一种基于神经网络的人员动态风险评估方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于神经网络的人员动态风险评估方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.深度学习网络采用监督训练方式挖掘数据深层次的空时特征，构建数据和标签之间的函数关系，实现未标注数据的分类。在高压密闭环境下，人员往往隐藏其真实心理状况，通过采集人员在入监及监管矫治过程中的多维数据，包括静态数据和动态数据，采用深度学习网络实现数据的融合分析，提取数据深层次的空时特征，有效地评估人员的发生不同极端行为的等级。
4.由于对改造过程不满、家庭变故、个人身体状况欠佳等原因，部分人员存在较大的心理障碍，部分人员由于看管时间过长丧失信心或看管时间过短悔罪态度差，加之情绪控制能力较弱，在某些情况下容易爆发激烈行为，导致较高风险事件的发生。在封闭环境中，危险性事件在人员之间具有一定的传染性，容易导致紧急事态的发生。并且，风险较高的人员会对风险较低的人员产生不良的示范作用。因此，亟需对人员进行精准的极端行为预测评估，分类分级管理，保障安全和稳定，提高矫治效果。
5.现有的看管方式一般采用观察结合量表的方式定期评估人员的极端行为等级，工作量较大且准确率较低。另外，由于已经汇集了人员大量的数据，但是对数据的利用不充分。基于静态因子对人员进行风险评估能够识别出高风险的个体，但是无法监测人员发生极端行为的动态变化。因此，需要综合考虑人员的静态因子和监管改造过程中的动态因子，充分挖掘底层数据与各类极端行为之间的关系，提高极端行为评估的准确性。


技术实现要素：

6.本发明为了解决上述问题，提出了一种基于神经网络的人员动态风险评估方法及系统，本发明能够助于及时准确地把握人员可能发生的极端行为的类别和等级，主要关注三类极端行为，每类极端行为均包含三个等级，即高风险、中风险、低风险。提供有针对性的监管矫治方案，减少极端事件的发生，保障看管环境的安全和稳定。
7.根据一些实施例，本发明采用如下技术方案：
8.一种基于神经网络的人员动态风险评估方法，包括以下步骤：
9.获取人员静态数据和动态数据并进行数据编码；
10.对编码后的数据，利用深度学习神经网络得到评估结果；
11.其中，利用神经网络得到评估结果，包括构建多任务分类深度学习网络，采用多层全连接网络提取静态数据和动态数据的深层次特征，采用多层门控循环单元gru提取连续多次动态评估数据之间的时序特征，最终采用全连接网络和softmax运算，以概率方式分别
输出三类极端行为的等级。
12.进一步地，所述数据编码包括，对于字符型的数据因子，采用one
‑
hot编码转化成二进制向量，获得相应的数值。对于整段长文本数据，采用自然语言处理中的word2vector编码转化为向量，作为一个数据项。
13.进一步地，所述利用神经网络得到评估结果，包括第一次评估和第n次评估。
14.进一步地，所述第一次评估包括，针对静态数据，采用多层全连接网络提取数据中包含的人员风险的共同特征。
15.进一步地，所述第一次评估还包括，将共同特征矢量分别输入三个多层全连接网络分支，提取每类极端行为的个性特征，分别进行等级评估。
16.进一步地，所述第n次评估，包括采用多层全连接网络，提取人员风险的共同特征。
17.进一步地，所述第n次评估，还包括采用多层门控循环单元gru挖掘连续几次评估数据之间的时序特征，最终输出第n次评估时人员可能发生的三类极端行为的等级。
18.一种基于神经网络的人员动态风险评估系统，包括：
19.数据获取模块，被配置为，获取人员静态数据和动态数据并进行数据编码；
20.数据评估模块，被配置为，对编码后的数据，利用神经网络得到评估结果；
21.其中，利用神经网络得到评估结果，包括构建多任务分类神经网络，采用多层全连接网络提取静态数据和动态数据的深层次特征，采用多层门控循环单元gru提取连续多次动态评估数据之间的时序特征，最终采用全连接网络和softmax运算，以概率方式输出发生不同极端行为的等级。
22.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于神经网络的人员极端行为动态评估方法。
23.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于神经网络的人员极端行为动态评估方法。
24.与现有技术相比，本发明的有益效果为：
25.本发明通过人员档案、监管矫治记录、评估测试问卷等渠道，获得人员多元化的静态数据和动态数据，通过挖掘多维数据之间的相关性和互补性，提高人员刻画的真实性；通过观察不同因子对全局特征矢量的贡献度，揭示与每类极端事件的发生高度关联的因子，挖掘并补充与高风险因子相关的其他因子，扩展高风险因子的数据采集范围，细化数据采集时的粒度，提高数据精度。当人员的高风险因子发生明显变化时，及时进行风险评估。采用数据增强方式扩充风险样本，采用增量学习方式持续训练网络，提升了评估准确性。
