一種基于融合時空軌跡的重點人員風險評估方法技術

本發明專利技術提供一種基于融合時空軌跡的重點人員風險評估方法，包含步驟：S1、篩選、預處理重點人員的靜態信息數據，得到重點人員的靜態特征；S2、融合重點人員的人像時空軌跡數據和手機三碼時空軌跡數據得到融合時空軌跡數據；S3、提取融合時空軌跡數據的行為特征并進行特征衍生，得到重點人員的動態特征；S4、刪選得到有效特征并進行特征編碼；S5、將有效特征的特征編碼輸入梯度提升決策樹模型，得到對應靜態、動態特征的重要性評分；S6、通過重要性評分高于設定評分閾值的靜態、動態特征的特征編碼值訓練異構深度神經網絡模型；通過訓練好的該異構深度神經網絡模型給出重點人員的風險評分。

【技術實現步驟摘要】
一種基于融合時空軌跡的重點人員風險評估方法
本專利技術涉及公安重點人員管控領域，尤其涉及一種基于融合時空軌跡的重點人員風險評估方法。
技術介紹
重點人員是由公安機關重點管理的人員。通過管控重點人員為公安機關日常工作提供重要信息來源，是公安機關基層的一項重要基礎工作。對重點人員進行管理，可以提前預防、發現和打擊違法犯罪行為，挽救有違法犯罪傾向的人員，消除社會治安隱患。建立有效的重點人員風險管理體制，能夠有效減少犯罪率，維護社會穩定。傳統的公安機關對于重點人員的管控模式主要是通過談話、走訪等方式了解到該重點人員的歷史信息、日常活動信息，基于業務規則對獲取的信息進行評估，借助專家經驗來判斷該人員是否列管或撤管。目前，已經發展到基于大數據、專家經驗和機器學習算法建立重點人口風險評估系統來識別重點人員。現有技術中，主要通過錄入重點人員身份信息、通過訪談等手段采集重點人員日常行為數據，利用大數據挖掘發現犯罪發生的風險要素，并結合業務規則和專家經驗的評分系統評估重點人員的風險系數。但目前的做法仍然對基層警力造成大量負擔，且難以適應不斷升級的犯罪行為。近年來，隨著人臉識別技術的快速發展以及各省市“天網工程”、“雪亮工程”等建設不斷鋪開和落地，尤其是基于人像特征值聚類技術的不斷成熟，許多省市已建成“一人一檔”的人像大數據系統。城市的WIFI探針、偽基站能夠采集大量的手機三碼(IMEI、IMSI、MAC地址)數據。利用這些數據，能夠有效刻畫重點人員的行為模式進而分析其行為帶來的風險性。然而對于MAC、IMSI、IMEI等時空軌跡，雖然具備一定的稠密程度，考慮到存在一人多卡、手機冒用、手機更換等情況，難以根據IMSI、MAC信息準確確定手機持有人身份。而對于人像軌跡，盡管能夠較為準確地確認對象身份，但由于遮擋、側面、背面、光照和設備數量等客觀條件的限制，數據較稀疏，因此對重點人員的管控效果比較有限。
技術實現思路
本專利技術的目的是提供一種基于融合時空軌跡的重點人員風險評估方法，首先通過篩選、預處理重點人員的靜態信息數據得到對應的靜態特征；接著從多源、異構的時空軌跡數據中，基于廣義最長公共子串算法進行時空軌跡融合，得到重點人員的融合時空軌跡數據；然后挖掘融合時空軌跡數據中的重點人員行為模式，得到對應的的動態特征；進一步通過決策樹篩選重要度高的靜態、動態特征用于訓練異構深度神經網絡模型；最后訓練好的異構深度神經網絡模型為重點人員進行風險評估。本專利技術能客觀多源地衡量重點人員行為帶來的風險。對重點人員的風險評估結果兼顧了穩定性、準確度和可解釋性；同時，本專利技術不需要人工調參，更具便利性。