CN110096557A - 城市区域安全状态预测方法及*** - Google Patents

Abstract

本发明属于计算机技术领域，具体涉及一种城市区域安全状态预测方法及***，方法包括如下步骤：确定城市区域边界并初始化城市地图，按照不同比例尺对城市地图进行切片，得到多级栅格集合；对城市区域进行分类，并建立步骤1中各级栅格集合与城市区域的对应关系；采集每个栅格的信息，建立各级栅格与最小栅格的缩放映射关系，得到各级栅格集合信息；计算每类不安全事件的相关性，得到每个栅格的区域安全状态指数；得到最小栅格区域安全状态指数预测值和区域安全状态影响指标预测值；完成城市区域安全状态的预测。本发明构建兼顾客观警情指标和主观感知指标的平安城市量化指标，为城市公共安全的维护和违法犯罪防控提供方法、应用和实证依据。

Description

城市区域安全状态预测方法及***

技术领域

本发明属于计算机技术领域，其特别涉及利用数据挖掘技术来评估和预测 区域安全状态领域，具体涉及一种城市区域安全状态预测方法及***。

背景技术

城市平安建设是服务型政府的重要职能之一，是高效城市管理的基础要求， 平安城市建设中最显著的威胁来自各类违法犯罪活动和安全事故。在具体管理 过程中，城市一般分多层级、多维度组织管理，因此需要划分管理层级。

城市各区域的安全状态指数是通过综合区域犯罪情况、意外事故发生情况 和区域人员数量及构成来计算人均受威胁程度的指标。

我国关于平安城市建设的研究尚处于起步阶段，当前对于区域安全状态的 有限的研究多以指数方式评价治安状况。如“中国平安小康指数”(鄂璠，2015)； 以及包括“社会越轨行为控制”、“公众平安感受***”等在内的平安建设评价 指标等。但以上指标存在范围过宽、量化难度大、主观性强等问题，难以用于 城市公共安全的评价和治理实践。而且，当前的社会治安评价仍主要停留在单 纯强调警情总量或是重点警情升降变化的初级水平，未涉及违法犯罪的社会根 源探索，更未探讨犯罪风险的预测评估，因此，所制定的犯罪防控措施缺乏相 应理论依据和应用针对性。

发明内容

针对现有技术中存在的问题，本发明提供了一种城市区域安全状态计算方 法及***，采用以下技术方案实现：

一种城市区域安全状态预测方法，包括如下步骤：

步骤1：确定城市区域边界并初始化城市地图，按照不同比例尺对城市地 图进行切片，得到多级正方形栅格集合，并对各级栅格集合进行编号，其中最 小层级栅格集合为A1；

步骤2：对城市区域进行分类，包括行政区域集合C1，开发区域集合C2， 公安分局区域集合C3，派出所区域集合C4，并建立步骤1中各级栅格集合与 C1-C4的对应关系；

步骤3：采集A1中每个栅格的地图POI数据、手机信令数据和不安全事 件记录数据，建立各级栅格与A1的缩放映射关系，将信息进行逐级合并，得 到各级栅格集合的地图POI数据、手机信令数据和不安全事件记录数据；

步骤4：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂，并计算n₁和 n₂分别与每类不安全事件的相关性，以及每类不安全事件相关性对安全状态的 权重，得到A1中每个栅格的区域安全状态指数；

步骤5：计算A1中每个栅格的区域安全状态影响指标集合Z，将Z作为特 征向量，将区域安全状态指数做为标签值，构建模型并训练得到区域安全状态 指数预测值和区域安全状态影响指标预测值；

步骤6：根据各级栅格与A1的映射关系计算各栅格集合的区域安全状态 指数预测值和区域安全状态影响指标预测值，根据各级栅格集合与C1-C4的对 应关系计算C1-C4的区域安全状态指数预测值和区域安全状态影响指标预测 值，完成城市区域安全状态的预测。

