一种基于多梯核深度神经网络模型积分预警方法以及系统技术方案

本发明专利技术涉及公共安全技术领域，且公开了一种基于多梯核深度神经网络模型积分预警方法，包括数据存储模块，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据、社会信息数据和轨迹信息；数据中心处理模块，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分。通过设置的多梯核神经网络模型，应用于公共领域过程中，来对行为人进行其数据特征的识别和判断，最终来实现对个人行为进行实时预警，实现对公共安全事故的及时布控，及时防范，及时打击，降低公共安全事故的发生概率。率。率。

【技术实现步骤摘要】
一种基于多梯核深度神经网络模型积分预警方法以及系统


[0001]本专利技术涉及公共安全
，具体为一种基于多梯核深度神经网络模型积分预警方法以及系统。

技术介绍

[0002]现有公共安全领域通过积分结果匹配“红”、“橙”、“黄”、“绿”进行预警，其计算模型存在机械化、准确率低、自适应能力差等问题，无法实现实时化、精准化、智能化的积分计算。机械化主要体现在计算规则必须设定好、准确率低主要体现在人为主观判定、自适应能力差主要体现在规则之间存在相关性，规则无法完全覆盖。
[0003]中国专利公开号CN202110427225.5公开了“公共安全风险预警系统和方法”，公共安全风险预警系统利用双目摄像机对公共安全隐患区域进行风险监测，其可遍及的范围广且监测精度高，是采用双目摄像机进行视觉监测，双目摄像机能够识别待测物体的深度信息，而双目摄像机能够像人类的双眼一样通过视差计算对象的深度信息，从而更加精确和快速地识别对象的动作信息，进而实现更精准的预警。
[0004]但上述专利技术的缺陷在于，只针对即将发生的危害公共安全的行为本身进行预警，无法进行较早的主动预警。现实生活中需要对一个关注对象的多维历史信息数据进行分析，以得出其实施危害公共安全行为的概率。而目前是根据人为经验整理衡量规则，设定权重，累加权重结果，确定关注对象的积分情况，结合预警四色确定关注对象是否将要实施危害公共安全行为。其中规则是动态变化的，不能涵盖所有规则，同时规则之间也存在相互关联性，无法实现自适应能力，导致安全预警效果比较低。故而本申请提出一种基于多梯核深度神经网络模型积分预警方法以及系统来解决上述所提出的问题。

