一种基于历史数据的巡逻路径设置方法技术

本发明专利技术提供一种基于历史数据的巡逻路径设置方法，涉及计算机领域，所述方法包括步骤1：通过对历史数据进行聚类分析，标记历史事件发生地的聚集区域，并利用空间关系选择最佳的巡逻区域；步骤2：预测各个巡逻区域未来时间段的事件时间；步骤3：获取未来时间段需要巡逻的地点和时间；步骤4：基于需要巡逻的时间和地点，使用多目标启发式优化模型设置最佳的巡逻路径。本发明专利技术考虑到危险性和时间的相关性进行巡逻路径综合规划，在警方的警力调度部署和巡查过程中，可以对警力进行合理分配。

A patrol path setting method based on historical data

【技术实现步骤摘要】
一种基于历史数据的巡逻路径设置方法
本专利技术涉及计算机领域，尤其涉及一种基于历史数据的巡逻路径设置方法。
技术介绍
在警方的警力调度部署和巡查过程中，对警力进行合理分配并规划适当的巡逻路径是一种重要的需求。对路径的规划和优化是一个计算机领域的传统问题，无论解决货郎问题的汉密尔顿路径规划还是类似笔划问题的欧拉路径规划都已经有几百年的研究历史。路径选择或者叫做路由选择在计算机网络报文传输领域被广泛应用，这些路径选择或者叫做路由选择一般根据网络的传输通断信息规划路由表，将报文转发到特定的路由器或者交换机，路由器或者交换机根据报文的目的地查询路由表，然后直接转发出去，例如专利申请CN201710090957.3就根据路径的状态变化来辅助选择路径。但是基于警员能力模型和历史信息分析的警力调度部署和路径规划的研究仍旧比较少。有部分相关的研究和专利技术是关于警员路径规划和选择的，例如专利申请CN201610861306.5就利用近场通讯设备或者手机对警员的巡逻路径进行追踪，并且将采集到的数据存储到基于Hadoop的大数据平台中，利用深度学习的方法以生成巡逻模型；而专利申请CN201710667868.0利用深度学习的方法对高危地区进行识别，然后在规划巡逻路径的时候贯穿高危区域和危险区域。此外，也有方法帮助巡逻中的人员以概率的方法选择巡逻的路径，也就是每次到路径选择的关头，由该方法辅助路径选择，例如专利申请CN201210174425.5；这些历史上的研究和专利技术都没有考虑警员本身的能力模型和巡逻所需要的能力需求之间的管理关系，强调的是巡逻已经确定后的巡逻路径选择的问题；而实际上警力调度包括两个部分：第一个部分是合理的安排合理的人员参与到巡逻中；第二个部分才是为参与到巡逻中的人员规划出适当的路径并能够达到适当的覆盖。而警员的能力模型即需要考虑警员的技能是否和需求相匹配，例如人员步行巡逻和车辆巡逻配合时，前一组人员需要有人能够具备持枪能力，而后一组人员需要有人具备驾驶能力；同时还需要考虑人员历史上的出勤情况，例如有警员已经连续三天出勤，就应当在一段时间内减少他的出勤；而且巡逻本身的规划中，覆盖率是重要因素，在专利申请CN201710667868.0中主要针对高危地区的覆盖，而一般派出所等基层单位更关注轻微的治安案件，并且需要对辖区内的各区域都实现覆盖；最后，并不是高危地区的所有时间都是高危的，目前的研究没有考虑危险性和时间的相关性。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于历史数据的巡逻路径设置方法，考虑到危险性和时间的相关性进行巡逻路径综合规划，可以对警力进行合理分配。本专利技术提供一种基于历史数据的巡逻路径设置方法，所述方法包括以下步骤：步骤1：通过对历史数据进行聚类分析，标记历史事件发生地的聚集区域，并利用空间关系选择最佳的巡逻区域；步骤2：预测各个巡逻区域未来时间段的事件时间；步骤3：获取未来时间段需要巡逻的地点和时间；步骤4：基于需要巡逻的时间和地点，使用多目标启发式优化模型设置最佳的巡逻路径。进一步的，所述步骤1具体如下：步骤1.1：取出历史事件的位置信息，标记历史事件发生地的聚集区域，根据设置的聚类数量比例，通过聚类分析模型进行聚类分析得到最佳的巡逻区域；步骤1.2：计算采用各个聚类分析模型所得巡逻区域之间的间隔距离，选择聚类效果最好的聚类分析模型；步骤1.3：计算各个聚类分析模型所得巡逻区域的中心点之间距离，并根据距离对聚集区域的数量进行调整；步骤1.4：根据所得效果最好的聚类分析模型对所有历史事件做分类，将历史事件归类到最合适的巡逻区域中。进一步的，所述聚类分析模型包括Kmeans、Kmeans++、AffinityPropagation。进一步的，所述步骤2具体如下：步骤2.1：取出各个巡逻区域中的历史事件数量，按时间段汇总，并对没有记录的时间段补零；步骤2.2：以滑动窗口法，将历史事件和对应时间数据生成训练集和测试集；步骤2.3：使用网格搜索、随机搜索或者贝叶斯优化算法结合测试集和训练集数据进行时间序列模型的训练与预测，选择最佳的时间序列模型和参数；步骤2.4：使用得到的时间序列模型对未来时间段的事件做预测。进一步的，所述时间序列模型包括AR、ARIMA、LSTM。进一步的，所述步骤3具体如下：步骤3.1：选择各个巡逻区域的质心作为需要巡逻的地点；步骤3.2：根据时间序列模型得到的预测结果，设置一定的阈值，大于阈值的时间段都需要巡逻，进而获得需要巡逻的时间段。进一步的，所述步骤4具体如下：步骤4.1：根据需要巡逻的时间段和地点，通过多目标启发式优化模型设置最佳的巡逻路径，即获取未来时间段中每个小时对应的路径最短，每个小时开始点和结束点对应的衔接路径最短，从巡逻开始点到结束点的总路径最短；进一步的，所述多目标启发式优化模型包括遗传算法GA、差分进化算法DE、NSGA-III。如上所述，本专利技术的一种基于历史数据的巡逻路径设置方法，具有以下有益效果：综合考虑到危险性和时间的相关性进行巡逻路径规划，在警方的警力调度部署和巡查过程中，可以对警力进行合理分配。附图说明图1显示为本专利技术实施例中公开的巡逻路径设置方法流程图；图2显示为本专利技术实施例中公开的巡逻路径设置系统框图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图示中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图1所示，本专利技术提供一种基于历史数据的巡逻路径设置方法，所述方法包括以下步骤：步骤1：通过对历史数据进行聚类分析，标记历史事件发生地的聚集区域，并利用空间关系选择最佳的巡逻区域；具体步骤如下：步骤1.1：取出历史事件的位置信息(例如经纬度等)，标记历史事件发生地的聚集区域，根据设置的聚类数量比例，通过聚类分析模型进行聚类分析得到最佳的巡逻区域，所述聚类分析模型包括Kmeans、Kmeans++、AffinityPropagation等；步骤1.2：计算采用各个聚类分析算法模型所得巡逻区域之间的间隔距离，选择聚类效果最好的聚类分析模型；步骤1.3：计算各个聚类分析模型所得巡逻区域的中心点之间距离，所得距离的最小值要大于设置值，如果最小值过大，减小聚集区域的数量本文档来自技高网...

