CN114169659A - 一种犯罪时空风险预测及决策调度方法和装置 - Google Patents
一种犯罪时空风险预测及决策调度方法和装置 Download PDFInfo
- Publication number
- CN114169659A CN114169659A CN202110076296.5A CN202110076296A CN114169659A CN 114169659 A CN114169659 A CN 114169659A CN 202110076296 A CN202110076296 A CN 202110076296A CN 114169659 A CN114169659 A CN 114169659A
- Authority
- CN
- China
- Prior art keywords
- database
- predicted
- road section
- road
- data
- 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 61
- 238000013523 data management Methods 0.000 claims abstract description 13
- 238000013508 migration Methods 0.000 claims abstract description 12
- 230000005012 migration Effects 0.000 claims abstract description 12
- 238000013439 planning Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000001149 cognitive effect Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000000694 effects Effects 0.000 description 10
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- RPNUMPOLZDHAAY-UHFFFAOYSA-N Diethylenetriamine Chemical compound NCCNCCN RPNUMPOLZDHAAY-UHFFFAOYSA-N 0.000 description 1
- 241000157593 Milvus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种犯罪时空风险预测及决策调度方法和装置,包括以下步骤:S100、获取数据资源并建立相应的数据库;S200、进行数据治理,得到输出数据;S300、基于深度学习的CTR预估模型和输出数据,预估待预测路段未来一周的发案概率;S400、基于待预测路段未来一周的发案概率、感受野筛选器、辖区筛选器、热点迁移规则库和历史案事件数据库,进行正则化,得到修正后的待预测路段未来一周发案概率;S500、进行警力调度和巡控路线规划。本发明可以增强预测模型输入的灵活性,提高***的可迁移性,增强对预测结果的可解释性,增加预估概率修正模块提高了对预测结果修正的灵活性,增加了调度模块简化对预测结果的研判及调度过程。
Description
技术领域
本发明涉及时空信息处理领域,具体涉及一种犯罪时空风险预测及决策调度方法和装置。
背景技术
现今主流的犯罪时空风险预测***,主要包含数据治理、未来发案概率预估两大模块。其中数据治理模块会将输入的多源异构数据,处理成概率预估模块可以输入的格式。未来发案概率预估模块接收这些处理过的数据后,进行线上或者线下的训练,在预测模型达到合适的精度后上线并提供实施预测服务,上线后的模型其参数可根据数据实时更新亦可采用离线更新的模式适应数据的变化。
现有技术中,犯罪时空预测的主流技术以基于栅格的预测模型进行未来一定时空内的发案概率预测。这种基于栅格的模式虽然预处理简便,但是并没有考虑空间的异构性,相比于之下,更为合理的分析载体是路网数据。路网是网络空间之外时空信息传输的重要载体之一,犯罪活动在时空上产生,其作案主体在时空上的运动与路网的分布直接相关,而栅格并不能准确反映空间上的邻接关系。
现有的犯罪时空预测***采用的预测尺度相对偏大,并不利于实际决策指挥调度。为了防止栅格过小造成的数据稀疏问题,大部分的预测***采用几十米甚至几百米为边长的栅格作为预测单元,这样做的好处是减少了输入数据的稀疏程度从而提升了预测精度,但是缺点是预测的范围过大,造成实际落地应用时难以针对性地巡防布控。
现有的犯罪时空预测***以发案数量作为评判一个地区风险高低的预测指标,这种指标虽然直观但是对于零样本时空位置而言这一标准并不合理,因为犯罪热点会迁移,这种迁移规律和时空异质性有关,但并不一定在时空上临近。因此对于零样本时空位置的风险预测,现有的犯罪时空预测***并没有较好的解决方案,且即便模型的预测值出现在零样本地区,也无法给出合理的解释。时空上的风险其实是犯罪机会大小的一种体现,这种案件数量只是犯罪机会的一种表现形式,并不能代表犯罪机会的大小。比如有些地区的发案量虽然不多甚至历史数据中并没有发案记录,但是其环境的隐蔽性和安保条件的落后大大提高了犯罪成功率,一旦罪犯和潜在受害目标同时出现将大概率产生犯罪。因此,除了环境因素外,罪犯和潜在目标的活动也决定了犯罪的发生。对于罪犯的出行方式,环境犯罪学中有犯罪出行理论,其基本思想是罪犯作案的出行距离在一定范围内呈现指数衰减的趋势。这一描述与交通领域中的“引力模型”是类似的。但考虑到现代社会中时空机会对人类出行的影响,距离已经无法成为限制人类出行的唯一因素,对犯罪出行而言,犯罪机会在时空上的分布也是影响罪犯出行的重要因素。2019年,闫小勇与刘二见提出了人类出行统一机会模型,这一模型从时空机会的角度出发建模了人类出行行为,相比于引力模型(类似于犯罪出行中的距离衰减模型),这一模型的预测效果更好、可解释性更高。因此,用时空环境信息、罪犯潜在出行线路和人的活动信息修正单纯的发案率,相比仅用发案数量表征时空风险的做法更合理。
现有的犯罪时空预测***并不充分考虑空间上的异质性,比如派出所辖区分布对发案状况的影响,犯罪热点转移对发案概率的影响,时空上人的活动对犯罪机会的影响等。环境犯罪学的犯罪模式理论提出犯罪吸引区、犯罪生成区和犯罪中立区三个概念,认为人在时空上的聚散活动及罪犯、潜在目标的碰撞概率是犯罪生成的机理,现有的犯罪预测方法或***中并没有对人的活动、犯罪机会有一个较为合理的量化模型。Dirk Brockmann和Dirk Helbing在2013年的《Science》上提出了一种基于时空位置间流量大小的有效距离度量方法,这种方法可以有效预测传染病的发源地。对于环境犯罪学而言,有效距离的度量方法可以建模时空上的人群聚散活动对犯罪机会的影响,其他区域到达高聚集性的区域的距离相对空间上的距离会更短,而空间上相聚较近但是区域间流量占比相对较小的区域其可达性也将相对较差。
