[发明专利]一种基于大数据的人员风险防控方法及装置

说明书

本发明公开了一种基于大数据的人员风险防控方法及装置，该方法包括：步骤1，采集城市事件数据，构建人员防控等级分类模型，对风险人员进行分类；步骤2，基于高风险人员的出行数据，分析每个高风险人员的出行规律，标记出每个高风险人员的异动行为；步骤3，基于风险人员的事件数据，构建人员风险防控模型；步骤4，基于出行数据和异动行为，对初步人员风险防控模型进行优化；通过对人员风险预测，帮助工作人员提前预知风险人员可能做出的风险事件，提高工作效率，大大减少防控工作中耗费的人力物力，减轻工作人员的负担。

技术领域

本发明涉及大数据与社会治理研究领域，具体涉及一种基于大数据的人员风险防控方法及装置。

背景技术

随着社会人口的不断增长和法律制度的不断完善，对于一些重点人员的管控方式不能和以往一样简单粗暴，需要更加精细的人员防控。然而，传统人员防控预警主要依靠人工来进行，随着社会人口的逐渐增加，传统人员防控预警严重依赖人工来进行，需要花费大量人力物力去进行背景调查，需要相关工作人员熟悉不同人员的详细情况，费时费力。同时，需要依赖评估人员的背景知识和行业经验，需要相关工作人员熟悉不同重点人员的详细情况。可能存在由于相关工作人员的疏忽，导致管控不到位的情况出现。随着大数据和人工智能技术的发展，智能风控技术开始得到越来越多的重视和应用。

发明内容

为了克服现有技术的不足，本发明提供了一种基于大数据的人员风险防控方法及装置，通过对人员风险预测，帮助工作人员提前预知风险人员可能做出的风险事件，提高工作效率，大大减少防控工作中耗费的人力物力，减轻工作人员的负担。技术方案如下：

第一方面，本发明提供了一种基于大数据的人员风险防控方法，该方法包括如下步骤：

步骤1，采集城市事件数据，所述事件数据包括信访系统登记记录，调解平台调解事件，大联动社会治理平台汇报事件，构建人员防控等级分类模型，基于事件数据训练得到人员防控等级分类模型，对风险人员进行分类。

通过采集的事件数据，将给定比例的风险人员名单作为正例，基于LR模型得到每个人员的风险概率，按照概率值将风险人员分为高风险人员、中风险人员、低风险人员、无风险人员；通过决策树算法训练人员防控等级分类模型，从训练好的模型中得到人员防控等级分类规则，利用人员防控等级分类规则，将所有风险人员分为高风险人员、中风险人员、低风险人员和无风险人员四类。

步骤2，基于高风险人员的出行数据，分析每个高风险人员的出行规律，标记出每个高风险人员的异动行为。

针对每个高风险人员，通过多个点位的摄像头采集该人员的出行数据，通过人脸识别模型，分析该人员出行数据，得到该人员在一天内各个时间段的出行规律，设定该人员在一天各个时间段的常规外出时长阈值，当高风险人员出门后未在摄像头中出现的时长超过设定的常规外出时长阈值，则判定为久出未归的异动行为。

步骤3，基于风险人员的事件数据，构建人员风险防控模型；

通过采集每个风险人员的事件数据，将该事件数据特征用向量x＝(x1,x2,…,xn)表示，称为风险特征向量，利用LR模型训练出人员风险防控模型，训练得到特征的权重向量w＝(w1,w2,…,wn)；根据模型分析目的，给权重向量w的各个分量乘以一定的倍数，得到调整后的权重向量w’，所述倍数可以人为设定，也可以通过模型自动生成，根据权重向量w’，输出每个风险人员的做出风险事件的风险概率值，即风险得分score：

其中x指某个风险人员在最近一段时间内的风险特征向量，p(y＝1|x)指特征向量是x的条件下，风险人员做出风险事件的概率。

根据风险事件的类型，按照上述方法，得到不同风险事件模型，按照设定好的权重比例，得到初步人员风险防控模型。

步骤4，基于步骤2高风险人员的出行数据和异动行为，对步骤3得到的初步人员风险防控模型进行优化。