一种城市区域警务策略动态调整方法和系统

1.本技术涉及应用信息技术领域，特别涉及一种城市区域警务策略动态调整方法和系统。


背景技术：

2.随着城市治理现代化水平的不断提升，侦查、应急为主导的警务工作模式已然开始向风险防控为目标的方向转变。城市中，影响犯罪的要素通常具有较高的流动性、空间异质性等时空特征，因此，在城市警务资源有限的前提下，针对犯罪风险防控的警务资源通常需要科学、合理的动态化配置，包括巡逻、安全检查、风险排查在内的警务策略也需要精准、及时的动态化调整，从而使城市总体犯罪风险保持在可接受水平。
3.当前，“情报驱动”、“数据驱动”逐渐成为智能化、智慧化警务模式变革的基本条件，城市区域尺度下的犯罪时空预测结果已经成为指挥中心、合成作战中心的重要情报来源，服务于警力资源调度、治安防控、社区警务、大型活动安全保卫等多种重要的业务场景，为优化警务资源的动态调整策略，研究基于犯罪时空预测的城市区域警务策略动态调整方法具有显著意义。


技术实现要素：

4.本技术的目的在于提供一种城市区域警务策略动态调整方法和系统，以解决或缓解上述现有技术中存在的问题。
5.为了实现上述目的，本技术提供如下技术方案：本技术提供一种城市区域警务策略动态调整方法，包括：步骤s101、基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内所述目标行政区域内的犯罪风险值进行预测，以确定所述目标行政区域的犯罪风险等级；步骤s102、基于构建的警务策略动态调整贝叶斯网络，根据所述目标行政区域的犯罪风险等级，确定所述目标行政区域的区域安全等级的初始概率分布，以对所述目标行政区域的定量化警务策略进行动态调整；步骤s103、基于所述警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的所述犯罪风险等级下，所述目标行政区域的安全等级概率分布以及策略调整成本；步骤s104、基于所述目标行政区域的犯罪风险等级，按照不同的决策偏好，根据所述目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。
6.优选的，在步骤s101中，将基于注意力机制的长短期记忆神经网络分别与第一全连接神经网络、第二全连接神经网络、第三全连接神经网络连接后，与第四全连接神经网络连接，以构建所述犯罪风险预测模型；其中，所述第一全连接神经网络用于构建对所述目标行政区域的犯罪时空特征进行提取的时空特征提取网络；所述第二全连接神经网络用于构建对所述目标行政区域的区域拓扑特征进行提取的拓扑特征提取网络；所述第三全连接神
经网络用于构建对所述目标行政区域的外部特征进行提取的外部特征提取网络。
7.优选的，在步骤s101中，在深度残差神经网络的卷积层前依次增加批标准化和修正线性单元，并在所述深度残差神经网络的卷积层之间增加随机失活层，以对所述深度残差神经网络的残差块进行改进；将两个相同的改进后的所述深度残差神经网络的残差块连接后，与所述第一全连接神经网络连接，构建所述时空特征提取网络；将一个图神经网络与两个相同的改进后的所述深度残差神经网络的残差块连接后，与所述第二全连接神经网络连接，以构建所述拓扑特征提取网络；将两个相同的长短期记忆神经网络连接后，与所述第三全连接神经网络连接，以构建所述外部特征提取网络。
8.优选的，所述警务策略动态调整贝叶斯网络中，输入为所述犯罪风险等级的父节点a、所述定量化警务策略动态调整方案的父节点，输出为所述目标行政区域的区域安全等级的子节点b，以及所述策略调整成本的子节点c；所述父节点a、所述父节点均分别连接所述子节点b，所述父节点连接所述子节点c；，为所述定量化警务策略动态调整方案中的网络节点的数量。
9.优选的，在步骤s102中，确定所述目标行政区域的区域安全等级的初始概率分布包括：基于构建的所述城市目标行政区域的多主体仿真模型，确定所述目标行政区域的不同的犯罪风险等级与不同所述定量化警务策略的动态调整下的模拟犯罪风险值；构建多主体仿真数据库；其中，所述多主体仿真数据库中包括：所述模拟犯罪风险值、基于所述犯罪风险预测模型获得的犯罪风险值、以及所述定量化警务动态调整方案中包含的网络节点；基于所述多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到所述目标行政区域的区域安全等级的初始概率分布。
