胡勉寧 張騰飛 賈 楠講師

(中國人民公安大學(xué) 信息網(wǎng)絡(luò)安全學(xué)院，北京100038)

0 引言

城市群的安全取決于社區(qū)的安全[1-2]。隨著社區(qū)規(guī)模日益擴(kuò)大、社區(qū)居民的逐漸聚集，社區(qū)治安事件也隨之增多[3-4]，如2018年的杭州保姆縱火案、2020年杭州殺妻案等。社區(qū)作為城市的基本單元，其治安安全是城市安全的基礎(chǔ)，是社區(qū)居民平安生活的基本保障[5-6]。社區(qū)治安風(fēng)險具有人員、地點、事件、物件、基層組織多主體復(fù)雜交錯的特點。風(fēng)險因素也因此高度匯聚、相互復(fù)雜耦合關(guān)聯(lián)[7]，例如,人與人之間的鄰里關(guān)系、婆媳關(guān)系、債權(quán)債務(wù)關(guān)系；人與物之間的攜帶危險物品關(guān)系；人與組織之間隸屬犯罪團(tuán)伙關(guān)系等。多樣的主體及其之間的關(guān)系會導(dǎo)致不同類型的風(fēng)險事件。社區(qū)治安事件是由于多個風(fēng)險主體相互碰撞、相互疊加產(chǎn)生，因此在社區(qū)安全事件頻繁發(fā)生、社區(qū)治安安全問題日益凸顯的當(dāng)下，厘清社區(qū)中風(fēng)險多主體的關(guān)聯(lián)關(guān)系，探究社區(qū)治安事件演化過程中的多主體動態(tài)關(guān)聯(lián)關(guān)系[8-9]是有效預(yù)防風(fēng)險事件(或切斷風(fēng)險事件演化)的關(guān)鍵。

社區(qū)風(fēng)險事件存在著多主體關(guān)聯(lián)性、復(fù)雜性的特征，而知識圖譜以其簡潔性、直觀性的特點，可有效地分析社區(qū)風(fēng)險事件多主體關(guān)聯(lián)的復(fù)雜性問題。知識圖譜是Google公司率先提出應(yīng)用于搜索領(lǐng)域的一項新技術(shù)，由于豐富的語義信息和詳細(xì)關(guān)聯(lián)模型的出現(xiàn)，知識圖譜成為各領(lǐng)域知識構(gòu)建的有效工具，在司法、醫(yī)學(xué)等領(lǐng)域內(nèi)有很多應(yīng)用[10-14]。公安領(lǐng)域內(nèi)，不少研究學(xué)者也借用知識圖譜解決了在信息檢索與推薦、知識挖掘與推理、風(fēng)險治理等一系列應(yīng)用上的難題。例如，謝敏容[15]將公安大數(shù)據(jù)整合成知識圖譜，在智能搜索方面進(jìn)行實戰(zhàn)性應(yīng)用；樊舒等[16]在網(wǎng)絡(luò)安全知識領(lǐng)域通過構(gòu)建知識圖譜，以直觀的形式提取、分析、展示網(wǎng)絡(luò)安全知識；彭雨蘇[17]著重研究與公安一線關(guān)系密切的社區(qū)安全工作，通過對社區(qū)風(fēng)險因素的分析，提出社區(qū)風(fēng)險知識圖譜構(gòu)建思路，為知識圖譜在社區(qū)風(fēng)險事件防范中的應(yīng)用奠定基礎(chǔ)。

針對社區(qū)治安風(fēng)險防范中具體預(yù)警、防范的實際需求，構(gòu)建基于知識圖譜的社區(qū)盜竊案件預(yù)警框架。社區(qū)治安風(fēng)險知識圖譜預(yù)警框架按照自頂向下的設(shè)計思路，依次進(jìn)行模式層設(shè)計、數(shù)據(jù)層處理、知識計算應(yīng)用。主要工作如下：