為了達到上述目的，本專利技術提供一種基于融合時空軌跡的重點人員風險評估方法，包含步驟：S1、篩選重點人員的靜態信息數據，并對篩選后的靜態信息數據進行預處理得到重點人員的靜態特征；S2、獲取重點人員的人像時空軌跡數據和手機三碼時空軌跡數據，基于廣義最長公共子串算法(C_LCS)融合所述人像時空軌跡數據、手機三碼時空軌跡數據，得到融合時空軌跡數據；S3、提取所述融合時空軌跡數據的行為特征并進行特征衍生，得到重點人員的動態特征；S4、刪選得到靜態特征中的有效靜態特征，將所述動態特征、有效靜態特征作為有效特征并進行特征編碼；S5、將有效特征的特征編碼輸入梯度提升決策樹模型，通過所述梯度提升決策樹模型得到對應靜態、動態特征的重要性評分；S6、通過重要性評分高于設定評分閾值的靜態、動態特征的特征編碼值訓練異構深度神經網絡模型；通過訓練好的該異構深度神經網絡模型給出重點人員的風險評分。步驟S1具體包含：S11、獲取重點人員的靜態信息數據，包含：重點人員出生日期、性別、上網記錄、案事件記錄、盤問記錄、訪談記錄、住店記錄；S12、對所述靜態信息數據進行去缺失值預處理；S13、人工為由步驟S12所得的靜態信息數據設置類別標簽，將慣犯、屢犯、涉毒的重點人員的靜態信息數據的標簽值設為1，該靜態信息數據作為正樣本數據；其余靜態信息數據的標簽值為0，作為負樣本數據；通過SMOTE方法對所述正樣本數據進行過采樣預處理；S14、將步驟S13預處理后的正樣本數據作為重點人員的靜態特征。步驟S2中所述獲取重點人員的人像時空軌跡數據和手機三碼時空軌跡數據具體包含：S21、通過圖像采集設備捕獲重點人員的圖像，提取該圖像中的人臉特征生成對應的人臉特征值；根據所述人臉特征值比對人像檔案，獲取唯一識別該重點人員的id號；所述人像檔案中存儲有重點人員的人臉特征值及對應的id號；S22、生成重點人員的人像時空軌跡數據，包含：重點人員的id號、圖像的捕獲時間、圖像采集設備經度、圖像采集設備緯度；S23、通過偽基站采集重點人員的手機通訊信息，獲取對應的手機三碼數據；生成重點人員的手機三碼時空軌跡數據，包含：手機三碼，偽基站的采集時間，偽基站經度，偽基站維度；S24、去除所述人像時空軌跡數據、手機三碼時空軌跡數據中的噪聲數據。步驟S2中所述融合所述人像時空軌跡數據、手機三碼時空軌跡數據，具體包含：S25、通過Dev-DBSCAN算法基于圖像采集設備的經度、維度對所述圖像采集設備進行聚類；S26、基于同一個聚類中的圖像采集設備在設定時段內獲取的人像時空軌跡數據建立第一時空軌跡Ta＝{Pa1,…,Pai}，Pak為Ta的一個軌跡點，對應一個人像時空軌跡數據；i為Ta所包含的軌跡點總數，k∈[1,i]；基于所述設定時段內的手機三碼時空軌跡數據建立第二時空軌跡Tb＝{Pb1,…,Pbj}；Pbl為Tb的一個軌跡點，對應一個手機三碼時空軌跡數據；j為Tb第二時空軌跡所包含的手機三碼時空軌跡數據總數，l∈[1,j]；基于第一時空軌跡Ta、第二時空軌跡Tb建立時空軌跡對；S27、基于Pak中圖像采集設備經緯度，以及Pbl中偽基站經緯度，計算第一時空軌跡Ta、第二時空軌跡Tb的時空相似度；將時空相似度高于設定相似度閾值的第一時空軌跡Ta、第二時空軌跡Tb融合為同一重點人員的融合時空軌跡TR＝Ta∪Tb。步驟S3具體包含：S31、基于所述融合時空軌跡TR中圖像采集設備經、緯度和偽基站經、緯度，提取重點人員行為特征，包含高頻出現地點、在各時間段內的出現地分布情況、出現在敏感區域次數、兩地徘徊次數、時空異常點；S32、基于所述時空異常點、高頻出現點、以及行為規律衍生出重點人員的動態特征；所述動態特征包括異常行為分、晝伏夜出、出入敏感區域次數、是否徘徊、軌跡離散度。步驟S4具體包含：S41、對每類靜態特征的標簽值進行統頻，計算不同的標簽值在該類靜態特征的百分比，若該百分比落在設定閾值范圍內，則該類靜態特征為有效靜態特征；否則，為無效靜態特征；將有效靜態特征和動態特征作為有效特征；S42、基于皮爾森相關系數，計算任意兩個連續型有效特征之間的兩兩相關性；若相關性超過設定的相關閾值，則只保留所述兩個連續型有效特征其中的一個連續型本文檔來自技高網...

