一种基于多维数据的社会安全事件异常发现方法及装置与流程
本发明涉及计算机技术领域，特别是涉及一种基于多维数据的社会安全事件异常发现方法及装置。
背景技术：
社会安全保障工作始于对潜在风险的全面感知，终于对风险苗头的及时防范和有效控制，实质上是一个由数据到决策的转变过程，其中涉及到“由数据到信息”、“由信息到知识”、“由知识到决策”等一系列转变，融合处理和关联分析等更多的是解决数据到信息、信息到知识的转变，而落实到具体决策的关键转变环节即是对风险苗头的预测预警。目前，我国在社会安全领域的预测预警模型研究和应用尚处于起步阶段，未形成体系化的研究，在预测预警模型、接口、标准等方面没有较为统一的认知，虽在专家库、公众行为和心理分析预测模型等方面有所布局，但在高危人员挖掘与决策、危害行为预测等上游应用方面研究尤为薄弱，是我国社会安全风险大数据应用能力的一大短板。
技术实现要素：
本发明提供了一种基于多维数据的社会安全事件异常发现方法及装置，以解决现有技术中对社会安全事件异常发现滞后的问题。
本发明提供了一种基于多维数据的社会安全事件异常发现方法，该方法包括：收集各类社会安全事件信息，对各类社会安全事件信息进行本体解析，抽离出虚实空间以及思维空间要素信息，构建典型社会安全事件本体要素信息矩阵以及要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型；
根据所述社会安全事件的特征模型进行异常时间检测，并对检测的社会安全事件异常行为进行预警。
优选地，所述社会安全事件信息包括以下中的一种或多种：时间信息、地点信息、轨迹信息、人物信息、行为信息。
优选地，所述一维异常要素为针对事件对象异常行为的特点，包括以下中的一种或多种：光照、时间、人物、人数、位置、外观、姿态、动作、时长、人物之间空间关系、时序逻辑、动作特性，以及面向应用进行异常行为的定义，异常行为的正例、反例、疑似例的分类描述。
优选地，根据所述社会安全事件的特征模型进行异常时间检测，并对检测的社会安全事件异常行为进行预警，包括：通过所述社会安全事件的特征模型，基于时间窗口进行行为匹配，识别出异常特征，并进行预警。
优选地，该方法还包括：将识别出来的异常特征更新进异常特征库，以供所述社会安全事件的特征模型进行行为匹配。
本发明第二方面，提供了一种基于多维数据的社会安全事件异常发现装置，该装置包括：
第一处理单元，用于收集各类社会安全事件信息，对各类社会安全事件信息进行本体解析，抽离出虚实空间以及思维空间要素信息，构建典型社会安全事件本体要素信息矩阵以及要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型；
第二处理单元，用于根据所述社会安全事件的特征模型进行异常时间检测，并对检测的社会安全事件异常行为进行预警。
优选地，所述一维异常要素为针对事件对象异常行为的特点，包括以下中的一种或多种：光照、时间、人物、人数、位置、外观、姿态、动作、时长、人物之间空间关系、时序逻辑、动作特性，以及面向应用进行异常行为的定义，异常行为的正例、反例、疑似例的分类描述。
优选地，所述第二处理单元还用于，通过所述社会安全事件的特征模型，基于时间窗口进行行为匹配，识别出异常特征，并进行预警。
优选地，所述第二处理单元还用于，将识别出来的异常特征更新进异常特征库，以供所述社会安全事件的特征模型进行行为匹配。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有信号映射的计算机程序，所述计算机程序被至少一个处理器执行时，以实现上述任一种所述的基于多维数据的社会安全事件异常发现。
本发明有益效果如下：
本发明使用多维特征从多层面全方位的对事件对象进行表征和描述，给出一种社会安全事件异常发现模型构建方法，通过构建典型社会安全事件本体要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型，并基于该模型对异常行为行踪识别检测，从而实现特定社会安全事件异常发现。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例的一种基于多维数据的社会安全事件异常发现方法的流程示意图；
图2是本发明实施例的社会安全事件的特征模型的构件图；
图3是本发明实施例的基于多维特征的社会时间异常发现方法的示意图；
图4是本发明实施例的异常识别原理示意图；
图5是本发明实施例的一维要素异常发现方法示意图；
