一种基于深度学习算法的社区治安巡逻路径优化设计方法

摘要

本发明公开了一种基于深度学习算法的社区治安巡逻路径优化设计方法，属于安防技术领域，采用Hadoop数据库和利用深度学习系统对社区治安巡逻特征数据进行分析，能够解决社区治安巡逻路径的规划问题，提高社区治安巡逻的效率。

说明书

技术领域

本发明属于安防技术领域。

背景技术

在社区安防系统中，巡逻是一种重要的人防手段，也是一种重要的犯罪预防手段。巡逻一方面能够威慑潜在的犯罪分子，使其失去攻击的机会，另外一方面能够及时响应调度信息，在最短的时间内赶往犯罪现场。

对于社区保安人员，其巡逻规划则主要依据被保护场所内潜在被攻击目标的价值权重和其被攻击的概率以及区域内的地形结构而设定。巡逻规划应该针对所包含目标的特征而设定，不同的被保护对象必然有与其相匹配的优化的人力资源分配方案和巡逻路线规划。优化的巡逻方案能够有效的利用有限的人力资源，达到较优的巡逻效果。早在上世纪70年代，美国就开始了巡逻规划的研究，其主要的研究人员来自于运筹学领域，并取得了很多成果。IBM公司在70年代为圣路易斯警察局开发了一款警务巡逻决策辅助软件(LEMRAS)。1975年兰德公司又开发了第一款用于模拟巡逻操作、评估巡防规划效果的程序，随着数学和计算机技术的发展，近年来更多的计算方法和软件工具被用于巡逻规划，在美国的警方、港口、机场等多种安保场合都有巡逻规划软件投入实际应用。

巡逻规划基本可以划分为3个问题：(1)巡逻片区的划分与警力分配；(2)巡逻路线的规划；(3)巡逻随机性的产生。区域面积较大的巡逻片区，有两种选择：一种是按照地理位置和重要性，把整个区域划分为面积较小的巡逻片区，每一片区配以相应的警力巡逻，片区之间可以交叉叠加或者不交叉；另外一种方式就是不划分巡逻片区，将全部警力分配到整个片区进行全局的巡逻。在辖区较大的时候，通常会按照一定的规则划分巡逻辖区，这样的巡逻规划有利于巡逻人员熟悉辖区内的环境，还便于按照不同区域内的不同的安保等级和犯罪分布规律来配置不同强度的巡逻，相比全局巡逻的效率更高。巡逻区域的划分通常应该考虑被保护地点的地理位置、人群流量、被保护的目标的重要等级等问题。巡逻规划的第二个问题就是巡逻路线的规划，巡逻的目的是预防犯罪，快速响应调度信息，在一个区域内，如果有几个被保护的目标，巡逻需要使攻击各个目标点成功的概率最低。放在社会治安体系中来说，巡逻路线的规划要使得罪犯在实施犯罪行为的过程中遭遇警察的概率最大化。针对巡逻规划的研究，数学家们从不同的数学方法和数学理论提出了解决方案，从上世纪70年代到现在，在国际运筹学的期刊中，巡逻规划的主题一直与不同的数学方法和思路相结合，70年代搜索论、蒙特卡洛方法占据了主流，而后出现了基于图论的启发式优化算法，近几年又出现了图论、博弈论相结合的寻优算法。

搜索理论由下面3个基本要素所构成：(1)搜索目标，搜索是对搜索目标进行的搜索因此任何搜索问题均涉及到目标位置和移动路径的概率分布函数；(2)探测函数，给出了将投入到某个区域的搜索资源的数量与搜索目标位于该区域时成功探测到该目标的可能性大小联系起来的函数关系；(3)最优搜索计划，在搜索过程，根据目标的分布函数，对所拥有的有限的搜索力在一定成本约束下如何分配才能使发现目标的概率最大。经典搜索论所解决的是静态搜索问题，即已知搜索目标的概率分布函数，对于犯罪行为搜索而言，这个概率分布可以使用犯罪统计数据来产生。用搜索论解决巡防路径规划的主要问题是：缺乏路径的网络连通性，把巡防目标划分为互不相干的片区，不考虑片区之间的连通性、相邻性，不解决巡防的路径的问题，只解决警力调度和调配。蒙特卡洛方法通过构造符合一定规则的随机数来解决数学上的各种问题。利用蒙特卡洛方法求解巡逻规划的两个问题：(1)派遣巡逻人员的时间间隔；(2)派遣出的巡逻人员的路径选择，其主要思想是把整个地图中节点之间的联通关系用转移概率来表示，因此用一个包含所有节点的转移概率矩阵既可以表示整个地图中的路径关系。通过最优化条件的设计，最后得到一个一步转移马尔可夫矩阵。

我国在巡逻规划的研究中，更多的注意力放在了管理哲学和管理方法以及对人的管理上。人不是机械，单纯的强调规划技术，忽略人的主观能动性会造成人的心理本能的抵触。因此，规划技术应该与人力管理方法相结合，既不能没有科学依据的胡乱规划，全凭巡逻人员按照自己的经验和意愿，造成巡逻效率的下降。因此，巡逻规划问题的求解方法也为我们分析解决安防系统效能、安防设施的优化分配等问题提供了一种分析思路。