【技術保護點】
1.一種基于融合時空軌跡的重點人員風險評估方法，其特征在于，包含步驟：/nS1、篩選重點人員的靜態信息數據，并對篩選后的靜態信息數據進行預處理得到重點人員的靜態特征；/nS2、獲取重點人員的人像時空軌跡數據和手機三碼時空軌跡數據，基于廣義最長公共子串算法融合所述人像時空軌跡數據、手機三碼時空軌跡數據，得到融合時空軌跡數據；/nS3、提取所述融合時空軌跡數據的行為特征并進行特征衍生，得到重點人員的動態特征；/nS4、刪選得到靜態特征中的有效靜態特征，將所述動態特征、有效靜態特征作為有效特征并進行特征編碼；/nS5、將有效特征的特征編碼輸入梯度提升決策樹模型，通過所述梯度提升決策樹模型得到對應靜態、動態特征的重要性評分；/nS6、通過重要性評分高于設定評分閾值的靜態、動態特征的特征編碼值訓練異構深度神經網絡模型；通過訓練好的該異構深度神經網絡模型給出重點人員的風險評分。/n

【技術特征摘要】
1.一種基于融合時空軌跡的重點人員風險評估方法，其特征在于，包含步驟：
S1、篩選重點人員的靜態信息數據，并對篩選后的靜態信息數據進行預處理得到重點人員的靜態特征；
S2、獲取重點人員的人像時空軌跡數據和手機三碼時空軌跡數據，基于廣義最長公共子串算法融合所述人像時空軌跡數據、手機三碼時空軌跡數據，得到融合時空軌跡數據；
S3、提取所述融合時空軌跡數據的行為特征并進行特征衍生，得到重點人員的動態特征；
S4、刪選得到靜態特征中的有效靜態特征，將所述動態特征、有效靜態特征作為有效特征并進行特征編碼；
S5、將有效特征的特征編碼輸入梯度提升決策樹模型，通過所述梯度提升決策樹模型得到對應靜態、動態特征的重要性評分；
S6、通過重要性評分高于設定評分閾值的靜態、動態特征的特征編碼值訓練異構深度神經網絡模型；通過訓練好的該異構深度神經網絡模型給出重點人員的風險評分。


2.如權利要求1所述的基于融合時空軌跡的重點人員風險評估方法，其特征在于，步驟S1具體包含：
S11、獲取重點人員的靜態信息數據，包含：重點人員出生日期、性別、上網記錄、案事件記錄、盤問記錄、訪談記錄、住店記錄；
S12、對所述靜態信息數據進行去缺失值預處理；
S13、人工為由步驟S12所得的靜態信息數據設置類別標簽，將慣犯、屢犯、涉毒的重點人員的靜態信息數據的標簽值設為1，該靜態信息數據作為正樣本數據；其余靜態信息數據的標簽值為0，作為負樣本數據；通過SMOTE方法對所述正樣本數據進行過采樣預處理；
S14、將步驟S13預處理后的正樣本數據作為重點人員的靜態特征。


3.如權利要求1所述的基于融合時空軌跡的重點人員風險評估方法，其特征在于，步驟S2中所述獲取重點人員的人像時空軌跡數據和手機三碼時空軌跡數據具體包含：
S21、通過圖像采集設備捕獲重點人員的圖像，提取該圖像中的人臉特征生成對應的人臉特征值；根據所述人臉特征值比對人像檔案，獲取唯一識別該重點人員的id號；所述人像檔案中存儲有重點人員的人臉特征值及對應的id號；
S22、生成重點人員的人像時空軌跡數據，包含：重點人員的id號、圖像的捕獲時間、圖像采集設備經度、圖像采集設備緯度；
S23、通過偽基站采集重點人員的手機通訊信息，獲取對應的手機三碼數據；生成重點人員的手機三碼時空軌跡數據，包含：手機三碼，偽基站的采集時間，偽基站經度，偽基站維度；
S24、去除所述人像時空軌跡數據、手機三碼時空軌跡數據中的噪聲數據。


4.如權利要求3所述的基于融合時空軌跡的重點人員風險評估方法，其特征在于，步驟S2中所述融合所述人像時空軌跡數據、手機三碼時空軌跡數據，具體包含：
S25、通過Dev-DBSCAN算法基于圖像采集設備的經度、維度對所述圖像采集設備進行聚類；
S26、基于同一個聚類中的圖像采集設備在設定時段內獲取的人像時空軌跡數據建立第一時空軌跡Ta＝{Pa1,…,Pai}，Pak為Ta的一個軌跡點，對應一個人像時空軌跡數據；i為Ta所包含的軌跡點總數，k∈[1,i]；
基于所述設定時段內的手機三碼時空軌跡數據建立第二時空軌跡Tb＝{Pb1,…,Pbj}；Pbl為Tb的一個軌跡點，對應一個手機三碼時空軌跡數據；j為Tb第二時空軌跡所包含的手機三碼時空軌跡數據總數，l∈[1,j]；
基于第一時空軌跡Ta、第二時空軌跡Tb建立時空軌跡對；
S27、基于Pak中圖像采集設備經緯度，以及Pbl中偽基站經緯度，計算第一時空軌跡Ta、第二時空軌跡Tb的時空相似度；將時空相似度高于設定相似度閾值...

【專利技術屬性】
技術研發人員：鄭志駿，韓德志，
申請(專利權)人：上海海事大學，
類型：發明
國別省市：上海;31