一种基于多元数据的警力配置算法制造技术

本发明专利技术公开了一种基于多元数据的警力配置算法，步骤为：收集多元数据如：手机信令收据、天气情况数据、出租车浮动数据、施工数据等；将收集的数据记录方便使用；将收集的出租车浮动数据运用K‑means，提取出不同的区域；将各个区域内的其他多元数据进行重构，手机信令数据、天气情况数据、施工数据都组为矩阵形式；将各个区域内重构的数据进行两次卷积的操作提取出不同特征的特征图；将特征图进行组合，组合乘全局特征图作为输入将全局特征图作为输入，放进CNN模型中进行预测；得出该区域的警力配置预测，并将所有区域警力配置预测出。相比于一般数学模型，对多元数据的组合来提高预测精度；运用距离最短的K‑means算法可以很好的适用与警力配置问题。

A police force allocation algorithm based on multivariate data

【技术实现步骤摘要】
一种基于多元数据的警力配置算法
本专利技术涉及一种警力配置算法，具体为一种基于多元数据的警力配置算法。
技术介绍
警力是公安机关可以运行的决定性因素，不仅仅关乎到社会的稳定和可持续发展，更关乎到国家的长治久安和人民安居乐业。然而，公安机关普遍存在着分配不合理的情况，特别是对于事故或事件的发生时通常不能够保证警力的正常配置。运用科学的测算方式求出警力的配置是实现警力配置最优化并能够保证资金最优和基层效益的最优。这不仅仅对于社会有着帮助，对于减少出警的量降低、平衡警察负担都有着积极的意义。现有的警力配置一般是基于已有的警力配置的基础之上，在外加经验的数学模型，同时对于警力工作量的评价指标的权重进行比较模糊的评价，这使得测算出的警力配置会出现较大的偏差。对于警力的配置一般不是恒定的，会因为外界因素的变化而不断的变化如：天气情况、施工的数据等。对于现有的通过主观推测和数学计算的方法很多情况下并不适用，因为其考虑的因素有限。而在数据的多样性上，会对警力配置的问题上，因优化策略问题，导致一些结果的非最优化问题，也是需解决的问题之一。对于警力配置还有一个最重要的就是时效性，需要在最短的事件配置最优的警力人数，对于一般的数学模型经行评估需要对已有的配置人数进行预测这种方法是滞后的，因为你有的只是之前的警力人数配置这就决定了配置决定滞后的结果。而当拥有多元数据，如天气情况、手机信令数据、施工情况、事故发生概率等这些先验数据时。这些都是已知的、实时的，对于测算的警力配置就不存在着滞后的情况了。
技术实现思路
本专利技术的目的是为了提供一种基于多元数据的警力配置算法，以解决现有技术的上述技术问题。本专利技术的目的是通过以下技术方案来实现的。本专利技术基于出租车浮动数据、天气数据、施工数据、手机信令数据、各类事故发生概率等，其具体实现方式如下：一种基于多元数据的警力配置算法，其步骤为：(9)采集出租车浮动数据、天气数据、施工数据、手机信令数据、各类事故发生概率等数据；(10)对出租车浮动数据经行K-means聚类方法，以此作为不同的警力配置区域ε1,ε2,ε3,……,εi；(11)将天气数据数字化，：晴天：1；阴天：2；雨天：3；……；(12)记录不同区域ε1,ε2,ε3,……,εi的各个出租车浮动点的天气数据、施工数据、手机信令数据、各类事故发生概率，并记录各区域数据点数δ1,δ2,δ3,……,δi；(13)将各个区域天气数据、施工数据、手机信令数据、各类事故发生概率都重构为n*m形式(n*m大小为该区域数据点数δ)，记此时天气数据为t、施工数据s、手机信令数据m、各类事故发生概率p；(14)对各个区域t，s，m，p都进行两次卷积得到特征图t_feature，s_feature，m_feature，p_feature；(15)将得到的特征图重新组合为全局特征图all_feature，以此图作为输入信号运用CNN模型进行数据的预测，得到该区域的警力配置预测；(16)将所有区域都运用如上方式，得到所有区域的警力配置预测。本专利技术与现有技术相比的优势:(1)对于现有的多元数据进行预测，是可以实时得到的，预测的警力配置值不具有滞后性；(2)用两次卷积后的特征图作为全局特征进行输入相比于直接进行组合的方式先进行特征的筛选，更好的得到全局感知野；(3)同时相比于一般数学模型，对多元数据的组合来提高预测精度；运用距离最短的K-means算法可以很好的适用与警力配置问题，对于区域内的警力配置也能够在降低资源和警力负担的前提下达到警力配置的要求。附图说明图1为本专利技术的具体操作流程图；图2为图1中S5-S6的原理图。具体实施方式下面结合具体实施例和附图进一步阐述本专利技术的技术特点。如图1所示，S1：收集多元数据如：手机信令收据、天气情况数据、出租车浮动数据、施工数据等；S2：将收集的数据记录方便使用；S3：将收集的出租车浮动数据运用K-means，提取出不同的区域；S4：将各个区域内的其他多元数据进行重构，手机信令数据、天气情况数据、施工数据都组为矩阵形式；S5：将各个区域内重构的数据进行两次卷积的操作提取出不同特征的特征图；S6：将特征图进行组合，组合乘全局特征图作为输入(S5-S6原理图如下图2)；S7：将全局特征图作为输入，放进CNN模型中进行预测；S8：得出该区域的警力配置预测，并将所有区域警力配置预测出。具体按照以下步骤操作：采集出租车浮动数据、天气数据、施工数据、手机信令数据、各类事故发生概率等数据；对出租车浮动数据经行K-means聚类方法，以此作为不同的警力配置区域ε1,ε2,ε3,……,εi；将天气数据数字化，：晴天：1；阴天：2；雨天：3；……；记录不同区域ε1,ε2,ε3,……,εi的各个出租车浮动点的天气数据、施工数据、手机信令数据、各类事故发生概率，并记录各区域数据点数δ1,δ2,δ3,……,δi；将各个区域天气数据、施工数据、手机信令数据、各类事故发生概率都重构为n*m形式(n*m大小为该区域数据点数δ)，记此时天气数据为t、施工数据s、手机信令数据m、各类事故发生概率p；对各个区域t，s，m，p都进行两次卷积得到特征图t_feature，s_feature，m_feature，p_feature；将得到的特征图重新组合为全局特征图all_feature，以此图作为输入信号运用CNN模型进行数据的预测，得到该区域的警力配置预测；将所有区域都运用如上方式，得到所有区域的警力配置预测。以上详细描述了本专利技术的优选实施方式，但是，本专利技术并不限于上述实施方式中的具体细节，在本专利技术的技术构思范围内，可以对本专利技术的技术方案进行多种简单变型，这些简单变型均属于本专利技术的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本专利技术对各种可能的组合方式不再另行说明。此外，本专利技术的各种不同的实施方式之间也可以进行任意组合，只要其不违背本专利技术的思想，其同样应当视为本专利技术所公开的内容。本文档来自技高网...