(1)利用社區(qū)治安風(fēng)險事件的主體特性和關(guān)聯(lián)關(guān)系搭建社區(qū)治安風(fēng)險事件演化、預(yù)警框架，并將積分值和權(quán)重概念引入框架中。

(2)結(jié)合社區(qū)治安風(fēng)險事件的演化、預(yù)警框架，從知識圖譜構(gòu)建的角度，進(jìn)行實體和實體關(guān)系建模。進(jìn)一步梳理社區(qū)治安風(fēng)險知識及其關(guān)聯(lián)關(guān)系，并結(jié)合真實數(shù)據(jù)獲得不同等級的閾值，實現(xiàn)社區(qū)治安風(fēng)險事件知識圖譜預(yù)警框架中的分等級預(yù)警功能。

(3)以該預(yù)警框架為基礎(chǔ)，搭建社區(qū)盜竊風(fēng)險知識圖譜的預(yù)警系統(tǒng)，并以某地社區(qū)盜竊案件為例進(jìn)行風(fēng)險預(yù)警應(yīng)用落地。

1 社區(qū)治安風(fēng)險及演化預(yù)警框架

1.1 社區(qū)治安風(fēng)險基本特征

社區(qū)是治安風(fēng)險事件的載體，其承受的社區(qū)風(fēng)險主要包括潛在的社區(qū)治安事件風(fēng)險、社區(qū)刑事事件風(fēng)險和社區(qū)災(zāi)害事件風(fēng)險。通過下沉社區(qū)調(diào)研、資料收集以及與中國人民公安大學(xué)3位從事安全風(fēng)險分析的專家進(jìn)行討論，總結(jié)出社區(qū)風(fēng)險具有的3大基本特征：多元異構(gòu)性、隱蔽性和不確定性。

多元異構(gòu)性是社區(qū)治安事件形成的原因之一。社區(qū)風(fēng)險事件發(fā)生是由于異構(gòu)的致災(zāi)要素不斷碰撞、疊加直至形成具有隱患的事件鏈。要終止風(fēng)險事件發(fā)生，需充分研究社區(qū)治安風(fēng)險多元異構(gòu)性，厘清多元關(guān)系，從多角度對其多元異構(gòu)的特性進(jìn)行防范。

隱蔽性也是影響社區(qū)治安風(fēng)險不可忽視的因素之一。現(xiàn)實生活中，許多不易被人察覺的致災(zāi)要素是社區(qū)治安事件的催化劑，社區(qū)中具有較好隱蔽風(fēng)險的事物有：物品——雜亂堆砌的物品中可能隱藏有易燃易爆品；地點——環(huán)境復(fù)雜的鬧市以及各種監(jiān)控死角等。

不確定性是指社區(qū)治安風(fēng)險事件發(fā)生的隨機(jī)性。這種特性往往導(dǎo)致人們對風(fēng)險事件預(yù)防束手無策，但計算機(jī)的高速計算能力卻讓這種不可能變?yōu)榭赡?，通過不斷提高預(yù)警、預(yù)測的準(zhǔn)確率來進(jìn)行輔助決策，以期實現(xiàn)提前感知、及時預(yù)警，將不確定性變?yōu)榘踩浴?/p>

