CN115130865A - 风险识别的方法及装置、电子设备 - Google Patents

风险识别的方法及装置、电子设备 Download PDF

Info

Publication number
CN115130865A
CN115130865A CN202210764765.7A CN202210764765A CN115130865A CN 115130865 A CN115130865 A CN 115130865A CN 202210764765 A CN202210764765 A CN 202210764765A CN 115130865 A CN115130865 A CN 115130865A
Authority
CN
China
Prior art keywords
user
target
data
target user
risk
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
Application number
CN202210764765.7A
Other languages
English (en)
Inventor
张娇娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dt Dream Technology Co Ltd
Original Assignee
Hangzhou Dt Dream Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dt Dream Technology Co Ltd filed Critical Hangzhou Dt Dream Technology Co Ltd
Priority to CN202210764765.7A priority Critical patent/CN115130865A/zh
Publication of CN115130865A publication Critical patent/CN115130865A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Alarm Systems (AREA)

Abstract

本申请实施例提供一种风险识别的方法及装置、电子设备。所述方法包括：获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。

Description

风险识别的方法及装置、电子设备
技术领域
本申请实施例涉及安全领域，尤其涉及一种风险识别的方法及装置、电子设备。
背景技术
随着城市建设的不断推进，各个城市的规模和人口都在不断增多，在实现了经济繁荣的同时，也为城市管理者提出了更多关于城市治理的难题。例如，如何应对随时随地可能出现涉及安全的风险事件。
在相关技术中，城市治理很大程度上依赖于视频监控，并且往往是出现风险事件之后通过视频监控追溯原因。不仅难以在风险事件发生之前及时给出预警，而且受限于视频监控的摄像头的覆盖范围，在摄像头安装的密度不足时容易出现很多监控盲区。
发明内容
本说明书实施例提供的一种风险识别的方法及装置、电子设备。
根据本说明书实施例的第一方面，提供一种风险识别的方法，所述方法包括：
获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；
基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；
根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
根据本说明书实施例的第二方面，提供一种风险识别的装置，所述装置包括：
获取单元，获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；
确定单元，基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；
识别单元，根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
根据本说明书实施例的第三方面，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上述任一项风险识别的方法。
本说明书实施例提供了风险识别的方案，综合多种不同数据源提供的多维的用户数据对目标用户行为进行分析，以确定目标用户是否存在风险行为。一方面，由于综合了多种不同数据源提供的多维的用户数据，可以避免采用单一的视频监控时由于存在监控盲区导致难以有效进行风险识别的问题。另一方面，通过风险识别可以***目标用户是否存在风险行为，并在存在风险行为时及时进行预警，从而可以提前对目标用户的风险行为进行干预，避免从风险行为转变为风险事件。
附图说明
图1是本说明书一实施例提供的风险识别的***架构图；
图2是本说明书一实施例提供的风险识别的方法的流程图；
图3是本说明书一实施例提供的风险识别的装置的硬件结构图；
图4是本说明书一实施例提供的风险识别的装置的模块示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以下请参考图1所示的一种风险识别的***架构图，所述***架构图中可以包括多维度的数据源110、服务端120、管理方130等。