10.优选的，所述基于所述多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到所述目标行政区域的区域安全等级的初始概率分布，包括：基于所述多主体仿真数据库，按照：；确定所述目标行政区域的区域安全等级的初始概率分布；其中，为所述目标行政区域的区域安全等级，为为所述目标行政区域的区域安全等级的后验概率。
11.优选的，在步骤s103中，按照预设的策略调整标准，根据所述目标行政区域的安全等级概率分布，确定不同的所述定量化警务策略动态调整方案的策略调整成本。
12.优选的，所述决策偏好包括：成本倾向型决策和风险倾向型决策；在步骤s104中，基于所述目标行政区域的犯罪风险等级，响应于成本倾向型决策，从不同的定量化警务策略动态调整方案中选择策略调整成本最低的警务策略动态调整方案；基于所述目标行政区域的犯罪风险等级，响应于风险倾向型决策，根据不同的定量化警务策略动态调整方案的策略调整成本，选择所述目标行政区域的安全等级最高的警务策略动态调整方案。
13.本技术实施例还提供一种城市区域警务策略动态调整系统，包括：犯罪风险等级单元，配置为基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内所述目标行政区域内的犯罪风险值
进行预测，以确定所述目标行政区域的犯罪风险等级；策略动态调整单元，配置为基于构建的警务策略动态调整贝叶斯网络，根据所述目标行政区域的犯罪风险等级，确定所述目标行政区域的区域安全等级的初始概率分布，以对所述目标行政区域的定量化警务策略进行动态调整；概率成本计算单元，配置为基于所述警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，所述目标行政区域的安全等级概率分布以及策略调整成本；最佳策略确定单元，配置为基于所述目标行政区域的犯罪风险等级，按照不同的决策偏好，根据所述目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。
14.技术效果：本技术实施例提供的城市区域警务策略动态调整方法，首先，基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内目标行政区域内的犯罪风险值进行预测，确定目标行政区域的犯罪风险等级；接着，基于构建的警务策略动态调整贝叶斯网络，根据目标行政区域的犯罪风险等级，确定目标行政区域的区域安全等级的初始概率分布，对目标行政区域的定量化警务策略进行动态调整；然后，基于警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，目标行政区域的安全等级概率分布以及策略调整成本；最后，基于目标行政区域的犯罪风险等级，按照不同的决策偏好，根据目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。
15.相比于现有的警务策略调整中缺乏针对性、精确的犯罪风险预测结果作为支撑，动态自适应调整能力弱的缺陷，本技术中基于贝叶斯网络架构，提出综合依据城市区域犯罪时空分布预测结果和定量化警务策略动态调整方案的效能，计算城市区域安全等级；通过比较不同警务策略动态调整方案对城市区域安全等级的提升，以及，比较不同警务策略动态调整方案的预期成本，对不同警务策略动态调整方案进行定量化评价，从而选出最优方案，实现根据犯罪时空分布预测结果动态自适应调整警务策略的能力。
附图说明
16.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。其中：图1为根据本技术的一些实施例提供的一种城市区域警务策略动态调整方法的流程示意图；图2为本发明实施例中提供的犯罪风险预测模型的网络结构示意图；图3为本发明实施例中提供的应用场景城市区域的编号示意图；图4为图3所示应用场景城市区域的拓扑关系示意图；图5为图3所示应用场景中各城市区域犯罪案件数量空间预测结果分布示意图；图6为图3所示应用场景中各城市区域犯罪案件数量时序预测结果分布示意图；图7为本发明实施例中提供的警务策略动态调整贝叶斯网络结构示意图；图8为根据本技术的一些实施例提供的一种城市区域警务策略动态调整系统的结构示意图。