进一步的，步骤1中对各级栅格集合进行编号指的是：

利用墨卡托坐标系进行编号，将各级栅格集合有小到大分别记为A1、A2......AN，相邻两级栅格集合中每个较大层级的栅格边长为每个较小层级的 栅格边长的二倍。

进一步的，步骤3中不安全事件记录数据为区域历史犯罪及意外事故记录 次数，并根据不同犯罪及事故类型将不安全事件记为Y₁,Y₂，…,Y_M；

更进一步的，步骤4包括如下子步骤：

步骤4.1：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂；

步骤4.2：计算n₁与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₁，k₂₁，…， k_M1，然后计算n₂与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₂，k₂₂，…，k_M2；

步骤4.3：计算n1对安全状态贡献的权重，w_i1＝k_i1/(k_i1+k_i2)，并计算n2 对安全状态贡献的权重，w_i2＝1-w_i1，其中，i为M类事件中的一类且i＝1,...,M；

步骤4.4：得到A1中每个栅格的区域安全状态指数针对Y₁,Y₂，…,Y_M的安 全状态指数X＝Y_i/(w_i1*n₁+w_i2*n₂)。

进一步的，步骤5中安全状态影响指标集合Z＝{z₁,z₂,z₃,z₄,z₅,z₆,z₇}，其中， z₁表示综合POI密度集合、z₂表示居民离婚率、z₃表示留守儿童比例、z₄表示 孤寡老人比例、z₅表示区域流动人口比例、z₆表示区域人口变动指标、z₇表示 区域人口城市来源多样性。

更进一步的，步骤5包括如下子步骤：

步骤5.1：计算A1中每个栅格的区域安全状态影响指标集合Z；

步骤5.2：将Z作为观测向量，将区域安全状态指数X做为状态向量，构 建如式Ⅰ的隐马尔科夫混合效应预测模型：

其中,Z_t表示t时刻的观测向量且t＝1,...,T，H表示观测矩阵，X_t表示t时刻 的状态向量，X_t+1表示t+1时刻的状态向量，ε是服从正态分布的白噪声，F表 示状态转移矩阵，η表示服从正态分布的状态转移白噪声；

步骤5.3：根据式Ⅱ获得区域安全状态影响指标预测值Z_t+1|t：

Z_t+1|t＝HX_t+1|t 式Ⅱ

根据式Ⅲ获得区域安全状态指数预测值X_t+1|t+1：

其中，X_t|t代表区域安全状态指数观测值，X_t+1|t代表未更新的区域安全状 态指数预测值，X_t+1|t+1代表更新后的区域安全状态指数预测值，K表示增益矩 阵,v表示新息序列。

一种城市区域安全状态预测***，包括传感器数据采集单元，数据存储单 元，模型训练单元和安全状态指数预测单元；

所述传感器采集单元用于采集和接收原始数据并对原始数据中的无效数 据进行清洗得到标准结构化数据，所述原始数据包括地图poi数据、手机信令 数据和不安全事件记录数据；

所述数据存储单元用于将传感器采集单元得到的标准结构化数据依据城 市区域分类得到的各区域集合以及城市地图切片得到的各级栅格进行存储；

所述模型训练单元用于利用数据存储单元中按栅格存储的标准结构化数 据计算得到最小层级栅格中的活动人口数和常驻人口数对应每类不安全事件 的相关性以及每类不安全事件相关性对安全状态的权重，得到最小层级栅格集 合中每个栅格的区域安全状态指数，计算最小层级栅格集合中每个栅格的区域 安全状态影响指标集合，构建预测模型并训练得到最小层级栅格集合中每个栅 格的区域安全状态指数预测值和区域安全状态影响指标预测值；

所述安全状态指数预测单元用于利用模型训练单元训练好的预测模型并 根据各级栅格与最小层级栅格的映射关系和各级栅格集合与城市区域分类与 最小层级栅格的对应关系，得到各级栅格和区域的城市区域安全状态指数预测 值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。

本发明还具有以下有益效果：

(1)本发明针对区域安全状态的体系设计和构建方法展开研究，从区域 安全状态的评价模型、解析模型、预测模型三大方向突破关键技术和难点，构 建兼顾客观警情指标和主观感知指标的平安城市量化指标，为城市公共安全的 维护和违法犯罪防控提供方法、应用和实证依据。