1.2 社區(qū)治安風(fēng)險事件多主體關(guān)聯(lián)關(guān)系分析

為防范社區(qū)治安事件的發(fā)生，根據(jù)團(tuán)隊前期的研究結(jié)果可知社區(qū)風(fēng)險主體包含人員、地點、事件、物件、基層組織(人—地—事—物—組織)等要素，其中，由多種主體組合而構(gòu)成的多元關(guān)聯(lián)關(guān)系可能產(chǎn)生社區(qū)風(fēng)險事件[18]。因此，將社區(qū)治安風(fēng)險事件作為研究對象，根據(jù)人—事—地—物—組織多主體關(guān)聯(lián)關(guān)系框架，梳理出各風(fēng)險主體知識之間復(fù)雜的關(guān)聯(lián)關(guān)系。將其分為3大類：人—X二元主體關(guān)聯(lián)關(guān)系；X—Y二元主體關(guān)聯(lián)關(guān)系；多元主體關(guān)聯(lián)關(guān)系。第一類主體關(guān)聯(lián)關(guān)系的知識關(guān)系包括包含有人—地關(guān)系、人—組織關(guān)系等人—X二元主體關(guān)聯(lián)關(guān)系，如盜竊前科人—盜竊高發(fā)地、重點人群—攜帶盜竊工具等；第二類主體關(guān)聯(lián)關(guān)系的知識關(guān)系包含有物—組織關(guān)系、地—物關(guān)系等X—Y二元主體關(guān)聯(lián)關(guān)系，如社區(qū)開放程度高—攜帶盜竊工具、防盜宣傳力度低—公安機(jī)關(guān)打擊力度低等；第三類主體關(guān)聯(lián)關(guān)系包含有人—地—組織關(guān)系、人—地—物—組織關(guān)系等的多元主體關(guān)聯(lián)關(guān)系，例如行為異?！I竊高發(fā)地—隸屬盜竊團(tuán)伙、盜竊前科人員—攜帶盜竊工具—巡檢人員巡檢次數(shù)少等。以上關(guān)聯(lián)關(guān)系是通過分析公安機(jī)關(guān)警情案件數(shù)據(jù)、學(xué)習(xí)警方破案思路、走訪調(diào)研風(fēng)險社區(qū)、查閱相關(guān)文獻(xiàn)資料等方法歸納總結(jié)出的分類結(jié)果，根據(jù)每一類關(guān)聯(lián)關(guān)系即可反推出潛在的社區(qū)風(fēng)險事件，從而可以通過對風(fēng)險事件關(guān)聯(lián)關(guān)系的研究，找到合適的預(yù)防措施。

1.3 社區(qū)治安風(fēng)險預(yù)警框架

多米諾效應(yīng)常應(yīng)用于安全事故風(fēng)險分析領(lǐng)域中[19]，將風(fēng)險事故的多米諾效應(yīng)遷移到社區(qū)治安風(fēng)險事件中，提出社區(qū)多元主體關(guān)聯(lián)、風(fēng)險事件、后果的一系列事件演化鏈條，引出預(yù)警、干預(yù)的風(fēng)險事件預(yù)警框架(如圖1)，其中社區(qū)治安事件的演化由于人—地—事—物—組織的5類社區(qū)主體風(fēng)險度不斷疊加至超過閾值，導(dǎo)致社區(qū)風(fēng)險事件多米諾骨牌連鎖效應(yīng)，并進(jìn)一步產(chǎn)生相關(guān)風(fēng)險事件以及后果，由此可獲得社區(qū)治安風(fēng)險多主體疊加—風(fēng)險事件醞釀—后果產(chǎn)生的社區(qū)治安風(fēng)險演化線。

圖1 社區(qū)治安風(fēng)險事件演化預(yù)警框架Fig.1 Early warning framework of community security risk event evolution

在社區(qū)治安風(fēng)險事件演化中，通過引入風(fēng)險主體積分塊以及閾值上限進(jìn)行積分預(yù)警，能夠及時地預(yù)判風(fēng)險事件的發(fā)生，并可人為干預(yù)、終止其演化過程。依據(jù)圖1，以盜竊前科人員—老年型社區(qū)—涉及盜竊案件—攜帶盜竊工具—巡防組織力度不足5個具體的多主體關(guān)系為例，將其融入“人—地—事—物—組織”5類風(fēng)險主體中。當(dāng)它們相互碰撞、疊加，會導(dǎo)致社區(qū)治安風(fēng)險事件演化，從而接連產(chǎn)生風(fēng)險事件。其中積分預(yù)警指在每類風(fēng)險形成之初，給予不同主體不同的積分值(即圖1中的積分塊)和積分塊的累次、疊加，當(dāng)最終積分和超過設(shè)定閾值時，及時預(yù)警以提醒管理員進(jìn)行人為干預(yù)。如密切監(jiān)控相關(guān)風(fēng)險事件中的重點人員、重點場所、重點設(shè)備、重點團(tuán)體等，以期在風(fēng)險事件發(fā)生之初將隱患消除，截斷社區(qū)治安風(fēng)險事件演變過程。