【技术保护点】
1.一种基于历史数据的巡逻路径设置方法，其特征在于，所述方法包括以下步骤：/n步骤1：通过对历史数据进行聚类分析，标记历史事件发生地的聚集区域，并利用空间关系选择最佳的巡逻区域；/n步骤2：预测各个巡逻区域未来时间段的事件时间；/n步骤3：获取未来时间段需要巡逻的地点和时间；/n步骤4：基于需要巡逻的时间和地点，使用多目标启发式优化模型设置最佳的巡逻路径。/n

【技术特征摘要】
1.一种基于历史数据的巡逻路径设置方法，其特征在于，所述方法包括以下步骤：
步骤1：通过对历史数据进行聚类分析，标记历史事件发生地的聚集区域，并利用空间关系选择最佳的巡逻区域；
步骤2：预测各个巡逻区域未来时间段的事件时间；
步骤3：获取未来时间段需要巡逻的地点和时间；
步骤4：基于需要巡逻的时间和地点，使用多目标启发式优化模型设置最佳的巡逻路径。


2.根据权利要求1所述的基于历史数据的巡逻路径设置方法，其特征在于，所述步骤1具体如下：
步骤1.1：取出历史事件的位置信息，标记历史事件发生地的聚集区域，根据设置的聚类数量比例，通过聚类分析模型进行聚类分析得到最佳的巡逻区域；
步骤1.2：计算采用各个聚类分析模型所得巡逻区域之间的间隔距离，选择聚类效果最好的聚类分析模型；
步骤1.3：计算各个聚类分析模型所得巡逻区域的中心点之间距离，并根据距离对聚集区域的数量进行调整；
步骤1.4：根据所得效果最好的聚类分析模型对所有历史事件做分类，将历史事件归类到最合适的巡逻区域中。


3.根据权利要求2所述的基于历史数据的巡逻路径设置方法，其特征在于，所述聚类分析模型包括Kmeans、Kmeans++、AffinityPropagation。


4.根据权利要求1所述的基于历史数据的巡逻路径设置方法，其特征在于，所述步骤2具体如下：
步骤2.1：取出各个巡逻...

【专利技术属性】
技术研发人员：龚林，
申请(专利权)人：浙江诸暨美数信息科技有限公司，
类型：发明
国别省市：浙江;33