本發(fā)明涉及社會管理和大數(shù)據(jù)處理的研究領(lǐng)域，更具體地說，涉及一種基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法。

背景技術(shù)：

管理網(wǎng)格化依托統(tǒng)一的數(shù)字化的平臺，將管理單元按照一定的標(biāo)準(zhǔn)劃分成為單元網(wǎng)格。通過加強對單元網(wǎng)格的部件和事件巡查，建立一種監(jiān)督和處置互相分離的形式。主要優(yōu)勢是能夠主動發(fā)現(xiàn)，及時處理各類問題，加強管理能力和處理速度，將問題解決在事故發(fā)生之前。

首先，它將過去被動應(yīng)對問題的管理模式轉(zhuǎn)變?yōu)橹鲃影l(fā)現(xiàn)問題和解決問題；第二，它是管理手段數(shù)字化，這主要體現(xiàn)在管理對象、過程和評價的數(shù)字化上，保證管理的敏捷、精確和高效；第三，它是科學(xué)封閉的管理機制，不僅具有一整套規(guī)范統(tǒng)一的管理標(biāo)準(zhǔn)和流程，而且發(fā)現(xiàn)、立案、派遣、結(jié)案四個步驟形成一個閉環(huán)，從而提升管理的能力和水平。

正是因為這些功能，可以將過去傳統(tǒng)、被動、定性和分散的管理，轉(zhuǎn)變?yōu)榻裉飕F(xiàn)代、主動、定量和系統(tǒng)的管理。簡單的講：網(wǎng)格化管理是運用數(shù)字化、信息化手段，以組織結(jié)構(gòu)單元為管理范圍，以事件為管理內(nèi)容，以處置單位為責(zé)任人，通過網(wǎng)格化管理信息平臺，實現(xiàn)聯(lián)動、資源共享的一種組織管理新模式。

隱馬爾可夫模型(hiddenmarkovmodel，hmm)是統(tǒng)計模型，它用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。其難點是從可觀察的參數(shù)中確定該過程的隱含參數(shù)。然后利用這些參數(shù)來作進(jìn)一步的分析，例如模式識別。

技術(shù)實現(xiàn)要素：

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的網(wǎng)格化管理區(qū)域的數(shù)據(jù)輸入量過大，人工決策效率較低以及無法動態(tài)實時調(diào)整的問題，提供一種基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明公開了一種基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法，包括下述步驟：

s1、根據(jù)社會區(qū)域大小與人口分布信息均等初始化網(wǎng)格，具體初始化網(wǎng)格的方法及初始化參數(shù)根據(jù)實際情況利用最大熵模型進(jìn)行訓(xùn)練；

s2、根據(jù)不同網(wǎng)格的硬件配置采集并上傳信息，并構(gòu)造樣本網(wǎng)格化特征向量；

s3、根據(jù)不同網(wǎng)格的事件發(fā)生情況進(jìn)行標(biāo)簽的標(biāo)記；

s4、根據(jù)采集的先驗信息訓(xùn)練隱馬爾可夫模型；

s5、利用訓(xùn)練完成的隱馬爾可夫模型根據(jù)后續(xù)數(shù)據(jù)預(yù)測不同標(biāo)簽的狀態(tài)轉(zhuǎn)移情況；

s6、根據(jù)標(biāo)簽的狀態(tài)轉(zhuǎn)移預(yù)測情況實時調(diào)整網(wǎng)格的密度；

s7、根據(jù)網(wǎng)格的密度動態(tài)調(diào)整各個區(qū)域的人員部署，密度越高，部署的人員越多。

作為優(yōu)選的技術(shù)方案，步驟s1中，利用最大熵模型進(jìn)行訓(xùn)練的方法為：

s11、假定第零次迭代的初始模型為等概率的均勻分布；

s12、用第n次迭代的模型來估算每種信息特征在訓(xùn)練數(shù)據(jù)中的分布，如果超過了實際的，就把相應(yīng)的模型參數(shù)變??；否則，將它們變大；

s13、重復(fù)步驟s12直到收斂。

作為優(yōu)選的技術(shù)方案，步驟s2中，采集并上傳的信息包括交管數(shù)據(jù)、治安數(shù)據(jù)、管理員上報數(shù)據(jù)和大事件提前安排數(shù)據(jù)。

作為優(yōu)選的技術(shù)方案，步驟s2中，采用采用k-svd算法，通過樣本信息對字典進(jìn)行訓(xùn)練，并通過omp算法構(gòu)造樣本網(wǎng)格化特征向量，具體如下：

s21、采用k-svd算法對字典d進(jìn)行訓(xùn)練，首先初始化字典d，可以隨機得到，然后進(jìn)行迭代，具體迭代步驟如下：

第一階段：固定字典d，采用omp算法求解以下方程式，找到最好的稀疏矩陣x，

第二階段：更新字典d；

s22、通過以下方式將字典d逐列更新，以下假設(shè)要更新字典d的第k列dk，將目標(biāo)函數(shù)重寫成以下形式：

參量說明：

y表示數(shù)據(jù)集，y的每一列表示一個樣本；

d、x分別表示字典學(xué)習(xí)過程中將y分解成的兩個矩陣，d稱之為字典，d的每一列稱之為原子；x稱之為編碼矢量、特征、系數(shù)矩陣；

t0為設(shè)定的學(xué)習(xí)系數(shù)；

s23、用svd將ek分解，得到的最大特征值對應(yīng)的那個特征向量就作為dk；

s24、反復(fù)執(zhí)行上述第一、二階段的步驟，得到收斂的字典d′；

s25、使用字典d′，構(gòu)造出樣本網(wǎng)格化特征向量，采用omp算法求解以下方程式，找到最好的稀疏矩陣x′，x′就是樣本y的網(wǎng)格化特征向量；

作為優(yōu)選的技術(shù)方案，步驟s3中，標(biāo)簽包括密度過大標(biāo)簽、密度過小標(biāo)簽以及正常標(biāo)簽，這些標(biāo)簽根據(jù)網(wǎng)格的實時密度進(jìn)行判斷，標(biāo)準(zhǔn)值由人工進(jìn)行初始化。

作為優(yōu)選的技術(shù)方案，步驟s3中，采用樣本網(wǎng)格化特征向量訓(xùn)練隨機森林分類器，具體步驟如下：

s31、將樣本網(wǎng)格化特征向量x′分為訓(xùn)練集x1′，測試集x2′；

s32、從x1′中有放回的抽取大小和x1′一樣的訓(xùn)練集x1′(i)，作為根節(jié)點的樣本，從根節(jié)點開始訓(xùn)練；

s33、如果當(dāng)前節(jié)點上達(dá)到終止條件，則設(shè)置當(dāng)前節(jié)點為葉子節(jié)點，該葉子節(jié)點的預(yù)測輸出為當(dāng)前節(jié)點樣本集合中數(shù)量最多的那一類c(j)，概率p為c(j)占當(dāng)前樣本集的比例，然后繼續(xù)訓(xùn)練其他節(jié)點；如果當(dāng)前節(jié)點沒有達(dá)到終止條件，則從f維特征中無放回的隨機選取f維特征，利用這f維特征，尋找分類效果最好的一維特征k及其閾值th，當(dāng)前節(jié)點上樣本第k維特征小于th的樣本被劃分到左節(jié)點，其余的被劃分到右節(jié)點，繼續(xù)訓(xùn)練其他節(jié)點；

s34、重復(fù)s32-s33直到所有節(jié)點都訓(xùn)練過了或者被標(biāo)記為葉子節(jié)點；

s35、重復(fù)s32-s34直到所有cart都被訓(xùn)練過。

作為優(yōu)選的技術(shù)方案，步驟s4具體為：

s41、采集每個傳感器的信息：

在實際應(yīng)用中被采集的傳感器包括三軸加速度傳感器，陀螺儀、心率傳感器，假設(shè)采集到的信息為y″；

s42、調(diào)用已訓(xùn)練的字典，通過omp算法構(gòu)造網(wǎng)格化特征向量：

步驟s42調(diào)用已訓(xùn)練的字典d′，通過omp算法構(gòu)造網(wǎng)格化特征向量；

運用omp算法求解以下方程，得到網(wǎng)格化特征向量x″

作為優(yōu)選的技術(shù)方案，步驟s5中，根據(jù)網(wǎng)格化特征向量x″，采用已訓(xùn)練的隨機森林分類器預(yù)測網(wǎng)格化，輸出預(yù)測結(jié)果，利用隨機森林的預(yù)測過程如下：

對于第1-t棵樹，i＝1-t：

s51、從當(dāng)前樹的根節(jié)點開始，根據(jù)當(dāng)前節(jié)點的閾值th，判斷是進(jìn)入左節(jié)點(<th)還是進(jìn)入右節(jié)點(>＝th)，直到到達(dá)，某個葉子節(jié)點，并輸出預(yù)測值；

s52、重復(fù)執(zhí)行s51直到所有t棵樹都輸出了預(yù)測值，因為是分類問題，所以輸出為所有樹中預(yù)測概率總和最大的那一個類，即對每個c(j)的p進(jìn)行累計。

作為優(yōu)選的技術(shù)方案，步驟s6中，針對標(biāo)簽狀態(tài)轉(zhuǎn)移的預(yù)測情況，對于狀態(tài)轉(zhuǎn)移較多的區(qū)域，將網(wǎng)格的密度調(diào)整得更大；對于狀態(tài)轉(zhuǎn)移較少的區(qū)域，將網(wǎng)格的密度調(diào)整得更小。

作為優(yōu)選的技術(shù)方案，步驟s7中，網(wǎng)格密度實時調(diào)整是根據(jù)在線隱馬爾可夫模型實時計算得到的結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

1.主動適應(yīng)性：本發(fā)明所采用的隱馬爾可夫模型，是通過加強對單元網(wǎng)格的部件和事件巡查，建立一種監(jiān)督和處置互相分離的形式。它能夠主動地發(fā)現(xiàn)問題，并主動地進(jìn)行解決，從而提高了整個模型動作的效率及準(zhǔn)確性；

2.管理數(shù)字化：本發(fā)明采用的模型，通過對管理對象、過程和評

價實現(xiàn)數(shù)字化，避免了其他技術(shù)方案中對于這些領(lǐng)域的評判標(biāo)準(zhǔn)模糊的缺點，從而使得管理的過程更加快速、精確。

3.封閉性：本發(fā)明中，采用了科學(xué)封閉的管理機制，使得以往技術(shù)方案中管理標(biāo)準(zhǔn)和流程不統(tǒng)一的問題得到了解決。此外，還將發(fā)現(xiàn)、立案、派遣、結(jié)案四個步驟形成一個閉環(huán)，從而提升了管理的能力和水平。

附圖說明

圖1為本發(fā)明基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法訓(xùn)練流程圖；

圖2為本發(fā)明基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法執(zhí)行流程圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。

實施例

如圖1、圖2所示，本發(fā)明的一種基于隱馬爾可夫模型的網(wǎng)格化社會治理信息方法，包括以下步驟：

(1)根據(jù)社會區(qū)域大小與人口分布均等初始化網(wǎng)格，具體的初始化方法和參數(shù)根據(jù)不同的情況利用最大熵模型進(jìn)行訓(xùn)練：

(1-1)假定第零次迭代的初始模型為等概率的均勻分布。

(1-2)用第n次迭代的模型來估算每種信息特征在訓(xùn)練數(shù)據(jù)中的分布，如果超過了實際的，就把相應(yīng)的模型參數(shù)變?。环駝t，將它們便大。

(1-3)重復(fù)步驟(1-2)直到收斂。

(2)根據(jù)不同網(wǎng)格的硬件配置采集并上傳信息，采集的數(shù)據(jù)包括，交管數(shù)據(jù)、治安數(shù)據(jù)、管理員上報數(shù)據(jù)、大事件提前安排數(shù)據(jù)

步驟(2)采用k-svd算法，通過樣本信息對字典進(jìn)行訓(xùn)練，并通過omp算法構(gòu)造樣本網(wǎng)格化特征向量；

(2-1)采用k-svd算法對字典進(jìn)行訓(xùn)練，假設(shè)字典d為一個7*21的矩陣。首先初始化字典d，可以隨機得到，然后進(jìn)行迭代,具體迭代步驟如下：

第一階段：固定字典d，采用omp算法求解以下方程式，找到最好的稀疏矩陣x。

第二階段：更新字典d。

(2-2)通過以下方式將字典d逐列更新，以下假設(shè)要更新字典d的第k列dk。

(2-3)將目標(biāo)函數(shù)重寫成以下形式：

(2-4)用svd將ek分解，得到的最大特征值對應(yīng)的那個特征向量就作為dk。

(2-5)反復(fù)執(zhí)行上述第一、二階段的步驟，得到收斂的字典d′。

(2-6)使用字典d′，構(gòu)造出樣本網(wǎng)格化特征向量，采用omp算法求解以下方程式，找到最好的稀疏矩陣x′。x′就是樣本y的網(wǎng)格化特征向量。

(3)根據(jù)不同網(wǎng)格的事件發(fā)生情況進(jìn)行標(biāo)簽的標(biāo)記，狀態(tài)標(biāo)簽包括：密度過大、密度過小、正常，這些標(biāo)簽根據(jù)網(wǎng)格的實時密度去進(jìn)行判斷，標(biāo)準(zhǔn)值由人工進(jìn)行初始化；

步驟(3)采用樣本網(wǎng)格化特征向量訓(xùn)練隨機森林分類器，具體如下：

(3-1)將樣本網(wǎng)格化特征向量x′分為訓(xùn)練集x1′，測試集x2′，特征維數(shù)f＝21。確定參數(shù)：使用到的cart的數(shù)量t＝50，每棵樹的深度d＝7，每個節(jié)點使用到的特征數(shù)量f＝3，終止條件：節(jié)點上最少樣本數(shù)s＝3。

對于第1-t棵樹，i＝1-t：

(3-2)從x1′中有放回的抽取大小和x1′一樣的訓(xùn)練集x1′(i)，作為根節(jié)點的樣本，從根節(jié)點開始訓(xùn)練

(3-3)如果當(dāng)前節(jié)點上達(dá)到終止條件，則設(shè)置當(dāng)前節(jié)點為葉子節(jié)點，該葉子節(jié)點的預(yù)測輸出為當(dāng)前節(jié)點樣本集合中數(shù)量最多的那一類c(j)，概率p為c(j)占當(dāng)前樣本集的比例。然后繼續(xù)訓(xùn)練其他節(jié)點。如果當(dāng)前節(jié)點沒有達(dá)到終止條件，則從f維特征中無放回的隨機選取f維特征。利用這f維特征，尋找分類效果最好的一維特征k及其閾值th，當(dāng)前節(jié)點上樣本第k維特征小于th的樣本被劃分到左節(jié)點，其余的被劃分到右節(jié)點。繼續(xù)訓(xùn)練其他節(jié)點。有關(guān)分類效果的評判標(biāo)準(zhǔn)在后面會講。

(3-4)重復(fù)(3-2)-(3-3)直到所有節(jié)點都訓(xùn)練過了或者被標(biāo)記為葉子節(jié)點。

(3-5)重復(fù)(3-2)-(3-4)直到所有cart都被訓(xùn)練過。

(4)根據(jù)采集的先驗信息訓(xùn)練隱馬爾可夫模型；該方法包括以下步驟：

(4-1)采集每個傳感器的信息：

在實際應(yīng)用中被采集的傳感器包括三軸加速度傳感器，陀螺儀、心率傳感器。假設(shè)采集到的信息為y″。

(4-2)調(diào)用已訓(xùn)練的字典，通過omp算法構(gòu)造網(wǎng)格化特征向量：

步驟(4-2)調(diào)用已訓(xùn)練的字典d′，通過omp算法構(gòu)造網(wǎng)格化特征向量運用omp算法求解以下方程，得到網(wǎng)格化特征向量x″

(5)利用訓(xùn)練完成的隱馬爾可夫模型根據(jù)后續(xù)數(shù)據(jù)預(yù)測不同標(biāo)簽的狀態(tài)轉(zhuǎn)移情況，具體操作如下所示；

根據(jù)網(wǎng)格化特征向量x″，采用已訓(xùn)練的隨機森林分類器預(yù)測網(wǎng)格化，輸出預(yù)測結(jié)果。

利用隨機森林的預(yù)測過程如下：

對于第1-t棵樹，i＝1-t：

(5-1)從當(dāng)前樹的根節(jié)點開始，根據(jù)當(dāng)前節(jié)點的閾值th，判斷是進(jìn)入左節(jié)點(<th)還是進(jìn)入右節(jié)點(>＝th)，直到到達(dá)，某個葉子節(jié)點，并輸出預(yù)測值。

(5-2)重復(fù)執(zhí)行(1)直到所有t棵樹都輸出了預(yù)測值。因為是分類問題，所以輸出為所有樹中預(yù)測概率總和最大的那一個類，即對每個c(j)的p進(jìn)行累計。

(6)根據(jù)標(biāo)簽的狀態(tài)轉(zhuǎn)移預(yù)測情況實時調(diào)整網(wǎng)格的密度。針對標(biāo)簽狀態(tài)轉(zhuǎn)移的預(yù)測情況，對于狀態(tài)轉(zhuǎn)移較多的區(qū)域，將網(wǎng)格的密度調(diào)整得更大；對于狀態(tài)轉(zhuǎn)移較少的區(qū)域，將網(wǎng)格的密度調(diào)整得更小。

(7)根據(jù)網(wǎng)格的密度動態(tài)調(diào)整各個區(qū)域的人員部署，根據(jù)前一步驟中對于網(wǎng)格密度的調(diào)整結(jié)果，若網(wǎng)格的密度越高，部署的人員越多；若網(wǎng)格的密度較小，部署的人員越少。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。