CN114898889A - 一种基于大数据的聚集性风险控制模型的设计方法 - Google Patents

Abstract

本发明公开了一种基于大数据的聚集性风险控制模型的设计方法，该方法包括：步骤1，选择监控场所并设计视频点位，布控AI计数摄像头；步骤2，利用时间序列模型预测聚集区域内分时段总人数；步骤3，根据各区域分时段人数分布，利用警力部署模型合理部署警力。步骤4，设计巡逻岗位区域划分模型，自动安排调度巡逻机器人，及时发现可疑风险。步骤5，设计风险控制模型，即根据历史风险数据建立聚集性风险评估体系，计算人群聚集风险控制态势指数并***预警；达到了精准预测异常聚集，实现最优化部署警力，同时实现自适应巡逻调度。

Description

一种基于大数据的聚集性风险控制模型的设计方法

技术领域

本发明涉及大数据、数据挖掘和社会治理研究领域，具体涉及一种基于大数据的聚集性风险控制模型的设计方法。

背景技术

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：城市开放性公共场所人群聚集度高、行人流动性大，相对于封闭性场所来说风险不确定性大，发生拥挤踩踏等安全事故的几率很高。要控制场所的人群聚集风险，对其进行警力部署是比较适宜的手段。如果没有比较合理的警力部署方案，在大部分人员密集的开放性公共场所中就会存在警力不足、警力过剩、警力调度不及时、装备资源浪费和部署效率低等问题，这些问题将直接增加各类安全事故发生的概率，最终会造成不可逆转的后果。

为了克服现有技术的不足，本发明提供了一种基于大数据的聚集性风险控制模型的设计方法，达到了精准预测异常聚集，实现最优化部署警力，实现自适应巡逻调度。技术方案如下：

本发明提供了一种基于大数据的聚集性风险控制模型的设计方法，该方法包括如下步骤：

步骤1，选择监控场所并设计视频点位，布控AI计数摄像头；

利用ICP算法训练模型，得到AI计数摄像头，使得在监控范围内，AI摄像头可通过对指定范围内人员的三维信息进行分析识别出人员个体，从而实现人员计数。

步骤2，利用时间序列模型预测聚集区域内分时段总人数；

AI摄像头布控后运行数天，得到各区域的历史客流规律，即得到各区域分时段人数分布，据历史客流规律利用时间序列模型，分时段计算当天各聚集区域总人数预测值。

步骤3，根据各区域分时段人数分布，利用警力部署模型合理部署警力。

警力部署模型：设定区域数量为m个，某区域某时段的总人数为p，区域面积为s，区域人数密度

其中人数密度f>3.8的区域即人流集中点，必须安排警力，多个人流集中点形成人流集中点列表，记区域i和区域j的距离为 d_ij,i,j∈{1、2、3、……m}，巡警人数为n，出警速度为v。假设区域发生可疑风险事件时，警察必须在10分钟内赶到才能避免案件发生；假定同一时间只有一个区域有案件发生风险，则设定目标函数为：

约束条件为:

其中，

L为人流集中点列表。

利用求解器cbc即可求得上述最优化问题，根据计算结果可得到多个警力分布点，并提前安排好警力部署。

同时根据AI计数摄像头实时统计当前区域总人数p'，每小时更新人流集中点列表并对应更新警力部署模型，根据实时结果重新安排警力，达到巡逻效果。

步骤4，设计巡逻岗位区域划分模型，自动安排调度巡逻机器人，及时发现可疑风险。

根据所述警力部署模型得到的警力分布点，记为X＝{x₁,x₂,…,x_p}，根据Delaunay三角形法，构造泰森多边形。

根据泰森多边形法就得到了泰森多边形区域，该区域即对应巡逻区域，安排对应数量的巡逻机器人在各巡逻区域内进行定线式巡逻。

步骤5，设计风险控制模型，即根据历史风险数据建立聚集性风险评估体系，计算人群聚集风险控制态势指数并***预警；具体如下：

首先获取区域历史聚集性风险数据；根据历史聚集性风险特征标签，由人工标注风险预警等级。

利用决策树CART训练模型，自变量为风险特征，因变量为预警等级，提取出最相关的特征X＝(x₁₁,…,x₂₁,…,x_m'n')、对应权重A＝(a₁₁,…,a₂₁,…,a_m'n') 和预测概率Y＝(y₁,y₂,…,y_m')，对应表达式如下：

