为元素添加至所述频繁项集集合，重复挖掘所述频繁模式树中的频繁项集；

对于挖掘到的新的频繁项集，如果这一频繁项集中包含多个元素，则将这一频繁项集作为新的条件模式基并继续挖掘新的频繁项集，如果只包含一个元素，则停止挖掘，对于每个新的条件模式基重复执行挖掘频繁项集的操作，直至无法找到新的条件模式基。

本实施例中，通过条件模式基的递归生成，不断扩展和深化频繁项集的挖掘，能够发现数据中更多、更复杂的关联规则，有助于理解事务数据中的潜在模式和关系。

S3.基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率。

所述事故概率预测模型是一个数学或统计模型，用于预测在特定时空条件下交通事故发生的概率，所述历史特征信息用于描述某个地点和时间范围内的交通情况的过去的数据和信息，包括交通流量、天气条件、路况、交通信号，所述循环神经网络模块是一种基于神经网络架构的模块，用于处理序列数据，所述随机树模块是一种集成学习模型。

在一种可选的实施方式中，

基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合循环神经网络模块，将所述第一输入分解为时间步序列，对于每个时间步，所述循环神经网络模块中的正向计算模块按照所述第一输入的时间步顺序计算所述第一输入对应的正向状态和正向记忆因子，得到第一正向输出，所述循环神经网络模块中的反向计算模块按照所述第一输入的时间步倒序计算所述第一输入对应的反向状态和反向记忆因子，得到第一反向输出；

根据所述第一正向输出和所述第一反向输出，组合得到所述第一预测输出。

预先设计事故概率预测模型，用于处理历史特征信息和时空关联规则，使用时空关联规则初始化所述事故概率预测模型，调整所述事故概率预测模型中的权重参数或印象因数，并从历史事故数据中提取特征信息，确保特征信息与预测事故概率有关，将提取的历史特征信息输入到初始化的事故概率预测模型中作为第一输入。

根据所述第一输入，通过循环神经网络模块，将第一输入的时间序列数据分解为时间步，每个时间步代表一段时间内的数据，例如每小时一个时间步。这将用于顺序处理时间序列数据，对于每个时间步，模型中的正向计算模块按照时间步的顺序计算正向状态和正向记忆因子，通过捕获输入数据的时间相关性得到第一正向输出，对于每个时间步，反向计算模块按时间步的倒序计算反向状态和反向记忆因子，通过捕获反向时间相关性得到第一反向输出。

结合第一正向输出和第一反向输出，对这两个输出的加权组合，生成第一预测输出。

示例性地，假设已知历史特征信息，包括事故数量，天气和交通流量，预测未来三个时间步的事故数量，第一个时间步：正向计算模块会利用历史数据和当前天气、交通流量等信息来计算正向状态和正向记忆因子，输出第一个正向预测结果，表示下一个时间步的事故数量，第二个时间步：正向计算模块使用前一个时间步的输出和当前信息计算正向状态和正向记忆因子，输出第二个正向预测结果，表示下两个时间步的事故数量，第三个时间步：正向计算模块使用前两个时间步的输出和当前信息计算正向状态和正向记忆因子，输出第三个正向预测结果，表示下三个时间步的事故数量，反向计算模块按相同的方式计算反向状态和反向记忆因子，并输出反向预测结果，综合正向和反向的输出结果，获得预测的事故数量。

本实施例中，使用循环神经网络模块对第一输入进行时间步序列的分解有助于模型理解时间序列中的时空关联性，以更准确地进行预测，通过循环神经网络模块的正向计算和反向计算，获得了第一正向输出和第一反向输出，反映了历史特征信息在时间上的演变趋势，通过时空关联规则，初始化了一个事故概率预测模型，有助于警务部门提前采取预防措施或调配资源，综上，本实施例有助于更好地分配资源、提前采取预防措施，并提高治安和交通管理的效率。

在一种可选的实施方式中，

确定所述第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合随机树模块，将所述第一输入加入至所述随机树模块的初始节点，根据所述初始节点的初始判断规则判断所述第一输入的传递方向，若符合所述初始判断规则，则将所述第一输入向左子节点传递，否则向右子节点传递；

根据每个节点对应的判断规则和分割操作，将所述第一输入在所述随机树模块中进行传递，直至达到最终节点，得到所述第二预测输出；

根据所述第二预测输出和预先得到的第一预测输出，根据权重分配算法结合预设的所述时空关联规则，为所述第一预测输出和所述第二预测输出分配对应的第一预测权重和第二预测权重，通过加权计算，得到预测事故概率。