具体实施方式
17.下面将参考附图并结合实施例来详细说明本技术。各个示例通过本技术的解释的方式提供而非限制本技术。实际上，本领域的技术人员将清楚，在不脱离本技术的范围或精神的情况下，可在本技术中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本技术包含归入所附权利要求及其等同物的范围内的此类修改和变型。
18.申请人研究发现，现有的警务决策技术或者缺少犯罪风险预测结果的支持，或者所使用的犯罪时空预测技术大多基于规则网格或者基于路网进行空间划分，犯罪数量或犯罪率预测单元与警务决策的执行单元通常不匹配，难以将预测得到的结果直接应用于警务策略的动态调整中，这导致现有的警务决策技术，通常不够精准、动态自适应调整能力偏弱；而且由于缺乏对警务资源限制或成本的计算，导致决策方案难以实际执行。基于此，申请人提出了一种兼具高精确度、高时效性犯罪时空预测能力和动态自适应警务策略调整能力的技术方案。
19.首先，本技术中，定量化警务策略动态调整方案中，对应的网络节点包括：社会面警务巡逻时空范围临时扩展倍数、重点部位移动警务站临时增设数量、社区风险隐患临时排查次数、特定人员临时排查比例。在本技术应用场景中以社会面警务巡逻时空范围临时扩展倍数代表一种典型的定量化警务策略动态调整方案来说明该方法的实施过程。
20.如图1所示，该城市区域警务策略动态调整方法包括：步骤s101、基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内目标行政区域内的犯罪风险值进行预测，以确定目标行政区域的犯罪风险等级。
21.本技术中，按照城市行政区域划分，分别以“日”为时间尺度统计目标行政区域以及相邻行政区域的犯罪案件数量及其它相关时序数据，比如，目标行政区域的天气数据（包括以“日”为时间尺度统计的城市的气温平均值）。
22.如图2所示，基于深度神经网络架构构建犯罪风险预测模型，对未来一天或一天以内的城市目标行政区域的犯罪风险值进行预测。具体的，将基于注意力机制的长短期记忆神经网络分别与第一全连接神经网络、第二全连接神经网络、第三全连接神经网络连接后，与第四全连接神经网络连接，以构建犯罪风险预测模型，有效提高决策依据的精准程度。
23.其中，第一全连接神经网络用于构建对目标行政区域的犯罪时空特征进行提取的时空特征提取网络；第二全连接神经网络用于构建对目标行政区域的区域拓扑特征进行提取的拓扑特征提取网络；第三全连接神经网络用于构建对目标行政区域的外部特征进行提取的外部特征提取网络。
24.在时空特征提取网络构建时，在深度残差神经网络的卷积层前依次增加批标准化和修正线性单元，并在深度残差神经网络的卷积层之间增加随机失活层，以对深度残差神经网络的残差块进行改进，然后，将两个相同的改进后的深度残差神经网络的残差块连接后，与第一全连接神经网络连接，完成时空特征提取网络的构建，通过时空特征提取网络，根据犯罪案件的时空分布（即犯罪时空分布数据）提取犯罪时空特征。其中，提取的犯罪时空特征包括：近邻特征、周期特征和趋势特征。
25.针对当前日期的预设时间（比如1天）内的犯罪风险分布预测，从当前日期的前3天
的犯罪时空分布数据中提取犯罪时空特征作为近邻特征；从当前日期之前的第7天、第14天、第21天的犯罪时空分布数据中提取犯罪时空特征作为周期特征；从当前日期的前3年中相同日期的犯罪时空分布数据中提取犯罪时空特征作为趋势特征。
26.同样的，在构建拓扑特征提取网络时，将一个图神经网络与两个相同的改进后的深度残差神经网络的残差块连接后，再与第二全连接神经网络进行连接，完成拓扑特征提取网络的构建；通过拓扑特征提取网络；根据目标行政区域及其相邻行政区域之间的区域邻接关系提取区域拓扑特征。
27.在构建外部特征提取网络时，将两个相同的长短期记忆神经网络连接后，与第三全连接神经网络连接，完成外部特征提取网络的构建；通过外部特征提取网络，根据目标行政区域的其它相关时序数据（天气数据等）提取外部特征。
28.最后，利用引入注意力机制的长短期记忆神经网络与时空特征提取网络、拓扑特征提取网络、外部特征提取网络中的全连接神经网络（即第一全连接神经网络、第二全连接神经网络、第三全连接神经网络）进行连接，对提取到的犯罪时空特征、区域拓扑特征、外部特征进行特征融合。进而，与一个全连接神经网络（即第四全连接神经网络）进行连接，形成一个完整的预测网络，对犯罪风险值进行预测。
