技术特征：
1.一种基于多梯核深度神经网络模型积分预警方法，其特征在于：数据存储，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据和社会信息数据；数据处理，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分；阈值生成，用于产生多个动态的风险预警阈值区间；通过如下步骤，产生风险预警信息：步骤一：数据分类，将数据根据数据形态分成非数值特征数据和数值特征数据两种类别；步骤二：特征量化，对步骤一中的非数值特征值数据进行特征量化，并将非数值特征数据根据行为特征划分为依据频次为量化指标的行为数据和依据行为程度为量化指标的行为数据；特征分箱，对步骤一中的数值特征数据进行离散化处理；步骤三：特征提取，对步骤二获取的数据通过方差过滤算法和f检验算法进行特征提取，并对所分别提取的数据特征进行数据特征交集获得数据特征集合；步骤四：特征分梯，将步骤三所获取的数据特征集合通过特征相关算法将具有相关性的数据特征组合为若干个数据特征组合；步骤五:将步骤四所获取的数据特征组合输入构建的多梯核神经网络模型当中获取预警积分；步骤六：区间估计，构建动态的预警状态的置信区间；步骤七：预警判断，将步骤五中获取的预警积分与步骤六中的置信区间内进行比较，得出预警信息。2.根据权利要求1所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于：所述步骤二中依据频次为量化指标的行为数据采用统计结果量化法进行量化步骤为：步骤a1：统计一种行为发生的频次；步骤a2：计算该种行为在全部行为中的发生率；步骤a3:并根据发生率依据赋值规则给予具体的数值；所述步骤二中依据行为程度为量化指标的行为数据采用分段赋值法进行量化步骤为：步骤b1:统计一种行为发生的程度；步骤b2:预设行为程度区间所赋予的具体的数值；步骤b3:将步骤b1中的该种行为发生的程度与步骤b2中的程度区间进比较后得出该种行为发生程度对应的具体数值；所述步骤二中的特征分箱的步骤为：步骤c1：将连续的数值特征数据分成n个区间，且n≥2；步骤c2：对相邻的组中的数据包进行卡方检验，卡方检验的公式为：
a为相关数据特征的数值，t为相关特征落在区间内的概率值，n为关注对象的总数；步骤c3:对相邻两组数据卡方检验后的数值进行差值计算，差值的绝对值小于设定系数则判定两组数据可以合并；步骤c4:改变n值，重复步骤c1至步骤c3直至确定最优数据包个数；步骤c5：分箱完成后，按照当前箱的最大值结果给于每个箱的权重值，得出每个箱的最大值结果。3.根据权利要求1或者2所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于，所述步骤三中特征提取算法包括，采用方差过滤法提取数据特征，步骤为：步骤d1：设定方差因子步骤d2:通过以下公式计算每一个特征数据的方差，征数据的方差，关注对象的总数、x
i
指每一项数据特征中的数值、特征均值、σ2为方差值；步骤d3:当所述特征数据的方差值小于设定的方差因子则被剔除否则保该数据特征；采用f检验法验法提取数据特征，步骤e1：计算某个数据特征的组间离差，组内离差，组间离差通过以下公式进行计算：n
i
样本总数，当前行特征值，特征均值，s
a
为组间离差值；组内离差通过以下公式进行计算，n
i
样本总数，当前行特征值，特征均值，s
e
为组内离差值；计算统计量f,通过以下公式计算，f为统计量，n为样本总数，r为组数，s
a
组间离差,s
e
为组内离差；步骤e2:根据f分布表确定保留系数f
表
，当f<f
表
表明两组数据没有显著差异，当f≥f
表
表明两组数据存在显著差异，则保留显著差异的特征；采用互信息法提取数据特征，步骤f1：计算每个特征与标签之间的线性关系和非线性关系，即量化分布p(x,y)，边缘分布分别为p(x),p(y)，互信息i(x,y)是联合分布p(x,y)与边缘分布p(x),p(y)的相对熵，得出具体数值；步骤e2:当互信息结果>0的值，表示该数据特征保留，代表当前特征与标签有关，
互信息结果＜0的值，表示该数据特征舍弃，代表当前特征与标签无关；经过如上三种特征提取算法中的至少两种算法所提取的数据特征进行交集，获得数据特征集合。4.根据权利要求1或者2所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于，所述步骤四中所述特征相关算法如下：x2值表示观察值与理论值之间的偏离程度，设a代表某个类别的观察频数，e表示期望频数，a与e之差为残差；将残差平方除以期望频数求和，估计观察频数与期望频数的差别。5.根据权利1或者2所述的所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于，构建多梯核神经网络模型的方法如下：所述多梯核神经网络模型包括多个层级的神经网络单元，所述上一层神经网络单元与多个下一层神经网络单元链接；每一层神经网络单元均由一个全连接层、一个第一dropout层、多个多梯核和一个第二dropout依次链接，其中，所述全连接层用于将输入的多组数据特征进行分析，所述第一dorpout层用于随机删除数据连接的特征关系，所述多梯核接收所述第一dorpout层制造的新的数据特征进行处理产生新的数据特征组合，所述第二个dorpout层接收由所述多梯核产生的数据结果再次进行多组数据特征的连接关系随机删除重复的特征并制造新的数据特征；上一层神经网络单元的全连接层将会接收下一层神经网络单元的第二个dorpout层所产生的数据特征的连接关系，并依次传递给该层的第一dropout层和多个多梯核和第二dorpout层；最低层的神经网络单元中的全连接层将会接收由步骤四所产生的数据特征组合。6.根据权利1或者2所述的所述的一种基于多梯核深度神经网络模型积分预警方法，其特征在于，所述步骤六中所述置信区间的区间数值通过以下公式进行计算，获取置信区间的具体数值，每个数值之间为一个预警区间，z表示置信区间，表示积分均值，n为样本总数，σ为积分标准差，为置信水平。7.一种预警系统，应用权利要求1
‑
6所述的任意一种基于多梯核深度神经网络模型积分预警方法，其特征在于，包括，存储数据信息的多种类型的数据源数据库；用于将多种类型的数据源转换为同一种数据源的转换单元；用于执行多梯核深度神经网络模型积分预警方法并生成具体的预警积分得出预警的
信息的积分预警单元；报警装置，根据预警的信息给出可被识别的预警信号。8.一种电子设备，其特征在于，包括：处理器；存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任意一项所述的基于多梯核深度神经网络模型积分预警方法。9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于多梯核深度神经网络模型积分预警方法。
技术总结
本发明涉及公共安全技术领域，且公开了一种基于多梯核深度神经网络模型积分预警方法，包括数据存储模块，用于从多种数据源采集多种结构的数据并进行存储，所述的数据根据内容分为基本信息数据，财务信息数据、社会信息数据和轨迹信息；数据中心处理模块，用于将数据存储模块中保存的数据统一结构化，所述统一结构化的数据经过特征量化、特征分箱、特征提取、特征分梯后导入多梯核神经网络模型中生成具体的预警积分。通过设置的多梯核神经网络模型，应用于公共领域过程中，来对行为人进行其数据特征的识别和判断，最终来实现对个人行为进行实时预警，实现对公共安全事故的及时布控，及时防范，及时打击，降低公共安全事故的发生概率。率。率。
技术研发人员：史晨昱 牛娜 管国权 陈伟明
受保护的技术使用者：西安未来国际信息股份有限公司
技术研发日：2021.09.18
技术公布日：2021/12/16