(2)本发明所设计区域安全状态不仅与区域地理位置有关，也不仅仅局 限于犯罪事件的影响，还与大量的社会科学理论所支撑的影响因子有关，例如 意外事故等，需要提供合理的依据。更重要地，区域的状态是需要考虑时间特 性的，同一区域的影响因子在本质上是符合马尔可夫性质的，现有技术中未涉 及影响因子的滤波及预测。

(3)本发明提供的***能够利用多层级的离线地图，以及离/在线周期更 新机制，完成对区域安全指数在地图范围内的多层级展示。此外，提供高效友 好的交互机制，展示各区域的高相关影响因子，以解释各区域安全状态现状。 以及展示各区域安全状态预测结果，用以智能地周期性指导警力分配或社会资 源分配。

附图说明

图1为本发明的区域划分示意图；

图2为本发明的区域安全状态影响指标及相关性计算示意图；

图3为本发明的安全状态指数预测计算示意图。

具体实施方式

本发明的目的在于提供一种能量化评估和预测区域安全状态的方法，为区 域安全态势分析提供方案，公开了一种城市区域安全状态预测方法，包括如下 步骤：

步骤1：确定城市区域边界并初始化城市地图，按照不同比例尺对城市地 图进行切片，得到多级正方形栅格集合，并对各级栅格集合进行编号，其中最 小层级栅格集合为A1；

步骤2：对城市区域进行分类，包括行政区域集合C1，开发区域集合C2， 公安分局区域集合C3，派出所区域集合C4，并建立步骤1中各级栅格集合与 C1-C4的对应关系；

所述对应关系例如8级地图下雁塔区包含哪些栅格，在10级地图下雁塔 区包含哪些栅格等。

步骤3：采集A1中每个栅格的地图POI数据、手机信令数据和不安全事 件记录数据，建立各级栅格与A1的缩放映射关系，将信息进行逐级合并，得 到各级栅格集合的地图POI数据、手机信令数据和不安全事件记录数据；

步骤4：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂，并计算n₁和 n₂分别与每类不安全事件的相关性，以及每类不安全事件相关性对安全状态的 权重，得到A1中每个栅格的区域安全状态指数；

步骤5：计算A1中每个栅格的区域安全状态影响指标集合Z，将Z作为特 征向量，将区域安全状态指数做为标签值，构建模型并训练得到区域安全状态 指数预测值和区域安全状态影响指标预测值；

步骤6：根据各级栅格与A1的映射关系计算各栅格集合的区域安全状态 指数预测值和区域安全状态影响指标预测值，根据各级栅格集合与C1-C4的对 应关系计算C1-C4的区域安全状态指数预测值和区域安全状态影响指标预测 值，完成城市区域安全状态的预测。

本发明所设计区域安全状态不仅与区域地理位置有关，也不仅仅局限于犯 罪事件的影响，还与大量的社会科学理论所支撑的影响因子有关，例如意外事 故等，需要提供合理的依据。更重要地，区域的状态是需要考虑时间特性的， 同一区域的影响因子在本质上是符合马尔可夫性质的，现有技术中未涉及影响 因子的滤波及预测。

具体的，步骤1中对各级栅格集合进行编号指的是：

利用墨卡托坐标系进行编号，将各级栅格集合有小到大分别记为A1、A2......AN，相邻两级栅格集合中每个较大层级的栅格边长为每个较小层级的 栅格边长的二倍。

构建地理位置经纬度点A(x,y)与墨卡托坐标系对应点(m,n)的转换关系， 从而利用墨卡托坐标系将地图瓦片进行编号，对于每一级地图瓦片，再将其等 分为8*8的栅格，进一步，用二分的方式对其进行编号，二分指的是横坐标和 纵坐标均二分。

具体的，步骤3中不安全事件记录数据为区域历史犯罪及意外事故记录次 数，并根据不同犯罪及事故类型将不安全事件记为Y₁,Y₂，…,Y_M；

具体的，步骤4包括如下子步骤：

步骤4.1：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂；

步骤4.2：计算n₁与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₁，k₂₁，…， k_M1，然后计算n₂与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₂，k₂₂，…，k_M2；