2 社區(qū)盜竊風(fēng)險知識圖譜模式設(shè)計

知識表示是完成知識圖譜、知識組織的前提和基礎(chǔ)。以社區(qū)盜竊風(fēng)險知識圖譜為例，采取自頂向下的社區(qū)盜竊風(fēng)險領(lǐng)域本體知識表示方法來構(gòu)建社區(qū)盜竊風(fēng)險知識的模式層，從人、地、事、物、組織5個維度來定義社區(qū)盜竊風(fēng)險領(lǐng)域的屬性、概念和關(guān)系。從頂層開始設(shè)計，結(jié)合專家經(jīng)驗進(jìn)行概念梳理、分類、分級和本體模型構(gòu)建，實現(xiàn)能夠直觀地展現(xiàn)社區(qū)盜竊風(fēng)險領(lǐng)域中各種實體之間的關(guān)系，從而保證社區(qū)盜竊圖譜的完整性、準(zhǔn)確性和客觀一致性。

2.1 社區(qū)盜竊風(fēng)險實體建模

社區(qū)盜竊風(fēng)險知識圖譜按照不同的風(fēng)險維度進(jìn)行細(xì)分，可以定義為人、地、事、物、組織5種概念，以各維度對體系中的實體進(jìn)行建模。在社區(qū)盜竊案件中，人包含有諸多類型信息，如姓名、身份證號、性別、年齡、住址、職業(yè)、前科類型、是否在逃人員、行為異常、涉案時間、涉案地點等，但根據(jù)公安實戰(zhàn)數(shù)據(jù)可知真正影響社區(qū)盜竊風(fēng)險的實體類型只有職業(yè)、前科類型、是否在逃人員、行為異常4類，所以將此4類實體歸為“人”的實體類型；地點是盜竊案件犯罪嫌疑人的重點選擇對象，針對偏僻地區(qū)、特殊場所需要給予重點關(guān)注，“地”實體包括社區(qū)出入口數(shù)量、社區(qū)監(jiān)控覆蓋率、社區(qū)建設(shè)時間、社區(qū)周邊交通設(shè)施數(shù)量等4類實體類型；社區(qū)中盜竊案件會涉及到一些盜竊工具的使用，因此防范時需要政府、物業(yè)采用宣傳和巡邏等方式，“物”的實體中包括社區(qū)每月防詐宣傳次數(shù)、社區(qū)每日安保巡防次數(shù)等實體類型；“事”就是通過有關(guān)事件來反應(yīng)再次發(fā)生案件的情況，包括盜竊案件發(fā)生頻率、極端天氣情況等實體類型；社區(qū)盜竊案件涉及的組織包括政府組織、民間組織等，“組織”的實體包括是否有社區(qū)巡防組織、社區(qū)安保防范工具是否完善等實體類型。通過與一線社區(qū)民警和3位中國人民公安大學(xué)長期研究風(fēng)險分析的專家進(jìn)行分析、總結(jié)，得出基于實體的社區(qū)盜竊風(fēng)險概念集構(gòu)建，如圖2。

圖2 基于實體的社區(qū)盜竊風(fēng)險概念集構(gòu)建Fig.2 Construction of entity based community theft risk concept set

