一種基于深度學習算法的社區(qū)治安巡邏路徑優(yōu)化設計方法與流程

文檔序號：12272494閱讀：698來源：國知局

本發(fā)明屬于安防技術領域。

背景技術：

在社區(qū)安防系統中，巡邏是一種重要的人防手段，也是一種重要的犯罪預防手段。巡邏一方面能夠威懾潛在的犯罪分子，使其失去攻擊的機會，另外一方面能夠及時響應調度信息，在最短的時間內趕往犯罪現場。

對于社區(qū)保安人員，其巡邏規(guī)劃則主要依據被保護場所內潛在被攻擊目標的價值權重和其被攻擊的概率以及區(qū)域內的地形結構而設定。巡邏規(guī)劃應該針對所包含目標的特征而設定，不同的被保護對象必然有與其相匹配的優(yōu)化的人力資源分配方案和巡邏路線規(guī)劃。優(yōu)化的巡邏方案能夠有效的利用有限的人力資源，達到較優(yōu)的巡邏效果。早在上世紀70年代，美國就開始了巡邏規(guī)劃的研究，其主要的研究人員來自于運籌學領域，并取得了很多成果。IBM公司在70年代為圣路易斯警察局開發(fā)了一款警務巡邏決策輔助軟件(LEMRAS)。1975年蘭德公司又開發(fā)了第一款用于模擬巡邏操作、評估巡防規(guī)劃效果的程序，隨著數學和計算機技術的發(fā)展，近年來更多的計算方法和軟件工具被用于巡邏規(guī)劃，在美國的警方、港口、機場等多種安保場合都有巡邏規(guī)劃軟件投入實際應用。

巡邏規(guī)劃基本可以劃分為3個問題：(1)巡邏片區(qū)的劃分與警力分配；(2)巡邏路線的規(guī)劃；(3)巡邏隨機性的產生。區(qū)域面積較大的巡邏片區(qū)，有兩種選擇：一種是按照地理位置和重要性，把整個區(qū)域劃分為面積較小的巡邏片區(qū)，每一片區(qū)配以相應的警力巡邏，片區(qū)之間可以交叉疊加或者不交叉；另外一種方式就是不劃分巡邏片區(qū)，將全部警力分配到整個片區(qū)進行全局的巡邏。在轄區(qū)較大的時候，通常會按照一定的規(guī)則劃分巡邏轄區(qū)，這樣的巡邏規(guī)劃有利于巡邏人員熟悉轄區(qū)內的環(huán)境，還便于按照不同區(qū)域內的不同的安保等級和犯罪分布規(guī)律來配置不同強度的巡邏，相比全局巡邏的效率更高。巡邏區(qū)域的劃分通常應該考慮被保護地點的地理位置、人群流量、被保護的目標的重要等級等問題。巡邏規(guī)劃的第二個問題就是巡邏路線的規(guī)劃，巡邏的目的是預防犯罪，快速響應調度信息，在一個區(qū)域內，如果有幾個被保護的目標，巡邏需要使攻擊各個目標點成功的概率最低。放在社會治安體系中來說，巡邏路線的規(guī)劃要使得罪犯在實施犯罪行為的過程中遭遇警察的概率最大化。針對巡邏規(guī)劃的研究，數學家們從不同的數學方法和數學理論提出了解決方案，從上世紀70年代到現在，在國際運籌學的期刊中，巡邏規(guī)劃的主題一直與不同的數學方法和思路相結合，70年代搜索論、蒙特卡洛方法占據了主流，而后出現了基于圖論的啟發(fā)式優(yōu)化算法，近幾年又出現了圖論、博弈論相結合的尋優(yōu)算法。