其中，所述多维度的数据源110可以包括多种不同维度的数据来源，例如，视频监控的摄像头111、射频识别阅读器112、通信设备113等等；并且，所述数据源110可以采集与用户行为相关的数据，并将这些数据作为用户数据提供给所述服务端120。
所述服务端120可以对多维度的数据源110提供的多维的用户数据进行风险识别，以确定用户是否存在风险行为。另外，所述服务端120还可以在识别出用户存在风险行为时，向管理该用户的管理方130推送风险提示信息。
所述管理方130在接收到服务端120推送的风险提示信息之后，可以对存在风险行为的用户进行管理，例如制止用户继续进行风险行为等。在有的实施例中，所述服务端120也可以跳过管理方130直接对存在风险行为的用户进行管理。
在实现时，服务端可以综合多种不同数据源提供的多维的用户数据对目标用户行为进行分析，以确定目标用户是否存在风险行为。一方面，由于综合了多种不同数据源提供的多维的用户数据，可以避免采用单一的视频监控时由于存在监控盲区导致难以有效进行风险识别的问题。另一方面，通过风险识别可以***目标用户是否存在风险行为，并在存在风险行为时及时进行预警，从而可以提前对目标用户的风险行为进行干预，避免从风险行为转变为风险事件。
以下可以参考图2所示的一种风险识别的方法为例加以介绍，所述方法可以应用于前述图1中的服务端，所述方法可以包括以下步骤：
步骤210：获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据。
步骤220：基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户。
在实际应用中，通常不需要对所有的用户都进行风险识别，而是要对属于目标人群的用户进行风险识别。
所述目标人群一般是指重点关注的用户人群，例如所述目标人群包括第一类型的人群或者第二类型的人群；其中，所述第一类型的人群包括受到管理的人群，所述第二类型的人群包括未成年人群。
一般的，受到管理的人群可以包括存在犯罪记录的用户；通常城市管理中需要对这样的用户进行管理。而未成年人群由于年龄较小、自我保护意识不强，更容易面临危险；为了保护未成年人同样需要对未成年人群进行管理。
在一示例性的实施例中，所述多维的用户数据中可以包括用户的身份信息；相应地，上述步骤220，可以包括：
将所述用户的身份信息与目标人群对应的身份信息库进行匹配；
如果匹配成功，则将所述身份信息库中与所述身份信息对应的用户确定为目标用户。
本说明书中，通过用户的身份信息来确定用户是否属于需要管理的目标人群，并进一步对属于目标人群的目标用户进行风险识别。由于只需要对目标用户进行风险识别，因此可以减少***资源开销。
在一示例性的实施例中，所述身份信息可以包括用户的人脸图像或者从所述人脸图像中提取出的人脸特征；所述身份信息库包括人脸特征库；
所述将所述用户的身份信息与目标人群对应的身份信息库进行匹配，包括：
将所述用户的人脸图像中提取出的人脸特征与目标人群对应的人脸特征库进行匹配。
本说明书中，所述人脸图像可以是前述视频监控的摄像头采集到的用户数据，服务端通过人脸识别技术来确定目标用户。由于人脸图像具有唯一性，每个用户的人脸图像都有所不同，因此基于人脸图像准确地确定目标用户。
在另一示例性的实施例中，所述身份信息还可以包括其他具有唯一指向用户本人的信息。例如步态信息；所述步态信息可以是指用户行走时的姿态特征信息。所述步态信息同样可以是前述视频监控的摄像头采集到的用户数据。由于不同用户在行走时的姿态各不相同，因此可以将用户的步态信息与步态特征库进行比较，就可以准确地确定目标用户。
上述人脸特征库、步态特征库，均可以采用深度学习技术预先对目标人群的用户的校验样本(人脸校验图像、姿态校验图像)进行特征提取，并构建对应的特征库。这样，在实现时，只要输入的用户数据与特征库中任意特征匹配成功，就可以确定该输入的用户数据对应的用户属于目标人群，并且是匹配成功的校验样本对应的目标用户。
步骤230：根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
在确定了目标用户之后，进一步可以综合该目标用户对应多维的用户数据进行风险识别，以确定目标用户是否存在风险行为。
在一示例性的实施例中，所述多维的用户数据中可以包括多种与用户的地理位置相关的数据。例如，所述与用户的地理位置相关的数据包括采集到用户画面的摄像头所在的地理位置数据、识别到用户携带的射频识别(RFID，Radio Frequency IDentification)标签的射频识别阅读器所在的地理位置数据、接入用户使用终端的通信设备所在的地理位置数据等等。
在实现时，如果摄像头采集到的视频中出现用户的画面，则说明该用户当时到达过摄像头所在的位置，因此可以将所述摄像头所在的地理位置数据作为目标用户的一种用户数据。
类似的，在一些涉及RFID的场合，如果RFID阅读器识别到用户携带的RFID标签，则表示该用户当时到达过RFID阅读器所在的位置，因此可以将所述RFID阅读器所在的地理位置数据作为目标用户的一种用户数据。
同样的。如果通信设备(例如无线基站、wifi接收器等)接入了用户使用的用户终端，则表示该用户当时到达过通信设备所在的位置，因此可以将所述通信设备所在的地理位置数据作为目标用户的一种用户数据。
本说明书中，在缺少直接表示用户的地理位置数据时，可以借助一种或多种数据源间接确定定位用户实际所在的地理位置数据，从而便于后续基于用户的地理位置数据来确定用户是否存在风险行为。