29.在对犯罪风险值进行预测时，通过对提取到的犯罪时空特征、区域拓扑特征、外部特征进行特征融合，得到一个融合特征，对融合特征的矩阵进行reshape操作，实现特征矩阵的数据形状重塑，然后，预测网络的每一个神经元对数据形状重塑后的数据进行学习后，输出犯罪风险值。
30.在一个具体的例子中，如图3、图4所示，以1号区域为城市目标行政区域，将第一时间段（比如2015年1月1日至2020年1月7日）内每日的各个区域的犯罪案件数据划分为训练集和测试集（预测样本）；优选地，以第二时间段（比如2015年1月1日至2019年12月31日）内的数据为训练集，以第三时间段（比如2020年1月1日至2020年1月7日）内的数据为测试集，训练集和测试集的比例为1826:7。
31.在时空特征提取网络中，第1个和第2个残差单元的通道数分别设置为32和64，其内核大小为3*3，第一全连接神经网络由22个神经元组成。在区域特征提取网络中，设置图神经网络（gcn）层，提取区域拓扑特征，其余设置于时空特征提取网络相同，即两个残差单元分别由32和64个通道数，内核大小为3*3，第二全连接神经网络由22个神经元组成。在外部特征提取网络中，两个相同的长短期记忆神经网络分别由128和276个神经元，第三全连接神经网络由22个神经元组成。特征融合部分的模型参数设置为：引入注意力机制的长短期记忆神经网络（lstm-attention）和第四全连接神经网络分别由128和22个神经元组成；预测模型使用均方根误差计算损失函数，预测模型的学习率为0.001。
32.如图5所示，预测得到的犯罪案件空间分布情况接近实际分布情况，能够准确地预测犯罪案件的空间设点区域；如图6所示，大多数区域每日犯罪案件数量的预测值与实际值吻合。尽管1号区域的实际值波动趋势较大，但仍可以成功预测到犯罪案件数据的下降趋势，表面预测模型具有良好的预测性能。以平均绝对误差（mae）和均方根误差（rmse）对犯罪风险预测模型的预测性能进行评估；平均绝对误差（mae）和均方根误差（rmse）的计算公式如下：
；；其中，和分别为预测样本中第样本的真实值和预测值，为预测样本中样本数量。
33.如表1所示，通过本技术的犯罪风险预测模型，预测得到的22个区域的犯罪案件数量的误差小于2起/日（mae = 1.3778，rmse = 1.6318）；预测得到的22个区域的一般伤害案件数量的误差小于1起/日（mae = 0.7457，rmse = 0.8851），这表明犯罪风险预测模型具有良好的犯罪时空预测能力，与其它模型相比，犯罪风险预测模型在平均绝对误差（mae）和均方根误差（rmse）方面具有较好的性能。
34.表1 本技术提供的犯罪风险预测模型与其它预测模型的预测误差
35.本技术中，基于自然断点法，将犯罪风险值转化为犯罪风险等级。具体的，通过自然断点法，对犯罪风险值中的相似值进行自动分级，使每个等级之间的差异最大化，在犯罪风险值差异较大的位置自动设置边界，根据边界将犯罪风险值自动划分为不同的犯罪风险等级。
36.步骤s102、基于构建的警务策略动态调整贝叶斯网络，根据目标行政区域的犯罪风险等级，确定目标行政区域的区域安全等级的初始概率分布，以对目标行政区域的定量化警务策略进行动态调整。
37.其中，在警务策略动态调整贝叶斯网络中，输入为犯罪风险等级的父节点a、定量化警务策略动态调整方案的父节点，输出为目标行政区域的区域安全等级的子节点b，以及策略调整成本的子节点c；父节点a、父节点均分别连接子节点b，父节点连接子节点c。，为定量化所述警务策略动态调整方案中的网络节点的数量。
38.本技术中，父节点a为犯罪风险等级，共分为5种状态，分别为“高”“较高”“中”“较低”“低”；父节点设定为网络节点，共分为4种状态，分别为“4倍”“2倍”“不变”“0.5倍”；子
节点b为城市区域安全等级，共分为10种状态，分别为
“ⅰ”“ⅱ”……“ⅹ”
，其中，
“ⅰ”
表示最低的安全等级，
“ⅹ”
表示最高的安全等级；子节点c为警务策略动态调整成本，分为3种状态，分别为“高”“中”“低”。
