本發(fā)明涉及公共安全，尤其一種大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)。

背景技術(shù)：

1、在當(dāng)今數(shù)字化時代，公共安全管理面臨著前所未有的挑戰(zhàn)與機遇。隨著信息技術(shù)的飛速發(fā)展，各類數(shù)據(jù)呈爆炸式增長，如城市監(jiān)控攝像頭產(chǎn)生的海量視頻數(shù)據(jù)、社交媒體平臺上民眾發(fā)布的相關(guān)的文本和圖片信息、分布在各個角落的傳感器采集的環(huán)境與安全參數(shù)數(shù)據(jù)。然而，傳統(tǒng)的公共安全態(tài)勢感知與評估方法多基于有限的人工經(jīng)驗和簡單的統(tǒng)計分析，難以應(yīng)對如此龐大且復(fù)雜的數(shù)據(jù)洪流。這些方法往往存在數(shù)據(jù)整合困難、分析深度不足、時效性差以及無法有效捕捉多源數(shù)據(jù)之間復(fù)雜關(guān)聯(lián)關(guān)系等問題，導(dǎo)致在公共安全事件的預(yù)警與應(yīng)對過程中，無法及時準(zhǔn)確地把握態(tài)勢變化，難以制定科學(xué)合理的決策策略，嚴(yán)重影響了公共安全管理的效能與質(zhì)量。例如，在大型城市活動安保工作中，傳統(tǒng)方法可能因無法及時整合來自不同區(qū)域的數(shù)據(jù)、社交媒體上民眾的實時反饋以及環(huán)境傳感器數(shù)據(jù)，而錯過對潛在安全風(fēng)險的早期識別與預(yù)警，進而可能引發(fā)嚴(yán)重的公共安全事件。因此，迫切需要一種創(chuàng)新的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)及模型來突破這些局限，提升公共安全管理的智能化水平。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)及模型，包括：數(shù)據(jù)采集層，用于從社交媒體平臺、各類傳感器以及公共安全數(shù)據(jù)庫采集相關(guān)數(shù)據(jù)；

2、

3、數(shù)據(jù)預(yù)處理層，對采集到的原始數(shù)據(jù)進行清洗、去噪和格式統(tǒng)一操作；

4、特征提取與融合層，運用特定算法從不同類型數(shù)據(jù)中提取關(guān)鍵特征，并采用多源數(shù)據(jù)動態(tài)加權(quán)融合算法將特征融合，所述多源數(shù)據(jù)動態(tài)加權(quán)融合算法中，設(shè)n種數(shù)據(jù)源，第i種數(shù)據(jù)源數(shù)據(jù)特征向量為xi＝(xi1,xi2,…,xim)，權(quán)重為wi且融合后特征向量y＝(y1,y2,…,ym)，其中權(quán)重wi基于數(shù)據(jù)源與公共安全事件關(guān)聯(lián)度si和數(shù)據(jù)可靠性s1確定,態(tài)勢感知模型層，基于改進的隱馬爾可夫模型(ihmm)構(gòu)建公共安全態(tài)勢感知模型，所述ihmm具有狀態(tài)集合s＝{s1,s2,…,sk}、觀察集合o＝{o1,o2,…,ol}、初始狀態(tài)概率分布、狀態(tài)轉(zhuǎn)移概率矩陣a＝{aij}和觀測概率矩陣b＝{bj(ot)}

5、，通過前向-后向算法計算公共安全事件發(fā)生概率和狀態(tài)序列；態(tài)勢評估層，依據(jù)態(tài)勢感知結(jié)果，采用模糊綜合評價法對公共安全態(tài)勢進行綜合評估，所述模糊綜合評價法具有評價因素集u＝{u1,u2,…,up}、評價等級集v＝{v1,v2,…,vq}，通過確定單因素模糊評價矩陣r＝{tij}和因素權(quán)重向量w＝(w1,w2,…,wp)，計算綜合評價向量確定態(tài)勢嚴(yán)重程度等級；

6、用戶交互層，用于展示態(tài)勢感知與評估結(jié)果、進行系統(tǒng)參數(shù)設(shè)置以及數(shù)據(jù)可視化分析。

7、進一步，所述數(shù)據(jù)采集層采集的社交媒體數(shù)據(jù)提取關(guān)鍵詞、情感傾向、主題分布和語義相似度作為特征向量，其中關(guān)鍵詞權(quán)重通過詞頻-逆文檔頻率(tf-idf)算法確定，情感傾向利用情感分析模型判斷。

8、進一步，所述數(shù)據(jù)采集層采集的數(shù)據(jù)提取人員行為特征、目標(biāo)外觀特征、場景特征、人員密度信息和目標(biāo)運動軌跡作為特征向量，人員行為特征和目標(biāo)通過深度學(xué)習(xí)目標(biāo)檢測算法識別，目標(biāo)運動軌跡通過目標(biāo)跟蹤算法獲取。

9、進一步，所述數(shù)據(jù)采集層采集的傳感器數(shù)據(jù)提取環(huán)境參數(shù)特征及其變化率、波動幅度作為特征向量，且傳感器數(shù)據(jù)經(jīng)過校準(zhǔn)和異常值處理，并采用數(shù)據(jù)插值補充缺失數(shù)據(jù)點。

