[发明专利]一种基于大数据的人员违法预警模型的实现方法

说明书

本发明公开了一种基于大数据的人员违法预警模型的实现方法，该方法包括：步骤1、获取人员历史数据；步骤2、构建人员分类模型，根据人员历史数据计算人员违法风险指数并给出人员关注等级，步骤3、从A类人员中选取N位来进一步严格管控；步骤4、对监控点布防，对于严格管控人员布控AI视频盒子，以便实时监控分析人员当前状态；步骤5、通过AI智能盒子对管控人员可疑的异常行为及时预警，给出预警等级和人员实时综合违法概率；实现了重点人员监控的零遗漏，在重点人员管控整个过程，真正实现了从最初的人员筛选到人员管控的全自动全智能预警预防。

技术领域

本发明涉及大数据和模型设计研究领域，尤其是在重点人员监控方面，具体涉及一种基于大数据的人员违法预警模型的实现方法。

背景技术

目前，在对重点人员管控过程中碰到很多难题，如人员信息不全、异常行为未录入等导致的信息缺失；每个人掌握的人员信息及行为数据无法集中分析，导致很多遗漏的重点人员；重点人员分布较为分散，无法系统有序的进行安排管控。

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违法预警模型的实现方法，实现了重点人员监控的零遗漏，在重点人员管控整个过程，真正实现了从最初的人员筛选到人员管控的全自动全智能预警预防。技术方案如下：

本发明提供了一种基于大数据的人员违法预警模型的实现方法，所述方法包括：

步骤1、获取人员历史数据：所述历史数据具体包括人员基本信息、资产信息、消费记录、上网及通讯记录，人员历史违法记录，区域风险点上报记录，人员历史行为记录；

步骤2、构建人员分类模型，根据人员历史数据计算人员违法风险指数并给出人员关注等级，具体如下：

根据历史数据抽取如下任一种或多种历史行为特征：

人员所处年龄段、人员性别、最近一次违法距今天的天数、最近一次违法种类、违法种类数、过去2年违法次数、过去2年违法涉及金额、过去2年违法牵连人数、过去1年违章次数、过去1年贷款未还款次数、名下资产总数、每周上特定网站频次；

利用多元逻辑回归MLR训练人员分类模型，以历史行为特征为自变量，因变量为人员关注等级，提取出重点关注人员最相关的特征X＝(x₁₁,…,x₂₁,…,x_mn)、对应权重A＝(a₁₁,…,a₂₁,…,a_mn)和预测概率Y＝(y₁,y₂,…,y_m)，对应表达式如下：

其中m是人员关注等级数，n是历史行为特征数；

利用训练好的模型进行预测：将人员历史行为特征输入训练好的人员分类模型中，返回人员关注等级和风险概率y_i,i＝1,…,m；将y_i≥80％的人员作为A类人员，y_i≥60％的人员作为B类人员，其他人员作为C类人员；

步骤3、从A类人员中选取N位来进一步严格管控，若A类人员数量≤N则全部管控，否则，进一步筛选出严格管控人员名单；

步骤4、对监控点布防，对于严格管控人员布控AI视频盒子，以便实时监控分析人员当前状态，所述AI视频盒子为采用机器视觉算法训练的视频智能分析终端；

所述对监控点布防，利用集合覆盖模型与最大覆盖模型合理部署监控点的分布，集合覆盖模型确保需求点被覆盖的基础上，寻求覆盖所有需求点所需的最少监控点的最佳位置；最大覆盖模型确保在监控点数量和覆盖范围已知的情况下，实现监控范围最大化；具体如下：

利用卫星图和无人机拍摄得到防控人员最小活动圈内所有可能出入口位置，记为P＝{P_i,i＝1,2,…r}，