步骤4.3：计算n1对安全状态贡献的权重，w_i1＝k_i1/(k_i1+k_i2)，并计算n2 对安全状态贡献的权重，w_i2＝1-w_i1，其中，i为M类事件中的一类且i＝1,...,M；

步骤4.4：得到A1中每个栅格的区域安全状态指数针对Y₁,Y₂，…,Y_M的安 全状态指数X＝Y_i/(w_i1*n₁+w_i2*n₂)。

优选的，步骤5中安全状态影响指标集合Z＝{z₁,z₂,z₃,z₄,z₅,z₆,z₇}，其中，z₁表示综合POI密度集合、z₂表示居民离婚率、z₃表示留守儿童比例、z₄表示孤 寡老人比例、z₅表示区域流动人口比例、z₆表示区域人口变动指标、z₇表示区 域人口城市来源多样性，且Z＝{z₁,z₂,z₃,z₄,z₅,z₆,z₇}可维度扩展。

具体的，计算A1下各栅格综合POI密度集合z₁，所述POI信息包括餐饮 设施数量x1、住宿设施数量x2、娱乐设施数量x3、休闲设施数量x4、维修设 施数量x5等29类与安全相关的类型，z₁中任一元素满足且

采集A1层级下各区域居民离婚率z2、留守儿童比例z3、孤寡老人比例 z4；

计算区域流动人口比例

若区域前一天人口集合为s1,其后一天人口集合为s2,计算区域人口变动 指标z₆＝1-(s1∩s2)/(s1∪s2)；

计算区域人口城市来源多样性：

其中，n_i表示来自于第i个城市的人数；N表示各个n_i的和。

具体的，步骤5包括如下子步骤：

步骤5.1：计算A1中每个栅格的区域安全状态影响指标集合Z；

步骤5.2：将Z作为观测向量，将区域安全状态指数X做为状态向量，构 建如式Ⅰ的隐马尔科夫混合效应预测模型：

其中,Z_t表示t时刻的观测向量且t＝1,...,T，H表示观测矩阵，X_t表示t时刻 的状态向量，X_t+1表示t+1时刻的状态向量，ε是服从正态分布的白噪声，F表 示状态转移矩阵，η表示服从正态分布的状态转移白噪声；

步骤5.3：根据式Ⅱ获得区域安全状态影响指标预测值Z_t+1|t：

Z_t+1|t＝HX_t+1|t 式Ⅱ

根据式Ⅲ获得区域安全状态指数预测值X_t+1|t+1：

其中，X_t|t代表区域安全状态指数观测值，X_t+1|t代表未更新的区域安全状 态指数预测值，X_t+1|t+1代表更新后的区域安全状态指数预测值，K表示增益矩 阵,v表示新息序列。

一种城市区域安全状态预测***，包括传感器数据采集单元，数据存储单 元，模型训练单元和安全状态指数预测单元；

所述传感器采集单元用于采集和接收原始数据并对原始数据中的无效数 据进行清洗得到标准结构化数据，所述原始数据包括地图poi数据、手机信令 数据和不安全事件记录数据；所述原始数据还包括户籍登记资料、公开统计资 料、基站采集数据、摄像头采集数据等。

所述数据存储单元用于将传感器采集单元得到的标准结构化数据依据城 市区域分类得到的各区域集合以及城市地图切片得到的各级栅格进行存储；

所述模型训练单元用于利用数据存储单元中按栅格存储的标准结构化数 据计算得到最小层级栅格中的活动人口数和常驻人口数对应每类不安全事件 的相关性以及每类不安全事件相关性对安全状态的权重，得到最小层级栅格集 合中每个栅格的区域安全状态指数，计算最小层级栅格集合中每个栅格的区域 安全状态影响指标集合，构建预测模型并训练得到最小层级栅格集合中每个栅 格的区域安全状态指数预测值和区域安全状态影响指标预测值；