10、進一步，所述模糊綜合評價法中，評價因素集包括社會治安狀況、消防安全狀況、交通安全狀況和公共衛(wèi)生狀況中的至少一種。

11、進一步，所述模糊綜合評價法中，單因素模糊評價矩陣通過專家評價、數(shù)據(jù)統(tǒng)計分析或兩者結(jié)合的方式確定。

12、進一步，所述模糊綜合評價法中，因素權(quán)重向量采用層次分析法確定，通過構(gòu)建判斷矩陣、計算特征向量和一致性檢驗步驟得到。

13、進一步，所述多源數(shù)據(jù)動態(tài)加權(quán)融合算法中，數(shù)據(jù)源與公共安全事件關(guān)聯(lián)度通過計算數(shù)據(jù)源特征與歷史公共安全事件特征之間的相似度得到，數(shù)據(jù)可靠性綜合考慮數(shù)據(jù)來源可信度、數(shù)據(jù)完整性和準(zhǔn)確性確定。

14、進一步，所述用戶交互層能夠根據(jù)用戶指令調(diào)整態(tài)勢感知模型的參數(shù)，并展示參數(shù)調(diào)整后的感知與評估結(jié)果變化。

15、有益效果：

16、通過多源數(shù)據(jù)動態(tài)加權(quán)融合算法，能夠全面整合社交媒體、傳感器等各類信息，采用改進的隱馬爾可夫等模型(ihmm)構(gòu)建公共安全態(tài)勢感知模型，能夠有效地處理公共安全事件的動態(tài)變化過程，通過狀態(tài)轉(zhuǎn)移概率矩陣和觀測概率矩陣的學(xué)習(xí)，準(zhǔn)確預(yù)測公共安全事件的發(fā)生概率和可能的發(fā)展?fàn)顟B(tài)。相比傳統(tǒng)基于經(jīng)驗或簡單統(tǒng)計的方法，在面對復(fù)雜多變的公共安全形勢時具有更高的準(zhǔn)確性和適應(yīng)性。

技術(shù)特征：

1.一種大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述數(shù)據(jù)采集層采集的社交媒體數(shù)據(jù)提取關(guān)鍵詞、情感傾向、主題分布和語義相似度作為特征向量，其中關(guān)鍵詞權(quán)重通過詞頻-逆文檔頻率算法確定，情感傾向利用情感分析模型判斷。

3.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述數(shù)據(jù)采集層采集的數(shù)據(jù)提取人員行為特征、目標(biāo)外觀特征、場景特征、人員密度信息和目標(biāo)運動軌跡作為特征向量，人員行為特征和目標(biāo)通過深度學(xué)習(xí)目標(biāo)檢測算法識別，目標(biāo)運動軌跡通過目標(biāo)跟蹤算法獲取。

4.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述數(shù)據(jù)采集層采集的傳感器數(shù)據(jù)提取環(huán)境參數(shù)特征及其變化率、波動幅度作為特征向量，且傳感器數(shù)據(jù)經(jīng)過校準(zhǔn)和異常值處理，并采用數(shù)據(jù)插值補充缺失數(shù)據(jù)點。

5.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述模糊綜合評價法中，評價因素集包括社會治安狀況、消防安全狀況、交通安全狀況和公共衛(wèi)生狀況中的至少一種。

6.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述模糊綜合評價法中，單因素模糊評價矩陣通過專家評價、數(shù)據(jù)統(tǒng)計分析或兩者結(jié)合的方式確定。

7.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述模糊綜合評價法中，因素權(quán)重向量采用層次分析法確定，通過構(gòu)建判斷矩陣、計算特征向量和一致性檢驗步驟得到。

8.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述多源數(shù)據(jù)動態(tài)加權(quán)融合算法中，數(shù)據(jù)源與公共安全事件關(guān)聯(lián)度通過計算數(shù)據(jù)源特征與歷史公共安全事件特征之間的相似度得到，數(shù)據(jù)可靠性綜合考慮數(shù)據(jù)來源可信度、數(shù)據(jù)完整性和準(zhǔn)確性確定。

9.根據(jù)權(quán)利要求1所述的大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)，其特征在于，所述用戶交互層能夠根據(jù)用戶指令調(diào)整態(tài)勢感知模型的參數(shù)，并展示參數(shù)調(diào)整后的感知與評估結(jié)果變化。

技術(shù)總結(jié)
本發(fā)明涉及一種大數(shù)據(jù)驅(qū)動的公共安全態(tài)勢感知與評估系統(tǒng)及模型，通過多源數(shù)據(jù)動態(tài)加權(quán)融合算法，能夠全面整合社交媒體、監(jiān)控視頻、傳感器、政府?dāng)?shù)據(jù)庫等各類信息，采用改進的隱馬爾可夫等模型(IHMM)構(gòu)建公共安全態(tài)勢感知模型，能夠有效地處理公共安全事件的動態(tài)變化過程，通過狀態(tài)轉(zhuǎn)移概率矩陣和觀測概率矩陣的學(xué)習(xí)，準(zhǔn)確預(yù)測公共安全事件的發(fā)生概率和可能的發(fā)展?fàn)顟B(tài)。相比傳統(tǒng)基于經(jīng)驗或簡單統(tǒng)計的方法，在面對復(fù)雜多變的公共安全形勢時具有更高的準(zhǔn)確性和適應(yīng)性。

技術(shù)研發(fā)人員：李國軍,雒煥喜,李改霞
受保護的技術(shù)使用者：蘭州富美電子科技有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24