大数据助推人工智能在公安指挥调度上的应用

2017-11-02李亚东宋婷婷

数字通信世界 2017年9期

关键词：警情态势调度

李亚东，夏耘，宋婷婷

（一体化指挥调度技术国家工程实验室，北京 100192）

大数据助推人工智能在公安指挥调度上的应用

李亚东，夏耘，宋婷婷

（一体化指挥调度技术国家工程实验室，北京 100192）

大数据为人工智能在公安指挥调度上的应用提供了海量的数据基础，高度还原现场场景，智能推送态势信息，并围绕某一案事件的全景信息，为决策者快速提供辅助参考信息，节约决策成本、提高警情处置效率，高效化处置流程、便捷化人民群众。

智能指挥；人工智能；大数据

Abstract:With the application of command, which in the basis of a large set of data, using Artificial Intelligence, highly reduce the scene, push the situation information intelligent, and provide supplementary reference information around a case of event, saving the costs of decision-making, improve the eff i ciency of police,eff i cient disposal process and facilitate the people.

Keywords：Intelligent command; Artif i cial Intelligence; Big Data

1 引言

近年来，随着云计算、大数据、脑科学、认知科学的综合进步，为人工智能加速发展创造了极好的条件，而大数据助推人工智能的发展主要体现在感知、认知、展示三个人方面。

2 人工智能在指挥调度中的应用

2.1 公安智能指挥调度的应用模式

随着社会总体治安形势的不断变化，如何快速、准确、高效的满足一线实战要求，成为指挥中心当前首要目标，目前，各地指挥中心已经纷纷开展了基于大数据的信息化系统的建设，为事件研判提供信息支撑，然而，在事件发生后，快速派警、优化分配任务、节约决策时间成为遏制现场事态恶性发展、最大程度保证群众安全性、最低成本解决事件的关键因素，而人工智能技术的引入，将贯穿到接警、处警、决策、指挥、调度等实战业务中去，便捷化、智能化业务流程。

2.1.1 接警智能化应用

传统的接警席所获取的报警信息往往只来源于报警人、视频监控或安防报警，而无法获取报警事件背后隐藏的信息，而随着大数据、视频智能分析、人工智能等信息化技术的不断成熟，为指挥中心提供更全面的现场警情信息可有效提高警力利用率、降低假警率、错警率，在接收到报警电话时，可通过语音识别自动获取案发地址、人物信息、案件事由等信息，并根据事件信息类别自动弹出预案，推送处警建议，对于重点人员可通过后台关联的数据库，进行智能报警提示，对于假警情报，通过联动现场视频进行复核，实现报警事件的智能化确认，如图1所示。

图1 接警信息智能识别

2.1.2 处警智能化应用

在报警事件确认完毕后，将处警流程、现场信息、处警注意事项等信息标准化、规范化、智能化的推送给一线警力可提高处警效率，充分利用警力资源。在这过程中，通过对处警影响因子，比如案件信息、案发地周报警力分布、事发地周边路况信息赋予不同权重，结合人工智能机器学习技术，通过模型推演、人工核验后形成处警指令。并在处警人员赶赴现场时，根据现场实时交通路况信息智能化推送最优路径给处警人员，并按级分配不同管理权限，上级对下级接处警情况可实时监控并存储备案，下级漏接可跳转上级，处警更快捷，可区分警情的轻重缓急，过滤误报。

图2 处警指令智能化派发

2.1.3 智能化态势应用

态势无论在战场上还是在公安实战应用中，是指挥员了解现场情况，评估事件未来发展以及作出对应决策的关键信息，在实战过程中，保证各级终端态势的对称性可减少各级人员因理解不同而导致处置手段不一致；在决策过程中，态势图可作协作研讨的底图，进行态势的推演。

智能化态势从态势感知、态势处理、态势展示三个方面来描述，态势感知可通过传感器、互联网、移动端、PC端等获取现场气象信息、交通流信息、场所信息、应急资源信息、警情信息等；态势处理则可通过态势标绘、态势订阅、态势分发、态势回溯、态势研判、态势评估等方法分析事态走向的多种可能性，将基于时空维度的现场态势转换为直观、可视化的“态势图”，为指挥控制人员分析行动方案、有效决策提供支持，最终可基于大屏、PC、移动等终端表现形式为指挥中心人员、一线警力提供直观可视的态势现场图、态势趋势图、专题研讨图。在指挥决策过程中，将可视化图像转变为便于指挥调度的协作研讨环境，形成面向不同业务终端的“态势研判图”，并结合标准化的行动指令派发给终端用户。