其中m’是等级数，n’是特征数。

利用训练好的决策树模型进行预测：将区域历史行为特征输入训练好的决策树模型中，返回预警等级和风险概率y_i,i＝1,…,m'。

计算人群聚集风险控制态势指数R_i：

其中R_G为人群聚集风险指数；k₁为警力部署人数；k₂为步骤4中的巡逻机器人数；y_i为风险概率。根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施。

优选的，步骤1中布控AI计数摄像头，是在聚集易发场所的所有出入口布控AI计数摄像头，精准获取各区域总人数。

优选的，步骤2中分时段计算当天各聚集区域总人数预测值，具体如下：

根据历史人员流动规律的人流量分布情况，利用Fisher最优分割法把全天分成I个时段，使得每个时段的人流量的波动或方差最小，对于每个时段利用时间序列模型预测当天各区域总人数。

优选的，步骤3中目标函数的前提是：假定同一时间只有一个区域有案件发生风险，如果同一时间可能有两个区域有案件发生风险，则模型的约束条件调整为：

优选的，步骤4所述构造泰森多边形，具体为：

在警力分布点之间构建初始三角形，再经过每条边的中点画垂线，连接起来构成泰森多边形，记泰森多边形区域为T(x_i)，则T(x_i)＝{x∈T(x_i)|d(x,x_i)≤ d(x,x_j),j＝1,…,p,j≠i}，其中d表示两点之间的距离。

进一步的，步骤4还包括：在巡逻过程中识别到任何异常及时广播上传，人工查看广播视频后确认是否触发报警器，若报警器触发则自动联动附近已接入***的普通可控摄像机来同时捕捉现场视频，并对触发报警的视频片段进行自动保存。

优选的，步骤5所述聚集性风险数据具体包括风险伤亡人数、财务损失、围观人数、涉及特殊群体，风险发生时的区域警力数，近一年的区域风险发生总数，近一个月的风险发生总数。

优选的，步骤5根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施，具体为：将R_i≥1的区域风险进行A类预警，措施倾向于增加大量警力立即撤离人群；将0.8≤R_i<1的区域风险进行B类预警，措施倾向于增加大量警力引导人群和控制人群数量；0.6≤R_i<0.8的区域风险进行C类预警，措施倾向于增加少量警力疏导人群；否则不预警。

进一步的，步骤5中人群聚集风险指数R_G为：

其中f为区域人数密度；v'为人群平均移动速度；h为区域畅通指数(h∈[1,2])。

优选的，步骤5还包括：将步骤5得到的各区域的风险概率加入步骤3的警力部署模型中，保证风险大的区域能够部署更多的警力。

与现有技术相比，上述技术方案中的一个技术方案具有如下有益效果：通过布控AI计数摄像头，利用时间序列模型预测聚集区域内分时段总人数，精准预测异常聚集。根据各区域分时段人数分布，利用警力部署模型合理部署警力，实现最优化部署警力。通过设计巡逻岗位区域划分模型，自动安排调度巡逻机器人，及时发现可疑风险，实现自适应巡逻调度。同时设计风险控制模型，根据历史风险数据建立聚集性风险评估体系，计算人群聚集风险控制态势指数并实现***预警和预防。

附图说明

图1为本公开实施例提供的一种泰森多边形的示意图。

具体实施方式

为了阐明本发明的技术方案和工作原理，下面将结合附图对本公开实施方式做进一步的详细描述。上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