附图说明
26.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
27.图1是本实施例的架构图；
28.图2是本实施例的流程图；
29.图3是多层门控循环单元gru及概率输出网络。
具体实施方式：
30.下面结合附图与实施例对本发明作进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.如图1所示，一种基于神经网络的人员动态风险评估方法，包括以下步骤：获取人员静态数据和动态数据并进行数据编码；对编码后的数据，利用神经网络得到评估结果；其中，利用神经网络得到评估结果，包括构建多任务分类深度学习网络，采用多层全连接网络提取静态数据和动态数据的深层次特征，采用多层门控循环单元gru提取连续多次动态评估数据之间的时序特征，最终采用全连接网络及softmax运算，以概率方式输出人员可能发生不同极端行为的等级。
34.具体的，
35.本发明通过人员档案、监管矫治记录、评估测试问卷等渠道，获得人员多元化的静态数据和动态数据。综合考虑人员的静态数据和动态数据，采用多层全连接网络提取不同极端行为的联合特征。通过分支多层全连接网络提取每类极端行为的特征矢量，并采用多层门控循环单元(gru)提取连续几次动态评估数据之间的时序特征，最终采用全连接网络及softmax运算，输出风险等级的概率，网络模型如图1所示。两类数据所包含的因子如下：
36.(1)人员的静态数据主要包括：人口统计学变量(年龄、性别、户籍、受教育程度、技能等)、家庭信息(婚姻关系、童年时期的遭遇、父母的教养方式、家庭经济状况等)、看管信息、生理状况(生理缺陷、身体疾病、不良嗜好等)、心理状况(情绪稳定性、认知状况、性格缺陷、精神疾病、心理健康状况等)。
37.(2)人员的动态数据主要包括：改造期间的个人情况(已看管时间，剩余看管时间、情感状态、睡眠状况、精神状态、身体健康状态等)、改造期间的家庭情况(家庭变故、家庭支持情况等)、狱内表现(狱内异常行为、狱内人际关系、劳动情况、学习情况、私藏或使用违禁物品、遵规守纪表现、认罪悔罪表现、亲情会见通信、狱内消费情况、奖惩情况等)。
38.人员的静态数据和动态数据主要来自个人档案、监管矫治记录、评估测试问卷。个人档案中的数据字段是设计好的，数据格式统一且选项固定，不管是数值型数据还是文本型数据，均可以数字化表示。人员的监管矫治记录是民警按照预先设计好的格式采用规范的术语记录下来的内容，可以数字化表示。评估测试问卷主要是民警对人员的心理和性格评估，具有科学规范的题目和分值，可以数字化表示。因此，人员的全周期多源多维静态数据和动态数据，完整且客观地刻画了人员的真实特点。
39.人员极端行为类别包括自杀、脱逃、暴力，每类极端行为设置高、中、低三个风险等级。网络训练及动态评估流程如图2所示。
40.具体评估步骤如下：
41.步骤一：对所采集的静态数据和动态数据进行编码。对于数值型的因子直接采用。
对于字符型的因子，采用one
‑
hot编码转化成二进制向量，获得相应的数值。对于整段长文本数据，采用自然语言处理中的word2vector编码转化为向量，作为一个数据项。将所有的数据组合成矢量输入神经网络。
42.步骤二：如果对人员入狱时进行第一次评估，则实施该步骤，否则实施步骤三。人员第一次评估时，由于没有动态数据，只采集其静态数据。采用多层全连接网络提取输入数据中所蕴含的三类风险的共同特征。将共同特征矢量分别输入三个多层全连接网络分支，分别进行自杀、脱逃、暴力的风险分级评估。该步骤之后实施步骤四。
43.步骤三：如果对人员进行第n次评估(n>1)，则实施该步骤。评估次数相距越远，人员风险的相关性越弱，每次评估时最多关注连续t次评估的数据(t作为超参数可在对网络进行监督训练时确定)。如果n>t，则调取人员第n
‑
t 1次至第n次评估时的静态数据和动态数据；如果n≤t，则调取人员第1次至第n次评估时的静态数据和动态数据。针对每次评估的数据，采用多层全连接网络，提取三类极端行为的共同特征，将共同特征矢量分别输入三个多层全连接网络分支，实现每类风险的特征矢量提取。针对每类风险的网络分支，如图3所示，采用多层门控循环单元gru挖掘连续几次评估的时间特征，最终采用全连接网络及softmax运算，输出第n次评估时每类极端行为的等级。
44.步骤四：将每次评估时的静态数据和动态数据按照一定的格式存入人员极端行为评估数据库，并将评估结果记入人员评估档案。