在获取到多种与所述目标用户的地理位置相关的数据之后，所述步骤230，进一步可以包括：
根据多种与所述目标用户的地理位置相关的数据，构建所述目标用户的活动轨迹；其中，所述活动轨迹由用户在不同时间点对应的地理位置相关的数据、按照所述时间点的先后顺序串联而成；
将所述目标用户的活动轨迹与所述目标用户的历史常规轨迹，或者与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常；
如果是，则确定所述目标用户存在风险行为。
在实际应用中，针对目标用户是否存在风险行为可以从目标用户的活动轨迹判断，如果活动轨迹与历史常规轨迹差异较大，则可能说明存在风险行为。其中，所述历史常规轨迹可以通过对目标人员的大量历史轨迹进行计算，从而生成的常规轨迹。所述历史常规轨迹表示的是目标人员经常行进的活动轨迹。
在实际应用中，管理方为了对目标人群进行管理通常会设置虚拟电子围栏，目标人群仅允许在所述虚拟电子围栏圈定的地理位置区域内活动，或者不允许在所述虚拟电子围栏圈定的地理位置区域内活动。一旦目标用户触发了虚拟电子围栏，则可能说明存在风险行为。
以下示例性的介绍几种适用于本说明书实施例的应用场景。
首先介绍针对目标人群的管理场景，所述目标人群可以包括第一类型的人群或者第二类型的人群；其中，所述第一类型的人群包括前述受到管理的人群，所述第二类型的人群包括前述的未成年人群。
在一示例性的实施例中，针对第一类型的人群，所述虚拟电子围栏圈定的地理位置区域可以包括所述受到管理的用户允许活动的区域；
相应地，所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，可以包括：
将受到管理的目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较；
如果所述受到管理的目标用户的活动轨迹进入所述虚拟电子围栏圈定的地理位置区域，则确定所述受到管理的目标用户的活动轨迹存在异常。
在本说明书中，通过虚拟电子围栏技术，可以精准实现对受到管理的人群出现在虚拟电子围栏圈定的地理位置区域的风险识别。例如，针对存在酗酒的用户，一旦其出现在能够购买到饮用酒精的场所，就可以马上进行风险预警并及时干预。
在一示例性的实施例中，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域包括针对未成年人设置的高风险区域，可以包括：
相应地，所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，包括：
将未成年的目标用户的活动轨迹与虚拟电子围栏圈定的高风险区域进行比较；
如果所述未成年的目标用户的活动轨迹进入所述虚拟电子围栏圈定的高风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
在本说明书中，通过虚拟电子围栏技术，可以精准实现对未成人群出现在虚拟电子围栏圈定的地理位置区域的风险识别。
在一示例性的实施例中，所述高风险区域可以包括存在溺水风险的区域。
由于未成年人属于溺水的高风险人群，因此本说明书提供了溺水风险预警措施，一旦未成年人进入存在溺水风险的区域，将立刻触发风险预警，并通知相关人员对未成人进行劝离。
在一示例性的实施例中，所述高风险区域可以包括未成年人禁止进入的场所；例如网吧、酒吧等未成年人禁止进入的场所。
本说明书提供了敏感场所预警措施，一旦未成年人进入禁止未成年人进入的敏感场所，将立刻触发风险预警，并通知相关人员对未成人进行劝离。
在实际应用中，考虑到未成年人通常属于学生，而学生存在固定的作息规律，例如白天在校园内学习，晚上则在学生宿舍休息；因此，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域还可以包括针对未成年人设置的低风险区域；
相应地，所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，可以包括：
从未成年的目标用户的活动轨迹中筛选出预设时间段内的活动轨迹；
将所述预设时间段内的活动轨迹与虚拟电子围栏圈定的低风险区域进行比较；
如果所述预设时间段内的活动轨迹离开所述虚拟电子围栏圈定的低风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
本说明书中，所述预设时间段可以包括上课时间段，所述低风险区域可以包括校园内区域；
或者，所述预设时间段包括睡觉时间段，所述低风险区域包括学生宿舍。
在实现时，通过筛选未成人的目标用户在上课时间段的活动轨迹，一旦发现其在上课时间段内离开了校园，则将立刻触发风险预警。以及，通过筛选未成人的目标用户在睡觉时间段的活动轨迹，一旦发现其在睡觉时间段内离开了学生宿舍，则将立刻触发风险预警。
通过上述实施例，可以及时发现学生逃课、夜不归宿等行为，并及时预警和处理，避免学生在校外发生意外事件。
在介绍了上述关于受到管理的人群以及未成年人群的管理场景，接着进一步介绍针对重点区域的管理场景。
在现实生活中，管理方除了需要对目标人群进行管理之外，还可能需要对重点区域内的事物进行管理。例如，对机动车道内的违停车辆、对堵塞消防通道的车辆进行管理等。
在一示例性的实施例中，所述多维的用户数据中包括用户驾驶的车辆行驶数据；
相应地，所述步骤230，进一步可以包括：