2.2 社區(qū)盜竊風(fēng)險實體關(guān)系構(gòu)建

實體關(guān)聯(lián)關(guān)系的優(yōu)劣決定著社區(qū)治安風(fēng)險事件關(guān)系分析能力的強(qiáng)弱[17]。通過將實體和關(guān)聯(lián)關(guān)系映射到社區(qū)盜竊風(fēng)險領(lǐng)域中能形成多種關(guān)聯(lián)關(guān)系類型的社區(qū)盜竊風(fēng)險實體關(guān)系，見表1。當(dāng)按照人—地—事—物—組織5大實體進(jìn)行關(guān)系搭建時，根據(jù)社區(qū)盜竊風(fēng)險實際情況可以形成12種實體關(guān)系；同時每一個實體還包含著多種具體實體類型，如圖2。采用排列組合的方式可以獲得每個實體的組合數(shù)量，再根據(jù)每種關(guān)系涉及實體的組合數(shù)量依次相乘得到每類實體關(guān)系的類型數(shù)量。由表1可知，社區(qū)盜竊案件涉及的實體關(guān)系復(fù)雜、多樣，并且多是以“人”為中心串聯(lián)起來的，而且關(guān)系中涉及到人—地—事—物—組織5大實體中主體越多，由該多實體關(guān)聯(lián)關(guān)系演變成為盜竊事件的可能性就越大，如當(dāng)由異常行為人—防范等級低的社區(qū)—相關(guān)人涉及的盜竊案件—社區(qū)出入口數(shù)量多—巡防組織次數(shù)少5類實體構(gòu)成實體關(guān)聯(lián)關(guān)系后，其風(fēng)險度很大，社區(qū)治安風(fēng)險事件(盜竊事件)極易發(fā)生。因此在后期的社區(qū)盜竊風(fēng)險知識圖譜建造中需要密切注意5大實體，尤其是“人”的相關(guān)風(fēng)險實體。

表1 社區(qū)盜竊風(fēng)險實體關(guān)系表Tab.1 Community theft risk entity relationship table

3 數(shù)據(jù)層構(gòu)建

3.1 數(shù)據(jù)來源及預(yù)處理

知識圖譜的構(gòu)建需要有充分、多源的數(shù)據(jù)來支持。數(shù)據(jù)通過調(diào)研收集、文獻(xiàn)查找、統(tǒng)計年鑒整理獲得，并且經(jīng)過篩選、清洗數(shù)據(jù)后，得出實現(xiàn)知識圖譜預(yù)警的原數(shù)據(jù)。由于篇幅原因，附上部分?jǐn)?shù)據(jù)(數(shù)據(jù)均已進(jìn)行脫敏處理)，見表2。

表2 部分原數(shù)據(jù)Tab.2 Some raw data

3.2 風(fēng)險預(yù)警積分值及閾值設(shè)定

3.2.1 基于層次分析法設(shè)定積分值

根據(jù)社區(qū)治安風(fēng)險演化預(yù)警框架和社區(qū)盜竊風(fēng)險實體及關(guān)系構(gòu)建可知，每類實體中包含有不同的實體類型，因此采用基于大數(shù)據(jù)的概率統(tǒng)計方式可以有效計算每個實體類型的積分值。

由于很多結(jié)構(gòu)化數(shù)據(jù)中存在字段屬性值未進(jìn)行聚類賦予0、1標(biāo)簽的情況，無法使用機(jī)器進(jìn)行概率計算，所以在大數(shù)據(jù)的基礎(chǔ)上采用算術(shù)平均值公式(1)找出每個字段內(nèi)的平均值A(chǔ)，然后逐個比較該數(shù)據(jù)字段中每個數(shù)據(jù)An(n=1，2，…，N)，N為該數(shù)據(jù)字段中數(shù)據(jù)個數(shù)，若An≤A，將該數(shù)據(jù)重新賦值為0，若An>A，將該數(shù)據(jù)重新賦值為1，并根據(jù)實際情況將0、1標(biāo)簽附上是否存在風(fēng)險。最后采用概率統(tǒng)計方法統(tǒng)計出該數(shù)據(jù)字段中存在風(fēng)險的數(shù)量為W1，總數(shù)量為W，用公式(2)計算出該數(shù)據(jù)字段對應(yīng)實體類型的風(fēng)險積分值為J。

(1)

(2)