39.在确定目标行政区域的区域安全等级的初始概率分布时，首先，基于构建的城市目标行政区域的多主体仿真模型，确定目标行政区域的不同的犯罪风险等级与不同定量化警务策略的动态调整下的模拟犯罪风险值；然后，构建多主体仿真数据库；其中，多主体仿真数据库中包括：模拟犯罪风险值、基于犯罪风险预测模型获得的犯罪风险值、以及定量化警务动态调整方案中包含的网络节点；最后，基于多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到目标行政区域的区域安全等级的初始概率分布。
40.在构建城市目标行政区域的多主体仿真模型时，依据城市目标行政区域进行构建。在多主体仿真模型中，包括静态、动态两类主体类型。其中，静态主体即城市环境主体，包括：不限制进出权限的空间和限制进出权限的空间。不限制进出权限的空间包括：道路、公园、广场，限制进出权限的空间包括：居民住宅、学校及工作场所、消费/娱乐场所。动态主体即具有自身属性和行为规则的可移动主体，包括：普通民众、警务力量、犯罪分子；动态主体可以自由地在不限制进出权限的空间内进行移动，但不能自由地通过限制进出权限的空间。
41.在多主体仿真模型中，对静态主体、动态主体的主体属性、行为规则、交互规则进行设定。其中，普通民众的行为规则包括：从限制进出权限的空间的居民住宅区中生成，以一定速度的概率随机前往限制进出权限空间和不限制进出权限空间；当普通民众进入限制进出权限空间时，将从仿真场景中消失。
42.普通民众的活动分为常规活动和临时活动，常规活动包括工作、学习和休息；临时活动包括回家，或者前往公园、广场、商业场所。常规活动规则包括：普通民众进入道路后按照预先设定的速度前往工作场所或学校，在进行一定时长的工作或学习后，离开学校或工作场所，重新进入道路。临时活动规则包括：普通民众按照一定的概率寻找是否开展临时活动，若不开展临时活动，将在道路上随机移动，并最终返回居民住宅；如果选择开展临时活动，则可以前往商业场所或者公共空间，停留一定时间后返回居民住宅。
43.多主体仿真模型中，警务力量包括：警察，警察的行为规则包括：以预先设定的速度在指定的公共空间区域内的道路上巡逻，并视图覆盖尽可能多的区域。其中，巡逻方式包括：徒步巡逻和车辆巡逻；徒步巡逻是指在城市区域内步行移动，步行速度和普通民众一致；车辆巡逻是指在城市区域内驾驶机动车以移动的速度移动。
44.多主体仿真模型中，犯罪分子的行为规则除了包括普通民众的全部行为规则外，同时包括：依据其视野范围内的普通民众和警务力量的数量，并按照下述公式计算的犯罪概率实施犯罪。其中，犯罪概率的计算公式如下：；
；;式中，为谨慎型犯罪分子实施犯罪的犯罪概率；为正常型犯罪分子实施犯罪的犯罪概率；为冒险型犯罪分子实施犯罪的犯罪概率；为犯罪分子视野范围内的普通民众的数量；为犯罪分子视野范围内的警察数量。
45.接着，通过运行构建的多主体仿真模型，确定目标行政区域的不同的犯罪风险等级与不同定量化警务策略的动态调整下的模拟犯罪风险值，利用犯罪风险值计算得到城市区域安全等级数据，形成多主体仿真数据库。如表2所示，为一个具体应用场景中的多主体仿真数据库示例。
46.表2 多主体仿真数据库示例
47.在该应用场景中，将表2中通过犯罪风险预测得到的犯罪风险值，对应转化为5个犯罪风险等级，取值范围分别为“[0, 200]，(200, 400]，(400, 600]，(600, 800]，(800, 1000]”，分别对应于a节点“犯罪风险等级”的5个状态“高”“较高”“中”“较低”“低”。
[0048]
将表2中通过多主体仿真模型仿真得到的模拟犯罪风险值，对应转化为10个“城市区域安全等级”，取值范围分别为“[0, 200]，(200, 400]，(400, 600]，(600, 800]，(800, 1000]，(1000, 1200]，(1200, 1400]，(1400, 1600]，(1600, 1800]，(1800, 2000]”，分别对应于b节点“城市区域安全等级”的10个状态
“ⅹ”“iⅹ”…“
i”。
[0049]
然后，基于构建的多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到子节点b的初始概率分布。具体的，首先，确定城市区域安全等级的先验概率分布；接着，由多主体仿真数据库求出每个样本的联合概率；；其中，为多主体仿真数据库中的第个元素；为多主体仿真数据库中的元