如果所述车辆行驶数据指示车辆处于停止状态，根据所述车辆行驶数据指示的停放位置，确定所述目标用户驾驶的车辆是否存在违停或堵塞消防通道的风险行为；
如果所述车辆行驶数据指示车辆处于行驶状态，根据所述车辆行驶数据指示的行驶位置，确定所述目标用户驾驶的车辆是否存在驶入禁行区域的风险行为。
总所周知，车辆违停将严重影响道路上其它车辆的正常通行，轻则造成道路拥堵，重则可能导致交通事故；而消防通道是火灾发生的生命通道，相关规定明确车辆禁止占用消防通道。
本说明书中，基于用户驾驶的车辆行驶数据来确定是否存在风险行为，从而实现了对车辆闯入、车辆违停或堵塞消防通道的风险行为做出预警。
本说明书中，在确定了目标用户存在风险行为时，服务端进一步可以向与所述目标用户关联的管理方推送风险提示信息；并由管理方对目标用户进行干预，从而避免目标用户继续进行风险行为导致发生风险事件。
如此，通过综合多种不同数据源提供的多维的用户数据，不仅可以避免采用单一的视频监控时由于存在监控盲区导致难以有效进行风险识别的问题；而且，由于风险行为属于潜在可能会发生风险事件，因此通过事前干预，可以将风险事件的苗头扑灭在萌芽阶段；综上通过本说明书提供的实施例可以有效提高城市的治理水平和治理效果。
在实际应用中，还可以如下实施例借助机器学习技术对获取到的多维的用户数据进行风险识别，从而可以提高风险识别的识别速度和识别准确性。
在一示例性的实施例中，前述步骤220，进一步可以包括：
将所述多维的用户数据中第一类型的用户数据输入到预先构建的集成模型中进行第一阶段计算，以确定是否存在与目标人群匹配的目标用户；
相应地，前述步骤230，进一步可以包括：
在确定存在与目标人群匹配的目标用户的情况下，将所述多维的用户数据中第二类型的用户数据输入到所述集成模型中进行第二阶段计算，以确定所述目标用户是否存在风险行为；其中，所述集成模型包括与所述多维的用户数据对应的多个机器学习模型进行集成学习得到的模型
在本说明书中，可以将与多维的用户数据对应的多个机器学习模型作为弱学习器，通过集成学习技术在多个弱学习器的基础上训练出一个强学习器。这个强学习器相对于每个弱学习器的性能更高，能够更快且更准确地进行风险。
在本说明书中，第一类型的用户数据可以是指用于确定是否存在与目标人群匹配的目标用户的用户数据；所述第一类型的用户数据可以是多维的。类似的，第二类型的用户数据可以是指用于确定所述目标用户是否存在风险行为的用户数据；所述第二类型的用户数据同样可以是多维的。
在本说明书中，对于多维的用户数据与多个机器学习模型之间的对应关系，可以是每一种维度的用户数据对应一个机器学习模型。
例如，与身份信息这一维度相关的用户数据，可以对应一个机器学习模型；与地理位置信息这一维度相关的用户数据，可以对应另一个机器学习模型。
另外，还可以为细粒度设置多维的用户数据与多个机器学习模型之间的对应关系；例如即使是同一个维度下的不同用户数据，也可以分别对应不同的机器学习模型。
以身份信息这一维度为例，如果用户数据包括人脸图像信息、步态信息等；那么针对人脸图像信息可以对应有一个用于人脸识别的机器学习模型(一般可以称为人脸识别模型)，类似的针对步态信息可以对应有一个用于步态识别的机器学习模型(一般可以称为步态识别模型)。
由于不同维度的用户数据之前存在较大差异，难以在一个机器学习模型中进行计算，因此，将不同维度的用户数据分别由不同的机器学习模型进行计算，可以有效降低计算复杂度。同样道理，同一维度下的用户数据也可能存在较大差异，因此通过功能专一的机器学习模型有针对性的对单一类型的用户数据进行计算，不仅降低了计算复杂度，而且由于机器学习模型是专门用于计算该类型的用户数据的，因此计算结果也相对更为准确可靠。
本说明书中，关于具体使用多少机器学习模型或哪种维度对应的机器学习模型，可以根据实际需求灵活进行配置。
在实际应用中，与多维的用户数据对应的多个机器学习模型通常都是现有的；这样的话，在集成学习过程中，由于弱学习器已经训练好，只需要在多个弱学习器的基础上，进一步训练出强学习器即可；而不用从头开始训练全新模型。
在一示例性的实施例中，所述多个机器学习模型包括用于进行第一阶段计算的第一机器学习模型，以及用于进行第二阶段计算的第二机器学习模型；
所述将所述多维的用户数据中第一类型的用户数据输入到预先构建的集成模型中进行第一阶段计算，以确定是否存在与目标人群匹配的目标用户，包括：
将所述第一类型的用户数据中每一维的用户数据分别输入所述集成模型包含的多个第一机器学习模型中，得到每一维的用户数据分别对应的第一用户特征；所述第一用户特征用于从对应的维度所表征用户具备的身份属性；
将所述第一用户特征输入所述集成模型包含的第一分类器，得到针对所述用户的分类结果；
在所述分类结果指示所述用户为目标用户的情形下，确定存在与目标人群匹配的目标用户；
在本说明书中，集成学习模型可以分为两个阶段来进行计算，第一阶段用于识别存在与目标人群匹配的目标用户，第二阶段用于在识别出目标用户后进一步识别目标用户是否存在风险行为。
举例说明，假设步骤210获取到的来源于多种不同数据源的多维的用户数据分别是：数据A、数据B、数据C、数据D、数据E、数据F；其中，数据A、数据B、数据C属于第一类型的用户数据，数据D、数据E、数据F属于第二类型的用户数据；