【技术保护点】
1.一种基于多元数据的警力配置算法，其特征在于：其步骤为：(1)采集出租车浮动数据、天气数据、施工数据、手机信令数据、各类事故发生概率等数据；(2)对出租车浮动数据经行K‑means聚类方法，以此作为不同的警力配置区域ε1,ε2,ε3,……,εi；(3)将天气数据数字化，：晴天：1；阴天：2；雨天：3；……；(4)记录不同区域ε1,ε2,ε3,………,εi的各个出租车浮动点的天气数据、施工数据、手机信令数据、各类事故发生概率，并记录各区域数据点数δ1,δ2,δ3,……,δi；(5)将各个区域天气数据、施工数据、手机信令数据、各类事故发生概率都重构为n*m形式(n*m大小为该区域数据点数δ)，记此时天气数据为t、施工数据s、手机信令数据m、各类事故发生概率p；(6)对各个区域t，s，m，p都进行两次卷积得到特征图t_feature，s_feature，m_feature，p_feature；(7)将得到的特征图重新组合为全局特征图all_feature，以此图作为输入信号运用CNN模型进行数据的预测，得到该区域的警力配置预测；(8)将所有区域都运用如上方式，得到所有区域的警力配置预测。

【技术特征摘要】
1.一种基于多元数据的警力配置算法，其特征在于：其步骤为：(1)采集出租车浮动数据、天气数据、施工数据、手机信令数据、各类事故发生概率等数据；(2)对出租车浮动数据经行K-means聚类方法，以此作为不同的警力配置区域ε1,ε2,ε3,……,εi；(3)将天气数据数字化，：晴天：1；阴天：2；雨天：3；……；(4)记录不同区域ε1,ε2,ε3,………,εi的各个出租车浮动点的天气数据、施工数据、手机信令数据、各类事故发生概率，并记录各区域数据点数δ1,δ2,δ3,……,δi；(5)将各个区域天气数据、施工数据、手机信令数据、各类事故发生概率都重构为n*m形式(n*m大小为该区域数据点数δ)，记此时天气数据为t、施工数据s、手机信令数据m、各类事故发生概率p；(6)对各个区域t，s，m，p都进行两次卷积得到特征图t_feature，s_feature，m_feature，p_feature；...

【专利技术属性】
技术研发人员：骆晓，李晔，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31