一种基于时空多维因素预测警情的方法和系统技术方案

本发明专利技术公开了一种基于时空多维因素预测警情的方法和系统，本发明专利技术通过将警情某个时间T的多维特征向量进行预处理，根据警情的地理特征，将多维向量映射到多张“图”上，一张“图”的一个像素代表了一个预测区域，根据，根据时间，生成时序“图”，再将基于时序的“图”送入到三维卷积网络中提取更抽象的时空特征，最后将时空特征送入到LSTM来分析长期的时序特征，最终将输出的结果映射到一张“图”中，图上的每个像素值，代表了对应区域的预测值。而该图也能够体现整个区域案情发生的区域分布情况。本发明专利技术同时考虑了空间上相邻区域间的影响，而传统时序预测方案并未考虑到空间特征因素。

A Method and System for Predicting Alert Based on Spatio-temporal Multidimensional Factors

【技术实现步骤摘要】
一种基于时空多维因素预测警情的方法和系统
本专利技术涉及警情预测
，具体涉及一种基于时空多维因素预测警情的方法和系统。
技术介绍
对于公安来说,要保证社会治安稳定良好,就必须在接处警工作中降低辖区内警情,从而针对性的按照案情发生辖区对所有案情发生数量进行预测,根据预测结果分析出哪些辖区的警情会增加,从而可以适当增强这些辖区的警力配置。随着人工智能时代的到来，大数据在各个领域的应用越来越广泛，如何有效的将各种客观因素有效合理的结合起来，积极探索一种准确而实用的警情预测机制，并通过该机制实现对警情进行智能警力部署，从而增强区域的安全指数，提高公安民警的出警质量和效率，减少人力物力财力的损失，成为行业内亟待解决的问题。警情的产生是一个复杂的非线性动态系统,它会受到很多外界因素影响，如天气、地域类型、敏感日等。目前警情预测的方案中一种典型方法是基于时间序列预测，这类传统模型以历史警情数作为输入进行建模，它不适合考虑多种特征因素的情况。而采用深度学习BP神经网络模型，虽然考虑了影响警情的多种因素，以一段时间的多个因素作为输入进行训练，但是这种方法并未考虑到连续的时间序列之间的时间相关性。本文档来自技高网...

【技术保护点】
1.一种基于时空多维因素预测警情的方法，其特征在于，该方法包括：步骤一、对历史警情特征大数据进行预处理，生成基于空间和时间的“视频”结构图像；步骤二、对步骤一生成的“视频”结构图像进行基于时空多维因素的警情预测，得到预测结果。

【技术特征摘要】
1.一种基于时空多维因素预测警情的方法，其特征在于，该方法包括：步骤一、对历史警情特征大数据进行预处理，生成基于空间和时间的“视频”结构图像；步骤二、对步骤一生成的“视频”结构图像进行基于时空多维因素的警情预测，得到预测结果。2.根据权利要求1所述的一种基于时空多维因素预测警情的方法，其特征在于，所述步骤一具体包括：步骤1.1获取警情相关历史数据，并从历史数据中提取最近N年的警情特征数据，所述警情特征数据包括案情数、警力数、天气指标、人口数、重点关注人员数、时间特征；步骤1.2将所述N年的警情特征数据进行特征时序化和特征空间化处理，得到基于空间和时间的特征图像；步骤1.2对所述特征图像进行标准化处理生成基于空间和时间的“视频”结构图像。3.根据权利要求2所述的一种基于时空多维因素预测警情的方法，其特征在于，所述步骤1.2中，特征时序化处理具体为：将N年的警情特征数据按照预测时间间隔统计各个时段的警情特征，生成多个特征的时间序列；特征空间化处理具体为：根据警情区域的地理位置特征，将多个地区的警情特征映射到W*H的图像上，每个像素的位置代表一个管辖区，像素值大小表示该特征的值。4.根据权利要求1-3任一项所述的一种基于时空多维因素预测警情的方法，其特征在于，所述步骤二具体包括：步骤2.1采用三维卷积神经网络对所述“视频”结构图像在时空上进行特征提取，能够同时提取出空间和短期时间的关系特征图；步骤2.2对单位卷积神经网络输出的特征图进行序列化操作，变成LSTM网络能够处理的数据格式，输入到LSTM网络中分析长期时间的时序特征；步骤2.3对LSTM网络输出的特征图进行反标准化处理，得到整个警情区域案情发生的区域分布图。5.根据权利要求4所述的一种基于时空多维因素预测警情的方法，其特征在于，所述步骤2.1中采用的三维卷积神经网络结构包括三个依次连接的卷积层，即卷积层处理后的图像直接输入到下一个卷积层，不做降采样的处理；其中，前两个卷积层的核函数采用3*3*3，最后一个卷积层的核函数采用1*1*1。6.一种基于时空多维因素预测警情的系统，其特征在于，该系统包括...

【专利技术属性】
技术研发人员：朱莉，李红波，董浩，邱吉刚，刘念林，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：四川,51