发明内容

本发明的目的是提供一种基于深度学习算法的社区治安巡逻路径优化方法，能够解决社区治安巡逻路径的规划问题，提高社区治安巡逻的效率。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习算法的社区治安巡逻路径优化设计方法，包括如下步骤：

步骤1：首先为社区巡逻人员配备带有NFC读写器的手机和数个NFC标签卡，所述每个NFC标签卡中均存储有唯一的位置信息，带有NFC读写器的手机读取任意一个NFC标签卡中的位置信息并生成人员位置信息；

步骤2：利用多台个人计算机组建Hadoop数据库系统构架并构建Hadoop数据库，并将社区治安巡逻特征数据输入Hadoop数据库，所述社区治安巡逻特征数据包括社区治安巡逻面积、巡逻时间和社区治安事件发生的频率；

步骤3：利用Hadoop开源软件和深度学习算法构建深度学习系统，利用深度学习系统对社区治安巡逻特征数据进行分析，生成社区巡逻特征参数；

所述深度学习算法包括在Hadoop数据库中建立数个深度自动编码器、隐含层和反向传播神经网络BP，每一个深度自动编码器均包括编码器和解码器；

所述编码器采用如下关系式进行编码：

h＝f(x)＝S_f(Wx+b_j)；

其中，x为社区治安巡逻面积和巡逻时间所构成的特征向量，W为输入向量的权值，b_j表示第j个神经元的阈值，h是得到的隐含层向量；

所述解码器采用如下关系式进行解码:

y＝g(h)＝S_g(Wh+b_h)；

其中，h为隐含层向量，所述h为隐含层向量作为解码器的输入量，W为对应的权值向量，b_h为阈值，S_g是解码器的激活函数；

所述深度学习算法还包括对深度自动编码器进行训练，

所述对深度自动编码器的训练过程是在训练样本集D上寻找参数W，b_j，b_h构成的最小化重构误差，重构误差的表达式为:

J＝∑_x∈DL(x,g(f(x)))；

其中，x为所述重构误差的表达式的输入，g(f(x))为所述重构误差的表达式的解码器输出，L是重构误差函数；

所述对深度自动编码器进行训练的步骤如下：

步骤A：输入用作训练的社区巡逻面积、巡逻时间，无监督训练出第一个自编码器；

步骤B：以第一个自编码器的输出作为下一个自编码器的输入，训练出第二个自编码器；

步骤C:重复步骤B，直到完成预设数量隐含层的训练为止；

步骤D：以社区治安事件发生的频率数据为输出，在最后一个隐含层上增加一个反向传播神经网络预测模型，实现对所述预测网络模型的权重微调；

步骤4：利用深度学习算法，对社区巡逻特征参数进行评价，从中获取社区巡逻模型，所述获取社区巡逻模型的步骤如下：

步骤E：根据社区情况，列举巡逻路径和巡逻时间；

步骤F：在Hadoop数据库构造巡逻面积和巡逻时间，并将巡逻面积和巡逻时间作为输入数据输入深度学习系统，深度学习系统根据输入数据预测案件发生频率；

步骤G：判断案件发生频率是否是最小值：是，则执行步骤H；否，则执行步骤E；

步骤H：获得社区巡逻模型；

步骤5：根据社区巡逻模型优化社区治安巡逻面积以及巡逻时间，生成最佳巡逻路径和最佳巡逻时间表；人机界面终端通过SQL接口或JDBC/ODBC接口在Hadoop数据库中调取最佳巡逻路径和最佳巡逻时间表，用户通过人机界面终端查询最佳巡逻路径和最佳巡逻时间表，并在最佳巡逻路径上每隔一个巡逻单位的距离就放置一个NFC标签卡；用户根据最佳巡逻时间表分配社区巡逻人员进行巡逻；社区巡逻人员携带带有NFC读写器的手机经过任意一个NFC标签卡时，带有NFC读写器的手机读取NFC标签卡中的位置信息并生成人员位置信息；同时带有NFC读写器的手机生成人员信息和巡逻时间；所述带有NFC读写器的手机实时将所采集到的人员位置信息、人员信息和巡逻时间通过互联网发送给Hadoop数据库，Hadoop数据库对人员位置信息、人员信息和巡逻时间进行处理和存储；

步骤6：人机界面终端通过SQL接口或JDBC/ODBC接口在Hadoop数据库中调取人员位置信息、人员信息和巡逻时间，实现对社区巡逻人员的实时监管和信息查询。

所述一个巡逻单位的距离不大于10CM。

所述人机界面终端为电脑。

本发明所述的一种基于深度学习算法的社区治安巡逻路径优化方法，能够解决社区治安巡逻路径的规划问题，提高社区治安巡逻的效率；本发明有效提高巡逻效率，减少巡逻过程中的人力浪费。

