基于轨迹预测的目标人员动态风险预警方法及相关设备技术

本申请提供一种基于轨迹预测的目标人员动态风险预警方法及相关设备，该方法包括：获取目标人员的数据信息；将所述数据信息划分为基本信息和历史时序特征信息；根据所述基本信息构建目标人员知识图谱，基于所述目标人员知识图谱确定目标人员特征值列表；将所述历史时序特征信息输入到预先构建的时序预测模型中，通过所述时序预测模型输出预测时序特征信息；将所述目标人员特征值列表和所述预测时序特征信息进行合并，得到未来时段特征值列表；基于所述未来时段特征值列表通过预先构建的风险研判模型得到所述目标人员的风险得分。本申请兼顾了预测预警结果的时效性、准确度和可解释性，解决了传统预警技术方案的滞后性问题。解决了传统预警技术方案的滞后性问题。解决了传统预警技术方案的滞后性问题。

【技术实现步骤摘要】
基于轨迹预测的目标人员动态风险预警方法及相关设备


[0001]本申请涉及机器学习
，尤其涉及一种基于轨迹预测的目标人员动态风险预警方法及相关设备。

技术介绍

[0002]随着城市智能化的高速发展和快速增长的城市人口，被动式的城市安全解决方案已经成为过去，风险人员轨迹追踪作为城市安防的重要一环面临着新的挑战。
[0003]目前，在目标人员管控方面，分析风险人员的海量信息数据主要依赖于固定的技战法或人工分析，难以对潜在风险进行预判，导致在预警之前风险行为已经发生，预警具有一定的滞后性，不能防患于未然。
[0004]因此，亟需一种预测预警方法，以实现对目标人员潜在风险的有效预警和管控。

