一种监管场景下的突发事件智能推演方法、系统、设备及存储介质技术方案

本发明专利技术涉及一种监管场景下的突发事件智能推演方法、系统、设备及存储介质，推演方法包括：采集不同区域的场景数据，并针对场景的风险值进行评分；进行数据预处理；将处理后的数据输入到风险预警模型中进行训练，得到训练好的风险预警模型；构建风险处置知识库；采用训练好的风险预警模型中，得到下一时刻场景的风险预测值；风险处置知识库输出该案例对应的处置预案；或通过智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；采用了模型学习和处置知识库相结合的方式进行场景风险的预警和推演，提升了结果的科学性和合理性。科学性和合理性。科学性和合理性。

【技术实现步骤摘要】
一种监管场景下的突发事件智能推演方法、系统、设备及存储介质


[0001]本专利技术涉及一种监管场景下的突发事件智能推演方法、系统、设备及存储介质，属于人工智能


技术介绍

[0002]随着各种各样的机器学习和深度学习算法的不断发展优化，引起了各行各业从业人员的重视，互联网思维成为了各行各业乃至时代发展的不可或缺的拼图板块，像“智慧城市”、“智慧司法”等“智慧”概念也渐渐进入了我们的视线。近年来，“智慧司法”概念蓬勃发展，但在监管场景下的应用却是凤毛麟角，这主要是由于监管场所的特殊性和局限性，在数据的收集和整理方面存在一定的难度，可公开供研究使用的数据也是少之又少，导致采用的方法没有充足的支持而达不到好的结果。
[0003]如今，推演系统已经较为广泛地应用在了各个领域，对于监管场所来说，完善的风险推演系统可以帮助管理人员在突发事件处置上做出重要参考，提升处理突发事件的效率。
[0004]在以往的数据分析方法中，大量方法使用了历史数据信息，也有一部分使用空间信息，但将历史信息与空间信息相结合的应用方法却是不常见的。仅仅使用历史数据而不结合空间信息忽略了不同空间位置之间的相互影响，而仅仅使用空间位置信息则忽略了事件发生都有一定时间规律这一基本情况。
[0005]监管场所的突发事件智能推演是指通过对当前时刻以及过去一段时间内的监管场所场景信息的变化来判断在未来时刻是否会发生突发事件，并对已经或即将发生的突发事件干预前后的变化趋势的分析，通过分析得到合理的风险解决方案来避免或消除突发事件产生的不良影响。智慧监管场所是人工智能领域的一个新的重要应用，在智慧监管场所的模式下，监管场所整合监管改造信息资源和社会信息资源，将大数据、物联网、人工智能等现代科技与监管场所各项业务相融合，对监管安全风险进行监控和处置，提高监管场所监管安全方面的防范能力，促进特殊人员改造质量的提高，推进监管场所治理体系的创新。通过监管场所下的突发事件智能推演方法，可以提高监管场所在风险防范和风险处置方面实时性和精准度。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了一种监管场景下的突发事件智能推演方法，充分利用监管场所采集的场景数据及突发事件处置预案的基础上，利用图神经网络、循环神经网络结合风险处置知识库，提高监管场所在风险预知和风险处置的及时性和精准性。
[0007]同时，本专利技术提供了一种监管场景下的突发事件智能推演系统、设备及存储介质。
[0008]术语解释：
[0009]1.GNN，图神经网络，通过对输入的二维数据进行构图来学习不同输入维度的数据
之间的关联关系的算法。
[0010]2.GRU，(Gate Recurrent Unit，循环门单元)是循环神经网络(Recurrent Neural Network,RNN)的一种。和LSTM(Long
‑
Short Term Memory)一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。
[0011]3.LSTM，全称长短时记忆网络(Long short
‑
term memory,LSTM)是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，是一个用于解决包含时间维度数据的深度学习模型。
[0012]本专利技术的技术方案为：
[0013]一种监管场景下的突发事件智能推演方法，该方法包括：
[0014]步骤1，获取不同区域的场景数据，并针对场景的风险值进行评分；
[0015]步骤2，进行数据预处理；