45.步骤五：具有丰富经验的民警检查并修正评估结果。将部分人员的评估数据连同修正后的评估结果作为样本存储于数据集中，尽量平衡不同极端行为不同等级的样本量。当数据集扩充一定比例后，对网络进行增量训练。计算不同因子对每类极端行为特征矢量的贡献度，定义为网络中从该数据因子到极端行为特征矢量传输路径上的所有权值的乘积。确定与每类风险发生高度关联的因子，挖掘并补充与高风险因子相关的其他因子，扩展高风险因子的数据范围，细化数据采集时的粒度，提高数据精度。采用更新后的数据，继续训练网络以提升极端行为评估的准确性。当人员的高风险因子发生明显变化时，即高风险因子数据值的变化超过了一定的比例，或者到达规定的评估时间时，则对人员进行及时的风险评估。
46.为了对多任务分类网络进行监督训练，需要构建人员风险评估数据集，涵盖不同风险类别及等级的人员样本数据。给定参数t，需要对t个神经网络进行训练，记为网络1至网络t，具体操作如下：(1)针对第1次评估的人员，采用网络1进行风险评估。因此，对网络1采用首次评估时的数据进行监督训练。(2)针对第n次评估的人员，当n>1且n≤t时,采用神经网络n进行风险评估，采用连续n次评估的数据对网络n进行监督训练，以第n次评估结果作为风险等级标签。当n>t时,采用神经网络t进行风险评估。当对网络1至网络t进行训练时，如果数据集存在样本不平衡的问题，可采用连续评估截取的方式增强数据集，为了训练网络t(1≤t≤t)，可从多次连续评估的案例中，采用滑动窗口截取连续的t次评估数据以扩充数据集。
47.具体地，
48.具有丰富经验的民警联合给数据集中每个样本做出不同极端行为下的等级标签，将数据集划分为训练集、验证集、测试集，具体比例为6：2：2。训练集对神经网络1至神经网络t进行监督训练，确定训练的次数为epoch(比如10次)，针对每个epoch，设计一定个数的
批(batch)，将总的样本随机划归入不同的批，则每个批中的样本数为训练集总的样本数除以批的个数。定义多任务分类网络三个分支总的损失函数，采用基于后向传播的梯度下降法计算网络参数。基于训练集的样本获得网络参数更新后，基于验证集确定训练过程中的超参数，包括神经元dropout概率、学习率、正则化参数、评估相关参数t等，同时确定如何提前终止学习过程，以减少过拟合现象的发生。最终，采用测试集，测试网络训练后的评估准确率，定义为本网络基于静态数据和动态数据对人员所做出的极端行为等级评估结果与样本标签进行比对，吻合的比例。
49.实施例2.
50.一种基于神经网络的人员极端行为动态评估系统，包括：
51.数据获取模块，被配置为，获取人员静态数据和动态数据并进行数据编码；
52.数据评估模块，被配置为，对编码后的数据，利用神经网络得到评估结果；
53.其中，利用神经网络得到评估结果，包括构建多任务分类神经网络，采用多层全连接网络提取静态数据和动态数据的深层次特征，采用多层门控循环单元gru提取连续多次动态评估数据之间的时序特征，最终采用全连接网络和softmax运算，以概率方式输出发生不同极端行为的等级。
54.具体地，
55.所述数据库模块，还包括将人员的全周期多源多维度静态数据和动态数据存储于数据库中，并将评估结果归入数据库，同时民警能够标记或修改评估结果，并将典型的案例标记为数据集样本；
56.所述网络训练模块，包括，民警可采用数据库中标记为数据集的样本对网络进行持续的监督训练，并显示训练过程中目标函数的损失值和网络评估的准确率，同时可以调整超参数，避免过拟合现象的发生；
57.还包括，评估结果演示模块，被配置为，对人员的评估结果进行直观显示，采用直方图或者曲线方式显示人员不同评估时的轨迹。同时，可以搜索显示某一类风险的所有人员，汇聚相关信息进行报表显示。
58.实施例3.
59.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行本实施例提供的一种基于神经网络的人员动态风险评估方法。
60.实施例4.
61.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行本实施例提供的一种基于神经网络的人员动态风险评估方法。
62.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
63.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
64.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
65.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
66.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
67.上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。