段開(kāi)宇 徐漫琳

摘 要：BP神經(jīng)網(wǎng)絡(luò)是重要的分類預(yù)測(cè)方法之一，該文一方面在考察與分析單一因素預(yù)測(cè)警情的基礎(chǔ)上，探討了一種由多個(gè)因素作為神經(jīng)網(wǎng)絡(luò)的輸入層的預(yù)測(cè)模型，另一方面，通過(guò)合理部署警力、強(qiáng)化重點(diǎn)區(qū)域管控等相關(guān)防控措施，重新進(jìn)行引導(dǎo)預(yù)測(cè)，為維護(hù)社會(huì)治安提供動(dòng)態(tài)監(jiān)控和科學(xué)決策。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 警情預(yù)測(cè) 決策支持

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）06（c）-0230-02

對(duì)于公安來(lái)說(shuō)，要保證社會(huì)治安穩(wěn)定良好，就必須在接處警工作中降低轄區(qū)內(nèi)警情，從而針對(duì)性的按照案件發(fā)生轄區(qū)對(duì)所有案件發(fā)生數(shù)量進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果分析出哪些轄區(qū)的警情會(huì)增加，從而可以適當(dāng)增強(qiáng)這些轄區(qū)的警力配置。而警情的產(chǎn)生是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)，利用傳統(tǒng)的時(shí)間序列預(yù)測(cè)技術(shù)很難揭示其內(nèi)在的規(guī)律。該文在利用神經(jīng)網(wǎng)絡(luò)技術(shù)的基礎(chǔ)上，探討了一種面向公安警情分析、預(yù)測(cè)和決策的的預(yù)測(cè)模型。

1 BP神經(jīng)網(wǎng)絡(luò)的理論研究

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及處理單元模型

BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1，由輸入層、隱含層、輸出層共三層網(wǎng)絡(luò)組建而成，為了不失一般性，選取BP神經(jīng)網(wǎng)絡(luò)任意兩層介紹其處理單元的數(shù)學(xué)模型。BP神經(jīng)網(wǎng)絡(luò)處理單元的結(jié)構(gòu)，如圖1-1右上所示，其中L1層的n個(gè)處理單元與L2層的p個(gè)處理單元全連接，連接權(quán)向量；L1層的n個(gè)處理單元的輸出構(gòu)成了L2層各個(gè)處理單元的輸入列變量，L2層各個(gè)處理單元的閾值為，因此，L2層各個(gè)處理單元接收的輸入加權(quán)和為[1]：

（1.1）

L2層各個(gè)處理單元的輸出由轉(zhuǎn)移函數(shù)決定。BP神經(jīng)網(wǎng)絡(luò)通常采用Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)（在實(shí)際應(yīng)用中，也可以采用雙曲正切函數(shù)作為轉(zhuǎn)移函數(shù)）。

BP神經(jīng)網(wǎng)絡(luò)選取Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)是因?yàn)镾igmoid函數(shù)的輸出接近生物神經(jīng)元的信號(hào)輸出形式，能夠模擬生物神經(jīng)元的非線性特征。同時(shí)，Sigmoid函數(shù)具有的非線性特征也能夠增強(qiáng)神經(jīng)網(wǎng)絡(luò)的非線性映射能力。

1.2 誤差反向傳播學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)采用BP算法進(jìn)行學(xué)習(xí)，其學(xué)習(xí)過(guò)程分為四個(gè)階段[2]：

（1）學(xué)習(xí)模式是由輸入層（不做處理）經(jīng)過(guò)隱含層然后，向輸出層逐層傳播的“順傳播”過(guò)程；（2）網(wǎng)絡(luò)的輸出層得期望輸出與實(shí)際學(xué)習(xí)模式的輸出之差，即誤差信號(hào)，是由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)值的“誤差逆?zhèn)鞑ァ边^(guò)程；（3）由“模式順傳播”過(guò)程和“誤差逆?zhèn)鞑ァ边^(guò)程反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；（4）網(wǎng)絡(luò)趨向收斂，即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程[2]。

前人已經(jīng)對(duì)這方面內(nèi)容有了深入的研究，這里就不在詳述。

2 基于BP神經(jīng)網(wǎng)絡(luò)的警情預(yù)測(cè)模型分析

2.1 單因素預(yù)測(cè)建模過(guò)程

在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)警情短期預(yù)測(cè)中，大部分采用的是滑動(dòng)窗口時(shí)間段內(nèi)的警情數(shù)量，作為神經(jīng)網(wǎng)絡(luò)的輸入，即網(wǎng)絡(luò)的輸入層，選取的是一段連續(xù)時(shí)間內(nèi)連續(xù)的警情數(shù)，未來(lái)的預(yù)測(cè)值作為輸出，然后通過(guò)樣本訓(xùn)練進(jìn)行權(quán)值的學(xué)習(xí)。在現(xiàn)實(shí)生活中，警情的發(fā)生因素很多，這種預(yù)測(cè)方法中對(duì)預(yù)測(cè)因素的分析是明顯不足的。上述這種預(yù)測(cè)方法叫做現(xiàn)狀外推預(yù)測(cè)，即通過(guò)對(duì)歷史警情數(shù)的提取，在當(dāng)前客觀狀態(tài)下，對(duì)未來(lái)警情數(shù)的預(yù)測(cè)；在實(shí)際生活中，警情的發(fā)生有很多因素，諸如由于警力部署、季節(jié)性流動(dòng)人口的不同，會(huì)導(dǎo)致轄區(qū)某地區(qū)發(fā)生的警情數(shù)也不同。另外，警情數(shù)預(yù)測(cè)的目的是通過(guò)調(diào)整警力或者有針對(duì)的預(yù)防措施減少轄區(qū)某區(qū)域的發(fā)案數(shù)。