素数量。在多主体仿真数据库中，每个元素均包括：模拟犯罪风险值、基于犯罪风险预测模型获得的犯罪风险值、社会面警务巡逻时空范围临时扩展倍数。
[0050]
进而，求出城市区域安全等级的后验概率；最后，按照公式：；确定所述目标行政区域的区域安全等级的初始概率分布；其中，为所述目标行政区域的区域安全等级，为所述目标行政区域的区域安全等级的后验概率。籍此，基于多主体仿真数据库的贝叶斯网络节点的概率分布计算，有效提高了决策的客观性、科学性，从而实现城市区域内警务策略动态调整切实可行的技术支撑。
[0051]
在一个具体的应用场景中，设置警务策略动态调整成本的子节点c的概率分布的方法为：设定社会面警务巡逻时空范围临时扩展倍数每增加1倍，成本升高10万元；当成本为[0, 10)万元时，子节点c的状态为“低”，当成本状态为[10, 25)万元时，子节点c的成本状态为“中”，当成本为25万元及以上时，子节点c的成本状态为“高”。
[0052]
步骤s103、基于警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，目标行政区域的安全等级概率分布以及策略调整成本。
[0053]
也就是说，将不同定量化警务策略动态调整方案，分别输入构建的警务策略动态调整贝叶斯网络中，计算出经过警务策略动态调整后的城市区域安全等级概率分布，以及警务策略动态调整的策略调整成本。具体的，按照预设的策略调整成本，根据目标行政区域的安全等级概率分布，确定不同的定量化警务策略动态调整方案的策略调整成本。其中，计算目标行政区域的安全等级概率分布的流程与目标行政区域的区域安全等级的初始概率分布的流程保持一致，在此不再一一赘述。
[0054]
在本实施例的应用场景中，设定犯罪风险等级的父节点a状态为“中”的概率为100%，其余状态为0%；并依次单独设置定量化所述警务策略动态调整方案的父节点（该应用场景中为社会面警务巡逻时空范围临时扩展倍数）的状态分别为“0.5倍”“不变”“2倍”“4倍”的概率为100%，且依次同时设定其余3种状态为0；得到的目标行政区域的区域安全等级的子节点b的状态为最高等级
“ⅹ”
的概率分别为0、0、34%、61%；得到策略调整成本的子节点c的状态为“高”的概率分别为4%、21%、22%、67%。
[0055]
步骤s104、基于目标行政区域的犯罪风险等级，按照不同的决策偏好，根据目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。
[0056]
具体的，基于所述目标行政区域的犯罪风险等级，响应于成本倾向型决策，从不同的定量化警务策略动态调整方案中选择策略调整成本最低的警务策略动态调整方案；基于所述目标行政区域的犯罪风险等级，响应于风险倾向型决策，根据不同的定量化警务策略动态调整方案的策略调整成本，选择所述目标行政区域的安全等级最高的警务策略动态调整方案，如图7所示。
[0057]
在确定了目标行政区域的犯罪风险等级后，对于低成本倾向型决策偏好，将策略
调整成本的子节点c中的最低成本状态概率设定为100%，其余状态均为0%，从而由不同的定量化警务策略动态调整方案中选择策略调整成本最低的警务策略动态调整方案。对于低风险倾向性决策偏好，将目标行政区域的区域安全等级的子节点b的状态为
“ⅹ”
的概率设定为100%，其余状态均为0%，由不同的定量化警务策略动态调整方案中选择所述目标行政区域的安全等级最高的警务策略动态调整方案，从而获取最佳的警务策略动态调整方案。
[0058]
在一个具体的应用场景中，设定犯罪风险等级的父节点a的状态为“中”的概率为100%，其余状态均为0%。对于低成本倾向性决策偏好，将策略调整成本的子节点c中状态为“低”的概率设为100%，其余状态均未0%，得到父节点——社会警务巡逻时空范围临时扩展倍数为“0.5倍”“不变”“2倍”“4倍”的概率分别为43%、32%、19%、6%。对于低风险倾向型决策偏好，将目标行政区域的区域安全等级的子节点b的状态为
“ⅹ”
的概率设置为100%，其余状态均设置为0%，得到父节点——社会警务巡逻时空范围临时扩展倍数为“0.5倍”“不变”“2倍”“4倍”的概率分别12%、19%、31%、39%。
[0059]