现有的犯罪时空预测***综合的数据维度不够全面,影响一个时空位置的发案风险与多种因素有关,现有的***采用的数据多是人口网格密度、POI、用地类型等,这些数据可以从宏观和中观层面反映一个区域的局部特性,但并没有细化到实际场景中,比如对景观的描述、建筑的描述、人对场景的主观感受等。张帆等在2018年的《Computers,Environment and Urban Systems》梳理了64类城市街景常见物体,提出用场景语义树量化分析街景内容和类别,他们还利用Place Pulse数据集进行迁移学习以此获得了其他地区街景的表征。Place Pulse数据集对Google街景的安全感、压抑感、生机感等六种人类常见的感受进行了标注,虽然Place Pulse尚未有太多中国地区的数据,但是通过迁移学习的技术,可以将训练好的模型应用于其他地区街景的认知感受预测。街景可以潜在反映社会经济状况,且相较于POI等时空点数据而言,其蕴含的信息更能直接反映人对一个场景的认知。
现有的预测***中的预测模型可迁移性较差,对于基于栅格的模型而言,因变更预测的空间范围造成的输入数据维度大小改变,或者变更预测的空间位置造成的输入数据来源变更等,都可能让已经训练完的模型重新设计并训练。
现有的预测***对预测结果并没有较为合理性的可解释性,无法纠正预测模型自身的偏差造成的预测失误。现有的预测模型多是基于深度学习的模型,虽然经过大量数据训练之后,预测的精度一般不会太低,但是在得出预测结果时并没有***能评判预测结果是否合理,不但无法解释数据背后的机理更无法修正因模型自身偏差造成的错误结果。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种犯罪时空风险预测及决策调度方法和装置,可以增强预测模型输入的灵活性,提高***的可迁移性,增强对预测结果的可解释性,增加预估概率正则模块提高了对预测结果修正的灵活性,增加了调度模块简化对预测结果的研判及调度过程。
为实现上述目的,本发明采用的技术方案如下:
一种犯罪时空风险预测及决策调度方法,包括以下步骤:
S100、获取数据资源并建立相应的数据库,其中,所述数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于所述案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于所述时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于所述主体行为数据建立时空轨迹数据库和实时警力资源分布数据库;
S200、基于待预测路段、所述嫌疑人落脚点数据库、所述时空环境数据库、所述路网数据库、所述街景数据库和所述时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,所述输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及所述待预测路段的认知特征向量、所述待预测路段在感受野内的路网结构特征;
S300、基于深度学习的CTR预估模型、所述输出数据以及待预测路段的累计风险值,预估所述待预测路段未来一周的发案概率,其中,所述待预测路段的累计风险值基于所述待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到;
S400、基于所述待预测路段未来一周的发案概率、所述感受野筛选器、辖区筛选器、热点迁移规则库和所述历史案事件数据库,进行正则化,得到修正后的所述待预测路段未来一周发案概率;
S500、基于最新警情的发生位置信息、所述感受野筛选器、各辖区内所有路段未来一周的发案概率、所述路网数据库、所述路网计算引擎和所述实时警力资源分布数据库,进行警力调度和巡控路线规划。
进一步,如上所述的方法,S100中,
对于所述案事件时空数据,将其中的时空位置数据存入地理数据库,其他属性信息存入关系型数据库;
对于所述时空环境数据库和所述路网数据库,将其中的空间位置数据存入地理数据库,其他属性信息存入关系型数据库;
对于所述街景数据库,将其中的空间位置数据存入地理数据库,图像存入文件***中,将向量化后的图像存入向量检索引擎中;
对于所述主体行为数据,将其存入时序数据库。
进一步,如上所述的方法,S200中,获取所述待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会,包括:
基于统一机会出行模型和所述图计算引擎获取带有时空风险的路段跳转有效距离图,在基于所述待预测路段和所述感受野筛选器获得的感受野内,从所述嫌疑人落脚点数据库中获取所有犯罪人的潜在落脚点,基于所述路段跳转有效距离图计算从潜在落脚点到所述待预测路段的出行概率,即犯罪机会。
进一步,如上所述的方法,S200中,获取所述待预测路段的感受野内所有犯罪人的社会结构特征,包括:
基于所述待预测路段的感受野内所有犯罪人的作案关系、户籍关系和空间临近关系构建潜在社会关系,基于所述潜在社会关系,使用node2vec模型获取犯罪人的社会结构特征。
进一步,如上所述的方法,S200中,获取所述待预测路段在感受野内的路网结构特征,包括:
在基于所述待预测路段和所述感受野筛选器获得的感受野内,基于所述路网数据库筛选出相应的路网数据,通过所述图计算引擎对筛选出的路网数据进行图嵌入操作,使用node2vec模型获取所述待预测路段在感受野内的路网结构特征。
进一步,如上所述的方法,S200中,获取所述待预测路段的认知特征向量,包括:
基于所述街景数据库和预训练深度学习模型,对所述待预测路段的街景数据进行全景分割,基于分割得到的实体和场景语义树,得到所述待预测路段对应的街景图谱,将所述待预测路段对应的街景图谱作为场景的客观认知表征,将六维认知向量作为场景的主观认知表征;
基于所述待预测路段和所述路网数据库,对对应的路网数据进行采样形成数据集,在训练所述数据集时,对于每一组客观认知特征及主观认知特征,将其中的客观认知特征依次经过第一图神经网络层、图池化层、第二图神经网络层和图读出层,得到对应的客观认知特征向量,将对应的客观认知特征向量与其中的主观认知特征对应的主观认知特征向量依次进行拼接操作和线性回归预测,得到路段风险值,最终输出所述待预测路段的认知特征向量。
进一步,如上所述的方法,S400包括:
将基于所述辖区筛选器筛选出的所述待预测路段所在辖区及其相邻辖区的总范围与基于所述感受野筛选器筛选出的感受野范围做并集,得到并集范围,基于所述历史案事件数据库获取所述并集范围内的所有犯罪高发路段,基于所述并集范围内的所有犯罪高发路段和所述热点迁移规则库中的热点迁移规则,计算所有犯罪高发路段潜在转移到所述待预测路段的转移概率,取所有转移概率中的最大值,通过贝叶斯公式修正所述待预测路段未来一周的发案概率。
