CN110399537A - 一种基于人工智能技术的警情时空预测方法 - Google Patents
一种基于人工智能技术的警情时空预测方法 Download PDFInfo
- Publication number
- CN110399537A CN110399537A CN201910660167.3A CN201910660167A CN110399537A CN 110399537 A CN110399537 A CN 110399537A CN 201910660167 A CN201910660167 A CN 201910660167A CN 110399537 A CN110399537 A CN 110399537A
- Authority
- CN
- China
- Prior art keywords
- alert
- prediction
- model
- data
- artificial intelligence
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能技术的警情时空预测方法,该方法包括以下步骤:数据整合,根据警情数据以及天气等互联网数据资源,构建预测模型的训练样本;特征提取,调用人工智能技术中的随机森林算法,提取特征变量;数据建模,调用逻辑回归算法进行警情预测模型建模;模型检验评估,选择测试样本对模型进行检验评估;时间预测,建立风险区域内历史警情时间序列,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间。本发明采用人工智能算法,基于历史警情数据建立预测模型,根据最新的特征要素内容对警情进行预测,能够预测50m*50m的网格区域,将预测结果精确到某一区域的某一时段,其预测结果更为客观,预测区域更精准。
Description
技术领域
本发明涉及警情预测技术领域,具体涉及一种基于人工智能技术的警情时空预测方法。
背景技术
不断发展的信息技术使得公安部门能够获取越来越多的犯罪相关(警情)数据,如何设计一种有效便捷的方法,通过分析这些数据,挖掘犯罪数据背后的模式和趋势,以帮助警方更好地进行治安防控和预防犯罪,已成为一个非常值得研究的问题,现有警情预测方法,多为基于最近一段时间已发生的警情数据,从已发生警情的时间聚集程度、空间聚集程度来对未来一段时间例如:明天、下周、下个月可能警情的风险进行评估。目前,现有的警情预测手段更多的是依靠人工经验和时空聚集程度来进行预测,从预测准确性来说存在较大的不确定性,例如:最近一段时间某小区经常发生盗窃案件,并不能说明明天还会发生盗窃案,从预测结果全面性来说,也存在以下不足:无法将预测结果精确到时段,例如:预测某区域下午3~6点发生警情的风险较大;预测区域相对较大,多以一个街道、派出所辖区为对象进行风险评估,因此,需要进一步进行改进。
发明内容
本发明的目的在于提供一种基于人工智能技术的警情时空预测方法,采用人工智能算法,基于历史警情数据建立预测模型,从历史规律角度找出不同区域内影响警情发生的特征要素,根据最新的特征要素内容对警情进行预测,满足了警情预测的及时性要求,其预测结果更为客观,预测区域更精准,能够预测50m*50m的网格区域,能够对警情高发时段进行预测,将预测结果精确到某一区域的某一时段,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能技术的警情时空预测方法,该方法包括以下步骤:
步骤S1,数据整合,根据警情数据以及天气等互联网数据资源,建立预测模型训练数据集和测试数据集的样本,其中,样本数据中的距离衰减和时间间隔,是基于警情发生位置和时间,使用核密度插值技术,通过预计算得到的;
步骤S2,特征提取,调用人工智能技术中的随机森林算法,提取特征变量;
步骤S3,数据建模,调用逻辑回归算法进行警情预测模型建模;
步骤S4,模型检验评估,选择所述测试数据集的样本对模型进行检验评估;
步骤S5,时间预测,根据对预测的风险区域发生的历史警情,以24小时为周期,以3小时为间隔,生成8个时间段的时间序列,通过建立自回归求积移动平均模型(ARIMA),获取最有可能发生警情的时间。
进一步的,利用电子地图,将警务辖区划分成若干50m*50m的网格,每一个网格单元就是待预测的风险区域,汇聚整合警情数据,构建预测模型的训练样本,所述训练样本由所述训练数据集和测试数据集构成。
进一步的,使用随机森林算法,提取特征变量,因为随机森林的计算时间比较长,难以满足警情预测的及时性要求,所以只用随机森林提取特征而不用于建模。
进一步的,选择逻辑回归算法,自动生成预测模型,考虑到警情预测是一个典型的二分类预测,因此非常契合逻辑回归的二分类特性;同时,因为逻辑回归的输出是一个概率值,基层民警容易理解和接受;更为重要的是,因为逻辑回归允许将更多的训练数据纳入预测模型,可以很好地满足警情预测模型的动态更新需求。
进一步的,利用所述测试数据集的样本对预测模型进行检验、评估和优化。
进一步的,根据构建的预测模型,调用所述预测模型,开发应用***,基于新增数据,预测将来警情发生的风险区域。
进一步的,建立风险区域内历史警情时间序列,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间。
进一步的,将定向巡逻等频繁变化的干扰措施数据及时纳入所述训练数据集中,实现预测模型的动态更新。
与现有技术相比,本发明的有益效果如下:
1、采用人工智能算法,基于历史警情数据建立预测模型,从历史规律角度找出不同区域内影响警情发生的特征要素,根据最新的特征要素内容对警情进行预测,满足了警情预测的及时性要求;
