[发明专利]一种基于时空多维因素预测警情的方法和系统

说明书

本发明公开了一种基于时空多维因素预测警情的方法和系统，本发明通过将警情某个时间T的多维特征向量进行预处理，根据警情的地理特征，将多维向量映射到多张“图”上，一张“图”的一个像素代表了一个预测区域，根据，根据时间，生成时序“图”，再将基于时序的“图”送入到三维卷积网络中提取更抽象的时空特征，最后将时空特征送入到LSTM来分析长期的时序特征，最终将输出的结果映射到一张“图”中，图上的每个像素值，代表了对应区域的预测值。而该图也能够体现整个区域案情发生的区域分布情况。本发明同时考虑了空间上相邻区域间的影响，而传统时序预测方案并未考虑到空间特征因素。

技术领域

本发明涉及警情预测技术领域，具体涉及一种基于时空多维因素预测警情的方法和系统。

背景技术

对于公安来说,要保证社会治安稳定良好,就必须在接处警工作中降低辖区内警情,从而针对性的按照案情发生辖区对所有案情发生数量进行预测,根据预测结果分析出哪些辖区的警情会增加,从而可以适当增强这些辖区的警力配置。

随着人工智能时代的到来，大数据在各个领域的应用越来越广泛，如何有效的将各种客观因素有效合理的结合起来，积极探索一种准确而实用的警情预测机制，并通过该机制实现对警情进行智能警力部署，从而增强区域的安全指数，提高公安民警的出警质量和效率，减少人力物力财力的损失，成为行业内亟待解决的问题。

警情的产生是一个复杂的非线性动态系统,它会受到很多外界因素影响，如天气、地域类型、敏感日等。

目前警情预测的方案中一种典型方法是基于时间序列预测，这类传统模型以历史警情数作为输入进行建模，它不适合考虑多种特征因素的情况。

而采用深度学习BP神经网络模型，虽然考虑了影响警情的多种因素，以一段时间的多个因素作为输入进行训练，但是这种方法并未考虑到连续的时间序列之间的时间相关性。而输入的多种因素并未考虑各个因素之间的关联性和对结果影响的重要性，而是全部丢给网络去强硬训练，这不利于在训练模型时能够快速收敛。

另外，现有警情的预测一般都是针对一个区域进行单独的训练，并未考虑到相邻区域之间的关系，例如一个小区最近频发偷盗，那么它相邻的小区最近发生偷盗的概率也会有所提升。对警力部署则是希望从整个宏观层面出发，来进行警力的协调和安排。那么，当要对一个大区域(如省级)的各个区域进行预测，就得产生很多个模型，预测整个大区域的警情，需要对每个区域进行预测，最后再汇总，这样处理会相对繁琐。

发明内容

本发明的目的在于提供一种基于时空多维因素预测警情的方法和系统，旨在用于解决现有的出警方式无法对未来的警情进行准确预测，无法合理安排和分配各辖区警力资源的问题。

一方面，本发明通过下述技术方案实现。

一种基于时空多维因素预测警情的方法，该方法包括：

步骤一、对历史警情特征大数据进行预处理，生成基于空间和时间的“视频”结构图像；

步骤二、对步骤一生成的“视频”结构图像进行基于时空多维因素的警情预测，得到预测结果。

优选的，所述步骤一具体包括：

步骤1.1获取警情相关历史数据，并从历史数据中提取最近N年的警情特征数据，所述警情特征数据包括案情数、警力数、天气指标、人口数、重点关注人员数、时间特征；

步骤1.2将所述N年的警情特征数据进行特征时序化和特征空间化处理，得到基于空间和时间的特征图像；

步骤1.2对所述特征图像进行标准化处理生成基于空间和时间的“视频”结构图像。