进一步,如上所述的方法,S500包括:
当出现最新警情时,基于所述最新警情的发生位置信息和所述感受野筛选器,以所述最新警情对应的街道为起点获取预定时圈,将所述预定时圈与所述最新警情所属辖区范围做交集,得到交集范围,基于所述实时警力资源分布数据库获取所述交集范围内的所有在岗巡控警力,从当前的巡控方案中筛选出状态不是最高优先级的巡控方案加入调度候选名单,通过所述路网计算引擎调用所述路网数据库中在计算范围内的路网数据,从所述调度候选名单筛选出耗时最短的巡控方案,将其状态置为最高优先级,并得到相应的巡控路线信息。
进一步,如上所述的方法,S500还包括:
当未出现最新警情时,基于各辖区内所有路段未来一周的发案概率,通过所述路网计算引擎,以各辖区派出所所在位置为起点,计算得到警力在一定时间内分别符合巡控范围最大、累计巡控发案区域及风险最大、警力间巡控重合度最低三个巡控目标的巡控方案,并得到各自对应的巡控路线信息。
一种犯罪时空风险预测及决策调度装置,包括:
获取模块,用于获取数据资源并建立相应的数据库,其中,所述数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于所述案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于所述时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于所述主体行为数据建立时空轨迹数据库和实时警力资源分布数据库;
数据治理模块,用于基于待预测路段、所述嫌疑人落脚点数据库、所述时空环境数据库、所述路网数据库、所述街景数据库和所述时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,所述输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及所述待预测路段的认知特征向量、所述待预测路段在感受野内的路网结构特征;
未来发案概率预估模块,用于基于深度学习的CTR预估模型、所述输出数据以及待预测路段的累计风险值,预估所述待预测路段未来一周的发案概率,其中,所述待预测路段的累计风险值基于所述待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到;
预估概率正则模块,用于基于所述待预测路段未来一周的发案概率、所述感受野筛选器、辖区筛选器、热点迁移规则库和所述历史案事件数据库,进行正则化,得到修正后的所述待预测路段未来一周发案概率;
调度模块,用于基于最新警情的发生位置信息、所述感受野筛选器、各辖区内所有路段未来一周的发案概率、所述路网数据库、所述路网计算引擎和所述实时警力资源分布数据库,进行警力调度和巡控路线规划。
本发明的有益效果在于:本发明基于历史案事件数据库和嫌疑人落脚点数据库,时空环境数据库、路网数据库和街景数据库,时空轨迹数据库和实时警力资源分布数据库,可以得到待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及待预测路段的认知特征向量、待预测路段在感受野内的路网结构特征;基于深度学习的CTR预估模型和上述数据,可以预估待预测路段未来一周的发案概率,通过对待预测路段未来一周的发案概率进行正则化,可以得到修正后的待预测路段未来一周的发案概率。同时,还可以实现警力调度和巡控路线规划。本发明采用基于路网的推理方式进行犯罪模式的识别和预测,相比于一般基于栅格的犯罪时空预测模型,以路网为分析载体路段为分析单元的方式,缓解了数据稀疏性的问题,同时解决了栅格划分尺度大小的选择的问题,有效适应了空间异构性。同时,为了便于预测结果的执行调度,本发明还可以根据预测结果实时修正巡防路线,提高高风险路段巡防覆盖率和巡防频次。
附图说明
图1为本发明实施例中提供的一种犯罪时空风险预测及决策调度方法的流程示意图;
图2为本发明实施例中提供的一种犯罪时空风险预测及决策调度***的结构示意图;
图3为本发明实施例中提供的街景图谱化模块的图片间关系示意图;
图4为本发明实施例中提供的街景图谱化模块的场景语义树示意图;
图5为本发明实施例中提供的微观特征融合模块的模型训练示意图;
图6为本发明实施例中提供的一种犯罪时空风险预测及决策调度装置的结构示意图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
如图1所示,一种犯罪时空风险预测及决策调度方法,包括以下步骤:
S100、获取数据资源并建立相应的数据库,其中,数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于主体行为数据建立时空轨迹数据库和实时警力资源分布数据库。
对于案事件时空数据,将其中的时空位置数据存入地理数据库,其他属性信息存入关系型数据库。对于时空环境数据库和路网数据库,属于结构化数据,时空环境数据库包括POI等时空环境数据,路网数据库包括OSM等路网数据,将结构化数据中的空间位置数据存入地理数据库,其他属性信息存入关系型数据库。对于街景数据库,则属于非结构化数据,将其中的空间位置数据存入地理数据库,图像则直接存入文件***中,还可以对图像进行向量化后存入Milvus等向量检索引擎中,方便后期的检索。对于主体行为数据,将其存入时序数据库。
需要说明的是,上述数据资源可以通过网上公开渠道获取,也可以通过其他合法渠道获取。
S200、基于待预测路段、嫌疑人落脚点数据库、时空环境数据库、路网数据库、街景数据库和时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及待预测路段的认知特征向量、待预测路段在感受野内的路网结构特征。
在获取到S100中的数据资源以后,需要对数据资源进行数据治理,具体包括将综合多种模型对数据进行预处理及特征工程,最终获得待预测路段的感受野内所有犯罪人的潜在落脚点到该路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及该路段的认知特征向量、待预测路段在感受野内的路网结构特征。
如图2所示,对于感受野筛选器1,感受野是当前待处理时空位置时空上连续且关联的一定范围。感受野筛选器1以待查询地理坐标为输入,并以其为起点计算出30分钟步行等时圈作为数据筛选器,获取数据筛选器内的数据作为返回值。待预测路段的感受野,是指选定一段路段作为待预测路段,将待预测路段的地理坐标输入感受野筛选器1,可以得到待预测路段的感受野。
S200中,获取待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会,包括:
基于统一机会出行模型和图计算引擎获取带有时空风险的路段跳转有效距离图,在基于待预测路段和感受野筛选器获得的感受野内,从嫌疑人落脚点数据库中获取所有犯罪人的潜在落脚点,基于路段跳转有效距离图计算从潜在落脚点到待预测路段的出行概率,即犯罪机会。
路网是时空轨迹的载体之一,但地点在时空上的可达性并不能直接由地理距离体现。环境犯罪学的犯罪模式理论提到因时空上人流分布会造成犯罪吸引地和犯罪生成地的产生和消失,这种时空上人流的分布在现今交通便捷的场景下无法用地理距离直接体现。罪犯的犯罪机会和时空上的人流分布密切相关,通过基于流量的距离转换将地理距离转化为有效距离,可以更好地建模统一机会出行模型(介入机会计算模块15)。图2中还包括有效转移距离转换模块11、路网匹配模块12和时空轨迹数据库10。调用时空轨迹数据库10获取时空轨迹,通过路网匹配模块12获取轨迹对应的路段,根据实际路网补充缺失路段。将时空轨迹按日切分,每日从2时至次日2时划分为跨度4小时共6个时间切片,计算每个切片内路段间跳转的频次。使用网络中有效距离计算路网中路段与路段间的有效距离,有效距离使用Brockmann在《The hidden geometry of complex,network-driven contagionphenomena》中的定义:
dmn=(1-logPmn)≥1
其中Pmn为m到n的流量占m总流量的比值,即从节点m跳转至节点n的概率。将有效距离按不同时间切片存储为路段间关系的有向权重,并输出不同时间切片的路段跳转有效距离图。有效距离转移模块11对空间距离依据时空上人群的聚集程度进行了加权,使得相同地理距离下,时空上聚集程度相对较大的区域相比聚集程度较小区域的加权距离更小,为了更好地模拟犯罪风险区域的可达性。
如图2所示,为了实现介入机会计算模块15,需要使用路段跳转有效距离图13、图计算引擎14、感受野筛选器1、嫌疑人落脚点数据库16。具体地,介入机会计算模块15使用统一机会出行模型通过图计算引擎获取带有时空风险的路段跳转有效距离图,在基于感受野筛选器获得的感受野范围内,从嫌疑人落脚点数据库中获取潜在落脚点数据,计算从潜在落脚点出发到待预测路段的出行概率,即犯罪机会。统一机会出行模型采用以下模型:
其中,mi为起点机会值,mj为终点机会值,α与β为超参数(0≤α+β≤1)分别衡量对象的探索性倾向和谨慎性倾向,sij为介入机会值。对于仅有1起案件的嫌疑人,α=β=0.5;对于作案大于1起的嫌疑人,α=n/(n+m),β=m/(n+m);n为落脚点所在辖区外作案数量,m为落脚点所在辖区内作案数量。
S200中,获取待预测路段的感受野内所有犯罪人的社会结构特征,包括:
基于待预测路段的感受野内所有犯罪人的作案关系、户籍关系和空间临近关系构建潜在社会关系,基于潜在社会关系,使用node2vec模型获取犯罪人的社会结构特征。
S200中,获取待预测路段在感受野内的路网结构特征,包括:
在基于待预测路段和感受野筛选器获得的感受野内,基于路网数据库筛选出相应的路网数据,通过图计算引擎对筛选出的路网数据进行图嵌入操作,使用node2vec模型获取待预测路段在感受野内的路网结构特征。
图2中结构特征计算模块7主要分两块,一块是获取罪犯的社会网络结构特征,另一块是获取待预测路段在路网中的结构特征。对路网,需要调用感受野筛选器1,对筛选出的路网进行图嵌入操作,使用node2vec模型获取待预测路段的特征向量;对社会网络结构特征,需要从作案关系、户籍关系和空间临近关系上构建潜在社会关系(作案关系即同伙关系,户籍关系即来源省份相同,空间临近关系即落脚点空间临近),同样使用node2vec模型获取罪犯的社会网络结构特征,并返回感受野范围内落脚点对应的罪犯社会网络结构特征。
S200中,获取待预测路段的认知特征向量,包括:
S200a、基于街景数据库和预训练深度学习模型,对待预测路段的街景数据进行全景分割,基于分割得到的实体和场景语义树,得到待预测路段对应的街景图谱,将待预测路段对应的街景图谱作为场景的客观认知表征,将六维认知向量作为场景的主观认知表征。
其中,使用Place Pulse项目的开放数据集进行图谱化处理,得到相应的街景图谱,使用图卷积网络训练相应的街景图谱形成六维认知向量。
首先,图2中的街景图谱化模块19对街景数据库18中采集到的对应路段的街景数据,利用预训练深度学习模型进行全景分割,再将分割得到的实体依据场景语义树形成图谱。
具体地,场景语义树由街景中常见的物体组成,根据物体的状态、属性、类型进行划分。本发明采用COCO数据集预训练的全景分割模型进行图像处理,其场景语义树如图4所示,其中叶子节点的数字0-2分别表示该物体常出现的空间位置(地面、地面上但不脱离地面以及天空),同一空间位置内,静态物体之间为关联关系,动态物体之间为依赖关系(弱于关联关系);相邻空间位置间,物体为依赖关系;图像中邻接的物体,两者均为静态物体则为关联关系,若其中任意一个为动态物体则为依赖关系。如图3所示,若同一空间位置采集了多个角度的街景,则图片间物体的关系遵循“不跨层”处理的原则,即同一空间位置的物体间建立关系,不同空间位置的物体不建立关系,同层内,两不同图像的物体在场景语义树中父节点相同,若二者均为静态物体则建立关联关系,若二者中存在动态物体则为依赖关系;两不同图像的物体其祖父节点相同,则静态物体间建立关联关系,存在动态物体的建立依赖关系。
然后,使用Place Pulse项目的开放数据集进行同样的图谱化处理,用图卷积网络训练街景图谱形成六维认知向量。并将训练完成的模型迁移至***中为每张街景的街景图谱形成认知向量。
最后,将待预测路段的街景图谱作为场景的客观认知表征,六维认知向量作为场景的主观认知表征。
S200b、基于待预测路段和路网数据库,对对应的路网数据进行采样形成数据集,在训练数据集时,对于每一组客观认知特征及主观认知特征,将其中的客观认知特征依次经过第一图神经网络层、图池化层、第二图神经网络层和图读出层,得到对应的客观认知特征向量,将对应的客观认知特征向量与其中的主观认知特征对应的主观认知特征向量依次进行拼接操作和线性回归预测,得到路段风险值,最终输出待预测路段的认知特征向量。
如图5所示,图2中的微观认知特征融合模块20将训练并融合生成待预测路段的认知特征向量。首先对路网进行采样形成数据集,在训练数据集过程中,对于每一组客观认知特征及主观认知特征,将客观认知表征经过图神经网络层及图池化层,并进行readout操作(读出),对readout后的特征向量与主观认知向量进行拼接操作之后进行线性回归预测路段风险值。对于一条路段有个街景采集点的情况,将直接对所有的主观特征向量进行求和,对客观特征则采用readout后求和的方式。对于没有街景但是也采样进入数据集的路段,其主客观特征向量将随机初始化并直接拼接进行线性回归预测,即训练时只更新线性回归部分的参数。训练完成后,最终输出待预测路段的主客观特征向量。
