【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种基于人工智能技术的智慧警务方法及系统。
技术介绍
1、相关技术中，cn116844340a提供了一种基于人工智能的道路交通风险预测方法，包括：采用图像采集设备获取任一路段在不同历史时间段内不同时刻的道路交通状况历史数据，并对获取的道路交通状况历史数据进行预处理，基于路段的车流量、时间段平均车速以及该道路上驾驶员的不规范驾驶行为数据计算主客观风险指数，并基于主客观风险指数构建基于时间序列的道路交通风险指数作为arima模型的输入，用于后续的道路交通风险预测；
2、cn109118761a，公开了一种基于人工智能的智慧交通解决方法及其管理系统，所述监控摄像头电性输入连接用于定位监控位置的北斗定位模块，所述北斗定位模块电性输出连接用于采集道路监控信息的数据采集模块，所述调控模块电性输入连接规划指挥运输的紧急运输端，所述交通信号灯电性输入连接消防端、医疗端、和警务端，所述交通信号灯电性输入连接用于控制电源输入的电源控制模块；
3、综上，现有技术虽然能够通过视频监控实现对道路信息的监控，从而为警务系统提供调控策略，但无法根据道路数据信息对警务风险的预测，因此需要一个方案解决现有技术中存在的问题。
技术实现思路
1、本专利技术实施例提供一种基于人工智能技术的智慧警务方法及系统，用于基于道路历史数据实现对道路交通的预测和管理，减少交通事故的风险。
2、本专利技术实施例的第一方面，提供一种基于人工智能技术的智慧警务方法，包括：
3、获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图，根据所述时空热力图，结合趋势分析算法确定时空分析结果；
4、根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则；
5、基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出和所述随机树模块对应的第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率。
6、在一种可选的实施方式中，
7、所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：
8、从交通数据库中获取历史事故数据，对所述历史事故数据进行补全缺失值和处理异常值，得到修正数据，将所述修正数据按照时间和地点进行分组，即将时间分为三小时的时段，将空间按照交叉路口分为不同区域，形成时空网格；
9、根据所述时空网格，通过arcgis软件在地图上创建图层并绘制网格单元，根据历史事故数据确定每个网格单元内发生的事故数量，根据所述事故数量为每个网格单元选择代表事件数量和密度的颜色，并创建用于解释颜色和事故数量之间关系的图例，最终得到时空热力图。
10、在一种可选的实施方式中，
11、所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：
12、根据所述时空热力图，根据不同时间段和地点的事故数量绘制原始数据的时间序列图表，根据所述时间序列图表，通过趋势分析算法拟合时间序列数据，得到趋势模型；
13、根据所述趋势模型中参数的取值，确定发生交通事故的趋势，若所述趋势模型中的参数为正数，则发生交通事故的概率增加，若所述趋势模型中的参数为负数，则发生交通事故的概率减小，若为0，则发生交通事故的概率不变，对所述时空热力图中的每个网格单元进行分析，最终得到时空分析结果。
14、在一种可选的实施方式中，
15、所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：
16、提取所述时空分析结果中的事故发生时间，位置和该位置发生交通事故的概率，并将非数值类型数据转化为数值型，得到时空特征集合；
17、遍历所述时空特征集合，统计每个特征项出现的频次，根据所述频次构建项头表；
18、遍历所述项头表，对于每个特征项，根据出现的频次从大到小将所述特征项插入至预设的频繁模式树中，遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集；
19、根据所述频繁项集，对于每个频繁项，寻找以这一频繁项为结尾的路径，形成条件模式基；
20、对于每个频繁项，重复寻找对应的条件模式基，直至无法构建新的频繁模式树，根据所述频繁项和条件模式基，组合得到初始关联规则，计算所述初始关联规则对应的初始置信度，将所述初始置信度与预设的置信度阈值进行比较，删除初始置信度小于所述置信度阈值对应的初始关联规则，将保留的初始关联规则记为时空关联规则。
21、在一种可选的实施方式中，
22、所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：
23、初始化一个空集合，记为频繁项集集合，对于所述频繁模式树中包含的每个元素，访问以当前频繁项为结尾的路径，即访问条件模式基；
24、对于每个路径，提取每个路径上的全部元素，加入至所述频繁项集集合中，并继续挖掘新的频繁项集；
25、对于挖掘到的新的频繁项集，若包含多个元素，则将其作为新的条件模式基，继续挖掘新的频繁项集，若只包含一个元素，则停止挖掘，直至无法找到新的条件模式基。
26、在一种可选的实施方式中，
27、基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中的循环神经网络模块和随机树模块中，得到所述循环神经网络模块对应的第一预测输出包括：
28、基于所述时空关联规则，初始化预设的事故概率预测模型，提取所述历史事故数据中的历史特征信息，将所述历史特征信息输入至所述事故概率预测模型中，记为第一输入；
29、根据所述第一输入，结合循环神经网络模块，将所述第一输入分解为时间步序列，对于每个时间步，所述循环神经网络模块中的正向计算模块按照所述第一输入的时间步顺序计算所述第一输入对应的正向状态和正向记忆因子，得到第一正向输出，所述循环神经网络模块中的反向计算模块按照所述第一输入的时间步倒序计算所述第一输入对应的反向状态和反向记忆因子，得到第一反向输出；本文档来自技高网...
【技术保护点】
1.一种基于人工智能技术的智慧警务方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：
5.根据权利要求4所述的方法，其特征在于，所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径，并将这一路径上的全部元素组合形成频繁项集包括：
6.根据权利要求1所述的方法，其特征在于，基于所述时空关联规则对预设的事故概率预测模型进行初始化，根据所述历史事故数据提取历史特征信息，将所述历史特征信息输
7.根据权利要求1所述的方法，其特征在于，确定所述第二预测输出，根据权重分配算法为所述第一预测输出和所述第二预测输出分配对应的权重，计算得到预测事故概率包括：
8.一种基于人工智能技术的智慧警务系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能技术的智慧警务方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取历史事故数据，对所述历史事故数据进行预处理，并根据时空分析规则将经过预处理的历史事故数据进行分组，生成时空网格，将所述时空网格通过地理信息系统映射至地图中并生成时空热力图包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述时空热力图，结合趋势分析算法确定时空分析结果包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述时空分析结果，构建时空特征集合，遍历所述时空特征集合，通过统计每个时空特征的频次，将所述时空特征根据所述时空特征的频次顺序插入频繁模式树，根据所述频繁模式树确定时空关联规则包括：
5.根据权利要求4所述的方法，其特征在于，所述遍历所述频繁模式树的每个元素，找到以这个元素结尾的路径...
【专利技术属性】
技术研发人员：田郑书媛，郝闯，段梦，王静，冉凯，王甬魏西，董朝阳，
申请(专利权)人：西安衍舆航天科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。