段開宇 徐漫琳

摘 要：BP神經(jīng)網(wǎng)絡是重要的分類預測方法之一，該文一方面在考察與分析單一因素預測警情的基礎(chǔ)上，探討了一種由多個因素作為神經(jīng)網(wǎng)絡的輸入層的預測模型，另一方面，通過合理部署警力、強化重點區(qū)域管控等相關(guān)防控措施，重新進行引導預測，為維護社會治安提供動態(tài)監(jiān)控和科學決策。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡 警情預測 決策支持

中圖分類號：TP311 文獻標識碼：A 文章編號：1672-3791（2015）06（c）-0230-02

對于公安來說，要保證社會治安穩(wěn)定良好，就必須在接處警工作中降低轄區(qū)內(nèi)警情，從而針對性的按照案件發(fā)生轄區(qū)對所有案件發(fā)生數(shù)量進行預測，根據(jù)預測結(jié)果分析出哪些轄區(qū)的警情會增加，從而可以適當增強這些轄區(qū)的警力配置。而警情的產(chǎn)生是一個復雜的非線性動態(tài)系統(tǒng)，利用傳統(tǒng)的時間序列預測技術(shù)很難揭示其內(nèi)在的規(guī)律。該文在利用神經(jīng)網(wǎng)絡技術(shù)的基礎(chǔ)上，探討了一種面向公安警情分析、預測和決策的的預測模型。

1 BP神經(jīng)網(wǎng)絡的理論研究

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

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

（1.1）

L2層各個處理單元的輸出由轉(zhuǎn)移函數(shù)決定。BP神經(jīng)網(wǎng)絡通常采用Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)（在實際應用中，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)絡選取Sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)是因為Sigmoid函數(shù)的輸出接近生物神經(jīng)元的信號輸出形式，能夠模擬生物神經(jīng)元的非線性特征。同時，Sigmoid函數(shù)具有的非線性特征也能夠增強神經(jīng)網(wǎng)絡的非線性映射能力。

1.2 誤差反向傳播學習算法

BP神經(jīng)網(wǎng)絡采用BP算法進行學習，其學習過程分為四個階段[2]：

（1）學習模式是由輸入層（不做處理）經(jīng)過隱含層然后，向輸出層逐層傳播的“順傳播”過程；（2）網(wǎng)絡的輸出層得期望輸出與實際學習模式的輸出之差，即誤差信號，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^程；（3）由“模式順傳播”過程和“誤差逆?zhèn)鞑ァ边^程反復交替進行的網(wǎng)絡“記憶訓練”過程；（4）網(wǎng)絡趨向收斂，即網(wǎng)絡的全局誤差趨向極小值的“學習收斂”過程[2]。

前人已經(jīng)對這方面內(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)絡的警情預測模型分析

2.1 單因素預測建模過程

在傳統(tǒng)的神經(jīng)網(wǎng)絡警情短期預測中，大部分采用的是滑動窗口時間段內(nèi)的警情數(shù)量，作為神經(jīng)網(wǎng)絡的輸入，即網(wǎng)絡的輸入層，選取的是一段連續(xù)時間內(nèi)連續(xù)的警情數(shù)，未來的預測值作為輸出，然后通過樣本訓練進行權(quán)值的學習。在現(xiàn)實生活中，警情的發(fā)生因素很多，這種預測方法中對預測因素的分析是明顯不足的。上述這種預測方法叫做現(xiàn)狀外推預測，即通過對歷史警情數(shù)的提取，在當前客觀狀態(tài)下，對未來警情數(shù)的預測；在實際生活中，警情的發(fā)生有很多因素，諸如由于警力部署、季節(jié)性流動人口的不同，會導致轄區(qū)某地區(qū)發(fā)生的警情數(shù)也不同。另外，警情數(shù)預測的目的是通過調(diào)整警力或者有針對的預防措施減少轄區(qū)某區(qū)域的發(fā)案數(shù)。

2.2 改進的警情預測建模過程

介于上節(jié)所述原因，我們嘗試在使用神經(jīng)網(wǎng)絡預測過程中，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)及重點防控區(qū)域數(shù)燈相關(guān)參數(shù)，使用神經(jīng)網(wǎng)絡做預測分類是，首先要確定網(wǎng)絡輸入層、隱含層和輸出層神經(jīng)元節(jié)點的數(shù)量，輸入層，節(jié)點主要選取影響預測目標的各個因素，即上述包含的相關(guān)參數(shù)。輸出層節(jié)點，主要選取要預測的未來警情數(shù)。所以，在實際仿真中選擇三層前饋式的神經(jīng)網(wǎng)絡網(wǎng)絡，包含了7個輸入節(jié)點和1個輸出節(jié)點，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)絡預測模型具有較大的改進，由于加入了幾個影響警情發(fā)生的要素，我們可以在外推預測階段結(jié)束后，根據(jù)實際情況作出調(diào)整，諸如由于放假造成的流動人口增多或減少。根據(jù)防控要求作出的警力調(diào)整等各方面條件之后，再次進行預測，形成了有目的的預測。

3 樣本訓練及預測結(jié)果分析

建立預測模型，至少需要2組數(shù)據(jù)樣本，前一組數(shù)據(jù)用來構(gòu)成訓練樣本，對神經(jīng)網(wǎng)絡單元的權(quán)重、閾值進行訓練，后一組數(shù)據(jù)作為檢驗樣本對預測結(jié)果進行檢驗。該例子中選擇了某派出所2014年4月到2015年4月的實際數(shù)據(jù)作為樣本。對樣本進行歸一化處理，勢必導致數(shù)值大的分量絕對誤差變大，一般而言，樣本的輸入和輸出值都限定在0.1至0.9之間。在訓練ANN時，應根據(jù)情況確定輸入輸出層的各神經(jīng)元所代表實際量的最小、最大值Xmin，Xmax，通過代入逆變換公式換算出的真實量。

故，對原始數(shù)據(jù)按照BP人工神經(jīng)網(wǎng)絡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]上的無量綱指標屬性值，如表2所示。

利用訓練完成后神經(jīng)網(wǎng)絡的結(jié)構(gòu)和權(quán)值參數(shù)，我們首先將剩余的其他沒有參與訓練的測試數(shù)據(jù)，作為神經(jīng)網(wǎng)絡的輸入，進行警情數(shù)的預測，然后通過網(wǎng)絡的輸出值與實際值比較，以此來驗證預測模型的準確度和泛化能力。

4 結(jié)語

該文從預測結(jié)果比較所示可以得到的結(jié)論有：（1）預測數(shù)據(jù)與真實數(shù)據(jù)在數(shù)值上盡管存在一些差距，但是在升降的趨勢方向上是較為準確的。（2）改進的多因素BP神經(jīng)網(wǎng)絡預測模型采用了8個影響警情發(fā)生因素指標作為神經(jīng)網(wǎng)絡結(jié)構(gòu)中的輸入，利用神經(jīng)網(wǎng)絡的自適應、自學習能力對歷史樣本數(shù)據(jù)進行訓練，通過網(wǎng)絡的輸出獲得了與真實數(shù)據(jù)趨勢一致的預測值。根據(jù)預測的趨勢情況，可通過強化巡邏、不同區(qū)域配置不停警力等方式進行引導預測，這樣可以如實的反應出變更防控措施后的優(yōu)勢與不足。

參考文獻

[1] 劉莉，徐玉生，馬志新.數(shù)據(jù)挖掘中數(shù)據(jù)預處理技術(shù)綜述[J].甘肅科學學報， 2003，15（1）：117-119.

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

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