图2中还包括双指数趋势拟合模块3,双指数趋势拟合模块3用于利用双指数模型对路段所属的历史案事件依据时序进行趋势拟合,返回下一阶段发案机会。双指数模型采用Cristian Candia等在2018年《Nature》上提出的集体记忆衰减模型,定义如下:
其中,N为初始机会值,设置为1;p、q、r为衰减参数,可调用历史案件数据库2中的数据拟合得出。对每条路段所属的案件按照时序进行排列,利用一定长度的时间窗口(默认为一周)对案件数量进行滑动平均,取最近一月中滑动平均值最大的为t=0时刻,之后的机会值为每时刻的滑动平均值与初始时刻滑动平均值的比值。对于当前时刻即最大值的情况,默认下一阶段的发案机会为50%。
考虑到犯罪活动的临近重复特性,需要利用图2中的一阶路段传播模块4调用图计算引擎14从路段跳转有效距离图13中获取对应数据,计算待预测路段在路网中的邻居路段波及的风险,定义传播的范围为近一月已发案路段的一阶邻居,其邻居的发案机会为当前路段发案机会的二分之一。将剩余没有发案记录路段的发案机会置为20%。
由于时空上的犯罪风险与空间异质性有关,异质性的表征可以通过POI等时空环境数据计算。根据历史发案数据统计,可以得出发案处路段所对应的特定类型的时空环境数据,据此筛选出符合条件的特定类型时空数据。之后用特征工程将特定类型时空数据和路段的发案机会转换为特征向量,对一个月内发生过案件的路段标记为1,否则为0,对路段传播模块计算后仍无发案机会的路段采用贝叶斯回归模型预测后的发案机会作为其机会值。由于时空环境数据短期内不会变更的特性,贝叶斯回归模型采用线下更新模式,不需要实时更新参数。
除此之外,图2中的方向熵计算模块17用于计算待预测路段的感受野内所有路段的方向熵。方向熵是衡量一个区域内路网混乱程度的指标,2019年由Geoff Boeing发表在《Applied Network Science》,其定义如下:
其中P(oi)是第i个方向的路段占区域内路段总数的比值(将正北方设置为0°,起始位置为5°,每10°一个间隔将360°划分为36等分),本发明采用的是方向熵的加权版本,即考虑第i个方向的长度占区域内路段总长度的比值。这里的区域使用感受野划分。
S300、基于深度学习的CTR预估模型、输出数据以及待预测路段的累计风险值,预估待预测路段未来一周的发案概率,其中,待预测路段的累计风险值基于待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到。
图2中的未来发案概率预估模块21与以往以矩阵为输入的神经网络预测模型不同,这里采用基于神经网络改进的深度点击率预估模型(CTR预估模型)进行未来发案概率预测。将结构特征计算模块7、介入机会计算模块15、方向熵计算模块17和微观认知特征融合模块20的输出作为点击率预估模型的输入,最终输出结果为待预测路段未来一周的发案概率。CTR预估模型原本是应用于推荐***领域电商场景中的广告点击率预测任务,本发明将时空上的犯罪事件发生的概率建模一定范围内的潜在罪犯从落脚点到待预测路段犯罪的概率。本发明采用30分钟步行等时圈作为筛选条件。对于潜在罪犯落脚点的定义,本发明选用前科人员历史落脚点作为高风险落脚点,考虑到外来人口、落脚点变更等问题,本发明选用等时圈内居民区、村落、旅店等居住用地所在位置作为潜在风险落脚点。通过介入机会计算模块得出各落脚点到待预测路段的出行概率,然后采用加权方式求出累计概率。首先给高风险落脚点赋权为1,潜在风险落脚点赋权为0.1,对等时圈内的所有落脚点权值归一化至0~1之间的小数,然后用各落脚点权值乘上对应的出行概率算出待预测路段的累计风险值,由于机会值会随着案事件数据的更新而变动,因此累计风险值也是一个动态变化的值。针对等时圈范围内有历史落脚点的前科人员社会结构特征向量也采取同样的加权操作(权值同上,对于潜在风险落脚点的特征向量为0向量)。最终CTR预估模型的输入为累计风险值、求和后的前科人员社会结构特征向量、待预测路段的结构特征向量、待预测路段所在区域的方向熵、待预测路段的主客观特征向量。
推荐***领域近年来发展迅速,CTR预估模型的类型繁多,通用的模型有CCPM、PNN、Wide&Deep、DeepFM、MLR、NFM等。若需要综合考虑时序,可选用的模型有DIN、DIEN等。
S400、基于待预测路段未来一周的发案概率、感受野筛选器、辖区筛选器、热点迁移规则库和历史案事件数据库,进行正则化,得到修正后的待预测路段未来一周发案概率。
S400包括:将基于辖区筛选器筛选出的待预测路段所在辖区及其相邻辖区的总范围与基于感受野筛选器筛选出的感受野范围做并集,得到并集范围,基于历史案事件数据库获取并集范围内的所有犯罪高发路段,基于并集范围内的所有犯罪高发路段和热点迁移规则库中的热点迁移规则,计算所有犯罪高发路段潜在转移到待预测路段的转移概率,取所有转移概率中的最大值,通过贝叶斯公式修正待预测路段未来一周的发案概率。
如图2所示,实现预估概率正则模块22,需要使用辖区筛选器24、感受野筛选器1、热点迁移规则库23和历史案事件数据库2。具体地,在通过未来发案概率预估模块21得到待预测路段未来一周发案概率后,需要用预估概率正则模块22对该概率进行正则化,首先通过辖区筛选器24筛选出待预测路段所在辖区及其相邻辖区的总范围并与感受野筛选器1筛选出的范围取并集。通过历史案事件数据库2获取该范围内所有犯罪高发路段,并通过热点迁移规则库23中的热点迁移规则计算潜在转移到该路段的风险,取所有转移概率中的最大值,通过贝叶斯公式修正当前路段未来一周的发案概率。
通过S100-S400,能得到修正后的待预测路段未来一周的发案概率。通过S100-S400的方法,能够得到各辖区内所有路段未来一周的发案概率。基于各辖区内所有路段未来一周的发案概率,可以实现警力调度和巡控路线规划。
S500、基于最新警情的发生位置信息、感受野筛选器、各辖区内所有路段未来一周的发案概率、路网数据库、路网计算引擎和实时警力资源分布数据库,进行警力调度和巡控路线规划。
S500包括:
S500a、当出现最新警情时,基于最新警情的发生位置信息和感受野筛选器,以最新警情对应的街道为起点获取预定时圈,将预定时圈与最新警情所属辖区范围做交集,得到交集范围,基于实时警力资源分布数据库获取交集范围内的所有在岗巡控警力,从当前的巡控方案中筛选出状态不是最高优先级的巡控方案加入调度候选名单,通过路网计算引擎调用路网数据库中在计算范围内的路网数据,从调度候选名单筛选出耗时最短的巡控方案,将其状态置为最高优先级,并得到相应的巡控路线信息。
S500b、当未出现最新警情时,基于各辖区内所有路段未来一周的发案概率,通过路网计算引擎,以各辖区派出所所在位置为起点,计算得到警力在一定时间内分别符合巡控范围最大、累计巡控发案区域及风险最大、警力间巡控重合度最低三个巡控目标的巡控方案,并得到各自对应的巡控路线信息。