图3 智能化态势总体设计

2.1.4 智能化决策应用

随着前端信息的不断叠加，决策将日益基于数据和分析而做出，而并非基于经验和直觉，然而，大而全的信息无法为指挥员减少决策成本，指挥员如何快速、准确的从海量信息中筛选出有效信息，并形成一系列调度指令成为了控制现场局面的主要因素之一。人工智能的日益成熟为公安业务开辟了新的路径，在案例推理、规则推理、机器学习、模糊逻辑与模糊推理、神经网络等人工智能算法基础上，在发生重大案事件时，可根据事件的描述信息，通过模型计算，迅速的筛选出历史与此事件相似的典型案例以及其所采取的预案，经过类比思维，把相似事件的知识应用到新事件中，从而得到新事件的解释或解决方案[5]。

基于人工智能的决策智能化应用可帮助决策者减少决策成本、提高决策准确性，在决策方案下达后，可通过人机交互方式将其迅速分解成非常好理解和传达的行动命令，规范化决策流程，提高决策效率。

图4 基于案例推理的智能决策应用流程

2.1.5 智能化预案应用

智能化预案以案事件为核心，通过人工智能模型计算的自学习，以将预案分解为标准化、序列化、智能化、行动化指令为目标，基于地理信息数据库、模型库、决策技术库和预案库，针对公安各类突发事件的不同特性和文本预案，采用预测分析模型进行模拟预测预警，在预测预警过程中，通过模型库的调用分析，可以通过数据（数据驱动）、模型（模型驱动）和知识（知识驱动）提供专家咨询和辅助预警。比如在警情发生后，可通过提取警情关键字，如警情类别、警情级别、案件特征等，根据问题识别已有的成熟模型，分析模型所需要的数据，通过它们之间的接口技术和系统集成技术把它们组成有机整体，采用相似度计算方法，评估新案例与旧案例之间相似程度，为当前警情推送历史案例的解决思路，通过案例的重用和修正形成当前警情的智能化预案，并最终将其分解为一系列指令推送给一线警力人员。

图5 预案的智能化分解

2.2 人工智能应用于指挥调度的关键技术

2.2.1 机器学习

机器学习是人工智能的核心，它主要使用归纳、综合方法，机器学习的研究是通过生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型、认知模型，进而发展各种学习理论和学习方法，以机器学习算法为代表的人工智能技术可基于已知观测数据建立模型，从数据中自动分析获得规律，并利用规律对未知数据进行预测，并根据模型来求解问题。

2.2.2 专家系统

专家系统（expert system，ES）是能把一个或多个人类专家在某一领域的知识集中起来，并能解决专家要解决的问题的程序，一个专家系统就是一个计算机程序集，该程序利用当前的输入信息、知识库及一系列推理规则来完成由某一领域专家才能完成的工作。

专家系统是指一个具有大量行业或领域专门知识与经验的程序系统。它以计算机科学技术和人工智能技术为基础，先根据某一行业或领域一些权威专家或多个专家所提供的一些相关知识和相关经验，再进行深入推理和判断，进而可以模拟人类专家的判断决策过程。通过这个过程，从而来帮助人们解决现实中一些需要人类专家来处理的一些复杂的问题。实现专家系统必须要有两个条件：一是要拥有类似于该领域专家解决实际问题的推理机制，二是建立一个完善的存储有该领域中经过专家事先总结、分析并按某种模式表示的专家知识库。这两个条件缺一不可，否则无法进行专家识别。研究发现，专家系统能对人类输入的信息进行快速处理，并运用相关的行业和领域知识进行推理判断，进而作出相应的判断和决策。

2.2.3 人工神经网络

神经网络技术（Artificial Neural Networks，ANN）具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。通过扫描分析大量的数据，在类似于人脑的神经元网络中建模，通过不断地让模型对输入数据进行机器训练，从而得到符合逻辑的运算输出。

2.2.4 案例推理CBR

案例推理（Case-based Reasoning，CBR）是美国学者Roger在动态理论中提出的[6]，属于人工智能中的一种学习方法，通过从历史案例库中查找与目标案例相似的历史案例的解决方案，为当前问题的决策提供支持。CBR是人工智能领域发展起来的一项技术，规避了传统人工智能技术在知识和推理规则的获取这一瓶颈上所面临的问题，CBR的逻辑起点是认知科学，而认知科学和心理学的研究认为人类解决问题的常用方式是基于经验的推理和学习。