初始化一个空的随机树，包括一个初始节点，即根节点，将第一输入（历史特征信息）加入到随机树的初始节点，对于初始节点，根据初始判断规则判断第一输入的传递方向，若第一输入满足初始判断规则，将它传递到左子节点；否则，将它传递到右子节点；

从初始节点开始，根据每个节点的判断规则，将第一输入在随机树中传递。在每个节点处，根据判断规则选择传递的方向，向左子节点或右子节点传递，继续遍历，直到达到叶节点，即最终节点，得到所述第二预测输出；

初始化权重分配算法，该算法基于所述时空关联规则和其他预设规则来分配权重，考虑所述时空关联规则，结合时间和空间对交通事故数量的影响，选择线性权重分配算法，获取第一预测输出和第二预测输出，使用权重分配算法来为第一预测输出和第二预测输出分配权重。

示例性地，线性权重分配算法能够根据第一预测输出和第二预测输出的值的范围分配对应的权重值，可选地，若第一预测输出和第二预测输出的值落在第一值域范围内，则为其分配与第一值域范围相匹配的权重值；若第一预测输出和第二预测输出的值落在第二值域范围内，则为其分配与第二值域范围相匹配的权重值，以此类推，为每个预测输出的值分配对应的权重值。

具体地，对所述第一预测输出和所述第二预测输出进行归一化操作，比较得到的数据，为更大的数据分配权重为0.6，则另一项的权重为0.4，若大小相同则权重均为0.5，假设所述第一预测输出为2，第二预测输出为3，则进行归一化操作后，第一预测输出为0.4，第二预测输出为0.6，第一预测输出对应的第一预测权重为0.4，第二预测输出对应的第二预测权重为0.6，加权结果为0.4*0.4+0.6*0.6，预测事故概率为0.52；

计算得到第一预测权重和第二预测权重，使用分配的权重，将第一预测输出和第二预测输出进行加权计算，以得到最终的预测事故概率。

本实施例中，通过时空关联规则，初始化了用于估计未来特定地点和时间的交通事故概率的事故概率预测模型，有助于指导警务资源的合理配置，通过使用随机树模块，有助于根据历史数据构建模型的特定规则，综上，本实施例结合了多种技术和规则，能够更准确地估计交通事故的发生概率，有助于智慧警务系统更好地规划警力、采取预防措施，并提高道路交通的安全性。

图2为本发明实施例一种基于人工智能技术的智慧警务系统的结构示意图，如图2所示，所述系统包括：

第一单元，用于获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

第二单元，用于根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

第三单元，用于基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于人工智能技术的智慧警务方法，其特征在于，包括：

获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率；

所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：

从交通数据库中获取历史事故数据，对所述历史事故数据进行补全缺失值和处理异常值，得到修正数据，将所述修正数据按照时间和地点进行分组，即将时间分为三小时的时段，将空间按照交叉路口分为不同区域，形成时空网格；

根据所述时空网格，通过ArcGIS软件在地图上创建图层并绘制网格单元，根据历史事故数据确定每个网格单元内发生的事故数量，根据所述事故数量为每个网格单元选择代表事件数量和密度的颜色，并创建用于解释颜色和事故数量之间关系的图例，最终得到时空热力图；

所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：

根据所述时空热力图，根据不同时间段和地点的事故数量绘制原始数据的时间序列图表，根据所述时间序列图表，通过趋势分析算法拟合时间序列数据，得到趋势模型；

根据所述趋势模型中参数的取值，确定发生交通事故的趋势，若所述趋势模型中的参数为正数，则发生交通事故的概率增加，若所述趋势模型中的参数为负数，则发生交通事故的概率减小，若为0，则发生交通事故的概率不变，对所述时空热力图中的每个网格单元进行分析，最终得到时空分析结果；

确定所述第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合随机树模块，将所述第一输入加入至所述随机树模块的初始节点，根据所述初始节点的初始判断规则判断所述第一输入的传递方向，若符合所述初始判断规则，则将所述第一输入向左子节点传递，否则向右子节点传递；

根据每个节点对应的判断规则和分割操作，将所述第一输入在所述随机树模块中进行传递，直至达到最终节点，得到所述第二预测输出；

根据所述第二预测输出和预先得到的第一预测输出，根据权重分配算法结合预设的所述时空关联规则，为所述第一预测输出和所述第二预测输出分配对应的第一预测权重和第二预测权重，通过加权计算，得到预测事故概率；

所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：

提取所述时空分析结果中的事故发生时间，位置和该位置发生交通事故的概率，并将非数值类型数据转化为数值型，得到时空特征集合；

遍历所述时空特征集合，统计每个特征项出现的频次，根据所述频次构建项头表；

遍历所述项头表，对于每个特征项，根据出现的频次从大到小将所述特征项插入至预设的频繁模式树中，遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集；