籍此，基于贝叶斯网络架构，综合城市区域犯罪时空分布预测结果和定量化警务策略动态调整方案的效能，计算城市区域安全等级；通过比较不同警务策略动态调整方案对城市区域安全等级的提升，以及，比较不同警务策略动态调整方案的预期成本，对不同警务策略动态调整方案进行定量化评价，从而选出最优方案，实现根据犯罪时空分布预测结果动态自适应调整警务策略的能力，有效解决现有的警务策略调整中缺乏针对性、精确的犯罪风险预测结果作为支撑，动态自适应调整能力弱的缺陷。
[0060]
如图8所示，本技术实施例提供的一种城市区域警务策略动态调整系统，包括：犯罪风险等级单元801、策略动态调整单元802、概率成本计算单元803和最佳策略确定单元804。
[0061]
犯罪风险等级单元801配置为基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内所述目标行政区域内的犯罪风险值进行预测，以确定所述目标行政区域的犯罪风险等级。
[0062]
策略动态调整单元802配置为基于构建的警务策略动态调整贝叶斯网络，根据所述目标行政区域的犯罪风险等级，确定所述目标行政区域的区域安全等级的初始概率分布，以对所述目标行政区域的定量化警务策略进行动态调整。
[0063]
概率成本计算单元803配置为基于所述警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，所述目标行政区域的安全等级概率分布以及策略调整成本。
[0064]
最佳策略确定单元804配置为基于所述目标行政区域的犯罪风险等级，按照不同的决策偏好，根据所述目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。
[0065]
本技术实施例提供的城市区域警务策略动态调整系统能够实现上述任一城市区域警务策略动态调整方法的步骤、流程，并达到相同的技术效果，在此不再一一赘述。
[0066]
以上所述仅为本技术的优选实施例，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种城市区域警务策略动态调整方法，其特征在于，包括：步骤s101、基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内所述目标行政区域内的犯罪风险值进行预测，以确定所述目标行政区域的犯罪风险等级；步骤s102、基于构建的警务策略动态调整贝叶斯网络，根据所述目标行政区域的犯罪风险等级，确定所述目标行政区域的区域安全等级的初始概率分布，以对所述目标行政区域的定量化警务策略进行动态调整；步骤s103、基于所述警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的所述犯罪风险等级下，所述目标行政区域的安全等级概率分布以及策略调整成本；步骤s104、基于所述目标行政区域的犯罪风险等级，按照不同的决策偏好，根据所述目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。2.根据权利要求1所述的城市区域警务策略动态调整方法，其特征在于，在步骤s101中，将基于注意力机制的长短期记忆神经网络分别与第一全连接神经网络、第二全连接神经网络、第三全连接神经网络连接后，与第四全连接神经网络连接，以构建所述犯罪风险预测模型；其中，所述第一全连接神经网络用于构建对所述目标行政区域的犯罪时空特征进行提取的时空特征提取网络；所述第二全连接神经网络用于构建对所述目标行政区域的区域拓扑特征进行提取的拓扑特征提取网络；所述第三全连接神经网络用于构建对所述目标行政区域的外部特征进行提取的外部特征提取网络。3.根据权利要求2所述的城市区域警务策略动态调整方法，其特征在于，在步骤s101中，在深度残差神经网络的卷积层前依次增加批标准化和修正线性单元，并在所述深度残差神经网络的卷积层之间增加随机失活层，以对所述深度残差神经网络的残差块进行改进；将两个相同的改进后的所述深度残差神经网络的残差块连接后，与所述第一全连接神经网络连接，构建所述时空特征提取网络；将一个图神经网络与两个相同的改进后的所述深度残差神经网络的残差块连接后，与所述第二全连接神经网络连接，以构建所述拓扑特征提取网络；将两个相同的长短期记忆神经网络连接后，与所述第三全连接神经网络连接，以构建所述外部特征提取网络。4.根据权利要求1所述的城市区域警务策略动态调整方法，其特征在于，所述警务策略动态调整贝叶斯网络中，输入为所述犯罪风险等级的父节点a、所述定量化警务策略动态调整方案的父节点，输出为所述目标行政区域的区域安全等级的子节点b，以及所述策略调整成本的子节点c；所述父节点a、所述父节点均分别连接所述子节点b，所述父节点连接所述子节点c；，为所述定量化警务策略动态调整方案中的网络节