在实现时，首先可以将数据A、数据B、数据C输入到集成模型包括的多个第一机器学习模型，例如将数据A输入到第一机器学习模型A、将数据B输入到第一机器学习模型B、将数据C输入到第一机器学习模型C；得到第一机器学习模型A计算得到的第一用户特征A、第一机器学习模型B计算得到的第一用户特征B和第一机器学习模型C计算得到的第一用户特征C；接着，将第一用户特征A、第一用户特征B、第一用户特征C输入到第一分类器，得到第一分类器输出的针对所述用户的分类结果；
如果针对所述用户的分类结果指示所述用户为目标用户，进一步将将数据D、数据E、数据F输入到集成模型包括的多个第二机器学习模型，例如将数据D输入到第二机器学习模型D、将数据E输入到第二机器学习模型E、将数据F输入到第二机器学习模型F；得到第二机器学习模型D计算得到的第二用户特征D、第二机器学习模型E计算得到的第二用户特征E和第二机器学习模型F计算得到的第二用户特征F；接着，将第二用户特征D、第二用户特征E、第二用户特征F输入到第二分类器，得到第二分类器输出的针对所述目标用户的分类结果；
如果针对目标用户的分类结果指示存在风险行为的情形下，则确定所述目标用户存在风险行为；反之，如果针对目标用户的分类结果指示不存在风险行为的情形下，则确定所述目标用户不存在风险行为。
与前述风险识别的方法实施例相对应，本说明书还提供了风险识别的装置的实施例。所述装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机业务程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本说明书风险识别的装置所在设备的一种硬件结构图，除了图3所示的处理器、网络接口、内存以及非易失性存储器之外，实施例中装置所在的设备通常根据风险识别的实际功能，还可以包括其他硬件，对此不再赘述。
请参见图4，为本说明书一实施例提供的风险识别的装置的模块图，所述装置对应了图2所示实施例，所述装置包括：
获取单元410，获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；
确定单元420，基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；
识别单元430，根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
在一示例性的实施例中，所述多维的用户数据中包括用户的身份信息；
所述确定单元420，进一步可以包括：
匹配子单元，将所述用户的身份信息与目标人群对应的身份信息库进行匹配；如果匹配成功，则将所述身份信息库中与所述身份信息对应的用户确定为目标用户。
在一示例性的实施例中，所述身份信息包括用户的人脸图像或者从所述人脸图像中提取出的人脸特征；所述身份信息库包括人脸特征库；
所述匹配子单元，进一步可以用于将所述用户的人脸图像中提取出的人脸特征与目标人群对应的人脸特征库进行匹配。
在一示例性的实施例中，所述多维的用户数据中包括多种与用户的地理位置相关的数据；
所述识别单元430，进一步可以包括：
构建子单元，根据多种与所述目标用户的地理位置相关的数据，构建所述目标用户的活动轨迹；其中，所述活动轨迹由用户在不同时间点对应的地理位置相关的数据、按照所述时间点的先后顺序串联而成；
比较子单元，将所述目标用户的活动轨迹与所述目标用户的历史常规轨迹，或者与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常；如果是，则确定所述目标用户存在风险行为。
在一示例性的实施例中，所述与用户的地理位置相关的数据包括采集到用户画面的摄像头所在的地理位置数据、识别到用户携带的射频识别标签的射频识别阅读器所在的地理位置数据、接入用户使用终端的通信设备所在的地理位置数据。
在一示例性的实施例中，所述目标人群包括第一类型的人群或者第二类型的人群；其中，所述第一类型的人群包括受到管理的人群，所述第二类型的人群包括未成年人群。
在一示例性的实施例中，针对第一类型的人群，所述虚拟电子围栏圈定的地理位置区域包括所述受到管理的用户允许活动的区域；
所述比较子单元，进一步可以用于将受到管理的目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较；如果所述受到管理的目标用户的活动轨迹进入所述虚拟电子围栏圈定的地理位置区域，则确定所述受到管理的目标用户的活动轨迹存在异常。
在一示例性的实施例中，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域包括针对未成年人设置的高风险区域；
所述比较子单元，进一步可以用于将未成年的目标用户的活动轨迹与虚拟电子围栏圈定的高风险区域进行比较；如果所述未成年的目标用户的活动轨迹进入所述虚拟电子围栏圈定的高风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
在一示例性的实施例中，所述高风险区域包括存在溺水风险的区域和/或未成年人禁止进入的场所。
在一示例性的实施例中，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域包括针对未成年人设置的低风险区域；
所述比较子单元，进一步可以用于从未成年的目标用户的活动轨迹中筛选出预设时间段内的活动轨迹；将所述预设时间段内的活动轨迹与虚拟电子围栏圈定的低风险区域进行比较；如果所述预设时间段内的活动轨迹离开所述虚拟电子围栏圈定的低风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