[0016]步骤3，将处理后的数据输入到风险预警模型中进行训练，得到训练好的风险预警模型；
[0017]步骤4，构建风险处置知识库；风险处置知识库是将监管场所发生风险后的历史处置方法数据加之通过场景智能推演模块生成的处置预案所构成的知识库，用于发生风险预警后的处置预案的推荐。
[0018]步骤5，获取不同区域的场景数据，然后进行数据预处理，再将处理后的场景数据输入到训练好的风险预警模型中，得到下一时刻场景的风险预测值；
[0019]步骤6，将步骤5得到的风险预测值与阈值进行比较，当风险预测值超过阈值时，则将场景数据与风险处置知识库中的场景数据进行对比,
[0020]若风险处置知识库中存在与输入的场景数据完全相同的案例时，则风险处置知识库输出该案例对应的处置预案；
[0021]若风险处置知识库中不存在与输入的场景数据完全相同的案例时，则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；
[0022]步骤7，智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。以提高以后出现风险预警时预案生成的反应速度。
[0023]根据本专利技术优选的，步骤1中，获取不同区域的场景数据，并针对场景的风险值进行评分；具体过程包括：
[0024]1‑
1，采集不同区域的场景数据，所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域AB门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据；每半小时采集一次场景数据；监管场所包括N个区域，在整个方法中，我们主要考虑的是监管场所中的工厂车间、宿舍、活动室及会见室这几类区域，工厂车间为被监管人员劳动、吃饭的区域，宿舍为被监管人员生活区域。
[0025]1‑
2，对采集的场景数据进行打分，作为场景数据的标签值y，标签值y用于评判该时刻下的场景风险；将风险等级分为四级，分别为：高风险、中风险、中低风险、低风险，分别
对应1,2,3,4分；针对每一个场景进行打分。
[0026]根据本专利技术优选的，步骤2中，进行数据预处理，具体过程包括：
[0027]2‑
1，对场景数据进行数据清洗，将空白数据，离群场景数据删除；
[0028]2‑
2，对场景数据进行数据归一化操作，具体为：x
*
表示归一化后的场景数据，x表示未进行归一化的场景数据，min表示场景数据的最小值，max表示场景数据的最大值；从而得到要输入风险预警模型的输入数据[X，Y]，场景数据表示在第t时刻，第n个区域第i个特征的归一化值，步骤1
‑
1中采集的每一项场景数据均作为一个特征；Y＝{y
nt
}表示对应第t时刻，第n个区域下的标签值的集合；
[0029]2‑
3，构建场景数据X以及监管场所中N个区域之间无向图G所对应的N
×
N邻接矩阵X
adj
，无向图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监管场景下的突发事件智能推演方法，其特征在于，该方法包括：步骤1，获取不同区域的场景数据，并针对场景的风险值进行评分；步骤2，进行数据预处理；步骤3，将处理后的数据输入到风险预警模型中进行训练，得到训练好的风险预警模型；步骤4，构建风险处置知识库；步骤5，获取不同区域的场景数据，然后进行数据预处理，再将处理后的场景数据输入到训练好的风险预警模型中，得到下一时刻场景的风险预测值；步骤6，将步骤5得到的风险预测值与阈值进行比较，当风险预测值超过阈值时，则将场景数据与风险处置知识库中的场景数据进行对比，若风险处置知识库中存在与输入的场景数据完全相同的案例时，则风险处置知识库输出该案例对应的处置预案；若风险处置知识库中不存在与输入的场景数据完全相同的案例时，则将风险预测值超过阈值时的场景数据以及风险处置知识库中与步骤5采集到的场景数据相似度最高场景的处置预案输入到智能场景推演模型中进行迭代训练，最终得到满足风险阈值且训练过程中风险值最小时所对应的处置预案数据项作为最终的处置预案；步骤7，智能场景推演模型得到的最终的处置预案和对应的场景信息存入风险处置知识库。2.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤1中，获取不同区域的场景数据，并针对场景的风险值进行评分；具体过程包括：1
‑
