一种基于大数据的警情预测方法和系统与流程

本发明属于群情报信息研判领域技术领域，特别是一种基于大数据的警情预测方法和系统。

背景技术：

随着群情报信息研判工作正逐步朝着数字化、自动化迈进，大数据开始在群情报信息研判等行业领域逐渐得到普及应用，然而面对海量数据，情报员难以进行一一细致分析，只能针对要素较全和较为紧急的情报信息进行处理，其余的因人力有限只能沉睡于系统中，对于大量过时信息，只能置之不理，大量的警情信息难以发挥应有作用，进一步完善的需求日益迫切。

技术实现要素：

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于大数据的警情预测方法和系统。

一种基于大数据的警情预测方法，包括：

s100.对监控平台采集的数据进行结构化分析，并存储在分布式服务器；

s200.从分布式服务器定量抽取数据，通过大数据分析模块进行大数据分析，得到警情预测公式；

s300.对大数据分析模块得到警情预测公式进行公式筛选、评判以及再修正；

s400.将实时监控的现有数据代入警情预测公式，得到当前区域的警情预测结果。

s500根据当前区域的警情预测结果，在gis地图上实时展示。

进一步地，s100包括：

s101.对非结构化的数据进行结构化分析处理，其中，非结构化的数据包括：图像和视频；

s102.提取对警情重要的数据并存储到分布式服务器里。

进一步地，s200包括：

s201.利用采样数据求得的积-矩相关系数以及秩相关系数确定数据相关性；

s202.根据确定数据相关性强弱进行维度排序；

s203.根据现有数据拟合得到复数结果预测公式。

进一步地，s300包括：

s301.根据更新数据得到的新的公式来检验现有预测公式的准确度；

s302.设定准确度阈值，如果准确度阈值过小，则在现有预测公式的基础上尝试修正参数拟合新的预测公式；

s303.如果当前模板无法拟合得到合理结果，则切换替补公式重新拟合；

s304.反复s302-s303步骤，得到最终预测公式。

进一步地，大数据分析模块的工作流程为：

抽取定量数据，通过采样求得的积-矩相关系数以及秩相关系数，判断数据是否具备相关性。

利用pca方法对原有数据通过降噪和去除亢余来简化数据，进行降维处理，根据得到的主成分贡献值以及方差进行维度排序；

确定因子相关性强弱，根据现有数据运用不同的公式进行参数拟合；

通过参数拟合得到相对稳定的预测公式后交由评判系统使用。

进一步地，评判系统的工作流程为：

将更新的数据带入大数据分析模块得到的预测公式，得到预测数据，得到预测数据和实事数据的偏差；

将得到的偏差与预设偏差比较，如果偏差较大，则根据当前模板函数利用加权最小二乘法重新拟合曲线方程，得到新的预测公式；

当前预测公式无法拟合得到合理结果，则切换替补公式重新拟合；

通过比较结果方差，模拟曲线抖动幅度以及预测偏差超过平均阈值的数量，来筛选相对更加合理的公式；

得到相对稳定的结果预测公式后，通知给警情预测展现模块展现预测结果。

本发明还公开了一种基于大数据的警情预测系统，其特征在于，包括：监控采集平台、结构化算法模块、分布式服务器、大数据分析模块、结果评判模块、警情预测展示模块；其中：

监控采集平台，用于采集海量警情数据，并发送给结构化算法模块；

结构化算法模块，用于接收海量警情数据，对数据进行结构化处理，并储存在分布式服务器中；

分布式服务器，用于储存结构化处理后的数据，并将结构化处理后的数据发送给大数据分析模块进行分析；还用于将实时存储的数据发送给警情预测模块，对警情进行实时预测；

大数据分析模块，接收分布式服务器发送的数据，对大数据进行大数据分析，得到警情预测公式；

结果评判模块，对大数据分析模块得到警情预测公式进行公式筛选、评判以及再修正，得到最适合警情预测公式，并将所述公式发送给警情预测展示模块；

警情预测展示模块，接收分布式服务器发送的实时数据，并利用结果评判模块筛选出的最适合警情预测公式进行警情预测，将预测结果在gis地图实时展现。

进一步地，结构化算法模块处理数据过程为：

s101.对非结构化的数据进行结构化分析处理，其中，非结构化的数据包括：图像和视频；

s102.提取对警情重要的数据并存储到分布式服务器里。

进一步地，大数据分析模块进行大数据分析过程为：

s201.利用采样数据求得的积-矩相关系数以及秩相关系数确定数据相关性；

s202.根据确定数据相关性强弱进行维度排序；

s203.根据现有数据拟合得到复数结果预测公式。

进一步地，结果评判模块对警情预测公式评判过程为：

s301.根据更新数据得到的新的公式来检验现有预测公式的准确度；

s302.设定准确度阈值，如果准确度阈值过小，则在现有预测公式的基础上尝试修正参数拟合新的预测公式；

s303.如果当前模板无法拟合得到合理结果，则切换替补公式重新拟合；

s304.反复s302-s303步骤，得到最终预测公式。

本发明的有益效果是：

本发明针对海量数据自动分析，从海量数据筛选得到相关性大的重要数据，并根据得到的重要数据运用数学公式拟合，得到相对精确的结果预测公式，根据实时监控的得到的警情数据，预测对应区域时间犯罪的高发概率。同时根据回馈的实时警情信息进一步修正结果预测公式，提高了警情预测的准确度，针对现有警情预测不够精准的现状作出了优化和改进，并且实现了大数据自动化分析和自我改进的功能。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例1中，一种基于大数据的警情预测方法流程图；