如图2所示,为了实现警力调度模块25,需要使用实时警力资源分布数据库25、最新发案位置监听模块26、路网计算引擎6和路网数据库5。具体地,警力调度模块25将下一阶段的路线规划方案划分为三个等级:一级、二级、三级,其中一级为最高优先级。当有最新的警情发生位置输入时,先调用感受野筛选模块1以警情对应街道为起点获取10分钟车行等时圈并与警情所属辖区范围做交集,从实时警力资源分布数据库25获取该范围内的所有在岗巡控警力,筛选出当前的巡控方案状态不是一级的进入调度候选名单,通过路网计算引擎6调用路网数据库5中在计算范围内的路网数据,从候选名单中筛选出耗时最短的警力将其状态置为一级,并返回导航线路信息。对于***尚未出现最新警情的情况,获取各辖区内所有路段未来一周发案概率,通过路网计算引擎6计算自辖区派出所所在位置起,警力在一定时间内实现巡控范围最大、累计巡控发案区域及风险最大、警力间巡控重合度最低三个巡控目标,并返回各自对应的巡控路线规划。
现有技术主要利用基于栅格的推理方式进行犯罪模式的识别和预测,其预测方式的合理性及预测结果的可解释性无法充分保证。本发明综合了图像、文本、表格等多种形式和尺度的数据,采用基于路网的推理方式进行犯罪模式的识别和预测。相比于一般基于栅格的犯罪时空预测模型,以路网为分析载体路段为分析单元的方式,缓解了数据稀疏性的问题,同时解决了栅格划分尺度大小的选择的问题,有效适应了空间异构性。
针对零样本时空的风险预估问题,本发明基于逻辑回归的方法,利用局部范围的环境要素统计指标和已发案地区的犯罪数据统计指标,以及一定范围内现存风险热点潜在迁移信息,联合预估零样本地区的潜在时空风险概率。
针对犯罪时空机会和基于时空机会的犯罪出行建模问题,本发明基于有效距离利用轨迹数据和路网数据建模犯罪模式理论中的犯罪生成机理,利用POI等环境要素数据结合发案数量表征犯罪机会。并在此基础上,利用统一机会出行模型预测罪犯出行的潜在线路。
本发明将街景数据应用于犯罪预测***,并提出构造认知特征向量的方法表征人对当前路段环境的认知。
考虑到犯罪活动的临近重复现象及犯罪出行的模式特点,本发明提出基于双指数模型的趋势拟合模型拟合已发案件区域时空风险的变化趋势。基于感受野的分析方法,还原理论模型的同时降低***的计算量。
同时,本发明采用的预测模型部分使用带有上下文信息的时空特征向量进行输入,避免了因为预测范围变更造成输入维度变更的问题,具有更强的可迁移性。
此外,本发明增加了预测概率正则模块辅助使用者决策,基于环境犯罪学中犯罪模式理论的热点迁移规则对预测结果进行修正,提高了预测结果的可解释性,也增加了纠偏的灵活性。
最后,为了便于预测结果的执行调度,本发明提供了警力调度模块,根据预测结果实时修正巡防路线,提高高风险路段巡防覆盖率和巡防频次。
如图6所示,一种犯罪时空风险预测及决策调度装置,包括:
获取模块601,用于获取数据资源并建立相应的数据库,其中,数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于主体行为数据建立时空轨迹数据库和实时警力资源分布数据库。
数据治理模块602,用于基于待预测路段、嫌疑人落脚点数据库、时空环境数据库、路网数据库、街景数据库和时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及待预测路段的认知特征向量、待预测路段在感受野内的路网结构特征。
未来发案概率预估模块603,用于基于深度学习的CTR预估模型、输出数据以及待预测路段的累计风险值,预估待预测路段未来一周的发案概率,其中,待预测路段的累计风险值基于待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到。
预估概率正则模块604,用于基于待预测路段未来一周的发案概率、感受野筛选器、辖区筛选器、热点迁移规则库和历史案事件数据库,进行正则化,得到修正后的待预测路段未来一周发案概率。
调度模块605,用于基于最新警情的发生位置信息、感受野筛选器、各辖区内所有路段未来一周的发案概率、路网数据库、路网计算引擎和实时警力资源分布数据库,进行警力调度和巡控路线规划。
本实施例中,一种犯罪时空风险预测及决策调度装置可以是计算机,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行前述犯罪时空风险预测及决策调度方法。存储器与处理器可以通过总线连接。存储单元可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以进一步包括只读存储单元(ROM)。计算机还包括与总线连接的显示单元。显示单元可以对前述患者潜在重要信息等进行显示。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被上述处理器执行时实现前述犯罪时空风险预测及决策调度方法。
需要说明的是,本实施例中犯罪时空风险预测及决策调度装置和方法为同一发明构思,关于犯罪时空风险预测及决策调度装置装置的功能可以详见犯罪时空风险预测及决策调度方法实施例。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种犯罪时空风险预测及决策调度方法,其特征在于,包括以下步骤:
S100、获取数据资源并建立相应的数据库,其中,所述数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于所述案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于所述时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于所述主体行为数据建立时空轨迹数据库和实时警力资源分布数据库;
S200、基于待预测路段、所述嫌疑人落脚点数据库、所述时空环境数据库、所述路网数据库、所述街景数据库和所述时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,所述输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及所述待预测路段的认知特征向量、所述待预测路段在感受野内的路网结构特征;
S300、基于深度学习的CTR预估模型、所述输出数据以及待预测路段的累计风险值,预估所述待预测路段未来一周的发案概率,其中,所述待预测路段的累计风险值基于所述待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到;
S400、基于所述待预测路段未来一周的发案概率、所述感受野筛选器、辖区筛选器、热点迁移规则库和所述历史案事件数据库,进行正则化,得到修正后的所述待预测路段未来一周发案概率;