本申请的说明书和权利要求书及上述附图中的术语“步骤1”、“步骤2”、“步骤3”等类似描述(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里描述的那些以外的顺序实施。

本公开实施例提供了一种基于大数据的聚集性风险控制模型的设计方法，该方法包括如下步骤：

步骤1，选择监控场所并设计视频点位，布控AI计数摄像头；

利用ICP算法训练模型，得到AI计数摄像头，使得在监控范围内，AI摄像头可通过对指定范围内人员的三维信息进行分析识别出人员个体，从而实现人员计数。

通过实地调研，得到区域内所有聚集性频繁的场所，如：菜场、商场、广场、学校等。优选的，在聚集易发场所的所有出入口布控AI计数摄像头，精准获取各区域总人数，方便进一步对人群聚集等异常行为进行准确检测。

步骤2，利用时间序列模型预测聚集区域内分时段总人数；

AI摄像头布控后运行数天，得到各区域的历史客流规律，即得到各区域分时段人数分布，据历史客流规律利用时间序列模型，分时段计算当天各聚集区域总人数预测值。

优选的，步骤2中分时段计算当天各聚集区域总人数预测值，具体如下：

根据历史人员流动规律的人流量分布情况，利用Fisher最优分割法把全天分成I个时段，使得每个时段的人流量的波动或方差最小，对于每个时段利用时间序列模型预测当天各区域总人数。

步骤3，根据各区域分时段人数分布，利用警力部署模型合理部署警力。

根据已有研究表明，人群最大安全密度约为3.8人/平方米。假设某时段某区域的总人数为p，则根据区域面积s计算得到该区域人数密度

当f>3.8则认为该区域有案件发生风险。

警力部署模型：设定区域数量为m个，某区域某时段的总人数为p，区域面积为s，区域人数密度

其中人数密度f>3.8的区域即人流集中点，必须安排警力，多个人流集中点形成人流集中点列表，记区域i和区域j的距离为 d_ij,i,j∈{1、2、3、……m}(d_ij单位为米)，巡警人数为n，出警速度为v(v单位为米/分钟，假设每个人的出警速度都一样)。假设区域发生可疑风险事件时，警察必须在10分钟内赶到才能避免案件发生；为了部署最少的警力且保证所有区域都能避免案件发生，假定同一时间只有一个区域有案件发生风险，则设定目标函数为：

约束条件为:

其中，

L为人流集中点列表。

利用求解器cbc即可求得上述最优化问题，根据计算结果可得到多个警力分布点，并提前安排好警力部署。

同时根据AI计数摄像头实时统计当前区域总人数p'，每小时更新人流集中点列表并对应更新警力部署模型，根据实时结果重新安排警力，达到巡逻效果。

优选的，上述的前提假设是同一时间只有一个区域有案件发生风险，如果同一时间可能有两个区域有案件发生风险，则模型的约束条件调整为：

步骤4，设计巡逻岗位区域划分模型，自动安排调度巡逻机器人，及时发现可疑风险。

根据所述警力部署模型得到的警力分布点，记为X＝{x₁,x₂,…,x_p}，根据Delaunay三角形法，构造泰森多边形。

优选的，所述构造泰森多边形，具体为：

在警力分布点之间构建初始三角形，再经过每条边的中点画垂线，连接起来构成泰森多边形，附图1为一种泰森多边形的示意图。记泰森多边形区域为T(x_i)，则T(x_i)＝{x∈T(x_i)|d(x,x_i)≤d(x,x_j),j＝1,…,p,j≠i}，其中d表示两点之间的距离。

根据泰森多边形法就得到了泰森多边形区域，该区域即对应巡逻区域，安排对应数量的巡逻机器人在各巡逻区域内进行定线式巡逻(即按照规定的路线进行巡逻)。

优选的，在巡逻过程中识别到任何异常及时广播上传，人工查看广播视频后确认是否触发报警器，若报警器触发则自动联动附近已接入***的普通可控摄像机来同时捕捉现场视频，并对触发报警的视频片段进行自动保存。