技术实现思路

[0005]解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于多梯核深度神经网络模型积分预警方法以及系统，解决了安全预警效果低，防范不及时的问题。
[0007]技术方案
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于多梯核深度神经网络模型积分预警方法，包括数据存储模块，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据、社会信息数据和轨迹信息；
[0009]数据中心处理，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分；
[0010]阈值生成，用于产生多个动态的风险预警阈值区间；
[0011]通过如下步骤，产生风险预警信息：
[0012]步骤一：数据分类，将数据根据数据形态分成非数值特征数据和数值特征数据两
种类别；
[0013]步骤二：特征量化，对步骤一中的非数值特征值数据进行特征量化，并将非数值特征数据根据行为特征划分为依据频次为量化指标的行为数据和依据行为程度为量化指标的行为数据；
[0014]特征分箱，对步骤一中的数值特征数据进行离散化处理；
[0015]步骤三：特征提取，对步骤二获取的数据通过方差过滤算法和F检验算法进行特征提取，并对所分别提取的数据特征进行数据特征交集获得数据特征集合；
[0016]步骤四：特征分梯，将步骤三所获取的数据特征集合通过特征相关算法将具有相关性的数据特征组合为若干个数据特征组合；
[0017]步骤五:将步骤四所获取的数据特征组合输入构建的多梯核神经网络模型当中获取预警积分；
[0018]步骤六：区间估计，构建动态的预警状态的置信区间；
[0019]步骤七：预警判断，将步骤五中获取的预警积分与步骤六中的置信区间内进行比较，得出预警信息
[0020]优选的，所述步骤三中特征提取算法包括，
[0021]采用方差过滤法提取数据特征，步骤为：
[0022]步骤D1：设定方差因子
[0023]步骤D2:通过以下公式计算每一个特征数据的方差，
[0024][0025]关注对象的总数、X
i
指每一项数据特征中的数值、特征均值、σ2为方差值；
[0026]步骤D3:当所述特征数据的方差值小于设定的方差因子则被剔除否则保该数据特征；
[0027]采用F检验法验法提取数据特征，
[0028]步骤E1：计算某个数据特征的组间离差，组内离差，
[0029]组间离差通过以下公式进行计算：
[0030][0031]n
i
样本总数，当前行特征值，特征均值，S
A
为组间离差值；
[0032]组内离差通过以下公式进行计算，
[0033][0034]n
i
样本总数，当前行特征值，特征均值，S
E
为组内离差值；
[0035]计算统计量F,通过以下公式计算，
[0036][0037]F为统计量，n为样本总数，r为组数，S
A
组间离差,S
E
为组内离差；
[0038]步骤E2:根据F分布表确定保留系数F
表
，
[0039]当F<F
表
表明两组数据没有显著差异，
[0040]当F≥F
表
表明两组数据存在显著差异，则保留显著差异的特征；
[0041]采用互信息法提取数据特征，
[0042]步骤F1：计算每个特征与标签之间的线性关系和非线性关系，即量化分布p(x,y)，边缘分布分别为p(x),p(y)，互信息I(X,Y)是联合分布p(x,y)与边缘分布p(x),p(y)的相对熵，得出具体数值；
[0043]步骤F2:当互信息结果>0的值，表示该数据特征保留，代表当前特征与标签有关，
[0044]互信息结果＜0的值，表示该数据特征舍弃，代表当前特征与标签无关；
[0045]经过如上三种特征提取算法中的至少两种算法所提取的数据特征进行交集，获得数据特征集合。
[0046]优选的，所述步骤四中所述特征相关算法如下：
[0047][0048]x2值表示观察值与理论值之间的偏离程度，设A代表某个类别的观察频数， E表示期望频数，A与E之差为残差；
[0049]将残差平方除以期望频数求和，估计观察频数与期望频数的差别。
[0050]优选的，构建多梯核神经网络模型的方法如下：
[0051]所述多梯核神经网络模型包括多个层级的神经网络单元，所述上一层神经网络单元与多个下一层神经网络单元链接；
[0052]每一层神经网络单元均由一个全连接层、一个第一dropout层、多个多梯核和一个第二dropout依次链接，其中，
[0053]所述全连接层用于将输入的多组数据特征进行分析，
[0054]所述第一dorpout层用于随机删除数据连接的特征关系，
[0055]所述多梯核接收所述第一dorpout层制造的新的数据特征进行处理产生新的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多梯核深度神经网络模型积分预警方法，其特征在于：数据存储，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据和社会信息数据；数据处理，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分；阈值生成，用于产生多个动态的风险预警阈值区间；通过如下步骤，产生风险预警信息：步骤一：数据分类，将数据根据数据形态分成非数值特征数据和数值特征数据两种类别；步骤二：特征量化，对步骤一中的非数值特征值数据进行特征量化，并将非数值特征数据根据行为特征划分为依据频次为量化指标的行为数据和依据行为程度为量化指标的行为数据；特征分箱，对步骤一中的数值特征数据进行离散化处理；步骤三：特征提取，对步骤二获取的数据通过方差过滤算法和F检验算法进行特征提取，并对所分别提取的数据特征进行数据特征交集获得数据特征集合；步骤四：特征分梯，将步骤三所获取的数据特征集合通过特征相关算法将具有相关性的数据特征组合为若干个数据特征组合；步骤五:将步骤四所获取的数据特征组合输入构建的多梯核神经网络模型当中获取预警积分；步骤六：区间估计，构建动态的预警状态的置信区间；步骤七：预警判断，将步骤五中获取的预警积分与步骤六中的置信区间内进行比较，得出预警信息。2.根据权利要求1所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于：所述步骤二中依据频次为量化指标的行为数据采用统计结果量化法进行量化步骤为：步骤A1：统计一种行为发生的频次；步骤A2：计算该种行为在全部行为中的发生率；步骤A3:并根据发生率依据赋值规则给予具体的数值；所述步骤二中依据行为程度为量化指标的行为数据采用分段赋值法进行量化步骤为：步骤B1:统计一种行为发生的程度；步骤B2:预设行为程度区间所赋予的具体的数值；步骤B3:将步骤B1中的该种行为发生的程度与步骤B2中的程度区间进比较后得出该种行为发生程度对应的具体数值；所述步骤二中的特征分箱的步骤为：步骤C1：将连续的数值特征数据分成N个区间，且N≥2；步骤C2：对相邻的组中的数据包进行卡方检验，卡方检验的公式为：
A为相关数据特征的数值，T为相关特征落在区间内的概率值，n为关注对象的总数；步骤C3:对相邻两组数据卡方检验后的数值进行差值计算，差值的绝对值小于设定系数则判定两组数据可以合并；步骤C4:改变N值，重复步骤C1至步骤C3直至确定最优数据包个数；步骤C5：分箱完成后，按照当前箱的最大值结果给于每个箱的权重值，得出每个箱的最大值结果。3.根据权利要求1或者2所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于，所述步骤三中特征提取算法包括，采用方差过滤法提取数据特征，步骤为：步骤D1：设定方差因子步骤D2:通过以下公式计算每一个特征数据的方差，征数据的方差，关注对象的总数、X
i
指每一项数据特征中的数值、特征均值、σ2为方差值；步骤D3:当所述特征数据的方差值小于设定的方差因子则被剔除否则保该数据特征；采用F检验法验法提取数据特征，步骤E1：计算某个数据特征的组间离差，组内离差，组间离差通过以下公式进行计算：n
i
样本总数，当前行特征值，特征均值，S
A
为组间离差值；组内离差通过以下公式进行计算，n
i
样本总数，当前行特征值，特征均值，S
E
为组内离差值；计算统计量F,通过以下公式计算，F为统计量，n为...

【专利技术属性】
技术研发人员：史晨昱，牛娜，管国权，陈伟明，
申请(专利权)人：西安未来国际信息股份有限公司，
类型：发明
国别省市：