一种基于时空关联的监管环境风险预测方法及系统技术方案

本发明专利技术涉及一种基于时空关联的监管环境风险预测方法及系统，属于人工智能领域，包括获取数据，得到包含时间和空间维度的监管环境数据信息；数据预处理；采用STGCN时空关联网络，通过实时获取到的数据信息模型定期在线训练学习，通过更新模型权重参数不断修正优化模型，以降低学习误差提高准确度；对预测结果超过风险阈值的认为是风险区域，由系统自动发出风险预警信号。本发明专利技术通过建立时空关系模型，来捕捉时间维度和空间维度的序列信息，基于时空关联分析，能够快速、高效的对监管环境未来的风险精准预测，并通过可视化技术将风险进行直观展示，以辅助民警对监管环境安全管理、风险防范，确保监管环境的长治久安。确保监管环境的长治久安。确保监管环境的长治久安。

【技术实现步骤摘要】
一种基于时空关联的监管环境风险预测方法及系统


[0001]本专利技术涉及一种基于时空关联的监管环境风险预测方法及系统，属于人工智能


技术介绍

[0002]监管环境作为国家刑罚执行机关，主要承担着关押罪犯的职能，其安全和稳定对社会稳定有着巨大的影响作用，当前，尽管监管环境安全处于历史最好时期，但仍然存在诸多问题，如监管环境押量大、民警警力少、被监管人员成分复杂、管理难度大等，显示监管安全仍然面临着严峻考验。近年来，伴随着人工智能技术的不断成熟、海量大数据的支撑以及云计算能力的提升，人工智能开始广泛应用到社会发展的多个领域，其中，智慧监管环境就是当前时代在人工智能领域的一个创新性应用。
[0003]目前我国的监管环境风险管理现状，多数还停留在以民警巡查加摄像机监视报警的阶段，人工作业仍占绝大比重，信息化程度也比较低，当前，信息技术、网络技术已经进入了各行各业，现代社会治安隐患、风险预警等也更加智能化、隐蔽化，将大数据智能化技术深入应用，可以有效提高公安民警的打击犯罪能力、保障社会安全的能力，为提高监管风险识别水平，利用机器学习的相关技术，整合监管方面的相关数据，提取监管环境风险相关特征和风险评估表，利用大数据、数据库处理技术、计算机软件技术、地理信息系统技术、互联网技术等多学科能力，实现监管环境管理信息化，检索的智能化，尤为重要。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于时空关联的监管环境风险预测方法及系统，通过建立时空关系模型，来捕捉时间维度和空间维度的序列信息，基于时空关联分析，能够快速、高效的对监管环境未来的风险精准预测，并通过可视化技术将风险进行直观展示，以辅助民警对监管环境安全管理、风险防范，确保监管环境的长治久安。
[0005]术语解释：
[0006]STGCN：时空卷积网络(Spatio
‑
Temporal Graph Convolutional Networks,STGCN)，采用卷积层对神经网络进行时空预测。
[0007]本专利技术采用以下技术方案：
[0008]一种基于时空关联的监管环境风险预测方法，包括如下步骤；
[0009](1)获取数据：通过监管环境大数据系统平台接入后端接口实时上传数据，得到包含时间和空间维度的监管环境数据信息；
[0010](2)数据预处理：对获取到的数据信息进行预处理，包括缺失值填充、最大最小化、归一化、降维、数据清洗等数据预处理操作；
[0011](3)模型训练优化：模型采用STGCN时空关联网络，监管环境大数据系统平台嵌入本专利技术提出的风险预测模型，通过实时获取到的数据信息模型定期在线训练学习，通过更新模型权重参数不断修正优化模型，以降低学习误差提高准确度；
[0012](4)风险预警：设定风险阈值，对预测结果超过风险阈值的认为是风险区域，由系统自动发出风险预警信号，提醒监管环境民警有目的的展开巡查并对相关区域的工作人员进行意识提醒。
[0013]优选的，步骤(1)的数据信息包括监管环境内罪犯人员的定位信息、外来人员车辆的出入信息、监管环境内设备情况的运行信息、历史报警情况信息以及监管环境内气温变化情况等信息。
[0014]优选的，步骤(3)中构建模型的方法包括定义监管环境网络图和构建监管环境时空关联预测模型，其中定义监管环境网络图包括：
[0015]A、定义监管环境空间权重矩阵
[0016]假设区域为面元素，区域之间有公共边，确定面相邻的区域即为由公共边来构建邻接空间权重矩阵；
[0017]将监管环境区域标记为点，根据监管环境地理分布图定义空间权重矩阵，定义如下公式：
[0018][0019]其中，a
ij
表示i和j区域的相邻关系，如果相邻那么a
ij
＝1，反之则为0，空间权重矩阵是相邻关系的量化表示；
[0020]空间权重矩阵是通过空间邻接性的定义测量空间模式来构建，传统的空间邻接性采用区域之间的邻接性或者距离来定义，根据距离来构建空间权重矩阵，具体操作是认为空间之间的距离越小认为相关性越紧密，本专利技术采用的是邻接性构建空间权重矩阵，可以更好的体现空间之间的邻接关系。
[0021]B、定义监管环境无向图
[0022]首先，把整个监管环境表示为一个无向图G(V,E,A)，其中监管环境中的每一个区域可以看作顶点，其中，V＝{V
1,
V
2,
…
V
s
}表示区域的集合，s代表区域的个数，E为边的集合，表示区域间的连通性，A∈R
s*s
是无向图G的邻接矩阵，即上面定义的空间权重矩阵，表示区域间的连接关系；
[0023]在空间维度上，每个区域的风险受到相邻区域风险的影响，在时间维度上，该区域的风险受到历史时刻风险的影响，在时空的维度上，无向图中的顶点的风险受历史时间记录单位的时刻周围邻域的影响，那么区域n在时刻t的风险可以用来表示，其中n∈s,同样在t时刻所有区域的风险可以表示为整个监管环境可以用一个无向图G表示，每个顶点都有一个由历史风险组成的特征向量，可以使用图卷积操作捕捉监管环境中不规则的时空依赖关系。
[0024]优选的，构建监管环境时空关联预测模型的过程为：
[0025]时空关联预测模型的核心是时空卷积网络(STGCN)，时空卷积网络包括两个时空卷积块(ST
‑
Conv Block)和一个输出全连接层(Output Layer)，而核心部分的时空卷积块由两个时空门控卷积(Temporal Gated
‑
Conv)和中间的一个空间图卷积(Spatial Graph
‑
Conv)形成，结构如三明治，有两个时间门控序列卷积层和中间的一个空间图卷积模块，Temporal Gated
‑
Conv用来捕获时间关联，Spatial Graph
‑
Conv用来捕获空间关联，其中时
空门控卷积(Temporal Gated
‑
Conv)又由一个一维卷积(1
‑
D Conv)和一个门控线性单元(GLU)组成；
[0026]针对时间特征的提取，STGCN中用到的是门控卷积神经网络，与传统的时空模型的差异就在于用一维卷积进行时间维度的信息学习，卷积神经网络的优点在于不受之前时间点数据预测的限制从而可以更好捕捉变化且并行训练的消耗低。
[0027]①
采用图卷积神经网络捕捉空间特性
[0028]针对监管环境的空间特征，采用图卷积神经网络(GCN)进行提取，图卷积神经网络是将卷积应用到图结构数据的方法，普通的卷积操作只适用于处理欧几里得数据，因为欧式数据具有规则的空间结构，对于图结构这样的数据，由于邻居节点(邻居节点即为图结构中每个节点的相邻节点)的数目不确定，无法选取固定大小的卷积核来适应不规则的图形，故选用的是图卷积；...