2、本发明预测结果更为客观,预测区域更精准,能够预测50m*50m的网格区域,能够对警情高发时段进行预测,将预测结果精确到某一区域的某一时段,提高了警情预测的准确性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的具体实施方式一起用于解释本发明,并不构成对本发明的限制。
图1为本发明的一种基于人工智能技术的警情时空预测方法的流程图;
图2为本发明的一种基于人工智能技术的警情时空预测方法的细化流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明的技术关键点在于通过利用电子地图,将警务辖区划分成若干50m*50m的网格,每一个网格单元就是待预测的风险区域,调用人工智能技术中的随机森林算法,提取特征变量,基于历史警情数据建立预测模型,选择逻辑回归算法,自动生成警情预测模型,从历史规律角度找出不同区域内影响警情发生的特征要素,根据最新的特征要素内容对警情进行预测。
实施例一:
如图1-图2所示,本发明提供一种技术方案:一种基于人工智能技术的警情时空预测方法,该方法包括以下步骤:
步骤S1,数据整合,根据警情数据以及天气等互联网数据资源,建立预测模型训练数据集和测试数据集的样本,其中,样本数据中的距离衰减和时间间隔,是基于警情发生位置和时间,使用核密度插值技术,通过预计算得到的;
步骤S2,特征提取,调用人工智能技术中的随机森林算法,提取特征变量;
步骤S3,数据建模,调用逻辑回归算法进行警情预测模型建模;
步骤S4,模型检验评估,选择所述测试数据集的样本对模型进行检验评估;
步骤S5,时间预测,根据对预测的风险区域发生的历史警情,以24小时为周期,以3小时为间隔,生成8个时间段的时间序列,通过建立自回归求积移动平均模型(ARIMA),获取最有可能发生警情的时间。
本实施例中,所述步骤S1的具体步骤为:利用电子地图,将警务辖区划分成若干50m*50m的网格,每一个网格单元就是待预测的风险区域;汇聚整合警情数据,构建预测模型的训练样本,所述训练样本由所述训练数据集和测试数据集构成。
本实施例中,所述步骤S2中,使用随机森林算法,提取特征变量,因为随机森林的计算时间比较长,难以满足警情预测的及时性要求,所以只用随机森林提取特征而不用于建模。
本实施例中,所述步骤S3中,选择逻辑回归算法,自动生成预测模型,考虑到警情预测是一个典型的二分类预测,因此非常契合逻辑回归的二分类特性;同时,因为逻辑回归的输出是一个概率值,基层民警容易理解和接受;更为重要的是,因为逻辑回归允许将更多的训练数据纳入预测模型,可以很好地满足警情预测模型的动态更新需求。
本实施例中,所述步骤S4中,利用所述测试数据集的样本对预测模型进行检验、评估和优化,根据构建的预测模型,调用所述预测模型,开发应用***,基于新增数据,预测将来警情发生的风险区域。
本实施例中,所述步骤S5中,建立风险区域内历史警情时间序列,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间,将定向巡逻等频繁变化的干扰措施数据及时纳入所述训练数据集中,实现预测模型的动态更新。
实施例二:
如图2所示,本发明提供一种基于人工智能技术的警情时空预测方法,该方法的具体步骤为:
步骤A,利用电子地图,将警务辖区划分成若干50m*50m的网格,每一个网格单元就是待预测的风险区域;
步骤B,汇聚整合警情数据,构建预测模型的训练样本,所述训练样本由所述训练数据集和测试数据集构成;
步骤C,使用随机森林算法,提取特征变量,因为随机森林的计算时间比较长,难以满足警情预测的及时性要求,所以只用随机森林提取特征而不用于建模;
步骤D,选择逻辑回归算法,自动生成预测模型,考虑到警情预测是一个典型的二分类预测,因此非常契合逻辑回归的二分类特性;同时,因为逻辑回归的输出是一个概率值,基层民警容易理解和接受;更为重要的是,因为逻辑回归允许将更多的训练数据纳入预测模型,可以很好地满足警情预测模型的动态更新需求;
步骤E,利用所述测试数据集的样本对预测模型进行检验、评估和优化;
步骤F,根据构建的预测模型,调用所述预测模型,开发应用***,基于新增数据,预测将来警情发生的风险区域;
步骤G,建立风险区域内历史警情时间序列,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间;
步骤I,将定向巡逻等频繁变化的干扰措施数据及时纳入所述训练数据集中,实现预测模型的动态更新。
本实施例中,通过构建的预测模型,开发应用***,基于新增数据,预测将来警情发生的风险区域,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间,通过将定向巡逻等频繁变化的干扰措施数据及时纳入所述训练数据集中,实现预测模型的动态更新,能够获取最新警情的各类数据,精确预测50m*50m的网格区域内的某一区域的某一时段发生警情。
本发明改进于:该发明的一种基于人工智能技术的警情时空预测方法,采用人工智能算法,基于历史警情数据建立预测模型,从历史规律角度找出不同区域内影响警情发生的特征要素,根据最新的特征要素内容对警情进行预测,满足了警情预测的及时性要求,其预测结果更为客观,预测区域更精准,能够预测50m*50m的网格区域,能够对警情高发时段进行预测,将预测结果精确到某一区域的某一时段,提高了警情预测的准确性。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能技术的警情时空预测方法,其特征在于,该方法包括以下步骤:
步骤S1,数据整合,根据警情数据以及天气等互联网数据资源,建立预测模型训练数据集和测试数据集的样本,其中,样本数据中的距离衰减和时间间隔,是基于警情发生位置和时间,使用核密度插值技术,通过预计算得到的;