在一示例性的实施例中，所述预设时间段包括上课时间段，所述低风险区域包括校园内区域；
或者，所述预设时间段包括睡觉时间段，所述低风险区域包括学生宿舍。
在一示例性的实施例中，所述多维的用户数据中包括用户驾驶的车辆行驶数据；
所述识别单元430，进一步可以用于如果所述车辆行驶数据指示车辆处于停止状态，根据所述车辆行驶数据指示的停放位置，确定所述目标用户驾驶的车辆是否存在违停或堵塞消防通道的风险行为；如果所述车辆行驶数据指示车辆处于行驶状态，根据所述车辆行驶数据指示的行驶位置，确定所述目标用户驾驶的车辆是否存在驶入禁行区域的风险行为。
在一示例性的实施例中，所述装置还包括：
推送单元，在确定所述目标用户存在风险行为时，向与所述目标用户关联的管理方推送风险提示信息。
在一示例性的实施例中，所述确定单元420，可以包括：
第一计算子单元，将所述多维的用户数据中第一类型的用户数据输入到预先构建的集成模型中进行第一阶段计算，以确定是否存在与目标人群匹配的目标用户。
所述识别单元430，可以包括：
第二计算子单元，在确定存在与目标人群匹配的目标用户的情况下，将所述多维的用户数据中第二类型的用户数据输入到所述集成模型中进行第二阶段计算，以确定所述目标用户是否存在风险行为；其中，所述集成模型包括与所述多维的用户数据对应的多个机器学习模型进行集成学习得到的模型。
在一示例性的实施例中，所述多个机器学习模型包括用于进行第一阶段计算的第一机器学习模型，以及用于进行第二阶段计算的第二机器学习模型；
所述第一计算子单元，包括：将所述第一类型的用户数据中每一维的用户数据分别输入所述集成模型包含的多个第一机器学习模型中，得到每一维的用户数据分别对应的第一用户特征；所述第一用户特征用于从对应的维度所表征用户具备的身份属性；将所述第一用户特征输入所述集成模型包含的第一分类器，得到针对所述用户的分类结果；在针对所述用户的指示所述用户为目标用户的情形下，确定存在与目标人群匹配的目标用户；
所述第二计算子单元，包括：将所述第二类型的用户数据中每一维的用户数据分别输入所述集成模型包含的多个第二机器学习模型中，得到每一维的用户数据分别对应的第二用户特征；所述第二用户特征用于从对应的维度所表征用户具备的风险属性；将所述第二用户特征输入所述集成模型包含的第二分类器，得到针对所述目标用户的分类结果；在针对所述目标用户的分类结果指示存在风险行为的情形下，确定所述目标用户存在风险行为。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上图4描述了风险识别的装置的内部功能模块和结构示意，其实质上的执行主体可以为一种电子设备，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执行前述任一实施例所述的风险识别的方法。
在上述电子设备的实施例中，应理解，该处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，而前述的存储器可以是只读存储器(英文：read-only memory，缩写：ROM)、随机存取存储器(英文：random access memory，简称：RAM)、快闪存储器、硬盘或者固态硬盘。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

Claims (17)

1.一种风险识别的方法，其特征在于，所述方法包括：
获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；
基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；
根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
2.根据权利要求1所述的方法，其特征在于，所述多维的用户数据中包括用户的身份信息；
所述基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户，包括：
将所述用户的身份信息与目标人群对应的身份信息库进行匹配；
如果匹配成功，则将所述身份信息库中与所述身份信息对应的用户确定为目标用户。
3.根据权利要求2所述的方法，其特征在于，所述身份信息包括用户的人脸图像或者从所述人脸图像中提取出的人脸特征；所述身份信息库包括人脸特征库；
所述将所述用户的身份信息与目标人群对应的身份信息库进行匹配，包括：
将所述用户的人脸图像中提取出的人脸特征与目标人群对应的人脸特征库进行匹配。
4.根据权利要求1所述的方法，其特征在于，所述多维的用户数据中包括多种与用户的地理位置相关的数据；
所述根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为，包括：
根据多种与所述目标用户的地理位置相关的数据，构建所述目标用户的活动轨迹；其中，所述活动轨迹由用户在不同时间点对应的地理位置相关的数据、按照所述时间点的先后顺序串联而成；
将所述目标用户的活动轨迹与所述目标用户的历史常规轨迹，或者与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常；
如果是，则确定所述目标用户存在风险行为。
5.根据权利要求4所述的方法，其特征在于，所述与用户的地理位置相关的数据包括采集到用户画面的摄像头所在的地理位置数据、识别到用户携带的射频识别标签的射频识别阅读器所在的地理位置数据、接入用户使用终端的通信设备所在的地理位置数据。