搜索理論由下面3個基本要素所構成：(1)搜索目標，搜索是對搜索目標進行的搜索因此任何搜索問題均涉及到目標位置和移動路徑的概率分布函數；(2)探測函數，給出了將投入到某個區(qū)域的搜索資源的數量與搜索目標位于該區(qū)域時成功探測到該目標的可能性大小聯系起來的函數關系；(3)最優(yōu)搜索計劃，在搜索過程，根據目標的分布函數，對所擁有的有限的搜索力在一定成本約束下如何分配才能使發(fā)現目標的概率最大。經典搜索論所解決的是靜態(tài)搜索問題，即已知搜索目標的概率分布函數，對于犯罪行為搜索而言，這個概率分布可以使用犯罪統計數據來產生。用搜索論解決巡防路徑規(guī)劃的主要問題是：缺乏路徑的網絡連通性，把巡防目標劃分為互不相干的片區(qū)，不考慮片區(qū)之間的連通性、相鄰性，不解決巡防的路徑的問題，只解決警力調度和調配。蒙特卡洛方法通過構造符合一定規(guī)則的隨機數來解決數學上的各種問題。利用蒙特卡洛方法求解巡邏規(guī)劃的兩個問題：(1)派遣巡邏人員的時間間隔；(2)派遣出的巡邏人員的路徑選擇，其主要思想是把整個地圖中節(jié)點之間的聯通關系用轉移概率來表示，因此用一個包含所有節(jié)點的轉移概率矩陣既可以表示整個地圖中的路徑關系。通過最優(yōu)化條件的設計，最后得到一個一步轉移馬爾可夫矩陣。

我國在巡邏規(guī)劃的研究中，更多的注意力放在了管理哲學和管理方法以及對人的管理上。人不是機械，單純的強調規(guī)劃技術，忽略人的主觀能動性會造成人的心理本能的抵觸。因此，規(guī)劃技術應該與人力管理方法相結合，既不能沒有科學依據的胡亂規(guī)劃，全憑巡邏人員按照自己的經驗和意愿，造成巡邏效率的下降。因此，巡邏規(guī)劃問題的求解方法也為我們分析解決安防系統效能、安防設施的優(yōu)化分配等問題提供了一種分析思路。

技術實現要素：

本發(fā)明的目的是提供一種基于深度學習算法的社區(qū)治安巡邏路徑優(yōu)化方法，能夠解決社區(qū)治安巡邏路徑的規(guī)劃問題，提高社區(qū)治安巡邏的效率。

為實現上述目的，本發(fā)明采用以下技術方案：

一種基于深度學習算法的社區(qū)治安巡邏路徑優(yōu)化設計方法，包括如下步驟：

步驟1：首先為社區(qū)巡邏人員配備帶有NFC讀寫器的手機和數個NFC標簽卡，所述每個NFC標簽卡中均存儲有唯一的位置信息，帶有NFC讀寫器的手機讀取任意一個NFC標簽卡中的位置信息并生成人員位置信息；

步驟2：利用多臺個人計算機組建Hadoop數據庫系統構架并構建Hadoop數據庫，并將社區(qū)治安巡邏特征數據輸入Hadoop數據庫，所述社區(qū)治安巡邏特征數據包括社區(qū)治安巡邏面積、巡邏時間和社區(qū)治安事件發(fā)生的頻率；

步驟3：利用Hadoop開源軟件和深度學習算法構建深度學習系統，利用深度學習系統對社區(qū)治安巡邏特征數據進行分析，生成社區(qū)巡邏特征參數；

所述深度學習算法包括在Hadoop數據庫中建立數個深度自動編碼器、隱含層和反向傳播神經網絡BP，每一個深度自動編碼器均包括編碼器和解碼器；

所述編碼器采用如下關系式進行編碼：

h＝f(x)＝S_f(Wx+b_j)；

其中，x為社區(qū)治安巡邏面積和巡邏時間所構成的特征向量，W為輸入向量的權值，b_j表示第j個神經元的閾值，h是得到的隱含層向量；

所述解碼器采用如下關系式進行解碼:

y＝g(h)＝S_g(Wh+b_h)；

其中，h為隱含層向量，所述h為隱含層向量作為解碼器的輸入量，W為對應的權值向量，b_h為閾值，S_g是解碼器的激活函數；

所述深度學習算法還包括對深度自動編碼器進行訓練，

所述對深度自動編碼器的訓練過程是在訓練樣本集D上尋找參數W，b_j，b_h構成的最小化重構誤差，重構誤差的表達式為:

