[发明专利]一种基于注意力机制的特殊人员行为风险预警方法及系统

权利要求书

1.一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，包括步骤如下：

步骤一：采集特殊人员在被管理期间和被解除管理后的全周期静态数据和动态数据，构建样本数据集，并进行预处理；静态数据是指特殊人员的个人属性信息，动态数据是指特殊人员被管理期间不同时间内所采集到的数据；

步骤二：构建基于密集连接卷积网络DenseNet和CBAM注意力机制的特殊人员再次发生危险行为的风险预警模型，并通过步骤一预处理后的样本数据集进行训练，得到训练好的特殊人员再次发生危险行为的风险预警模型；

步骤三：采集待预警的特殊人员被管理期间和被解除管理后的全周期静态数据和动态数据，通过步骤一的预处理，输入步骤二得到的训练好的特殊人员再次发生危险行为的风险预警模型，输出特殊人员被解除管理后五年内再次发生危险行为的概率。

2.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，采集特殊人员被管理期间和被解除管理后的全周期静态数据和动态数据，构建样本数据集，基于特殊场所管理特殊人员的平均时间和数据采集频率，将管理时间分为等间隔的时间段，假设共有N个时间段，每M个月作为一个时间段，按照动态数据的采集时间将其汇集到不同的时间段内，此处，N和M作为神经网络的超参数，在网络训练时通过测试集来确定，具体过程包括：

将特殊场所中所管理的自上次被解除管理后五年内再次发生危险行为的人员筛选出来，提取这些人员上次被管理期间的静态数据和动态数据，作为已知的再次发生危险行为的案例补充进样本数据集，并做好标注；同时，筛选自上次被解除管理后五年内没有再次发生危险行为的特殊人员，提取这些人员上次被管理期间的静态数据和动态数据，作为已知的未再次发生危险行为的案例补充进样本数据集，并做好标注；

将样本数据集划分为训练集和测试集，其中测试集用于测算特殊人员再次发生危险行为的风险预警模型的预警准确率，并实现对网络超参数的调整。

3.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，预处理的具体过程包括：

(1)采用独热编码将采集的样本数据集中的字符型数据转为数值型，采用词向量编码将采集的样本数据集中的文本型数据转为数值型；

(2)针对每个时间段构建一张二维数据图，在二维数据图的四周固定位置放置特殊人员的静态数据，中间位置放置该时间段内所采集到的特殊人员的动态数据，静态数据被重复放置在每张二维数据图上，被视为特殊人员的环境信息；如果特殊人员共有T张二维数据图，且T≥N，则截取距离其被解除管理时刻最近的N张二维数据图，即编号为{T-N+1,…,T}的二维数据图；如果特殊人员共有T张二维数据图，且TN，则将总的二维数据图扩展为N张，具体操作方式为：将编号为{1,…,N-T}的二维数据图中动态数据设置为特殊人员在该字段的平均值，将静态数据放置于二维数据图四周固定位置上，将T张二维特征图按顺序排为{N-T+1,…,N}时间段的二维数据图。

4.根据权利要求1所述的一种基于注意力机制的特殊人员行为风险预警方法，其特征在于，步骤一中，预处理后进行数据增强，数据增强的方法具体过程包括以下几种：

第一，如果某个特殊人员有多次发生危险行为的经历，则截取其几次被管理时数据分别作为样本，扩充样本数据集；

第二，不同特殊人员包括真实动态数据的二维数据图有限时，即TN，则针对不同的T进行监督训练，具体是指：首先，针对样本数据集中的已有样本，分别截取距离特殊人员被解除管理时刻最近的T次二维数据图作为新的样本数据；然后，将二维数据图{1,…,N-1}中的动态数据设置为特殊人员在该字段的平均值；最后，在固定最后一张二维数据图的前提下，随机截取之前的二维数据图，组合成T张二维数据图，扩充样本数据集；

第三，检查新近被管理的特殊人员是否为自上次被解除管理后五年内再次发生危险行为的人员，如果是，则将其上次被管理期间的静态数据和动态数据结合此次被管理前的社会经历数据融合，按照给定的格式组合成二维数据图，补充为新的样本，扩充样本数据集。