技术实现思路

[0005]有鉴于此，本申请的目的在于提出一种基于轨迹预测的目标人员动态风险预警方法，包括：
[0006]获取目标人员的数据信息；
[0007]将所述数据信息划分为基本信息和历史时序特征信息；
[0008]根据所述基本信息构建目标人员知识图谱，基于所述目标人员知识图谱确定目标人员特征值列表；
[0009]将所述的历史时序特征信息和目标人员特征值进行合并，得到历史时序特征值列表，输入到预先构建的时序预测模型中，通过所述时序预测模型输出未来时段特征值列表，此未来时段特征值即包含预测出的历史时序特征信息，也包含预测出的目标人员特征值；
[0010]基于所述未来时段特征值列表通过预先构建的风险研判模型得到所述目标人员的风险得分。
[0011]基于同一专利技术构思，本申请还提供了一种基于轨迹预测的目标人员动态风险预警装置，包括：
[0012]获取模块，被配置为获取目标人员的数据信息；
[0013]划分模块，被配置为将所述数据信息划分为基本信息和历史时序特征信息；
[0014]构建模块，被配置为根据所述基本信息构建目标人员知识图谱，基于所述目标人员知识图谱确定目标人员特征值列表；
[0015]合并模块，被配置为将所述的历史时序特征信息和目标人员特征值进行合并，得到历史时段特征值列表；
[0016]预测模块，被配置为将所述历史时序特征信息输入到预先构建的时序预测模型中，通过所述时序预测模型输出未来时段特征值列表；
[0017]研判模块，被配置为基于所述未来时段特征值列表通过预先构建的风险研判模型得到所述目标人员的风险得分。
[0018]基于同一专利技术构思，本申请还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。
[0019]基于同一专利技术构思，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。
[0020]从上面所述可以看出，本申请提供的基于轨迹预测的目标人员动态风险预警方法及相关设备，基于深度学习编码器
‑
解码器Encoder
‑
Decoder框架，对目标人员具有时序属性的特征进行预测，将目标人员未来行为预测问题转化为“已知不定长输入预测不定长输出”问题，应用长短期记忆LSTM深度神经网络对不定长输入进行编码解析并解码生成不定长输出。基于目标人员给定特征在历史某段时间的时序变化规律对该特征未来一段时间的变化趋势进行预测，并基于预测信息对目标人员的动态风险作出提前预警。结合预测得到的目标人员具有时序特征的动态信息和大数据中抽取的该目标人员的其他基本信息，以每个目标人员为一个样本，依据不同类别目标人员的风险指标生成该类别目标人员的标注数据，基于机器学习分类算法构建目标人员动态风险预警模型，将标注数据作为训练集对目标人员动态风险预警模型进行训练，最终输出目标人员动态风险预警模型，模型的输出为目标人员风险得分，可根据实际情况调整预警阈值，最终给出是否预警的判断。本申请对目标人员具有时序属性的特征进行了预测，并结合该目标人员的基本信息预知了其未来时段的潜在风险，兼顾了预测预警结果的时效性、准确度和可解释性，解决了传统预警技术方案的滞后性问题。
[0021]本申请通过知识图谱技术，挖掘目标人员及其相关人员之间的关系，发现更深层次的隐含因素。另外，相较于传统单一的时序编码预测方式，本申请将变化较大的时序属性和变化不大的基本属性相结合，不但在维度上有所增加，提高了准确性的同时，还可以将变化不大的基本属性进行预测更新。本申请对目标人员具有时序属性的特征进行了预测，并结合该目标人员的基本信息预知了其未来时段的潜在风险，兼顾了预测预警结果的时效性、准确度和可解释性，解决了传统预警技术方案的滞后性问题。
附图说明
[0022]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本申请实施例的基于轨迹预测的目标人员动态风险预警方法的流程示意图；
[0024]图2为本申请实施例的第一知识图谱的示意图；
[0025]图3为本申请实施例的知识图谱补全的流程示意图；
[0026]图4为本申请实施例的时序预测模型的预测流程示意图；
[0027]图5为本申请实施例的基于轨迹预测的目标人员动态风险预警方法装置的结构图；
[0028]图6为本申请实施例的电子设备硬件结构示意图。
具体实施方式
[0029]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
[0030]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0031]如
技术介绍
所述，从对目标人员管控的工作历史经验来看，目标人员行为具有一定的周期性和规律性，受此启发，通过对目标人员的行动轨迹进行预测并在此基础上融合大数据历史信息进行特征分析，将推动传统事后分析研判模式向事前预测预警模式的转变，实现对目标人员潜在风险的有效预警和管控。
[0032]以下结合附图来详细说明本申请的实施例。
[0033]本申请提供了一种基于轨迹预测的目标人员动态风险预警方法，参考图1，包括以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于轨迹预测的目标人员动态风险预警方法，其特征在于，包括：获取目标人员的数据信息；将所述数据信息划分为基本信息和历史时序特征信息；根据所述基本信息构建目标人员知识图谱，基于所述目标人员知识图谱确定目标人员特征值列表；将所述的历史时序特征信息和目标人员特征值进行合并，得到历史时序特征值列表，输入到预先构建的时序预测模型中，通过所述时序预测模型输出未来时段特征值列表，此未来时段特征值即包含预测出的历史时序特征信息，也包含预测出的目标人员特征值；基于所述未来时段特征值列表通过预先构建的风险研判模型得到所述目标人员的风险得分。2.根据权利要求1所述的方法，其特征在于，所述根据所述基本信息构建目标人员知识图谱，基于所述目标人员知识图谱确定目标人员特征值列表，包括：根据所述基本信息构建风险评估指标体系；根据所述风险评估指标体系对所述基本信息进行数据标注，以得到初始特征值列表；基于所述初始特征值列表通过实体抽取和关系抽取确定第一实体关系三元组，基于所述第一实体关系三元组构建初始知识图谱；基于所述初始知识图谱，通过实体对齐对所述初始知识图谱中的全部实体进行归一化，以得到第一知识图谱；基于预设的抽象规则库对所述第一知识图谱进行补全，以得到所述目标人员知识图谱；基于所述目标人员知识图谱对所述初始特征值列表进行补全，以得到所述目标人员特征值列表。3.根据权利要求2所述的方法，其特征在于，所述基于所述初始特征值列表通过实体抽取和关系抽取确定第一实体关系三元组，包括：通过双向长短时记忆网络+条件随机场对所述初始特征值列表进行实体抽取，通过预训练模型Bert对所述初始特征值列表进行关系抽取，以确定所述第一实体关系三元组。4.根据权利要求2所述的方法，其特征在于，所述基于预设的抽象规则库对所述第一知识图谱进行补全，以得到所述目标人员知识图谱，包括：遍历所述第一知识图谱中的全部第二实体关系三元组，将全部满足所述抽象规则库的所述第二实体关系三元组对应的实例规则合并作为初始实例规则库；根据所述第二实体关系三元组构建负例实体关系三元组；将所述第二实体关系三元组和所述负例实体关系三元组输入预先构建的知识图谱嵌入模型中，输出实体的向量嵌入表示和关系的矩阵嵌入表示；基于所述实体的向量嵌入表示和所述关系的矩阵嵌入表示，通过计算得到所述初始实例规则库中每个所述实例规则的置信度得分；将全部所述置信度得分超过预设置信度阈值的所述实例规则合并作为合理实例规则库；基于所述第二实体关系三元组，根据所述合理实例规则库推理得到补充实体关系三元组；
将所述补充实体关系三元组补入所述第一知识图谱中，以得到所述目...

【专利技术属性】
技术研发人员：杨洪涛，马鸿博，徐娜，吕林智，张研，贾宁，翟伟，郭鹏，周凯，
申请(专利权)人：天津市中环系统工程有限责任公司，
类型：发明
国别省市：