S500、基于最新警情的发生位置信息、所述感受野筛选器、各辖区内所有路段未来一周的发案概率、所述路网数据库、所述路网计算引擎和所述实时警力资源分布数据库,进行警力调度和巡控路线规划。
2.根据权利要求1所述的方法,其特征在于,S100中,
对于所述案事件时空数据,将其中的时空位置数据存入地理数据库,其他属性信息存入关系型数据库;
对于所述时空环境数据库和所述路网数据库,将其中的空间位置数据存入地理数据库,其他属性信息存入关系型数据库;
对于所述街景数据库,将其中的空间位置数据存入地理数据库,图像存入文件***中,将向量化后的图像存入向量检索引擎中;
对于所述主体行为数据,将其存入时序数据库。
3.根据权利要求1所述的方法,其特征在于,S200中,获取所述待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会,包括:
基于统一机会出行模型和所述图计算引擎获取带有时空风险的路段跳转有效距离图,在基于所述待预测路段和所述感受野筛选器获得的感受野内,从所述嫌疑人落脚点数据库中获取所有犯罪人的潜在落脚点,基于所述路段跳转有效距离图计算从潜在落脚点到所述待预测路段的出行概率,即犯罪机会。
4.根据权利要求1所述的方法,其特征在于,S200中,获取所述待预测路段的感受野内所有犯罪人的社会结构特征,包括:
基于所述待预测路段的感受野内所有犯罪人的作案关系、户籍关系和空间临近关系构建潜在社会关系,基于所述潜在社会关系,使用node2vec模型获取犯罪人的社会结构特征。
5.根据权利要求1所述的方法,其特征在于,S200中,获取所述待预测路段在感受野内的路网结构特征,包括:
在基于所述待预测路段和所述感受野筛选器获得的感受野内,基于所述路网数据库筛选出相应的路网数据,通过所述图计算引擎对筛选出的路网数据进行图嵌入操作,使用node2vec模型获取所述待预测路段在感受野内的路网结构特征。
6.根据权利要求1所述的方法,其特征在于,S200中,获取所述待预测路段的认知特征向量,包括:
基于所述街景数据库和预训练深度学习模型,对所述待预测路段的街景数据进行全景分割,基于分割得到的实体和场景语义树,得到所述待预测路段对应的街景图谱,将所述待预测路段对应的街景图谱作为场景的客观认知表征,将六维认知向量作为场景的主观认知表征;
基于所述待预测路段和所述路网数据库,对对应的路网数据进行采样形成数据集,在训练所述数据集时,对于每一组客观认知特征及主观认知特征,将其中的客观认知特征依次经过第一图神经网络层、图池化层、第二图神经网络层和图读出层,得到对应的客观认知特征向量,将对应的客观认知特征向量与其中的主观认知特征对应的主观认知特征向量依次进行拼接操作和线性回归预测,得到路段风险值,最终输出所述待预测路段的认知特征向量。
7.根据权利要求1所述的方法,其特征在于,S400包括:
将基于所述辖区筛选器筛选出的所述待预测路段所在辖区及其相邻辖区的总范围与基于所述感受野筛选器筛选出的感受野范围做并集,得到并集范围,基于所述历史案事件数据库获取所述并集范围内的所有犯罪高发路段,基于所述并集范围内的所有犯罪高发路段和所述热点迁移规则库中的热点迁移规则,计算所有犯罪高发路段潜在转移到所述待预测路段的转移概率,取所有转移概率中的最大值,通过贝叶斯公式修正所述待预测路段未来一周的发案概率。
8.根据权利要求1-7任一项所述的方法,其特征在于,S500包括:
当出现最新警情时,基于所述最新警情的发生位置信息和所述感受野筛选器,以所述最新警情对应的街道为起点获取预定时圈,将所述预定时圈与所述最新警情所属辖区范围做交集,得到交集范围,基于所述实时警力资源分布数据库获取所述交集范围内的所有在岗巡控警力,从当前的巡控方案中筛选出状态不是最高优先级的巡控方案加入调度候选名单,通过所述路网计算引擎调用所述路网数据库中在计算范围内的路网数据,从所述调度候选名单筛选出耗时最短的巡控方案,将其状态置为最高优先级,并得到相应的巡控路线信息。
9.根据权利要求1-7任一项所述的方法,其特征在于,S500还包括:
当未出现最新警情时,基于各辖区内所有路段未来一周的发案概率,通过所述路网计算引擎,以各辖区派出所所在位置为起点,计算得到警力在一定时间内分别符合巡控范围最大、累计巡控发案区域及风险最大、警力间巡控重合度最低三个巡控目标的巡控方案,并得到各自对应的巡控路线信息。
10.一种犯罪时空风险预测及决策调度装置,其特征在于,包括:
获取模块,用于获取数据资源并建立相应的数据库,其中,所述数据资源包括案事件时空数据、时空背景环境数据和主体行为数据,包括:基于所述案事件时空数据建立历史案事件数据库和嫌疑人落脚点数据库,基于所述时空背景环境数据建立时空环境数据库、路网数据库和街景数据库,基于所述主体行为数据建立时空轨迹数据库和实时警力资源分布数据库;
数据治理模块,用于基于待预测路段、所述嫌疑人落脚点数据库、所述时空环境数据库、所述路网数据库、所述街景数据库和所述时空轨迹数据库,以及路网计算引擎、图计算引擎和感受野筛选器,进行数据治理,得到输出数据,所述输出数据包括:待预测路段的感受野内所有犯罪人的潜在落脚点到所述待预测路段的犯罪机会、犯罪人的社会结构特征、感受野内所有路段的方向熵以及所述待预测路段的认知特征向量、所述待预测路段在感受野内的路网结构特征;
未来发案概率预估模块,用于基于深度学习的CTR预估模型、所述输出数据以及待预测路段的累计风险值,预估所述待预测路段未来一周的发案概率,其中,所述待预测路段的累计风险值基于所述待预测路段的感受野内所有犯罪人的潜在落脚点到待预测路段的犯罪机会计算得到;
预估概率正则模块,用于基于所述待预测路段未来一周的发案概率、所述感受野筛选器、辖区筛选器、热点迁移规则库和所述历史案事件数据库,进行正则化,得到修正后的所述待预测路段未来一周发案概率;
调度模块,用于基于最新警情的发生位置信息、所述感受野筛选器、各辖区内所有路段未来一周的发案概率、所述路网数据库、所述路网计算引擎和所述实时警力资源分布数据库,进行警力调度和巡控路线规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076296.5A CN114169659A (zh) | 2021-01-20 | 2021-01-20 | 一种犯罪时空风险预测及决策调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076296.5A CN114169659A (zh) | 2021-01-20 | 2021-01-20 | 一种犯罪时空风险预测及决策调度方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169659A true CN114169659A (zh) | 2022-03-11 |