2.2 改進(jìn)的警情預(yù)測(cè)建模過(guò)程

介于上節(jié)所述原因，我們嘗試在使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程中，加入了環(huán)比警情數(shù)、部署警力數(shù)、該地區(qū)常住人口數(shù)、暫住人口數(shù)及重點(diǎn)防控區(qū)域數(shù)燈相關(guān)參數(shù)，使用神經(jīng)網(wǎng)絡(luò)做預(yù)測(cè)分類是，首先要確定網(wǎng)絡(luò)輸入層、隱含層和輸出層神經(jīng)元節(jié)點(diǎn)的數(shù)量，輸入層，節(jié)點(diǎn)主要選取影響預(yù)測(cè)目標(biāo)的各個(gè)因素，即上述包含的相關(guān)參數(shù)。輸出層節(jié)點(diǎn)，主要選取要預(yù)測(cè)的未來(lái)警情數(shù)。所以，在實(shí)際仿真中選擇三層前饋式的神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)，包含了7個(gè)輸入節(jié)點(diǎn)和1個(gè)輸出節(jié)點(diǎn)，具體如圖2所示。

從圖中我們可以看出該文所使用的模型相比單因素的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較大的改進(jìn)，由于加入了幾個(gè)影響警情發(fā)生的要素，我們可以在外推預(yù)測(cè)階段結(jié)束后，根據(jù)實(shí)際情況作出調(diào)整，諸如由于放假造成的流動(dòng)人口增多或減少。根據(jù)防控要求作出的警力調(diào)整等各方面條件之后，再次進(jìn)行預(yù)測(cè)，形成了有目的的預(yù)測(cè)。

3 樣本訓(xùn)練及預(yù)測(cè)結(jié)果分析

建立預(yù)測(cè)模型，至少需要2組數(shù)據(jù)樣本，前一組數(shù)據(jù)用來(lái)構(gòu)成訓(xùn)練樣本，對(duì)神經(jīng)網(wǎng)絡(luò)單元的權(quán)重、閾值進(jìn)行訓(xùn)練，后一組數(shù)據(jù)作為檢驗(yàn)樣本對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)。該例子中選擇了某派出所2014年4月到2015年4月的實(shí)際數(shù)據(jù)作為樣本。對(duì)樣本進(jìn)行歸一化處理，勢(shì)必導(dǎo)致數(shù)值大的分量絕對(duì)誤差變大，一般而言，樣本的輸入和輸出值都限定在0.1至0.9之間。在訓(xùn)練ANN時(shí)，應(yīng)根據(jù)情況確定輸入輸出層的各神經(jīng)元所代表實(shí)際量的最小、最大值Xmin，Xmax，通過(guò)代入逆變換公式換算出的真實(shí)量。

故，對(duì)原始數(shù)據(jù)按照BP人工神經(jīng)網(wǎng)絡(luò)的具體算法的第一步，歸一化處理原始數(shù)據(jù)，可將原始數(shù)據(jù)轉(zhuǎn)化為[0.1，0.9]上的無(wú)量綱指標(biāo)屬性值，如表2所示。

利用訓(xùn)練完成后神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值參數(shù)，我們首先將剩余的其他沒(méi)有參與訓(xùn)練的測(cè)試數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行警情數(shù)的預(yù)測(cè)，然后通過(guò)網(wǎng)絡(luò)的輸出值與實(shí)際值比較，以此來(lái)驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確度和泛化能力。

4 結(jié)語(yǔ)

該文從預(yù)測(cè)結(jié)果比較所示可以得到的結(jié)論有：（1）預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)在數(shù)值上盡管存在一些差距，但是在升降的趨勢(shì)方向上是較為準(zhǔn)確的。（2）改進(jìn)的多因素BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用了8個(gè)影響警情發(fā)生因素指標(biāo)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入，利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)、自學(xué)習(xí)能力對(duì)歷史樣本數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)網(wǎng)絡(luò)的輸出獲得了與真實(shí)數(shù)據(jù)趨勢(shì)一致的預(yù)測(cè)值。根據(jù)預(yù)測(cè)的趨勢(shì)情況，可通過(guò)強(qiáng)化巡邏、不同區(qū)域配置不停警力等方式進(jìn)行引導(dǎo)預(yù)測(cè)，這樣可以如實(shí)的反應(yīng)出變更防控措施后的優(yōu)勢(shì)與不足。

參考文獻(xiàn)

[1] 劉莉，徐玉生，馬志新.數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理技術(shù)綜述[J].甘肅科學(xué)學(xué)報(bào)， 2003，15（1）：117-119.

[2] 馬銳，人工神經(jīng)網(wǎng)絡(luò)原理[D].北京：機(jī)械工業(yè)出版社，2010.

[3] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1996.