步骤5，设计风险控制模型，即根据历史风险数据建立聚集性风险评估体系，计算人群聚集风险控制态势指数并***预警。

具体如下：

首先获取区域历史聚集性风险数据；根据历史聚集性风险特征标签，由人工标注风险预警等级(共分为4个等级：A红色预警、B橙色预警C黄色预警D 正常)。

优选的，所述聚集性风险数据具体包括风险伤亡人数、财务损失、围观人数、涉及特殊群体；风险发生时的区域警力数；近一年的区域风险发生总数；近一个月的风险发生总数。

利用决策树(CART)训练模型，自变量为风险特征，因变量为预警等级，提取出最相关的特征X＝(x₁₁,…,x₂₁,…,x_m'n')、对应权重A＝(a₁₁,…,a₂₁,…,a_m'n') 和预测概率Y＝(y₁,y₂,…,y_m')，对应表达式如下：

其中m’是等级数，n’是特征数。

利用训练好的决策树模型进行预测：将区域历史行为特征输入训练好的决策树模型中，返回预警等级和风险概率y_i,i＝1,…,m'。

计算人群聚集风险控制态势指数R_i：

其中R_G为人群聚集风险指数；k₁为警力部署人数；k₂为步骤4中的巡逻机器人数；y_i为风险概率。根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施。

优选的，步骤5根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施，具体为：将R_i≥1的区域风险进行A类预警，措施倾向于增加大量警力立即撤离人群；将0.8≤R_i<1的区域风险进行B类预警，措施倾向于增加大量警力引导人群和控制人群数量；0.6≤R_i<0.8的区域风险进行C类预警，措施倾向于增加少量警力疏导人群；否则不预警。

优选的，步骤5中人群聚集风险指数R_G为：

其中f为区域人数密度；v'为人群平均移动速度；h为区域畅通指数(h∈[1,2])。

可见，人群聚集风险指数越大表示人群聚集态势越危险，区域畅通指数越高表示该区域越畅通,聚集风险指数越小，警力部署人数越多表示该区域防范能力越强。

优选的，步骤5还包括：将步骤5得到的各区域的风险概率加入步骤3的警力部署模型中，保证风险大的区域能够部署更多的警力。具体是将区域人数密度乘以风险系数w，即区域人数密度

其中

y是区域风险概率，eps＝0.000001(避免分母为0)。

以上结合附图对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，该方法包括如下步骤：

步骤1，选择监控场所并设计视频点位，布控AI计数摄像头；

利用ICP算法训练模型，得到AI计数摄像头，使得在监控范围内，AI摄像头可通过对指定范围内人员的三维信息进行分析识别出人员个体，从而实现人员计数；

步骤2，利用时间序列模型预测聚集区域内分时段总人数；

AI摄像头布控后运行数天，得到各区域的历史客流规律，即得到各区域分时段人数分布，据历史客流规律利用时间序列模型，分时段计算当天各聚集区域总人数预测值；

步骤3，根据各区域分时段人数分布，利用警力部署模型合理部署警力；

警力部署模型：设定区域数量为m个，某区域某时段的总人数为p，区域面积为s，区域人数密度

其中人数密度f＞3.8的区域即人流集中点，必须安排警力，多个人流集中点形成人流集中点列表，记区域i和区域j的距离为d_ij，i，j∈{1、2、3、......m}，巡警人数为n，出警速度为v，假设区域发生可疑风险事件时，警察必须在10分钟内赶到才能避免案件发生；假定同一时间只有一个区域有案件发生风险，则设定目标函数为：