6.根据权利要求4所述的方法，其特征在于，所述目标人群包括第一类型的人群或者第二类型的人群；其中，所述第一类型的人群包括受到管理的人群，所述第二类型的人群包括未成年人群。
7.根据权利要求6所述的方法，其特征在于，针对第一类型的人群，所述虚拟电子围栏圈定的地理位置区域包括所述受到管理的用户允许活动的区域；
所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，包括：
将受到管理的目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较；
如果所述受到管理的目标用户的活动轨迹进入所述虚拟电子围栏圈定的地理位置区域，则确定所述受到管理的目标用户的活动轨迹存在异常。
8.根据权利要求6所述的方法，其特征在于，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域包括针对未成年人设置的高风险区域；
所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，包括：
将未成年的目标用户的活动轨迹与虚拟电子围栏圈定的高风险区域进行比较；
如果所述未成年的目标用户的活动轨迹进入所述虚拟电子围栏圈定的高风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
9.根据权利要求8所述的方法，其特征在于，所述高风险区域包括存在溺水风险的区域和/或未成年人禁止进入的场所。
10.根据权利要求6所述的方法，其特征在于，针对第二类型的人群，所述虚拟电子围栏圈定的地理位置区域包括针对未成年人设置的低风险区域；
所述将所述目标用户的活动轨迹与虚拟电子围栏圈定的地理位置区域进行比较，确定所述目标用户的活动轨迹是否异常，包括：
从未成年的目标用户的活动轨迹中筛选出预设时间段内的活动轨迹；
将所述预设时间段内的活动轨迹与虚拟电子围栏圈定的低风险区域进行比较；
如果所述预设时间段内的活动轨迹离开所述虚拟电子围栏圈定的低风险区域，则确定所述未成人的目标用户的活动轨迹存在异常。
11.根据权利要求10所述的方法，其特征在于，所述预设时间段包括上课时间段，所述低风险区域包括校园内区域；
或者，所述预设时间段包括睡觉时间段，所述低风险区域包括学生宿舍。
12.根据权利要求1所述的方法，其特征在于，所述多维的用户数据中包括用户驾驶的车辆行驶数据；
所述根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为，包括：
如果所述车辆行驶数据指示车辆处于停止状态，根据所述车辆行驶数据指示的停放位置，确定所述目标用户驾驶的车辆是否存在违停或堵塞消防通道的风险行为；
如果所述车辆行驶数据指示车辆处于行驶状态，根据所述车辆行驶数据指示的行驶位置，确定所述目标用户驾驶的车辆是否存在驶入禁行区域的风险行为。
13.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定所述目标用户存在风险行为时，向与所述目标用户关联的管理方推送风险提示信息。
14.根据权利要求1所述的方法，其特征在于，所述基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户，包括：
将所述多维的用户数据中第一类型的用户数据输入到预先构建的集成模型中进行第一阶段计算，以确定是否存在与目标人群匹配的目标用户；
所述根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为，包括：
在确定存在与目标人群匹配的目标用户的情况下，将所述多维的用户数据中第二类型的用户数据输入到所述集成模型中进行第二阶段计算，以确定所述目标用户是否存在风险行为；其中，所述集成模型包括与所述多维的用户数据对应的多个机器学习模型进行集成学习得到的模型。
15.根据权利要求14所述的方法，其特征在于，所述多个机器学习模型包括用于进行第一阶段计算的第一机器学习模型，以及用于进行第二阶段计算的第二机器学习模型；
所述将所述多维的用户数据中第一类型的用户数据输入到预先构建的集成模型中进行第一阶段计算，以确定是否存在与目标人群匹配的目标用户，包括：
将所述第一类型的用户数据中每一维的用户数据分别输入所述集成模型包含的多个第一机器学习模型中，得到每一维的用户数据分别对应的第一用户特征；所述第一用户特征用于从对应的维度所表征用户具备的身份属性；
将所述第一用户特征输入所述集成模型包含的第一分类器，得到针对所述用户的分类结果；
在针对所述用户的指示所述用户为目标用户的情形下，确定存在与目标人群匹配的目标用户；
所述将所述多维的用户数据中第二类型的用户数据输入到所述集成模型中进行第二阶段计算，以确定所述目标用户是否存在风险行为，包括：
将所述第二类型的用户数据中每一维的用户数据分别输入所述集成模型包含的多个第二机器学习模型中，得到每一维的用户数据分别对应的第二用户特征；所述第二用户特征用于从对应的维度所表征目标用户具备的风险属性；
将所述第二用户特征输入所述集成模型包含的第二分类器，得到针对所述目标用户的分类结果；
在针对所述目标用户的分类结果指示存在风险行为的情形下，确定所述目标用户存在风险行为。
16.一种风险识别的装置，其特征在于，所述装置包括：