步骤S2,特征提取,调用人工智能技术中的随机森林算法,提取特征变量;
步骤S3,数据建模,调用逻辑回归算法进行警情预测模型建模;
步骤S4,模型检验评估,选择所述测试数据集的样本对模型进行检验评估;
步骤S5,时间预测,根据对预测的风险区域发生的历史警情,以24小时为周期,以3小时为间隔,生成8个时间段的时间序列,通过建立自回归求积移动平均模型(ARIMA),获取最有可能发生警情的时间。
2.根据权利要求1所述的一种基于人工智能技术的警情时空预测方法,其特征在于,所述步骤S1的具体步骤为:
步骤S11,利用电子地图,将警务辖区划分成若干50m*50m的网格,每一个网格单元就是待预测的风险区域;
步骤S12,汇聚整合警情数据,构建预测模型的训练样本,所述训练样本由所述训练数据集和测试数据集构成。
3.根据权利要求1所述的一种基于人工智能技术的警情时空预测方法,其特征在于,所述步骤S2中,使用随机森林算法,提取特征变量,因为随机森林的计算时间比较长,难以满足警情预测的及时性要求,所以只用随机森林提取特征而不用于建模。
4.根据权利要求1所述的一种基于人工智能技术的警情时空预测方法,其特征在于,所述步骤S3中,选择逻辑回归算法,自动生成预测模型,考虑到警情预测是一个典型的二分类预测,因此非常契合逻辑回归的二分类特性;同时,因为逻辑回归的输出是一个概率值,基层民警容易理解和接受;更为重要的是,因为逻辑回归允许将更多的训练数据纳入预测模型,可以很好地满足警情预测模型的动态更新需求。
5.根据权利要求1所述的一种基于人工智能技术的警情时空预测方法,其特征在于,所述步骤S4中,利用所述测试数据集的样本对预测模型进行检验、评估和优化。
6.根据权利要求4所述的一种基于人工智能技术的警情时空预测方法,其特征在于,根据构建的预测模型,调用所述预测模型,开发应用***,基于新增数据,预测将来警情发生的风险区域。
7.根据权利要求1所述的一种基于人工智能技术的警情时空预测方法,其特征在于,所述步骤S5中,建立风险区域内历史警情时间序列,通过自回归求积移动平均模型(ARIMA),预测警情的发生时间。
8.根据权利要求2所述的一种基于人工智能技术的警情时空预测方法,其特征在于,将定向巡逻等频繁变化的干扰措施数据及时纳入所述训练数据集中,实现预测模型的动态更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660167.3A CN110399537B (zh) | 2019-07-22 | 2019-07-22 | 一种基于人工智能技术的警情时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660167.3A CN110399537B (zh) | 2019-07-22 | 2019-07-22 | 一种基于人工智能技术的警情时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399537A true CN110399537A (zh) | 2019-11-01 |
CN110399537B CN110399537B (zh) | 2022-12-16 |
Family
ID=68324974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910660167.3A Active CN110399537B (zh) | 2019-07-22 | 2019-07-22 | 一种基于人工智能技术的警情时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399537B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597461A (zh) * | 2020-05-08 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种目标对象聚集预测方法、装置以及电子设备 |
CN113610309A (zh) * | 2021-08-13 | 2021-11-05 | 清华大学 | 基于大数据和人工智能的消防站选址方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007005975A2 (en) * | 2005-07-01 | 2007-01-11 | Valen Technologies, Inc. | Risk modeling system |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN108269000A (zh) * | 2017-12-22 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于警情大数据时空分析的智能警力部署方法及*** |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
-
2019
- 2019-07-22 CN CN201910660167.3A patent/CN110399537B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007005975A2 (en) * | 2005-07-01 | 2007-01-11 | Valen Technologies, Inc. | Risk modeling system |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN108269000A (zh) * | 2017-12-22 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于警情大数据时空分析的智能警力部署方法及*** |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
