[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

说明书

本发明涉及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，包括：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；步骤二：构建并训练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的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，输出特殊人员自解除管理后五年内再次发生危险行为的概率。本发明提出了采用密集连接卷积网络DenseNet结合CBAM注意力机制，实现特征通道的加权和二维数据图中数据项的加权，聚焦有重要影响的因素，减少对非重点信息的关注，提高神经网络的计算效率和准确性。

技术领域

本发明涉及一种基于密集连接卷积网络DenseNet结合注意力机制CBAM的特殊人员行为风险预警方法及系统，属于人工智能、信号处理技术领域。

背景技术

深层卷积网络能够有效挖掘多维数据中所蕴含的语义特征，实现对象的精准分类。对深层网络进行监督训练时，往往会产生梯度消失的问题，导致网络训练速度变慢，拟合效果变差。密集连接卷积网络DenseNet可以实现特征信息的跨层传输，每一层的输入均来自前面所有层的输出，减轻了梯度消失现象，减少了每层的卷积核个数，减少了网络参数。注意力机制能够从众多信息中筛选出对当前检测评估任务具有关键影响的信息并赋予其较大的权重，减少对不重要信息的关注。CBAM (Convolutional Block AttentionModule)注意力模块结合了通道和空间注意力机制，同时考虑到了不同特征图通道和不同像素点的重要性。增量学习技术能够有效地利用不断发现的新案例，优化网络参数，挖掘数据更多的深层次语义信息，构建输入与输出之间的精准关系。

特殊人员自被解除管理后再次发生危险行为的主要原因包括：特殊场所管理效果不佳、特殊人员遭受社会歧视、交友不良、生活境况不佳、突发事件下的情绪控制能力差等，给社会带来诸多危害，同时耗费过多的管理资源，给管理部门带来沉重的负担。特殊人员自被解除管理后再次发生危险行为的概率高低，是衡量特殊场所管理特殊人员成效的重要指标。在特殊场所的封闭环境中，特殊人员之间极易形成交叉感染，互相交流实施危险行为的经验，再次发生危险行为时往往手段更加残忍、过程更加隐蔽、后果更加严重。因此，特殊场所在解除对特殊人员的管理时，需要对其进行风险评估，并将评估结果传递给相关社会机构，加强对高风险人员的关注和帮扶力度，采取一定的措施降低再次发生危险行为的概率，具体措施包括：就业指导、技能培训、生活帮扶、心理关怀等。基于多源多维数据充分挖掘导致特殊人员再次发生危险行为的关键影响因素，有助于特殊场所采取针对性的管理措施以提高管理成效，同时有助于社会机构采取有针对性的帮扶措施。

现实中，特殊场所主要采用量表结合管理人员主观判断的方式预警特殊人员被解除管理后再次发生危险行为的风险。但是，特殊人员已经对各种量表形成了一定的思维定式和防范心理，并且固定式量表难以保证在不同时空中对不同危险行为类型的信效度，采用量表进行风险预警的效果堪忧，而特殊场所管理人员基于特殊人员的表现进行风险预警具有较大的主观性和片面性，并且难以涵盖社会因素对特殊人员的影响。通过量表无法挖掘出导致特殊人员被解除管理后再次发生危险行为的关键要素，无法为特殊场所的管理工作和社会机构的帮扶工作提供有价值的参考。

因此，亟需采用基于大数据分析的智能预警方式，融合特殊人员的静态因子(个人基本信息、身体和心理状况、社会支持)和动态因子(在特殊场所中的各种表现、家庭和社会关系变化、个人技能动态提升)，精准量化预警其被解除管理后五年内再次发生危险行为的风险，挖掘与其再次发生危险行为高度相关的影响因子，合理配置资源，提高管理和帮扶成效，维护社会的和谐稳定。

发明内容

针对现有技术的不足，本发明提供了一种全新的采用全周期多维度静态数据和动态数据对特殊人员再次发生危险行为的风险进行评估预警的方法。