根据所述频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；

对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据所述频繁项和条件模式基，组合得到初始关联规则，计算所述初始关联规则对应的初始置信度，将所述初始置信度与预设的置信度阈值进行比较，删除初始置信度小于所述置信度阈值对应的初始关联规则，将保留的初始关联规则记为时空关联规则；

所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：

初始化一个空集合，记为频繁项集集合，对于所述频繁模式树中包含的每个元素，访问以当前频繁项为结尾的路径，即访问条件模式基；

对于每个路径，提取每个路径上的全部元素，加入至所述频繁项集集合中，并继续挖掘新的频繁项集；

对于挖掘到的新的频繁项集，若包含多个元素，则将其作为新的条件模式基，继续挖掘新的频繁项集，若只包含一个元素，则停止挖掘，直至无法找到新的条件模式基。

2.根据权利要求1所述的方法，其特征在于，基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合循环神经网络模块，将所述第一输入分解为时间步序列，对于每个时间步，所述循环神经网络模块中的正向计算模块按照所述第一输入的时间步顺序计算所述第一输入对应的正向状态和正向记忆因子，得到第一正向输出，所述循环神经网络模块中的反向计算模块按照所述第一输入的时间步倒序计算所述第一输入对应的反向状态和反向记忆因子，得到第一反向输出；

根据所述第一正向输出和所述第一反向输出，组合得到所述第一预测输出。

3.一种基于人工智能技术的智慧警务系统，其特征在于，包括：

第一单元，用于获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；

第二单元，用于根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；

第三单元，用于基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率；

所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：

从交通数据库中获取历史事故数据，对所述历史事故数据进行补全缺失值和处理异常值，得到修正数据，将所述修正数据按照时间和地点进行分组，即将时间分为三小时的时段，将空间按照交叉路口分为不同区域，形成时空网格；

根据所述时空网格，通过ArcGIS软件在地图上创建图层并绘制网格单元，根据历史事故数据确定每个网格单元内发生的事故数量，根据所述事故数量为每个网格单元选择代表事件数量和密度的颜色，并创建用于解释颜色和事故数量之间关系的图例，最终得到时空热力图；

所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：

根据所述时空热力图，根据不同时间段和地点的事故数量绘制原始数据的时间序列图表，根据所述时间序列图表，通过趋势分析算法拟合时间序列数据，得到趋势模型；

根据所述趋势模型中参数的取值，确定发生交通事故的趋势，若所述趋势模型中的参数为正数，则发生交通事故的概率增加，若所述趋势模型中的参数为负数，则发生交通事故的概率减小，若为0，则发生交通事故的概率不变，对所述时空热力图中的每个网格单元进行分析，最终得到时空分析结果；

确定所述第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率包括：

基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；

根据所述第一输入，结合随机树模块，将所述第一输入加入至所述随机树模块的初始节点，根据所述初始节点的初始判断规则判断所述第一输入的传递方向，若符合所述初始判断规则，则将所述第一输入向左子节点传递，否则向右子节点传递；

根据每个节点对应的判断规则和分割操作，将所述第一输入在所述随机树模块中进行传递，直至达到最终节点，得到所述第二预测输出；

根据所述第二预测输出和预先得到的第一预测输出，根据权重分配算法结合预设的所述时空关联规则，为所述第一预测输出和所述第二预测输出分配对应的第一预测权重和第二预测权重，通过加权计算，得到预测事故概率；

所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：

提取所述时空分析结果中的事故发生时间，位置和该位置发生交通事故的概率，并将非数值类型数据转化为数值型，得到时空特征集合；

遍历所述时空特征集合，统计每个特征项出现的频次，根据所述频次构建项头表；

遍历所述项头表，对于每个特征项，根据出现的频次从大到小将所述特征项插入至预设的频繁模式树中，遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集；

根据所述频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；

对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据所述频繁项和条件模式基，组合得到初始关联规则，计算所述初始关联规则对应的初始置信度，将所述初始置信度与预设的置信度阈值进行比较，删除初始置信度小于所述置信度阈值对应的初始关联规则，将保留的初始关联规则记为时空关联规则；

所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：

初始化一个空集合，记为频繁项集集合，对于所述频繁模式树中包含的每个元素，访问以当前频繁项为结尾的路径，即访问条件模式基；

对于每个路径，提取每个路径上的全部元素，加入至所述频繁项集集合中，并继续挖掘新的频繁项集；

对于挖掘到的新的频繁项集，若包含多个元素，则将其作为新的条件模式基，继续挖掘新的频繁项集，若只包含一个元素，则停止挖掘，直至无法找到新的条件模式基。

4.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至2中任意一项所述的方法。

5.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至2中任意一项所述的方法。