在社區(qū)盜竊風(fēng)險知識圖譜中以人—地—事—物—組織5類進(jìn)行積分，需要將各實體類型的積分值整合賦給實體。但由于每類實體的不同實體類型重要程度存在差異，不能采取平均求值的方法，需要采用層次分析法來求各實體類型權(quán)重。層次分析法分為構(gòu)建層次模型、構(gòu)造各層次判斷矩陣、層次排序與一致性檢驗共4個步驟[20-21]。

(1)構(gòu)建層次模型。社區(qū)盜竊風(fēng)險的層次模型，如圖3，按照實體集構(gòu)建情況將層次模型也分為3個層次，第一層為社區(qū)盜竊案件風(fēng)險A，第二層為人、地、事、物、組織5個一級指標(biāo)B1-B5，第三層為14個二級指標(biāo)C1-C14。

圖3 社區(qū)盜竊風(fēng)險層次模型圖Fig.3 Hierarchical model of community theft risk

(2)構(gòu)建比較判斷矩陣。采用九級標(biāo)度法(見表3)通過專家打分，獲取兩兩指標(biāo)之間的相互權(quán)重關(guān)系，從而構(gòu)建出判斷矩陣，見表4。

接著用算術(shù)平均法計算層次模型的權(quán)重。首先，利用公式(3)計算出判斷矩陣各行元素的乘積Ti；然后，利用公式(4)求出每一行乘積Ti的n次方根，并利用公式(5)進(jìn)行正規(guī)化。

表3 九級標(biāo)度法表Tab.1 Table of nine scale method

表4 判斷矩陣表Tab.4 Judgment matrix

(3)

式中：

Ti—第i個指標(biāo)與指標(biāo)之間的重要等級賦值的乘積；

aij—第i個指標(biāo)與第j個指標(biāo)之間的重要等級賦值。

(4)

(5)

(6)

式中：

Si—第i個指標(biāo)與指標(biāo)之間的重要等級賦值乘積n次方根的歸一化值；

Si—第i個指標(biāo)與指標(biāo)之間的重要等級賦值乘積的n次方根；

最后整理得到判斷矩陣和權(quán)重，見表5。

(3)一致性檢驗。合理性判斷，是指得到權(quán)重后需要進(jìn)行一致性檢驗判斷權(quán)重結(jié)果的合理性。經(jīng)過對判斷矩陣結(jié)果進(jìn)行一致性檢驗，其結(jié)果顯示均通過檢驗，因此各實體類型的權(quán)重合理，即社區(qū)盜竊風(fēng)險知識圖譜實體權(quán)重分配，見表6。

表5 九級標(biāo)度法判斷矩陣及權(quán)重表Tab.5 Judgment matrix and weight table of nine level scaling method

表6 社區(qū)盜竊風(fēng)險知識圖譜實體權(quán)重分配表Tab.6 Community theft risk knowledge map entity weight distribution table

通過上述層次分析法可獲得各實體不同類型的權(quán)重，再將權(quán)重與各類實體的積分值J結(jié)合，并整合到人—地—事—物—組織5類實體，可獲得5類實體所擁有的積分值。

為了更直觀地表示每類關(guān)系的風(fēng)險度，還需得到每類關(guān)系的積分和值，但由于不同區(qū)域客觀環(huán)境的差異，會導(dǎo)致不同實體對風(fēng)險事件發(fā)生的影響度不同，因此需要修正權(quán)重。首先，根據(jù)表1的實體關(guān)聯(lián)關(guān)系類型，收集某社區(qū)盜竊案件數(shù)據(jù)進(jìn)行整合、分類，厘清各事件的所屬關(guān)聯(lián)關(guān)系；然后，統(tǒng)計包含各實體事件數(shù)量占總事件的比例；最后，將此占比定義為在區(qū)域中該實體的權(quán)重，并結(jié)合各實體類型的積分值獲得社區(qū)盜竊事件的風(fēng)險度，見公式(3)。區(qū)域?qū)嶓w權(quán)重值，見表7。

