本發(fā)明屬于安防技術(shù)領(lǐng)域。

背景技術(shù)：

在社區(qū)安防系統(tǒng)中，巡邏是一種重要的人防手段，也是一種重要的犯罪預(yù)防手段。巡邏一方面能夠威懾潛在的犯罪分子，使其失去攻擊的機(jī)會(huì)，另外一方面能夠及時(shí)響應(yīng)調(diào)度信息，在最短的時(shí)間內(nèi)趕往犯罪現(xiàn)場(chǎng)。

對(duì)于社區(qū)保安人員，其巡邏規(guī)劃則主要依據(jù)被保護(hù)場(chǎng)所內(nèi)潛在被攻擊目標(biāo)的價(jià)值權(quán)重和其被攻擊的概率以及區(qū)域內(nèi)的地形結(jié)構(gòu)而設(shè)定。巡邏規(guī)劃應(yīng)該針對(duì)所包含目標(biāo)的特征而設(shè)定，不同的被保護(hù)對(duì)象必然有與其相匹配的優(yōu)化的人力資源分配方案和巡邏路線規(guī)劃。優(yōu)化的巡邏方案能夠有效的利用有限的人力資源，達(dá)到較優(yōu)的巡邏效果。早在上世紀(jì)70年代，美國(guó)就開始了巡邏規(guī)劃的研究，其主要的研究人員來自于運(yùn)籌學(xué)領(lǐng)域，并取得了很多成果。IBM公司在70年代為圣路易斯警察局開發(fā)了一款警務(wù)巡邏決策輔助軟件(LEMRAS)。1975年蘭德公司又開發(fā)了第一款用于模擬巡邏操作、評(píng)估巡防規(guī)劃效果的程序，隨著數(shù)學(xué)和計(jì)算機(jī)技術(shù)的發(fā)展，近年來更多的計(jì)算方法和軟件工具被用于巡邏規(guī)劃，在美國(guó)的警方、港口、機(jī)場(chǎng)等多種安保場(chǎng)合都有巡邏規(guī)劃軟件投入實(shí)際應(yīng)用。

巡邏規(guī)劃基本可以劃分為3個(gè)問題：(1)巡邏片區(qū)的劃分與警力分配；(2)巡邏路線的規(guī)劃；(3)巡邏隨機(jī)性的產(chǎn)生。區(qū)域面積較大的巡邏片區(qū)，有兩種選擇：一種是按照地理位置和重要性，把整個(gè)區(qū)域劃分為面積較小的巡邏片區(qū)，每一片區(qū)配以相應(yīng)的警力巡邏，片區(qū)之間可以交叉疊加或者不交叉；另外一種方式就是不劃分巡邏片區(qū)，將全部警力分配到整個(gè)片區(qū)進(jìn)行全局的巡邏。在轄區(qū)較大的時(shí)候，通常會(huì)按照一定的規(guī)則劃分巡邏轄區(qū)，這樣的巡邏規(guī)劃有利于巡邏人員熟悉轄區(qū)內(nèi)的環(huán)境，還便于按照不同區(qū)域內(nèi)的不同的安保等級(jí)和犯罪分布規(guī)律來配置不同強(qiáng)度的巡邏，相比全局巡邏的效率更高。巡邏區(qū)域的劃分通常應(yīng)該考慮被保護(hù)地點(diǎn)的地理位置、人群流量、被保護(hù)的目標(biāo)的重要等級(jí)等問題。巡邏規(guī)劃的第二個(gè)問題就是巡邏路線的規(guī)劃，巡邏的目的是預(yù)防犯罪，快速響應(yīng)調(diào)度信息，在一個(gè)區(qū)域內(nèi)，如果有幾個(gè)被保護(hù)的目標(biāo)，巡邏需要使攻擊各個(gè)目標(biāo)點(diǎn)成功的概率最低。放在社會(huì)治安體系中來說，巡邏路線的規(guī)劃要使得罪犯在實(shí)施犯罪行為的過程中遭遇警察的概率最大化。針對(duì)巡邏規(guī)劃的研究，數(shù)學(xué)家們從不同的數(shù)學(xué)方法和數(shù)學(xué)理論提出了解決方案，從上世紀(jì)70年代到現(xiàn)在，在國(guó)際運(yùn)籌學(xué)的期刊中，巡邏規(guī)劃的主題一直與不同的數(shù)學(xué)方法和思路相結(jié)合，70年代搜索論、蒙特卡洛方法占據(jù)了主流，而后出現(xiàn)了基于圖論的啟發(fā)式優(yōu)化算法，近幾年又出現(xiàn)了圖論、博弈論相結(jié)合的尋優(yōu)算法。

搜索理論由下面3個(gè)基本要素所構(gòu)成：(1)搜索目標(biāo)，搜索是對(duì)搜索目標(biāo)進(jìn)行的搜索因此任何搜索問題均涉及到目標(biāo)位置和移動(dòng)路徑的概率分布函數(shù)；(2)探測(cè)函數(shù)，給出了將投入到某個(gè)區(qū)域的搜索資源的數(shù)量與搜索目標(biāo)位于該區(qū)域時(shí)成功探測(cè)到該目標(biāo)的可能性大小聯(lián)系起來的函數(shù)關(guān)系；(3)最優(yōu)搜索計(jì)劃，在搜索過程，根據(jù)目標(biāo)的分布函數(shù)，對(duì)所擁有的有限的搜索力在一定成本約束下如何分配才能使發(fā)現(xiàn)目標(biāo)的概率最大。經(jīng)典搜索論所解決的是靜態(tài)搜索問題，即已知搜索目標(biāo)的概率分布函數(shù)，對(duì)于犯罪行為搜索而言，這個(gè)概率分布可以使用犯罪統(tǒng)計(jì)數(shù)據(jù)來產(chǎn)生。用搜索論解決巡防路徑規(guī)劃的主要問題是：缺乏路徑的網(wǎng)絡(luò)連通性，把巡防目標(biāo)劃分為互不相干的片區(qū)，不考慮片區(qū)之間的連通性、相鄰性，不解決巡防的路徑的問題，只解決警力調(diào)度和調(diào)配。蒙特卡洛方法通過構(gòu)造符合一定規(guī)則的隨機(jī)數(shù)來解決數(shù)學(xué)上的各種問題。利用蒙特卡洛方法求解巡邏規(guī)劃的兩個(gè)問題：(1)派遣巡邏人員的時(shí)間間隔；(2)派遣出的巡邏人員的路徑選擇，其主要思想是把整個(gè)地圖中節(jié)點(diǎn)之間的聯(lián)通關(guān)系用轉(zhuǎn)移概率來表示，因此用一個(gè)包含所有節(jié)點(diǎn)的轉(zhuǎn)移概率矩陣既可以表示整個(gè)地圖中的路徑關(guān)系。通過最優(yōu)化條件的設(shè)計(jì)，最后得到一個(gè)一步轉(zhuǎn)移馬爾可夫矩陣。

我國(guó)在巡邏規(guī)劃的研究中，更多的注意力放在了管理哲學(xué)和管理方法以及對(duì)人的管理上。人不是機(jī)械，單純的強(qiáng)調(diào)規(guī)劃技術(shù)，忽略人的主觀能動(dòng)性會(huì)造成人的心理本能的抵觸。因此，規(guī)劃技術(shù)應(yīng)該與人力管理方法相結(jié)合，既不能沒有科學(xué)依據(jù)的胡亂規(guī)劃，全憑巡邏人員按照自己的經(jīng)驗(yàn)和意愿，造成巡邏效率的下降。因此，巡邏規(guī)劃問題的求解方法也為我們分析解決安防系統(tǒng)效能、安防設(shè)施的優(yōu)化分配等問題提供了一種分析思路。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于深度學(xué)習(xí)算法的社區(qū)治安巡邏路徑優(yōu)化方法，能夠解決社區(qū)治安巡邏路徑的規(guī)劃問題，提高社區(qū)治安巡邏的效率。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于深度學(xué)習(xí)算法的社區(qū)治安巡邏路徑優(yōu)化設(shè)計(jì)方法，包括如下步驟：

步驟1：首先為社區(qū)巡邏人員配備帶有NFC讀寫器的手機(jī)和數(shù)個(gè)NFC標(biāo)簽卡，所述每個(gè)NFC標(biāo)簽卡中均存儲(chǔ)有唯一的位置信息，帶有NFC讀寫器的手機(jī)讀取任意一個(gè)NFC標(biāo)簽卡中的位置信息并生成人員位置信息；

步驟2：利用多臺(tái)個(gè)人計(jì)算機(jī)組建Hadoop數(shù)據(jù)庫(kù)系統(tǒng)構(gòu)架并構(gòu)建Hadoop數(shù)據(jù)庫(kù)，并將社區(qū)治安巡邏特征數(shù)據(jù)輸入Hadoop數(shù)據(jù)庫(kù)，所述社區(qū)治安巡邏特征數(shù)據(jù)包括社區(qū)治安巡邏面積、巡邏時(shí)間和社區(qū)治安事件發(fā)生的頻率；

步驟3：利用Hadoop開源軟件和深度學(xué)習(xí)算法構(gòu)建深度學(xué)習(xí)系統(tǒng)，利用深度學(xué)習(xí)系統(tǒng)對(duì)社區(qū)治安巡邏特征數(shù)據(jù)進(jìn)行分析，生成社區(qū)巡邏特征參數(shù)；

所述深度學(xué)習(xí)算法包括在Hadoop數(shù)據(jù)庫(kù)中建立數(shù)個(gè)深度自動(dòng)編碼器、隱含層和反向傳播神經(jīng)網(wǎng)絡(luò)BP，每一個(gè)深度自動(dòng)編碼器均包括編碼器和解碼器；

所述編碼器采用如下關(guān)系式進(jìn)行編碼：

h＝f(x)＝S_f(Wx+b_j)；

其中，x為社區(qū)治安巡邏面積和巡邏時(shí)間所構(gòu)成的特征向量，W為輸入向量的權(quán)值，b_j表示第j個(gè)神經(jīng)元的閾值，h是得到的隱含層向量；

所述解碼器采用如下關(guān)系式進(jìn)行解碼:

y＝g(h)＝S_g(Wh+b_h)；

其中，h為隱含層向量，所述h為隱含層向量作為解碼器的輸入量，W為對(duì)應(yīng)的權(quán)值向量，b_h為閾值，S_g是解碼器的激活函數(shù)；

所述深度學(xué)習(xí)算法還包括對(duì)深度自動(dòng)編碼器進(jìn)行訓(xùn)練，

所述對(duì)深度自動(dòng)編碼器的訓(xùn)練過程是在訓(xùn)練樣本集D上尋找參數(shù)W，b_j，b_h構(gòu)成的最小化重構(gòu)誤差，重構(gòu)誤差的表達(dá)式為:

J＝∑_x∈DL(x,g(f(x)))；

其中，x為所述重構(gòu)誤差的表達(dá)式的輸入，g(f(x))為所述重構(gòu)誤差的表達(dá)式的解碼器輸出，L是重構(gòu)誤差函數(shù)；

所述對(duì)深度自動(dòng)編碼器進(jìn)行訓(xùn)練的步驟如下：

步驟A：輸入用作訓(xùn)練的社區(qū)巡邏面積、巡邏時(shí)間，無監(jiān)督訓(xùn)練出第一個(gè)自編碼器；

步驟B：以第一個(gè)自編碼器的輸出作為下一個(gè)自編碼器的輸入，訓(xùn)練出第二個(gè)自編碼器；

步驟C:重復(fù)步驟B，直到完成預(yù)設(shè)數(shù)量隱含層的訓(xùn)練為止；

步驟D：以社區(qū)治安事件發(fā)生的頻率數(shù)據(jù)為輸出，在最后一個(gè)隱含層上增加一個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)所述預(yù)測(cè)網(wǎng)絡(luò)模型的權(quán)重微調(diào)；

步驟4：利用深度學(xué)習(xí)算法，對(duì)社區(qū)巡邏特征參數(shù)進(jìn)行評(píng)價(jià)，從中獲取社區(qū)巡邏模型，所述獲取社區(qū)巡邏模型的步驟如下：

步驟E：根據(jù)社區(qū)情況，列舉巡邏路徑和巡邏時(shí)間；

步驟F：在Hadoop數(shù)據(jù)庫(kù)構(gòu)造巡邏面積和巡邏時(shí)間，并將巡邏面積和巡邏時(shí)間作為輸入數(shù)據(jù)輸入深度學(xué)習(xí)系統(tǒng)，深度學(xué)習(xí)系統(tǒng)根據(jù)輸入數(shù)據(jù)預(yù)測(cè)案件發(fā)生頻率；

步驟G：判斷案件發(fā)生頻率是否是最小值：是，則執(zhí)行步驟H；否，則執(zhí)行步驟E；

步驟H：獲得社區(qū)巡邏模型；

步驟5：根據(jù)社區(qū)巡邏模型優(yōu)化社區(qū)治安巡邏面積以及巡邏時(shí)間，生成最佳巡邏路徑和最佳巡邏時(shí)間表；人機(jī)界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數(shù)據(jù)庫(kù)中調(diào)取最佳巡邏路徑和最佳巡邏時(shí)間表，用戶通過人機(jī)界面終端查詢最佳巡邏路徑和最佳巡邏時(shí)間表，并在最佳巡邏路徑上每隔一個(gè)巡邏單位的距離就放置一個(gè)NFC標(biāo)簽卡；用戶根據(jù)最佳巡邏時(shí)間表分配社區(qū)巡邏人員進(jìn)行巡邏；社區(qū)巡邏人員攜帶帶有NFC讀寫器的手機(jī)經(jīng)過任意一個(gè)NFC標(biāo)簽卡時(shí)，帶有NFC讀寫器的手機(jī)讀取NFC標(biāo)簽卡中的位置信息并生成人員位置信息；同時(shí)帶有NFC讀寫器的手機(jī)生成人員信息和巡邏時(shí)間；所述帶有NFC讀寫器的手機(jī)實(shí)時(shí)將所采集到的人員位置信息、人員信息和巡邏時(shí)間通過互聯(lián)網(wǎng)發(fā)送給Hadoop數(shù)據(jù)庫(kù)，Hadoop數(shù)據(jù)庫(kù)對(duì)人員位置信息、人員信息和巡邏時(shí)間進(jìn)行處理和存儲(chǔ)；

步驟6：人機(jī)界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數(shù)據(jù)庫(kù)中調(diào)取人員位置信息、人員信息和巡邏時(shí)間，實(shí)現(xiàn)對(duì)社區(qū)巡邏人員的實(shí)時(shí)監(jiān)管和信息查詢。

所述一個(gè)巡邏單位的距離不大于10CM。

所述人機(jī)界面終端為電腦。

本發(fā)明所述的一種基于深度學(xué)習(xí)算法的社區(qū)治安巡邏路徑優(yōu)化方法，能夠解決社區(qū)治安巡邏路徑的規(guī)劃問題，提高社區(qū)治安巡邏的效率；本發(fā)明有效提高巡邏效率，減少巡邏過程中的人力浪費(fèi)。

附圖說明

圖1是深度學(xué)習(xí)算法示意圖；

圖2是社區(qū)巡邏優(yōu)化設(shè)計(jì)示意圖；

圖3是社區(qū)巡邏優(yōu)化系統(tǒng)構(gòu)造示意圖。

具體實(shí)施方式

如圖1-3所示的一種基于深度學(xué)習(xí)算法的社區(qū)治安巡邏路徑優(yōu)化設(shè)計(jì)方法，包括如下步驟：

步驟1：首先為社區(qū)巡邏人員配備帶有NFC讀寫器的手機(jī)和數(shù)個(gè)NFC標(biāo)簽卡，所述每個(gè)NFC標(biāo)簽卡中均存儲(chǔ)有唯一的位置信息，帶有NFC讀寫器的手機(jī)讀取任意一個(gè)NFC標(biāo)簽卡中的位置信息并生成人員位置信息；

步驟2：利用多臺(tái)個(gè)人計(jì)算機(jī)組建Hadoop數(shù)據(jù)庫(kù)系統(tǒng)構(gòu)架并構(gòu)建Hadoop數(shù)據(jù)庫(kù)，并將社區(qū)治安巡邏特征數(shù)據(jù)輸入Hadoop數(shù)據(jù)庫(kù)，所述社區(qū)治安巡邏特征數(shù)據(jù)包括社區(qū)治安巡邏面積、巡邏時(shí)間和社區(qū)治安事件發(fā)生的頻率；

步驟3：利用Hadoop開源軟件和深度學(xué)習(xí)算法構(gòu)建深度學(xué)習(xí)系統(tǒng)，利用深度學(xué)習(xí)系統(tǒng)對(duì)社區(qū)治安巡邏特征數(shù)據(jù)進(jìn)行分析，生成社區(qū)巡邏特征參數(shù)；

所述深度學(xué)習(xí)算法包括在Hadoop數(shù)據(jù)庫(kù)中建立數(shù)個(gè)深度自動(dòng)編碼器、隱含層和反向傳播神經(jīng)網(wǎng)絡(luò)BP，每一個(gè)深度自動(dòng)編碼器均包括編碼器和解碼器；

所述編碼器采用如下關(guān)系式進(jìn)行編碼：

h＝f(x)＝S_f(Wx+b_j)；

其中，x為社區(qū)治安巡邏面積和巡邏時(shí)間所構(gòu)成的特征向量，W為輸入向量的權(quán)值，b_j表示第j個(gè)神經(jīng)元的閾值，h是得到的隱含層向量；

所述解碼器采用如下關(guān)系式進(jìn)行解碼:

y＝g(h)＝S_g(Wh+b_h)；

其中，h為隱含層向量，所述h為隱含層向量作為解碼器的輸入量，W為對(duì)應(yīng)的權(quán)值向量，b_h為閾值，S_g是解碼器的激活函數(shù)；

所述深度學(xué)習(xí)算法還包括對(duì)深度自動(dòng)編碼器進(jìn)行訓(xùn)練，

所述對(duì)深度自動(dòng)編碼器的訓(xùn)練過程是在訓(xùn)練樣本集D上尋找參數(shù)W，b_j，b_h構(gòu)成的最小化重構(gòu)誤差，重構(gòu)誤差的表達(dá)式為:

J＝∑_x∈DL(x,g(f(x)))；

其中，x為所述重構(gòu)誤差的表達(dá)式的輸入，g(f(x))為所述重構(gòu)誤差的表達(dá)式的解碼器輸出，L是重構(gòu)誤差函數(shù)；

所述對(duì)深度自動(dòng)編碼器進(jìn)行訓(xùn)練的步驟如下：

步驟A：輸入用作訓(xùn)練的社區(qū)巡邏面積、巡邏時(shí)間，無監(jiān)督訓(xùn)練出第一個(gè)自編碼器；

步驟B：以第一個(gè)自編碼器的輸出作為下一個(gè)自編碼器的輸入，訓(xùn)練出第二個(gè)自編碼器；

步驟C:重復(fù)步驟B，直到完成預(yù)設(shè)數(shù)量隱含層的訓(xùn)練為止；

步驟D：以社區(qū)治安事件發(fā)生的頻率數(shù)據(jù)為輸出，在最后一個(gè)隱含層上增加一個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)所述預(yù)測(cè)網(wǎng)絡(luò)模型的權(quán)重微調(diào)；

步驟4：利用深度學(xué)習(xí)算法，對(duì)社區(qū)巡邏特征參數(shù)進(jìn)行評(píng)價(jià)，從中獲取社區(qū)巡邏模型，所述獲取社區(qū)巡邏模型的步驟如下：

步驟E：根據(jù)社區(qū)情況，列舉巡邏路徑和巡邏時(shí)間；

步驟F：在Hadoop數(shù)據(jù)庫(kù)構(gòu)造巡邏面積和巡邏時(shí)間，并將巡邏面積和巡邏時(shí)間作為輸入數(shù)據(jù)輸入深度學(xué)習(xí)系統(tǒng)，深度學(xué)習(xí)系統(tǒng)根據(jù)輸入數(shù)據(jù)預(yù)測(cè)案件發(fā)生頻率；

步驟G：判斷案件發(fā)生頻率是否是最小值：是，則執(zhí)行步驟H；否，則執(zhí)行步驟E；

步驟H：獲得社區(qū)巡邏模型；

步驟5：根據(jù)社區(qū)巡邏模型優(yōu)化社區(qū)治安巡邏面積以及巡邏時(shí)間，生成最佳巡邏路徑和最佳巡邏時(shí)間表；人機(jī)界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數(shù)據(jù)庫(kù)中調(diào)取最佳巡邏路徑和最佳巡邏時(shí)間表，用戶通過人機(jī)界面終端查詢最佳巡邏路徑和最佳巡邏時(shí)間表，并在最佳巡邏路徑上每隔一個(gè)巡邏單位的距離就放置一個(gè)NFC標(biāo)簽卡；用戶根據(jù)最佳巡邏時(shí)間表分配社區(qū)巡邏人員進(jìn)行巡邏；社區(qū)巡邏人員攜帶帶有NFC讀寫器的手機(jī)經(jīng)過任意一個(gè)NFC標(biāo)簽卡時(shí)，帶有NFC讀寫器的手機(jī)讀取NFC標(biāo)簽卡中的位置信息并生成人員位置信息；同時(shí)帶有NFC讀寫器的手機(jī)生成人員信息和巡邏時(shí)間；所述帶有NFC讀寫器的手機(jī)實(shí)時(shí)將所采集到的人員位置信息、人員信息和巡邏時(shí)間通過互聯(lián)網(wǎng)發(fā)送給Hadoop數(shù)據(jù)庫(kù)，Hadoop數(shù)據(jù)庫(kù)對(duì)人員位置信息、人員信息和巡邏時(shí)間進(jìn)行處理和存儲(chǔ)；

步驟6：人機(jī)界面終端通過SQL接口或JDBC/ODBC接口在Hadoop數(shù)據(jù)庫(kù)中調(diào)取人員位置信息、人員信息和巡邏時(shí)間，實(shí)現(xiàn)對(duì)社區(qū)巡邏人員的實(shí)時(shí)監(jiān)管和信息查詢。

所述一個(gè)巡邏單位的距離不大于10CM。

所述人機(jī)界面終端為電腦。

帶有NFC讀寫器的手機(jī)只能夠在近距離范圍內(nèi)與標(biāo)簽卡進(jìn)行通訊，比如本項(xiàng)目中設(shè)置為小于10cm，因此基本杜絕了巡邏人員的作弊現(xiàn)場(chǎng)。

巡邏面積數(shù)據(jù)主要是對(duì)巡邏路徑的地理位置數(shù)據(jù)進(jìn)行計(jì)算，得到巡邏所達(dá)到的面積；巡邏時(shí)間數(shù)據(jù)主要是完成巡邏面積所需的時(shí)長(zhǎng)和巡邏間隔；治安案件發(fā)生的頻率主要是指該社區(qū)發(fā)生搶、盜等事件的年發(fā)生次數(shù)。

本發(fā)明所述的一種基于深度學(xué)習(xí)算法的社區(qū)治安巡邏路徑優(yōu)化方法，能夠解決社區(qū)治安巡邏路徑的規(guī)劃問題，提高社區(qū)治安巡邏的效率；本發(fā)明有效提高巡邏效率，減少巡邏過程中的人力浪費(fèi)。