1，采集不同区域的场景数据，所述场景数据包括区域高风险人员数、区域被监管人员总数、区域管理人员数量、区域外来车辆数量、区域外来人员数量、区域监控报警情况、区域AB门故障数量、区域内黑白名单号码通话量、区域高压电网故障数量、区域气温、区域天气情况数据；每半小时采集一次场景数据；监管场所包括N个区域；1
‑
2，对采集的场景数据进行打分，作为场景数据的标签值y，标签值y用于评判该时刻下的场景风险。3.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤2中，进行数据预处理，具体过程包括：2
‑
1，对场景数据进行数据清洗，将空白数据，离群场景数据删除；2
‑
2，对场景数据进行数据归一化操作，具体为：x
*
表示归一化后的场景数据，x表示未进行归一化的场景数据，min表示场景数据的最小值，max表示场景数据的最大值；从而得到要输入风险预警模型的输入数据[X，Y]，场景数据大值；从而得到要输入风险预警模型的输入数据[X，Y]，场景数据表示在第t时刻，第n个区域第i个特征的归一化值，步骤1
‑
1中采集的每一项场景数据均作为一个特征；Y＝{y
nt
}表示对应第t时刻，第n个区域下的标签值的集合；2
‑
3，构建场景数据X以及监管场所中N个区域之间无向图G所对应的N
×
N邻接矩阵X
adj
，无向图G中N个节点对应N个区域，若无向图G中节点v
i
和节
点v
j
之间存在边或存在弧，则否则且i，j＝1，2，3
……
N。4.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，步骤3中，风险预警模型为STPN网络，STPN网络包括一个图神经网络GNN和一个循环神经网络GRU，图神经网络GNN用来获取输入的场景数据中不同区域间的关联关系，并进行拟合，然后输入到循环神经网络GRU中；循环神经网络GRU包括更新门和重置门，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度；重置门用于控制前一状态的信息被写入到当前的候选集h
t
上的比例；风险预警模型输入信息为场景数据X、标签值的集合Y及邻接矩阵X
adj
，输出下一时刻场景的风险预测值。5.根据权利要求1所述的一种监管场景下的突发事件智能推演方法，其特征在于，风险预警模型的训练的过程为：3
‑
1，将经过预处理的数据[X，Y]及邻接矩阵X
adj
输入到GNN中；无向图G中每个节点v的特征X
v
与已标记的标签y
v
相关联；y
v
为节点v对应的标签值集合；给定部分标记的无向图G，通过学习得到每个节点的N维向量状态h
v
，同时包含节点v相邻节点的信息，具体为：h
v
＝f(X
v
，X
CO[v]
，h
ne[v]
，X
ne[v]
)
ꢀꢀꢀꢀ
(I)，式(I)中，X
CO[v]
表示连接节点v的边的特征，h
ne[v]
表示节点v的邻居节点的嵌入表示，X
ne[v]
表示节点v的邻居节点特征，f表示将输入投影到N维空间的转移函数，此处采用的转移函数为maxpooling；3
‑
2，应用Banach不动点理论重写式(I)进行迭代更新，求出h
v
的唯一解，如式(II)所示：H
t+1
＝F(H
t
，X)
ꢀꢀꢀꢀ
(II)，式(II)中，H表示所有h
v
之间的连接，X表示所有X
v
之间的连接，H
t
的上角标t表示第t次迭代，H
t+1
的上角标t+1表示第t次迭代，F(
·
)表示全连接前馈神经网络；3
‑
3，通过将状态h
v
以及特征X
v
传递给输出函数g来计算GNN的输出O
v
，如式(III)所示：O
v
＝g(h
v
，X
v
)
ꢀꢀꢀꢀꢀ
(III)，式(III)中，g表示全连接前馈神经网络；L1损失函数如式(IV)所示：式(IV)中，loss是损失函数，p是节点数，O
v
表示第v个节点的输出；从而得到包含位置信息的数据从而得到包含位置信息的数据表示GNN在参数训练好后的输出，3
‑
4，将GNN输出的输入到GRU中去获取时间维度的信息，且GRU模型中，重置门的计算过程为：z
t
＝σ(W
z
·
[h
t
‑1，x
t
])
ꢀꢀꢀꢀ
(V)；式(V)中，z
t
表示更新门，x
t
表示输入的数据，h
t
‑1表示隐藏状态，W
z
表示GRU模型的参数...

【专利技术属性】
技术研发人员：李玉军，刘保臣，郝庆浩，崔岩，郭润东，
申请(专利权)人：中国社会科学院社会学研究所，
类型：发明
国别省市：