V=MpeoplePpeople+MpositionPposition+MeventPevent

+MtoolPtool+MorganizationPorganization

(3)

式中：

V—社區(qū)盜竊事件的風(fēng)險度值；

Mpeople—社區(qū)盜竊事件中實體“人”的積分值；

Mposition—社區(qū)盜竊事件中實體“地”的積分值；

Mevent—社區(qū)盜竊事件中實體“事”的積分值；

Mtool—社區(qū)盜竊事件中實體“物”的積分值；

Morganization—社區(qū)盜竊事件中實體“組織”的積分值；

Ppeople—社區(qū)盜竊事件中區(qū)域?qū)嶓w“人”的權(quán)重值；

Ppotiton—社區(qū)盜竊事件中區(qū)域?qū)嶓w“地”的權(quán)重值；

Pevent—社區(qū)盜竊事件中區(qū)域?qū)嶓w“事”的權(quán)重值；

Ptool—社區(qū)盜竊事件中區(qū)域?qū)嶓w“物”的權(quán)重值；

Porganization—社區(qū)盜竊事件中區(qū)域?qū)嶓w“組織”的權(quán)重值。

表7 區(qū)域?qū)嶓w權(quán)重值表Tab.7 Table of conceptual weights of regional entities

3.2.2 分等級預(yù)警實現(xiàn)

對選定社區(qū)的盜竊案件進(jìn)行聚類劃分，首先，將計算得出的每個案例積分和值J進(jìn)行一維層面的k近鄰分類(K-Nearest Neighbor Classification，KNN)聚類分析，劃分出5個大類；然后，在每次聚類后，取每類中數(shù)值的平均值為該類的數(shù)值；最后，可以得到5個數(shù)值并按順序排列(J5>J4>J3>J2>J1)，即可以得到5個等級：當(dāng)0

表8 預(yù)警等級劃分表Tab.8 Classification of early warning levels

4 社區(qū)盜竊風(fēng)險知識圖譜預(yù)警應(yīng)用

4.1 基于知識圖譜的社區(qū)盜竊風(fēng)險事件預(yù)警系統(tǒng)設(shè)計

筆者開發(fā)了一款基于知識圖譜的社區(qū)盜竊風(fēng)險事件預(yù)警系統(tǒng)。首先，總體框架設(shè)計了存儲層服務(wù)、數(shù)據(jù)層服務(wù)、可視化服務(wù)、應(yīng)用層服務(wù)4個模塊，如圖4。存儲層服務(wù)中采用瑞典MySQL AB 公司開發(fā)的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)(Structured Query Language，SQL)，MySQL數(shù)據(jù)庫對公安內(nèi)外數(shù)據(jù)進(jìn)行安全、高效的存儲；數(shù)據(jù)層服務(wù)中系統(tǒng)從數(shù)據(jù)接入、數(shù)據(jù)定義、數(shù)據(jù)處理3個方面完成對數(shù)據(jù)的加工；可視化服務(wù)中運用Flask、Pyecharts、Jinja2、Vue和Bootstrap4等可視化技術(shù)搭建社區(qū)盜竊風(fēng)險知識圖譜預(yù)警系統(tǒng)；應(yīng)用層服務(wù)中，系統(tǒng)最終可以實現(xiàn)圖譜展示、分等級預(yù)警、態(tài)勢感知、多元主體分析等功能作用。

對于數(shù)據(jù)源獲取的模式，系統(tǒng)設(shè)計2種方式，一種是文件上傳模式，該模式需要將格式化的xlsx或csv數(shù)據(jù)文件通過主窗口頁面進(jìn)行上傳；另一種模式是動態(tài)更新模式，該模式通過調(diào)整后臺數(shù)據(jù)映射表文件，將MySQL數(shù)據(jù)庫作為數(shù)據(jù)源進(jìn)行接入，實現(xiàn)后臺實時獲取數(shù)據(jù)并動態(tài)渲染可視化界面，再異步推送渲染好的界面到用戶網(wǎng)頁端。通過以上2種不同的數(shù)據(jù)獲取模式，該系統(tǒng)能夠適應(yīng)更多樣的社區(qū)進(jìn)行預(yù)警。