附图说明

图1是深度学习算法示意图；

图2是社区巡逻优化设计示意图；

图3是社区巡逻优化系统构造示意图。

具体实施方式

如图1-3所示的一种基于深度学习算法的社区治安巡逻路径优化设计方法，包括如下步骤：

步骤1：首先为社区巡逻人员配备带有NFC读写器的手机和数个NFC标签卡，所述每个NFC标签卡中均存储有唯一的位置信息，带有NFC读写器的手机读取任意一个NFC标签卡中的位置信息并生成人员位置信息；

步骤2：利用多台个人计算机组建Hadoop数据库系统构架并构建Hadoop数据库，并将社区治安巡逻特征数据输入Hadoop数据库，所述社区治安巡逻特征数据包括社区治安巡逻面积、巡逻时间和社区治安事件发生的频率；

步骤3：利用Hadoop开源软件和深度学习算法构建深度学习系统，利用深度学习系统对社区治安巡逻特征数据进行分析，生成社区巡逻特征参数；

所述深度学习算法包括在Hadoop数据库中建立数个深度自动编码器、隐含层和反向传播神经网络BP，每一个深度自动编码器均包括编码器和解码器；

所述编码器采用如下关系式进行编码：

h＝f(x)＝S_f(Wx+b_j)；

其中，x为社区治安巡逻面积和巡逻时间所构成的特征向量，W为输入向量的权值，b_j表示第j个神经元的阈值，h是得到的隐含层向量；

所述解码器采用如下关系式进行解码:

y＝g(h)＝S_g(Wh+b_h)；

其中，h为隐含层向量，所述h为隐含层向量作为解码器的输入量，W为对应的权值向量，b_h为阈值，S_g是解码器的激活函数；

所述深度学习算法还包括对深度自动编码器进行训练，

所述对深度自动编码器的训练过程是在训练样本集D上寻找参数W，b_j，b_h构成的最小化重构误差，重构误差的表达式为:

J＝∑_x∈DL(x,g(f(x)))；

其中，x为所述重构误差的表达式的输入，g(f(x))为所述重构误差的表达式的解码器输出，L是重构误差函数；

所述对深度自动编码器进行训练的步骤如下：

步骤A：输入用作训练的社区巡逻面积、巡逻时间，无监督训练出第一个自编码器；

步骤B：以第一个自编码器的输出作为下一个自编码器的输入，训练出第二个自编码器；

步骤C:重复步骤B，直到完成预设数量隐含层的训练为止；

步骤D：以社区治安事件发生的频率数据为输出，在最后一个隐含层上增加一个反向传播神经网络预测模型，实现对所述预测网络模型的权重微调；

步骤4：利用深度学习算法，对社区巡逻特征参数进行评价，从中获取社区巡逻模型，所述获取社区巡逻模型的步骤如下：

步骤E：根据社区情况，列举巡逻路径和巡逻时间；

步骤F：在Hadoop数据库构造巡逻面积和巡逻时间，并将巡逻面积和巡逻时间作为输入数据输入深度学习系统，深度学习系统根据输入数据预测案件发生频率；

步骤G：判断案件发生频率是否是最小值：是，则执行步骤H；否，则执行步骤E；

步骤H：获得社区巡逻模型；

步骤5：根据社区巡逻模型优化社区治安巡逻面积以及巡逻时间，生成最佳巡逻路径和最佳巡逻时间表；人机界面终端通过SQL接口或JDBC/ODBC接口在Hadoop数据库中调取最佳巡逻路径和最佳巡逻时间表，用户通过人机界面终端查询最佳巡逻路径和最佳巡逻时间表，并在最佳巡逻路径上每隔一个巡逻单位的距离就放置一个NFC标签卡；用户根据最佳巡逻时间表分配社区巡逻人员进行巡逻；社区巡逻人员携带带有NFC读写器的手机经过任意一个NFC标签卡时，带有NFC读写器的手机读取NFC标签卡中的位置信息并生成人员位置信息；同时带有NFC读写器的手机生成人员信息和巡逻时间；所述带有NFC读写器的手机实时将所采集到的人员位置信息、人员信息和巡逻时间通过互联网发送给Hadoop数据库，Hadoop数据库对人员位置信息、人员信息和巡逻时间进行处理和存储；

步骤6：人机界面终端通过SQL接口或JDBC/ODBC接口在Hadoop数据库中调取人员位置信息、人员信息和巡逻时间，实现对社区巡逻人员的实时监管和信息查询。

所述一个巡逻单位的距离不大于10CM。

所述人机界面终端为电脑。

带有NFC读写器的手机只能够在近距离范围内与标签卡进行通讯，比如本项目中设置为小于10cm，因此基本杜绝了巡逻人员的作弊现场。

巡逻面积数据主要是对巡逻路径的地理位置数据进行计算，得到巡逻所达到的面积；巡逻时间数据主要是完成巡逻面积所需的时长和巡逻间隔；治安案件发生的频率主要是指该社区发生抢、盗等事件的年发生次数。

本发明所述的一种基于深度学习算法的社区治安巡逻路径优化方法，能够解决社区治安巡逻路径的规划问题，提高社区治安巡逻的效率；本发明有效提高巡逻效率，减少巡逻过程中的人力浪费。