所述安全状态指数预测单元用于利用模型训练单元训练好的预测模型并 根据各级栅格与最小层级栅格的映射关系和各级栅格集合与城市区域分类与 最小层级栅格的对应关系，得到各级栅格和区域的城市区域安全状态指数预测 值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。

具体的，所述传感器采集单元的采集手段包括爬虫、政府数据下发对接。

具体的，所述数据清洗单元采用flume集群模块、kafka集群模块和storm 集群模块实现，所述数据清洗采用hdfs集群模块、hbase集群模块、es集群 模块和oracle服务模块实现。

以下给出本发明的具体实施方式，需要说明的是本发明并不局限于以下具 体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

本发明以在西安市行政区层级上的实际应用情况为例说明具体实施方式， 应同意，与发明内容中所述一致，在其他层级的应用方式与行政区层级上的实 施方式一致。

实施例

图1说明了确定西安市最小网格大小为306m*306m，网格化编码；将这些 栅格与西安市13个行政区县分别对应，每一行政区县对应若干栅格；

图2说明了以每个栅格为采集单元区域，获取区域的地图信息，手机信令 信息，案事件信息；

根据手机信令信息，可计算西安市近三年来每一天每个栅格内的活动人数， 常驻人数，根据其分别与案事件数量的相关性，计算各栅格区域的安全状态指 数；

根据行政区县与栅格的对应关系，计算近三年来每一天每个行政区县的活 动人数，常驻人数，案事件数量，根据活动人数分别与案事件数量的相关性， 计算各行政区县的安全状态指数；

根据各行政区县的活动人口和常驻人口情况，采集或计算各行政区县每时 间窗口下的离婚率、孤寡老人比例、留守儿童比例、流动人口比例、人口来源 多样性、人口变动指标；

取近三年的影响因素序列及其对应的安全状态指数，利用横向与纵向混合 条件下线性回归方法，得到各行政区县各影响因素的重要性指标；

调整各影响因素，得到影响因素变动下的安全状态指数模拟值；

图3说明了考虑时间因素的情况下，以近三年西安市各行政区县影响因素 序列及其对应的安全状态指数构建马尔可夫模型；预测接下来一段时间各行 政区县的安全状态指数趋势及变化情况。

Claims (7)

1.一种城市区域安全状态预测方法，其特征在于，包括如下步骤：

步骤1：确定城市区域边界并初始化城市地图，按照不同比例尺对城市地图进行切片，得到多级正方形栅格集合，并对各级栅格集合进行编号，其中最小层级栅格集合为A1；

步骤2：对城市区域进行分类，包括行政区域集合C1，开发区域集合C2，公安分局区域集合C3，派出所区域集合C4，并建立步骤1中各级栅格集合与C1-C4的对应关系；

步骤3：采集A1中每个栅格的地图POI数据、手机信令数据和不安全事件记录数据，建立各级栅格与A1的缩放映射关系，将信息进行逐级合并，得到各级栅格集合的地图POI数据、手机信令数据和不安全事件记录数据；

步骤4：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂，并计算n₁和n₂分别与每类不安全事件的相关性，以及每类不安全事件相关性对安全状态的权重，得到A1中每个栅格的区域安全状态指数；

步骤5：计算A1中每个栅格的区域安全状态影响指标集合Z，将Z作为观测向量，将区域安全状态指数做为状态向量，构建预测模型并训练得到区域安全状态指数预测值和区域安全状态影响指标预测值；

步骤6：根据各级栅格与A1的映射关系计算各栅格集合的区域安全状态指数预测值和区域安全状态影响指标预测值，根据各级栅格集合与C1-C4的对应关系计算C1-C4的区域安全状态指数预测值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。

2.如权利要求1所述的城市区域安全状态预测方法，其特征在于，步骤1中对各级栅格集合进行编号指的是：

利用墨卡托坐标系进行编号，将各级栅格集合有小到大分别记为A1、A2......AN，相邻两级栅格集合中每个较大层级的栅格边长为每个较小层级的栅格边长的二倍。

3.如权利要求1所述的城市区域安全状态预测方法，其特征在于，步骤3中不安全事件记录数据为区域历史犯罪及意外事故记录次数，并根据不同犯罪及事故类型将不安全事件记为Y₁,Y₂，…,Y_M；