图6是本发明实施例的一种基于多维数据的社会安全事件异常发现装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明第一实施例提供了一种基于多维数据的社会安全事件异常发现方法，参见图1，该方法包括：
s101、收集各类社会安全事件信息，对各类社会安全事件信息进行本体解析，抽离出虚实空间以及思维空间要素信息，构建典型社会安全事件本体要素信息矩阵以及要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型；
本发明实施例中，通过使用多维特征从多层面全方位的对事件对象进行表征和描述，给出一种社会安全事件异常发现模型构建方法，通过构建典型社会安全事件本体要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型。
s102、根据所述社会安全事件的特征模型进行异常时间检测，并对检测的社会安全事件异常行为进行预警。
本发明实施例基于得到的社会安全事件的特征模型对异常行为行踪识别检测，从而实现特定社会安全事件异常发现。
总体来说，本发明实施例的社会安全事件异常发现模型主要是在社会安全事件的特征模型构建的基础上，结合对采集到的社会安全大数据进行比对分析的基础上，发现特定对象多个一维要素的异常情况，将这些异常信息代入异常发展特征模型，实现对社会安全事件异常发现与预警。
换句话说，本发明实施例是采用多维特征定义事件对象的异常行为，使用多维特征可以从多个层面全方位的对对象进行表征和描述，多维特征也可以看做多个一维特征要素的集合。
需要说明的是，本发明实施例所述一维异常要素为针对事件对象异常行为的特点，包括以下中的一种或多种：光照、时间、人物、人数、位置、外观、姿态、动作、时长、人物之间空间关系、时序逻辑、动作特性，以及面向应用进行异常行为的定义，异常行为的正例、反例、疑似例的分类描述。
图2是本发明实施例的社会安全事件的特征模型的构件图，如图2所示，本发明实施例是基于多维数据的社会安全事件异常发现模型构建，首先需要收集已发生过的各类社会安全事件信息，尽可能多的收集各类社会安全信息事件涉及的各类信息数据以及实体行为，支撑后续的社会安全事件特征模型构建。
各类信息数据包括时间信息、地点信息、轨迹信息、人物信息、行为信息等等。每一类典型社会安全都可以通过对事件进行本体解析，从中尽可能多的抽离出重要的虚实空间以及思维空间要素信息，构建典型社会安全事件本体要素信息矩阵以及要素特性，进而形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型。
图3是本发明实施例的基于多维特征的社会时间异常发现方法的示意图，如图3所示，本发明实施例针对特定的事件进行分析时，首先进行要素分解和提取，将这些一维异常信息代入社会安全事件特征模型，通过比对分析发现特定对象多个一维要素的异常情况，实现对社会安全事件异常发现与预警。
需要说明的是，本发明实施例所述异常行为通常是指不常见的、违反行为准则或者法律的行为，比如公众场合的打斗、踩踏等，而异常行为的定义是根据不同的场景和时间推移而变化的，比如包裹遗留行为，因为近年来的遗留炸弹事件被逐步定义为公共场所中的潜在危险行为。因此，多场景下的典型异常行为的定义及其多维数据集的建立具有极其重要的作用。
本发明实施例中，首先针对事件对象(如个人/群体)异常行为的特点，如光照、时间、人物、人数、位置、外观、姿态、动作、时长、人物之间空间关系、时序逻辑、动作特性等，面向应用进行异常行为的定义以及异常行为的正例、反例、疑似例的分类描述。
其次，进行异常行为行踪识别检测，本发明采用误用识别检测和异常识别检测相结合的方法。误用识别检测是指通过异常行为行踪的特征库，采用特征匹配的方法确定异常行为行踪。异常识别检测是指对用户正常的行为习惯进行建模，然后将用户当前的行为特征与行为模型库中的特征进行比较，如果两者的偏差足够大，则说明发生了异常，然后更新异常特征库。异常行为行踪识别检测原理如图4所示，
本发明实施例中，异常行为行踪识别检测主要基于以下假设：若某一行为是正常行为，则该行为会在一段较长的时间内大量发生。反之，若某一行为是异常行为，则该行为在一段较长的时间内少量发生或者不发生。故理论上，可从一段时间的行为数据中，提取出完整行为模式集，任何不符合该行为模式集的行为都被判定为异常。
本发明采用基于模式匹配的异常行为行踪识别检测方法进行实时异常行为行踪识别检测。实时异常行为行踪识别检测的流程是：首先从实时数据中提取出行为行踪特征数据，然后将当前行为与行为模式库进行比对分析，进行判定目标行为是否异常。与建立的目标行为模式相对应，将提取到的目标行为分成两种，一种是单行为，一种是时序行为。两种行为含义不同，模式匹配的方法也不相同，将分别进行讨论。