梁慧玲等: "基于气象因子的随机森林算法在塔河地区林火预测中的应用", 《林业科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597461A (zh) * | 2020-05-08 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种目标对象聚集预测方法、装置以及电子设备 |
CN111597461B (zh) * | 2020-05-08 | 2023-11-17 | 北京百度网讯科技有限公司 | 一种目标对象聚集预测方法、装置以及电子设备 |
CN113610309A (zh) * | 2021-08-13 | 2021-11-05 | 清华大学 | 基于大数据和人工智能的消防站选址方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110399537B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making | |
Corcoran et al. | Predicting the geo-temporal variations of crime and disorder | |
Straka et al. | Predicting popularity of electric vehicle charging infrastructure in urban context | |
CN105260795A (zh) | 一种基于条件随机场的重点人员位置时空预测方法 | |
Yu et al. | Crime forecasting using spatio-temporal pattern with ensemble learning | |
Tayebi et al. | Crimetracer: Activity space based crime location prediction | |
CN105404890A (zh) | 一种顾及轨迹时空语义的犯罪团伙判别方法 | |
Kim | Exploring the difference between ridership patterns of subway and taxi: Case study in Seoul | |
Han et al. | Risk prediction of theft crimes in urban communities: An integrated model of LSTM and ST-GCN | |
CN109472419A (zh) | 基于时空的警情预测模型的建立方法、装置和存储介质 | |
KR101937940B1 (ko) | 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
Borges et al. | Feature engineering for crime hotspot detection | |
CN103699771A (zh) | 一种冷负荷预测的情景-聚类方法 | |
CN109447331A (zh) | 基于stacking算法的山火风险预测方法 | |
Chohlas-Wood et al. | Mining 911 calls in New York City: Temporal patterns, detection, and forecasting | |
CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
Xu et al. | Hybrid holiday traffic predictions in cellular networks | |
Zhang et al. | Duplicate report detection in urban crowdsensing applications for smart city | |
Hochstetler et al. | An optimal police patrol planning strategy for smart city safety | |
KR101703972B1 (ko) | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 | |
Baqir et al. | Evaluating the performance of hierarchical clustering algorithms to detect spatio-temporal crime hot-spots | |
CN112633636A (zh) | 一种水灾害防御决策支持***及方法 | |
Ristea et al. | Geosocial Media Data as Predictors in a GWR Application to Forecast Crime Hotspots (Short Paper) | |
CN111062547A (zh) | 一种基于时空区域的犯罪分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |