CN105868845A - 风险预警方法和装置 - Google Patents

Abstract

本申请公开了风险预警方法和装置。所述方法的一具体实施方式包括：实时监测设定时长内用户通过网络地图对预定地点的搜索量；判断所述搜索量是否超过预设搜索量阈值；如果超过，则发送人群聚集风险预警信息。该实施方式有效的利用了可以体现用户意图的地图搜索量，实现了人群聚集风险的预警。

Description

风险预警方法和装置

技术领域

本申请涉及大数据处理领域，具体涉及安防领域，尤其涉及风险预警方法和装置。

背景技术

合理管控人群聚集风险对保护公众安全具有重要意义。在大型活动中或在重要公众场所里，经常不可避免的会发生大量人群的快速聚集。如果不对人群聚集活动进行充分的管理疏导和准备详细可行的应急预案，往往会导致异常事件甚至悲剧(例如，人群踩踏事件)的发生。如何有效的提前预知人群聚集风险，并做好应急处理，是公共安全管理亟需解决的重要问题。

发明内容

本申请的目的在于提出一种改进的风险预警方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种风险预警方法，所述方法包括：实时监测设定时长内用户通过网络地图对预定地点的搜索量；判断所述搜索量是否超过预设搜索量阈值；如果超过，则发送人群聚集风险预警信息。

在一些实施例中，所述方法还包括：将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后所述预定地点的移动设备的定位量，其中，所述搜索量时间序列是用户通过网络地图对所述预定地点的搜索量的时间序列，所述定位量时间序列是所述预定地点的移动设备的定位量的时间序列。

在一些实施例中，所述搜索量阈值通过以下步骤设定：统计所述预定地点每天的设定时长搜索量的峰值，其中，峰值为随机变量；确定峰值符合的概率分布；根据所述概率分布的均值和均方差设置搜索量阈值。

在一些实施例中，所述根据所述概率分布的均值和均方差设置搜索量阈值，包括：从历史搜索量和历史定位量中获取所述概率分布的均方差的权重系数；将所述权重系数和所述均方差的积与所述概率分布的均值之和设置为所述搜索量阈值。

在一些实施例中，所述预测模型通过以下步骤训练得到：分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息；利用机器学习方法，基于时间信息、所述搜索量特征信息和所述定位量特征信息，训练用于预测未来设定时间段内所述预定地点的移动设备的定位量的预测模型。

第二方面，本申请提供了一种风险预警装置，所述装置包括：监测单元，用于实时监测设定时长内用户通过网络地图对预定地点的搜索量；判断单元，用于判断所述搜索量是否超过预设搜索量阈值；预警单元，用于如果超过，则发送人群聚集风险预警信息。

在一些实施例中，所述装置还包括：预测单元，用于将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后所述预定地点的移动设备的定位量，其中，所述搜索量时间序列是用户通过网络地图对所述预定地点的搜索量的时间序列，所述定位量时间序列是所述预定地点的移动设备的定位量的时间序列。

在一些实施例中，所述装置还包括：统计单元，用于统计所述预定地点每天的设定时长搜索量的峰值，其中，峰值为随机变量；确定单元，用于确定峰值符合的概率分布；设置单元，用于根据所述概率分布的均值和均方差设置搜索量阈值。

在一些实施例中，所述设置单元进一步用于：从历史搜索量和历史定位量中获取所述概率分布的均方差的权重系数；将所述权重系数和所述均方差的积与所述概率分布的均值之和设置为所述搜索量阈值。

在一些实施例中，所述装置还包括模型训练单元，所述模型训练单元用于：分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息；利用机器学习方法，基于时间信息、所述搜索量特征信息和所述定位量特征信息，训练用于预测未来设定时间段内所述预定地点的移动设备的定位量的预测模型。

本申请提供的风险预警方法和装置，利用用户在网络地图上对预定地点的搜索量与该预定地点将来的人群聚集程度的相关性，通过实时监测设定时长内用户通过网络地图对预定地点的搜索量，并判断上述搜索量是否超过搜索量阈值，如果超过，则发送人群聚集风险预警信息，从而有效的利用了可以体现用户意图的地图搜索量，实现了人群聚集风险的预警。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的风险预警方法的一个实施例的流程图；

图3是根据本申请的风险预警方法的一个应用场景的示意图；

图4是根据本申请的风险预警方法的又一个实施例的流程图；

图5是根据本申请的风险预警装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的风险预警方法或风险预警装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102，网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102可以是用户能够随身携带的、可以实现对用户进行定位的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture ExpertsGroup Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机等等。

服务器104可以是提供各种服务的服务器，例如，可以通过各种定位方式对终端设备101、102进行定位，上述各种定位方式包括但不限于GPS(Global Positioning System，全球定位系统)定位、WIFI(Wireless Fidelity，无线保真)定位、基站定位、AGPS(Assisted GlobalPositioning System，辅助全球卫星定位系统)定位等等。又例如，对用户定位信息进行各种分析处理。

需要说明的是，本申请实施例所提供的风险预警方法一般由服务器104执行，相应地，风险预警装置一般设置于服务器104中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的风险预警方法的一个实施例的流程200。所述的风险预警方法，包括以下步骤：

步骤201，实时监测设定时长内用户通过网络地图对预定地点的搜索量。

在本实施例中，风险预警方法运行于其上的电子设备(例如图1所示的服务器104)可以实时监测设定时长(例如一个小时)内用户通过网络地图对预定地点的搜索量。其中，上述预定地点可以是需要监控是否会发生人群聚集风险的场所，例如景区、大型活动组织场所等等。上述网络地图指的是利用计算机技术，以数字方式存储和查阅的地图，例如百度地图、谷歌地图等等。

随着网络地图的广泛应用，用户出行前往往会先在网络地图上输入目的地来规划行程，因此，网络地图上对于一个特定地点的搜索量和该地点将来的人群密集程度有很强的相关性。简而言之，在网络地图上对特定地点的大量搜索行为意味着不远的将来该地点会有众多用户聚集。

步骤202，判断搜索量是否超过预设搜索量阈值。

在本实施例中，基于步骤201中得到的搜索量，上述电子设备会判断该搜索量是否超过了预设的搜索量阈值。上述搜索量阈值可以通过多种方法进行设定，例如，可以通过统计每天的设定时长(例如一小时)内搜索量的峰值来设定搜索量阈值，还可以通过统计得到的每天的搜索量的均值来设定搜索量阈值，还可以针对不同时间段设定不同的搜索量阈值，如，根据白天和晚上统计的搜索量分别设定针对白天和晚上的搜索量阈值，根据一天中的每个小时统计的搜索量分别设定针对各个小时的搜索量阈值。

在本实施例的一些可选的实现方式中，上述搜索量阈值可以通过以下步骤设定：首先，上述电子设备可以统计上述预定地点每天的设定时长(例如一小时)搜索量的峰值，其中，峰值为随机变量；其次，上述电子设备可以确定峰值符合的概率分布；最后，上述电子设备可以根据确定的上述概率分布的均值和均方差设置搜索量阈值。在这里，上述概率分布可以通过多种方式进行确定，例如，首先根据随机变量的分布特点选定可能符合的概率分布；然后通过统计的方法(例如假设检验)确定该随机变量是否符合选定的概率分布。上述电子设备确定概率分布之后，可以进一步通过样本估计的方法确定该概率分布的均值和方差以及其他参数。

可选的，上述电子设备可以首先从历史搜索量和历史定位量中获取上述概率分布的均方差的权重系数，例如，上述电子设备可以根据历史发生的一系列人群聚集异常事件，选取一个均方差的权重系数α，使针对该人群聚集异常事件发生地的网络地图的历史搜索量超过历史搜索量阈值w'_m之后的一段时间里会有较大概率发生人群聚集异常事件，其中，历史搜索量阈值w'_m满足w'_m＝u_pm+α*σ_pm，u_pm为概率分布的均值，σ_pm为概率分布的均方差。然后，将上述权重系数和上述均方差的积与上述概率分布的均值之和设置为搜索量阈值，即搜索量阈值可以使用公式w_m＝u_pm+α*σ_pm计算得到，其中，w_m为搜索量阈值，u_pm为概率分布的均值，σ_pm为概率分布的均方差，α为概率分布的均方差的权重系数。现阶段，判断一个地点是否发生了人群聚集异常事件的方法有很多种，例如人工判断，又例如通过以下方式判断：假设一个地点的每天的设定时长(例如一小时)定位设备数量的峰值为pq(d)，且pq(d)符合的概率分布ρ(d)的均值和方差分别为u_pq和其中，上述定位设备可以是个人随身携带的移动设备，那么设定当该地点设定时长内定位设备数量大于u_pq+3σ_pq时，发生了人群聚集异常事件。

步骤203，如果超过，则发送人群聚集风险预警信息。

在本实施例中，基于步骤202的判断结果，如果上述搜索量超过预设搜索量阈值，则上述电子设备可以向相关部门或人员(例如，政府的安全管理部门、景区管理部门、大型活动组织者等等)发送人群聚集风险预警信息。

继续参见图3，图3是根据本实施例的风险预警方法的应用场景的一个示意图。图3的应用场景为某次踩踏事件的预警示意图，其中，实线表示用户通过网络地图对该地点的地图搜索量，虚线表示该地点移动设备定位量(即人数估计量)，横坐标表示时间，纵坐标表示地图搜索量和移动设备定位量除以各自标准差所得的倍数。实时监测每小时内用户通过网络地图对该地点的搜索量；判断搜索量是否超过预设搜索量阈值；如果超过，则发送人群聚集风险预警信息。本应用场景中，用户通过网络地图对该地点的搜索量在18：00点左右超过了搜索量阈值，如点301所示，而移动设备定位量在19:00点左右超过人群聚集风险警戒阈值，如点302所示。

本申请的上述实施例提供的方法通过有效利用体现用户意图的地图搜索量预测人群聚集风险，从而可以提前足够长时间发送人群聚集风险警告，为风险管控争取时间。

进一步参考图4，其示出了风险预警方法的又一个实施例的流程400。该风险预警方法的流程400，包括以下步骤：

步骤401，实时监测设定时长内用户通过网络地图对预定地点的搜索量。

在本实施例中，步骤401可以参考图2对应实施例的步骤201，这里不再赘述。

步骤402，判断搜索量是否超过预设搜索量阈值。

在本实施例中，步骤402可以参考图2对应实施例的步骤202，这里不再赘述。

步骤403，如果超过，则发送人群聚集风险预警信息。

在本实施例中，步骤403可以参考图2对应实施例的步骤203，这里不再赘述。

步骤404，将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后预定地点的移动设备的定位量。

在本实施例中，上述电子设备可以将搜索量时间序列和定位量时间序列导入预先训练的预测模型，从而得到设定时长后该预定地点的移动设备的定位量，其中，上述搜索量时间序列是用户通过网络地图对上述预定地点的搜索量的时间序列，上述定位量时间序列是上述预定地点的移动设备的定位量的时间序列。在这里，上述搜索量时间序列还可以理解为是搜索量的数值按其发生的时间先后顺序排列而成的数列，上述定位量时间序列还可以理解为用户随身携带的移动设备的定位量的数值按其发生的时间先后顺序排列而成的数列。上述设定时长可以是人工设定的，取决于想要得到多长时间提前量的预测。

在本实施例的一些可选的实现方式中，上述预测模型可以通过以下步骤训练得到：首先，分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息，其中，上述搜索量特征信息可以是与历史搜索量相关的各种信息，例如该预定地点最近一小时的地图搜索量，该预定地点最近两小时的地图搜索量，该预定地点昨天晚上20:00点～24:00点之间的地图搜索量等等，上述定位量特征信息可以是与历史定位量相关的各种信息，例如该预定地点最近一个小时的定位设备数量，该预定地点最近两个小时的定位设备数量等等。然后，利用机器学习方法，基于时间信息、上述搜索量特征信息和上述定位量特征信息，训练用于预测未来设定时间段内上述预定地点的移动设备的定位量的预测模型。例如，可以向选用的原始模型(例如，梯度增强决策树模型)中输入时间信息、上述搜索量特征信息和上述定位量特征信息来训练预测模型。上述时间信息可以是与时间相关的各种信息，例如是否为节假日，是否为周一等等。上述机器学习算法包括但不限于线性回归、支撑向量回归、高斯过程和梯度增强决策树等等。在训练好预测模型之后，还可以通过准确率、召回率和F1-score(F1分数)等指标衡量上述预测模型的精确度。

从图4中可以看出，与图2对应的实施例相比，本实施例中的风险预警方法的流程400突出了对设定时长后该预定地点的移动设备定位量的预测，从而实现了对人群聚集风险的风险量化评估，

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种风险预警装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例所述的风险预警装置500包括：监测单元501、判断单元502和预警单元503。其中，监测单元501用于实时监测设定时长内用户通过网络地图对预定地点的搜索量；判断单元502用于判断上述搜索量是否超过预设搜索量阈值；预警单元503用于如果超过，则发送人群聚集风险预警信息。

在本实施例中，监测单元501、判断单元502和预警单元503的具体处理可以参考图2对应实施例步骤201、步骤202和步骤203的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置还包括：预测单元(为示出)，用于将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后上述预定地点的移动设备的定位量，其中，上述搜索量时间序列是用户通过网络地图对上述预定地点的搜索量的时间序列，上述定位量时间序列是上述预定地点的移动设备的定位量的时间序列。该实现方式可以参考图4对应实施例步骤404的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置还包括：统计单元(未示出)，用于统计上述预定地点每天的设定时长搜索量的峰值，其中，峰值为随机变量；确定单元(未示出)，用于确定峰值符合的概率分布；设置单元(未示出)，用于根据上述概率分布的均值和均方差设置搜索量阈值。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，上述设置单元进一步用于：从历史搜索量和历史定位量中获取上述概率分布的均方差的权重系数；将上述权重系数和上述均方差的积与上述概率分布的均值之和设置为上述搜索量阈值。该实现方式可参考上述图2对应实施例中相应实现方式的详细描述，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置还包括模型训练单元(未示出)，上述模型训练单元用于：分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息；利用机器学习方法，基于时间信息、上述搜索量特征信息和上述定位量特征信息，训练用于预测未来设定时间段内上述预定地点的移动设备的定位量的预测模型。该实现方式可参考上述图4对应实施例中相应实现方式的详细描述，在此不再赘述。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统600的结构示意图。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括监测单元、判断单元和预警单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“实时监测设定时长内用户通过网络地图对预定地点的搜索量的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：实时监测设定时长内用户通过网络地图对预定地点的搜索量；判断所述搜索量是否超过预设搜索量阈值；如果超过，则发送人群聚集风险预警信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种风险预警方法，其特征在于，所述方法包括：

实时监测设定时长内用户通过网络地图对预定地点的搜索量；

判断所述搜索量是否超过预设搜索量阈值；

如果超过，则发送人群聚集风险预警信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后所述预定地点的移动设备的定位量，其中，所述搜索量时间序列是用户通过网络地图对所述预定地点的搜索量的时间序列，所述定位量时间序列是所述预定地点的移动设备的定位量的时间序列。

3.根据权利要求1所述的方法，其特征在于，所述搜索量阈值通过以下步骤设定：

统计所述预定地点每天的设定时长搜索量的峰值，其中，峰值为随机变量；

确定峰值符合的概率分布；

根据所述概率分布的均值和均方差设置搜索量阈值。

4.根据权利要求3所述的方法，其特征在于，所述根据所述概率分布的均值和均方差设置搜索量阈值，包括：

从历史搜索量和历史定位量中获取所述概率分布的均方差的权重系数；

将所述权重系数和所述均方差的积与所述概率分布的均值之和设置为所述搜索量阈值。

5.根据权利要求2所述的方法，其特征在于，所述预测模型通过以下步骤训练得到：

分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息；

利用机器学习方法，基于时间信息、所述搜索量特征信息和所述定位量特征信息，训练用于预测未来设定时间段内所述预定地点的移动设备的定位量的预测模型。

6.一种风险预警装置，其特征在于，所述装置包括：

监测单元，用于实时监测设定时长内用户通过网络地图对预定地点的搜索量；

判断单元，用于判断所述搜索量是否超过预设搜索量阈值；

预警单元，用于如果超过，则发送人群聚集风险预警信息。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

预测单元，用于将搜索量时间序列和定位量时间序列导入预先训练的预测模型得到设定时长后所述预定地点的移动设备的定位量，其中，所述搜索量时间序列是用户通过网络地图对所述预定地点的搜索量的时间序列，所述定位量时间序列是所述预定地点的移动设备的定位量的时间序列。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

统计单元，用于统计所述预定地点每天的设定时长搜索量的峰值，其中，峰值为随机变量；

确定单元，用于确定峰值符合的概率分布；

设置单元，用于根据所述概率分布的均值和均方差设置搜索量阈值。

9.根据权利要求8所述的装置，其特征在于，所述设置单元进一步用于：

从历史搜索量和历史定位量中获取所述概率分布的均方差的权重系数；

将所述权重系数和所述均方差的积与所述概率分布的均值之和设置为所述搜索量阈值。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括模型训练单元，所述模型训练单元用于：

分别从历史搜索量时间序列和历史定位量时间序列中提取搜索量特征信息和定位量特征信息；

利用机器学习方法，基于时间信息、所述搜索量特征信息和所述定位量特征信息，训练用于预测未来设定时间段内所述预定地点的移动设备的定位量的预测模型。