4.如权利要求3所述的城市区域安全状态预测方法，其特征在于，步骤4包括如下子步骤：

步骤4.1：统计A1中每个栅格的活动人口数n₁和常驻人口数n₂；

步骤4.2：计算n₁与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₁，k₂₁，…，k_M1，然后计算n₂与Y₁,Y₂，…,Y_M每类事件的相关性，记为k₁₂，k₂₂，…，k_M2；

步骤4.3：计算n1对安全状态贡献的权重，w_i1＝k_i1/(k_i1+k_i2)，并计算n2对安全状态贡献的权重，w_i2＝1-w_i1，其中，i为M类事件中的一类且i＝1,...,M；

步骤4.4：得到A1中每个栅格的区域安全状态指数针对Y₁,Y₂，…,Y_M的安全状态指数X＝Y_i/(w_i1*n₁+w_i2*n₂)。

5.如权利要求1所述的城市区域安全状态预测方法，其特征在于，步骤5中安全状态影响指标集合Z＝{z₁,z₂,z₃,z₄,z₅,z₆,z₇}，其中，z₁表示综合POI密度集合、z₂表示居民离婚率、z₃表示留守儿童比例、z₄表示孤寡老人比例、z₅表示区域流动人口比例、z₆表示区域人口变动指标、z₇表示区域人口城市来源多样性。

6.如权利要求4所述的城市区域安全状态预测方法，其特征在于，步骤5包括如下子步骤：

步骤5.1：计算A1中每个栅格的区域安全状态影响指标集合Z；

步骤5.2：将Z作为观测向量，将区域安全状态指数X做为状态向量，构建如式Ⅰ的隐马尔科夫混合效应预测模型：

其中,Z_t表示t时刻的观测向量且t＝1,...,T，H表示观测矩阵，X_t表示t时刻的状态向量，X_t+1表示t+1时刻的状态向量，ε是服从正态分布的白噪声，F表示状态转移矩阵，η表示服从正态分布的状态转移白噪声；

步骤5.3：根据式Ⅱ获得区域安全状态影响指标预测值Z_t+1|t：

Z_t+1|t＝HX_t+1|t 式Ⅱ

根据式Ⅲ获得区域安全状态指数预测值X_t+1|t+1：

其中，X_t|t代表区域安全状态指数观测值，X_t+1|t代表未更新的区域安全状态指数预测值，X_t+1|t+1代表更新后的区域安全状态指数预测值，K表示增益矩阵,v表示新息序列。

7.一种城市区域安全状态预测***，其特征在于，包括传感器数据采集单元，数据存储单元，模型训练单元和安全状态指数预测单元；

所述传感器采集单元用于采集和接收原始数据并对原始数据中的无效数据进行清洗得到标准结构化数据，所述原始数据包括地图poi数据、手机信令数据和不安全事件记录数据；

所述数据存储单元用于将传感器采集单元得到的标准结构化数据依据城市区域分类得到的各区域集合以及城市地图切片得到的各级栅格进行存储；

所述模型训练单元用于利用数据存储单元中按栅格存储的标准结构化数据计算得到最小层级栅格中的活动人口数和常驻人口数对应每类不安全事件的相关性以及每类不安全事件相关性对安全状态的权重，得到最小层级栅格集合中每个栅格的区域安全状态指数，计算最小层级栅格集合中每个栅格的区域安全状态影响指标集合，构建预测模型并训练得到最小层级栅格集合中每个栅格的区域安全状态指数预测值和区域安全状态影响指标预测值；

所述安全状态指数预测单元用于利用模型训练单元训练好的预测模型并根据各级栅格与最小层级栅格的映射关系和各级栅格集合与城市区域分类与最小层级栅格的对应关系，得到各级栅格和区域的城市区域安全状态指数预测值和区域安全状态影响指标预测值，完成城市区域安全状态的预测。