J＝∑_x∈DL(x,g(f(x)))；

其中，x為所述重構誤差的表達式的輸入，g(f(x))為所述重構誤差的表達式的解碼器輸出，L是重構誤差函數；

所述對深度自動編碼器進行訓練的步驟如下：

步驟A：輸入用作訓練的社區(qū)巡邏面積、巡邏時間，無監(jiān)督訓練出第一個自編碼器；

步驟B：以第一個自編碼器的輸出作為下一個自編碼器的輸入，訓練出第二個自編碼器；

步驟C:重復步驟B，直到完成預設數量隱含層的訓練為止；

步驟D：以社區(qū)治安事件發(fā)生的頻率數據為輸出，在最后一個隱含層上增加一個反向傳播神經網絡預測模型，實現對所述預測網絡模型的權重微調；

步驟4：利用深度學習算法，對社區(qū)巡邏特征參數進行評價，從中獲取社區(qū)巡邏模型，所述獲取社區(qū)巡邏模型的步驟如下：

步驟E：根據社區(qū)情況，列舉巡邏路徑和巡邏時間；

步驟F：在Hadoop數據庫構造巡邏面積和巡邏時間，并將巡邏面積和巡邏時間作為輸入數據輸入深度學習系統，深度學習系統根據輸入數據預測案件發(fā)生頻率；

步驟G：判斷案件發(fā)生頻率是否是最小值：是，則執(zhí)行步驟H；否，則執(zhí)行步驟E；

步驟H：獲得社區(qū)巡邏模型；

步驟5：根據社區(qū)巡邏模型優(yōu)化社區(qū)治安巡邏面積以及巡邏時間，生成最佳巡邏路徑和最佳巡邏時間表；人機界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數據庫中調取最佳巡邏路徑和最佳巡邏時間表，用戶通過人機界面終端查詢最佳巡邏路徑和最佳巡邏時間表，并在最佳巡邏路徑上每隔一個巡邏單位的距離就放置一個NFC標簽卡；用戶根據最佳巡邏時間表分配社區(qū)巡邏人員進行巡邏；社區(qū)巡邏人員攜帶帶有NFC讀寫器的手機經過任意一個NFC標簽卡時，帶有NFC讀寫器的手機讀取NFC標簽卡中的位置信息并生成人員位置信息；同時帶有NFC讀寫器的手機生成人員信息和巡邏時間；所述帶有NFC讀寫器的手機實時將所采集到的人員位置信息、人員信息和巡邏時間通過互聯網發(fā)送給Hadoop數據庫，Hadoop數據庫對人員位置信息、人員信息和巡邏時間進行處理和存儲；

步驟6：人機界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數據庫中調取人員位置信息、人員信息和巡邏時間，實現對社區(qū)巡邏人員的實時監(jiān)管和信息查詢。

所述一個巡邏單位的距離不大于10CM。

所述人機界面終端為電腦。

本發(fā)明所述的一種基于深度學習算法的社區(qū)治安巡邏路徑優(yōu)化方法，能夠解決社區(qū)治安巡邏路徑的規(guī)劃問題，提高社區(qū)治安巡邏的效率；本發(fā)明有效提高巡邏效率，減少巡邏過程中的人力浪費。

附圖說明

圖1是深度學習算法示意圖；

圖2是社區(qū)巡邏優(yōu)化設計示意圖；

圖3是社區(qū)巡邏優(yōu)化系統構造示意圖。

具體實施方式

如圖1-3所示的一種基于深度學習算法的社區(qū)治安巡邏路徑優(yōu)化設計方法，包括如下步驟：