【技术保护点】

【技术特征摘要】
1.一种基于时空关联的监管环境风险预测方法，其特征在于，包括如下步骤；(1)获取数据：通过监管环境大数据系统平台接入后端接口实时上传数据，得到包含时间和空间维度的监管环境数据信息；(2)数据预处理：对获取到的数据信息进行预处理，包括缺失值填充、最大最小化、归一化、降维、数据清洗；(3)模型训练优化：模型采用STGCN时空关联网络，通过实时获取到的数据信息模型定期在线训练学习，通过更新模型权重参数不断修正优化模型，以降低学习误差提高准确度；(4)风险预警：设定风险阈值，对预测结果超过风险阈值的认为是风险区域，由系统自动发出风险预警信号，提醒监管环境民警有目的的展开巡查并对区域的工作人员进行意识提醒。2.根据权利要求1所述的基于时空关联的监管环境风险预测方法，其特征在于，步骤(1)的数据信息包括监管环境内罪犯人员的定位信息、外来人员车辆的出入信息、监管环境内设备情况的运行信息、历史报警情况信息以及监管环境内气温变化情况信息。3.根据权利要求1所述的基于时空关联的监管环境风险预测方法，其特征在于，步骤(3)中构建模型的方法包括定义监管环境网络图和构建监管环境时空关联预测模型，其中定义监管环境网络图包括：A、定义监管环境空间权重矩阵假设区域为面元素，区域之间有公共边，确定面相邻的区域即为由公共边来构建邻接空间权重矩阵；将监管环境区域标记为点，根据监管环境地理分布图定义空间权重矩阵，定义如下公式：其中，a
ij
表示i和j区域的相邻关系，如果相邻那么a
ij
＝1，反之则为0，空间权重矩阵是相邻关系的量化表示；B、定义监管环境无向图首先，把整个监管环境表示为一个无向图G(V,E,A)，其中监管环境中的每一个区域看作顶点，其中，V＝{V
1,
V
2,
…
V
s
}表示区域的集合，s代表区域的个数，E为边的集合，表示区域间的连通性，A∈R
s*s
是无向图G的邻接矩阵，即空间权重矩阵，表示区域间的连接关系；在空间维度上，每个区域的风险受到相邻区域风险的影响，在时间维度上，该区域的风险受到历史时刻风险的影响，在时空的维度上，无向图中的顶点的风险受历史时间记录单位的时刻周围邻域的影响，那么区域n在时刻t的风险用来表示，其中n∈s,同样在t时刻所有区域的风险表示为整个监管环境用一个无向图G表示，每个顶点都有一个由历史风险组成的特...

【专利技术属性】
技术研发人员：李玉军，郝庆浩，孙国强，
申请(专利权)人：山东大学，
类型：发明
国别省市：