获取单元，获取来源于多种不同数据源的多维的用户数据；其中，所述用户数据包括与用户行为相关的数据；
确定单元，基于所述多维的用户数据，确定是否存在与目标人群匹配的目标用户；
识别单元，根据与所述目标用户对应的用户数据，确定所述目标用户是否存在风险行为。
17.一种电子设备，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上述权利要求1-15中任一项所述的方法。
CN202210764765.7A 2022-06-29 2022-06-29 风险识别的方法及装置、电子设备 Pending CN115130865A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210764765.7A CN115130865A (zh) 2022-06-29 2022-06-29 风险识别的方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210764765.7A CN115130865A (zh) 2022-06-29 2022-06-29 风险识别的方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN115130865A true CN115130865A (zh) 2022-09-30

Family

ID=83382490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210764765.7A Pending CN115130865A (zh) 2022-06-29 2022-06-29 风险识别的方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN115130865A (zh)

Similar Documents

Publication Publication Date Title
JP4924607B2 (ja) 不審行動検知装置および方法、プログラムおよび記録媒体
US20220092881A1 (en) Method and apparatus for behavior analysis, electronic apparatus, storage medium, and computer program
CN106850346B (zh) 用于监控节点变化及辅助识别黑名单的方法、装置及电子设备
EP3407232B1 (en) Spatiotemporal authentication
EP3862902A1 (en) System and method for privacy-aware analysis of video streams
CN110717358B (zh) 访客人数统计方法、装置、电子设备及存储介质
CN115223022B (zh) 一种图像处理方法、装置、存储介质及设备
CN110717357B (zh) 预警方法、装置、电子设备及存储介质
CN110519324B (zh) 一种基于网络轨迹大数据的人物追踪方法与***
CN115130865A (zh) 风险识别的方法及装置、电子设备
Seema et al. Deep learning models for analysis of traffic and crowd management from surveillance videos
CN110688469B (zh) 一种自动分析相似行为特征的方法和装置
CN114067401A (zh) 目标检测模型的训练及身份验证方法和装置
CN111651690A (zh) 涉案信息查找方法、装置以及计算机设备
CN113450236A (zh) 基于时空数据的可疑人员识别方法、装置、***和介质
KR20200136583A (ko) 인공지능 기반 차량번호 및 보행자 검색 시스템 및 방법
CN112991717B (zh) 车辆轨迹展示方法及相关产品
Abdelrahman et al. A robust environment-aware driver profiling framework using ensemble supervised learning
CN112040411A (zh) 一种数据分析方法及装置
CN116469254B (zh) 一种信息处理方法和装置
US20230037546A1 (en) Method, apparatus and non-transitory computer readable medium
CN117851666A (zh) 人车关联分析方法、设备及存储介质
CN111078749A (zh) 一种训练模型的方法、装置、实现信息排查及装置
Silva Enhancing impersonation fraud detection on smart buildings physical access control systems: an anomaly-based approach using social groups trajectories data.
CN113496141A (zh) 目标对象的识别方法和***、存储介质及计算设备

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