图2为本发明实施例1中，一种基于大数据的警情预测结构图。

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。

实施例1

本实施例公开了一种基于大数据的警情预测方法，如图1，包括：

s100.对监控平台采集的数据进行结构化分析，并存储在分布式服务器；具体的，s100过程为：

s101.对非结构化的数据进行结构化分析处理，其中，非结构化的数据包括：图像和视频；

s102.提取对警情重要的数据并存储到分布式服务器里。

s200.从分布式服务器定量抽取数据，通过大数据分析模块进行大数据分析，得到警情预测公式；具体的，s200过程为：

s201.利用采样数据求得的积-矩相关系数以及秩相关系数确定数据相关性；

s202.根据确定数据相关性强弱进行维度排序；

s203.根据现有数据拟合得到复数结果预测公式。

在一些优选实施例中，大数据分析模块的工作流程为：

抽取定量数据，通过采样求得的积-矩相关系数以及秩相关系数，判断数据是否具备相关性。

利用pca方法对原有数据通过降噪和去除亢余来简化数据，进行降维处理，根据得到的主成分贡献值以及方差进行维度排序；

确定因子相关性强弱，根据现有数据运用不同的公式进行参数拟合；

通过参数拟合得到相对稳定的预测公式后交由评判系统使用。

s300.对大数据分析模块得到警情预测公式进行公式筛选、评判以及再修正；具体的，s300过程为：

s301.根据更新数据得到的新的公式来检验现有预测公式的准确度；

s302.设定准确度阈值，如果准确度阈值过小，则在现有预测公式的基础上尝试修正参数拟合新的预测公式；

s303.如果当前模板无法拟合得到合理结果，则切换替补公式重新拟合；

s304.反复s302-s303步骤，得到最终预测公式。

在一些优选实施例中，评判系统的工作流程为：

将更新的数据带入大数据分析模块得到的预测公式，得到预测数据，得到预测数据和实事数据的偏差；

将得到的偏差与预设偏差比较，如果偏差较大，则根据当前模板函数利用加权最小二乘法重新拟合曲线方程，得到新的预测公式；

当前预测公式无法拟合得到合理结果，则切换替补公式重新拟合；

通过比较结果方差，模拟曲线抖动幅度以及预测偏差超过平均阈值的数量，筛选更加合理的公式。

s400.将实时监控的现有数据代入警情预测公式，得到当前区域的警情预测结果。

s500根据当前区域的警情预测结果，在gis地图上实时展示。

本实施例公开的一种基于大数据的警情预测方法，针对海量数据自动分析，从海量数据筛选得到相关性大的重要数据，并根据得到的重要数据运用数学公式拟合，得到相对精确的结果预测公式，根据实时监控的得到的警情数据，预测对应区域时间犯罪的高发概率。同时根据回馈的实时警情信息进一步修正结果预测公式，提高了警情预测的准确度，针对现有警情预测不够精准的现状作出了优化和改进，并且实现了大数据自动化分析和自我改进的功能。

实施例2

本实施例公开了一种基于大数据的警情预测系统，如图2，包括：监控采集平台1、结构化算法模块2、分布式服务器3、大数据分析模块4、结果评判模块5、警情预测展示模块6；其中：

监控采集平台1，用于采集海量警情数据，并发送给结构化算法模块2。

结构化算法模块2，用于接收海量警情数据，对数据进行结构化处理，并储存在分布式服务器3中；具体的，结构化算法模块2处理数据过程为：

s101.对非结构化的数据进行结构化分析处理，其中，非结构化的数据包括：图像和视频；

s102.提取对警情重要的数据并存储到分布式服务器3里。

分布式服务器3，用于储存结构化处理后的数据，并将结构化处理后的数据发送给大数据分析模块4进行分析；还用于将实时存储的数据发送给警情预测模块，对警情进行实时预测。

大数据分析模块4，接收分布式服务器3发送的数据，对大数据进行大数据分析，得到警情预测公式；具体的，大数据分析模块4进行大数据分析过程为：

s201.利用采样数据求得的积-矩相关系数以及秩相关系数确定数据相关性；

s202.根据确定数据相关性强弱进行维度排序；

s203.根据现有数据拟合得到复数结果预测公式。

结果评判模块5，对大数据分析模块4得到警情预测公式进行公式筛选、评判以及再修正，得到最适合警情预测公式，并将所述公式发送给警情预测展示模块6；具体的，结果评判模块5对警情预测公式评判过程为：

s301.根据更新数据得到的新的公式来检验现有预测公式的准确度；

s302.设定准确度阈值，如果准确度阈值过小，则在现有预测公式的基础上尝试修正参数拟合新的预测公式；

s303.如果当前模板无法拟合得到合理结果，则切换替补公式重新拟合；

s304.反复s302-s303步骤，得到最终预测公式。

警情预测展示模块6，接收分布式服务器3发送的实时数据，并利用结果评判模块5筛选出的最适合警情预测公式进行警情预测，将预测结果在gis地图实时展现。

本实施例公开的一种基于大数据的警情预测系统，针对海量数据自动分析，从海量数据筛选得到相关性大的重要数据，并根据得到的重要数据运用数学公式拟合，得到相对精确的结果预测公式，根据实时监控的得到的警情数据，预测对应区域时间犯罪的高发概率。同时根据回馈的实时警情信息进一步修正结果预测公式，提高了警情预测的准确度，针对现有警情预测不够精准的现状作出了优化和改进，并且实现了大数据自动化分析和自我改进的功能。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。