Family
ID=80476351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076296.5A Pending CN114169659A (zh) | 2021-01-20 | 2021-01-20 | 一种犯罪时空风险预测及决策调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169659A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114753A (zh) * | 2022-05-30 | 2022-09-27 | 中铁二院工程集团有限责任公司 | 一种复杂艰险山区铁路线路平面智能设计方法 |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和*** |
-
2021
- 2021-01-20 CN CN202110076296.5A patent/CN114169659A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114753A (zh) * | 2022-05-30 | 2022-09-27 | 中铁二院工程集团有限责任公司 | 一种复杂艰险山区铁路线路平面智能设计方法 |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和*** |
CN116433051B (zh) * | 2023-06-09 | 2023-08-18 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Multi-community passenger demand prediction at region level based on spatio-temporal graph convolutional network | |
Ali et al. | Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction | |
US11270579B2 (en) | Transportation network speed foreeasting method using deep capsule networks with nested LSTM models | |
Lee et al. | A visual analytics system for exploring, monitoring, and forecasting road traffic congestion | |
Phithakkitnukoon et al. | Taxi-aware map: Identifying and predicting vacant taxis in the city | |
CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
CN112200351A (zh) | 一种基于手机信令数据的城市区域客流量预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Huang et al. | A GAN framework-based dynamic multi-graph convolutional network for origin–destination-based ride-hailing demand prediction | |
Ma et al. | Multi-attention graph neural networks for city-wide bus travel time estimation using limited data | |
CN114169659A (zh) | 一种犯罪时空风险预测及决策调度方法和装置 | |
Rajeh et al. | Modeling multi-regional temporal correlation with gated recurrent unit and multiple linear regression for urban traffic flow prediction | |
Li et al. | A data-driven spatial-temporal graph neural network for docked bike prediction | |
Shao et al. | Incorporating lstm auto-encoders in optimizations to solve parking officer patrolling problem | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Turukmane et al. | Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
Han et al. | Deep-AIR: A hybrid CNN-LSTM framework for air quality modeling in metropolitan cities | |
Ueda et al. | Spatio-temporal multidimensional collective data analysis for providing comfortable living anytime and anywhere | |
CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
Chang et al. | New travel time prediction algorithms for intelligent transportation systems | |
Babaei et al. | Spatial Data-Driven Traffic Flow Prediction Using Geographical Information System | |
Huang et al. | Deep ConvLSTM-inception network for traffic prediction in smart cities | |
Yuan et al. | A novel learning approach for citywide crowd flow prediction |
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 |