点的数量。5.根据权利要求4所述的城市区域警务策略动态调整方法，其特征在于，在步骤s102中，确定所述目标行政区域的区域安全等级的初始概率分布包括：基于构建的所述城市目标行政区域的多主体仿真模型，确定所述目标行政区域的不同的犯罪风险等级与不同所述定量化警务策略的动态调整下的模拟犯罪风险值；构建多主体仿真数据库；其中，所述多主体仿真数据库中包括：所述模拟犯罪风险值、基于所述犯罪风险预测模型获得的犯罪风险值、以及所述定量化警务动态调整方案中包含的网络节点；基于所述多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到所述目标行政区域的区域安全等级的初始概率分布。6.根据权利要求5所述的城市区域警务策略动态调整方法，其特征在于，所述基于所述多主体仿真数据库，利用贝叶斯估计法进行参数学习，得到所述目标行政区域的区域安全等级的初始概率分布，包括：基于所述多主体仿真数据库，按照：；确定所述目标行政区域的区域安全等级的初始概率分布；其中，为所述目标行政区域的区域安全等级，为所述目标行政区域的区域安全等级的后验概率。7.根据权利要求1所述的城市区域警务策略动态调整方法，其特征在于，在步骤s103中，按照预设的策略调整标准，根据所述目标行政区域的安全等级概率分布，确定不同的所述定量化警务策略动态调整方案的策略调整成本。8.根据权利要求1所述的城市区域警务策略动态调整方法，其特征在于，所述决策偏好包括：成本倾向型决策和风险倾向型决策；在步骤s104中，基于所述目标行政区域的犯罪风险等级，响应于成本倾向型决策，从不同的定量化警务策略动态调整方案中选择策略调整成本最低的警务策略动态调整方案；基于所述目标行政区域的犯罪风险等级，响应于风险倾向型决策，根据不同的定量化警务策略动态调整方案的策略调整成本，选择所述目标行政区域的安全等级最高的警务策略动态调整方案。9.一种城市区域警务策略动态调整系统，其特征在于，包括：犯罪风险等级单元，配置为基于深度神经网络构建的犯罪风险预测模型，根据获取的城市目标行政区域及其相邻行政区域的犯罪时空分布数据，对预设时间内所述目标行政区域内的犯罪风险值进行预测，以确定所述目标行政区域的犯罪风险等级；策略动态调整单元，配置为基于构建的警务策略动态调整贝叶斯网络，根据所述目标行政区域的犯罪风险等级，确定所述目标行政区域的区域安全等级的初始概率分布，以对所述目标行政区域的定量化警务策略进行动态调整；概率成本计算单元，配置为基于所述警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，所述目标行政区域的安全等级概率分布以及策略调整成本；
最佳策略确定单元，配置为基于所述目标行政区域的犯罪风险等级，按照不同的决策偏好，根据所述目标行政区域的安全等级概率分布以及策略调整成本，从不同的定量化警务策略动态调整方案中选择最优的警务策略动态调整方案。

技术总结
本申请实施例提供一种城市区域警务策略动态调整方法和系统。该方法中，基于深度神经网络构建的犯罪风险预测模型，根据获取的城市犯罪时空分布数据，对犯罪风险值进行预测，确定目标行政区域的犯罪风险等级；基于警务策略动态调整贝叶斯网络，根据目标行政区域的犯罪风险等级，确定目标行政区域的区域安全等级的初始概率分布，对定量化警务策略进行动态调整；基于警务策略动态调整贝叶斯网络，确定不同的定量化警务策略动态调整方案在同样的犯罪风险等级下，目标行政区域的安全等级概率分布以及策略调整成本；基于目标行政区域的犯罪风险等级，按照不同的决策偏好，根据安全等级概率分布以及策略调整成本，选择最优的警务策略动态调整方案。略动态调整方案。略动态调整方案。


技术研发人员：胡啸峰 侯苗苗 胡今鸣
受保护的技术使用者：中国人民公安大学
技术研发日：2023.06.09
技术公布日：2023/7/18