约束条件为：

其中，

L为人流集中点列表；

利用求解器cbc即可求得上述最优化问题，根据计算结果可得到多个警力分布点，并提前安排好警力部署；

同时根据AI计数摄像头实时统计当前区域总人数p′，每小时更新人流集中点列表并对应更新警力部署模型，根据实时结果重新安排警力，达到巡逻效果；

步骤4，设计巡逻岗位区域划分模型，自动安排调度巡逻机器人，及时发现可疑风险；

根据所述警力部署模型得到的警力分布点，记为X＝{x₁，x₂，...，x_p}，根据Delaunav三角形法，构造泰森多边形；

根据泰森多边形法就得到了泰森多边形区域，该区域即对应巡逻区域，安排对应数量的巡逻机器人在各巡逻区域内进行定线式巡逻；

步骤5，设计风险控制模型，即根据历史风险数据建立聚集性风险评估体系，计算人群聚集风险控制态势指数并***预警；具体如下：

首先获取区域历史聚集性风险数据；根据历史聚集性风险特征标签，由人工标注风险预警等级；

利用决策树CART训练模型，自变量为风险特征，因变量为预警等级，提取出最相关的特征X＝(x₁₁，...，x₂₁，...，x_m′n′)、对应权重A＝(a₁₁，...，a₂₁，...，a_m′n′)和预测概率Y＝(y₁，y₂，...，y_m′)，对应表达式如下：

其中m’是等级数，n’是特征数；

利用训练好的决策树模型进行预测：将区域历史行为特征输入训练好的决策树模型中，返回预警等级和风险概率y_i，i＝1，...，m′；

计算人群聚集风险控制态势指数R_i：

其中R_G为人群聚集风险指数；k₁为警力部署人数；k₂为步骤4中的巡逻机器人数；y_i为风险概率；根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施。

2.根据权利要求1所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤1中布控AI计数摄像头，是在聚集易发场所的所有出入口布控AI计数摄像头，精准获取各区域总人数。

3.根据权利要求1所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤2中分时段计算当天各聚集区域总人数预测值，具体如下：

根据历史人员流动规律的人流量分布情况，利用Fisher最优分割法把全天分成I个时段，使得每个时段的人流量的波动或方差最小，对于每个时段利用时间序列模型预测当天各区域总人数。

4.根据权利要求1所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤3中目标函数的前提是：假定同一时间只有一个区域有案件发生风险，如果同一时间可能有两个区域有案件发生风险，则模型的约束条件调整为：

5.根据权利要求1所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤4所述构造泰森多边形，具体为：

在警力分布点之间构建初始三角形，再经过每条边的中点画垂线，连接起来构成泰森多边形，记泰森多边形区域为T(x_i)，则T(x_i)＝{x∈T(x_i)|d(x，x_i)≤d(x，x_j)，j＝1，...，p，j≠i}，其中d表示两点之间的距离。

6.根据权利要求5所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤4还包括：在巡逻过程中识别到任何异常及时广播上传，人工查看广播视频后确认是否触发报警器，若报警器触发则自动联动附近已接入***的普通可控摄像机来同时捕捉现场视频，并对触发报警的视频片段进行自动保存。

7.根据权利要求1-6任一项所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤5所述聚集性风险数据具体包括风险伤亡人数、财务损失、围观人数、涉及特殊群体，风险发生时的区域警力数，近一年的区域风险发生总数，近一个月的风险发生总数。

8.根据权利要求7所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤5根据人群聚集风险控制态势指数R_i的大小，给予不同警力与措施，具体为：将R_i≥1的区域风险进行A类预警，措施倾向于增加大量警力立即撤离人群；将0.8≤R_i＜1的区域风险进行B类预警，措施倾向于增加大量警力引导人群和控制人群数量；0.6≤R_i＜0.8的区域风险进行C类预警，措施倾向于增加少量警力疏导人群；否则不预警。

9.根据权利要求8所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤5中人群聚集风险指数R_G为：

其中f为区域人数密度；

v′为人群平均移动速度；h为区域畅通指数。

10.根据权利要求8-9任一项所述的一种基于大数据的聚集性风险控制模型的设计方法，其特征在于，步骤5还包括：将步骤5得到的各区域的风险概率加入步骤3的警力部署模型中，保证风险大的区域能够部署更多的警力。

Images