圖4 社區(qū)盜竊風(fēng)險預(yù)警系統(tǒng)總體框架Fig.4 Overall framework of community theft risk early warning system

4.2 基于知識圖譜的社區(qū)盜竊風(fēng)險事件預(yù)警系統(tǒng)實現(xiàn)

根據(jù)系統(tǒng)設(shè)計的總體框架，融入分等級預(yù)警機(jī)制，實現(xiàn)了基于知識圖譜的社區(qū)盜竊風(fēng)險事件預(yù)警。下面對系統(tǒng)進(jìn)行展示，首先，利用數(shù)據(jù)上傳界面上傳數(shù)據(jù)，生成知識圖譜，并給各個實體賦上相應(yīng)積分值、選取合適的預(yù)警等級，一旦某類關(guān)系中實體的積分和值超過預(yù)警等級的閾值，整條關(guān)聯(lián)關(guān)系可通過色彩變化予以警示。功能界面如圖5，在預(yù)警功能中還帶有滾動框?qū)崟r滾動系統(tǒng)研判出潛在社區(qū)盜竊案件的風(fēng)險級別、相關(guān)人、發(fā)生地等信息，同時還包括基礎(chǔ)數(shù)據(jù)的態(tài)勢感知，如性別比例、社區(qū)修建年份分布趨勢等。社區(qū)管理員在工作中可以對潛在的社區(qū)盜竊案件及時預(yù)警，通知公安機(jī)關(guān)進(jìn)行干預(yù)和處理，進(jìn)一步減輕公安機(jī)關(guān)的破案壓力、避免廣大人民群眾的財產(chǎn)損失。

圖5 基于知識圖譜的社區(qū)盜竊風(fēng)險預(yù)警界面Fig.5 Early warning of community theft risk based on knowledge graph

4.3 社區(qū)盜竊風(fēng)險知識圖譜功能展示

知識圖譜以盜竊事件為中心進(jìn)行延伸，每一條連線都是對同一時空下碰撞后的人—地—事—物—組織5大實體的相關(guān)描述和關(guān)系進(jìn)行展示，直觀易懂。還可以展示其中的某一條關(guān)系鏈，如D某—前科—出入口較多—小區(qū)老舊—天氣晴朗—社區(qū)巡防薄弱的圖譜關(guān)系可明晰地展示出關(guān)聯(lián)關(guān)系及信息。圖譜同時還可以詳細(xì)查看相關(guān)人的屬性，更深入地了解當(dāng)事人的基礎(chǔ)信息。

5 結(jié)論

(1)在社區(qū)治安風(fēng)險事件演化邏輯模型的基礎(chǔ)上，提出社區(qū)盜竊案件的預(yù)警框架，并通過構(gòu)建人—地—事—物—組織5類實體和實體關(guān)聯(lián)關(guān)系搭建出社區(qū)盜竊風(fēng)險知識圖譜。

(2)在基于社區(qū)風(fēng)險數(shù)據(jù)的基礎(chǔ)上，通過篩選、整理、一致化、層級分析、概率統(tǒng)計、聚類等方法實現(xiàn)社區(qū)盜竊案件預(yù)警功能中積分值和分等級預(yù)警閾值計算，完善社區(qū)盜竊風(fēng)險知識圖譜的預(yù)警功能。

(3)盡管在實驗層面成功實現(xiàn)社區(qū)盜竊風(fēng)險演化預(yù)警方法，但社區(qū)治安風(fēng)險事件還存在諸多類型，今后還需圍繞不同類型的社區(qū)治安風(fēng)險事件進(jìn)行分析研究，著重完善社區(qū)治安風(fēng)險知識圖譜，以期為我國社區(qū)治安風(fēng)險防范提供成果支撐和研究方向。