在模式训练阶段，行为构建是以划分的时间片为基础进行的，但是在模式匹配阶段，数据流实时到达，此时需要以滑动窗口为基础进行行为序列构建。
也就是说，本发明实施例是通过所述社会安全事件的特征模型，基于滑动窗口进行行为匹配，识别出异常特征，并进行预警。
在单行为模式匹配阶段，已用模式标识ii标记行为。给定时间较短的滑动窗口w，一个行为ii发生可描述为
对滑动窗口w中每种行为的发生进行描述后，即可得到目标在该滑动窗口中的行为序列l，
行为序列l的匹配过程即是从该目标的行为序列模式集mtx中找到与之相匹配模式的过程，如果存在，则匹配成功，输出匹配的会话模糊时序关联模式标识，若不存在则匹配失败。
下面给出基于滑动窗口的行为序列模式匹配的算法实现如下：
输入：行为序列模式集mtx，滑动窗口内的行为集合d，目标集合u
输出：模式标识mtxi或null(mtxi为匹配成功的模式标识，null代表匹配失败)
表1行为时序模式匹配算法
本发明实施例使用多维特征从多层面全方位的对事件对象进行表征和描述，给出一种社会安全事件异常发现模型构建方法，通过构建典型社会安全事件本体要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型，并采用基于模式匹配的异常行为行踪识别检测方法进行实时异常行为行踪识别检测，从而实现特定社会安全事件异常发现。
本发明实施例从多维数据感知的角度来判断和识别异常行为，给出一种社会安全事件异常发现模型构建方法，建立起了科学有效的社会安全事件异常发现模型，实现大数据在异常行为发现的深度和智能化应用，提升对社会安全事件的预警、研判和应对能力。
当前应用较为广泛的预警模型为一维要素异常预警，即只针对于某一项社会安全相关数据开展监控与异常报警，具体如图5所示，譬如只针对于手机有无连接vpn进行预警，如果发现则进行异常报警；或只针对用电行为进行异常监控与报警，如果发现用电过高或过低则产生异常告警信息。一维要素异常预警结构简单、易于实现，但是其缺点是只能进行简单的异常研判，或者无效异常研判结果太多导致核查工作繁杂、误报虚报率过高等，且对于复杂的社会安全事件无法产生精准的异常告警信息。
在具体实施时，本发明实施例通过将识别出来的异常特征更新进异常特征库，以供所述社会安全事件的特征模型进行行为匹配，并可实现对模型的异常特征库的实时更新。
本发明第二实施例提供了一种基于多维数据的社会安全事件异常发现装置，参见图6，该装置包括：
第一处理单元，用于收集各类社会安全事件信息，对各类社会安全事件信息进行本体解析，抽离出虚实空间以及思维空间要素信息，构建典型社会安全事件本体要素信息矩阵以及要素特性，形成这类事件的特征要素以及特征要素的行为，构建起这一类社会安全事件的特征模型；
第二处理单元，用于根据所述社会安全事件的特征模型进行异常时间检测，并对检测的社会安全事件异常行为进行预警。
本发明实施例的社会安全事件异常发现模型主要是在社会安全事件的特征模型构建的基础上，结合对采集到的社会安全大数据进行比对分析的基础上，发现特定对象多个一维要素的异常情况，将这些异常信息代入异常发展特征模型，实现对社会安全事件异常发现与预警。
本发明实施例中，所述一维异常要素为针对事件对象异常行为的特点，包括以下中的一种或多种：光照、时间、人物、人数、位置、外观、姿态、动作、时长、人物之间空间关系、时序逻辑、动作特性，以及面向应用进行异常行为的定义，异常行为的正例、反例、疑似例的分类描述。
本发明实施例所述第二处理单元还用于，通过所述社会安全事件的特征模型，基于时间窗口进行行为匹配，识别出异常特征，并进行预警。
并且，在具体实施时，本发明实施例所述第二处理单元还用于，将识别出来的异常特征更新进异常特征库，以供所述社会安全事件的特征模型进行行为匹配。
本发明实施例的相关内容可参见本发明第一实施例进行理解，在此不做详细论述。
本发明第三实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有信号映射的计算机程序，所述计算机程序被至少一个处理器执行时，以实现本发明第一实施例所述的一种基于多维数据的社会安全事件异常发现方法。本发明实施例的相关内容可参见本发明第一实施例进行理解，在此不做详细论述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的分布式文件系统数据导入装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
- 还没有人留言评论。精彩留言会获得点赞！