摘要：為有效發(fā)揮大型活動外圍空間的治安屏障能力，提升防范化解重大風(fēng)險的水平，需制定無人機參與大型活動外圍空間風(fēng)險管理的布控策略，并以H市A號大型活動場館為例開展應(yīng)用分析。利用層次分析法對大型活動外部空間的治安要素重要度進行篩選，并在四叉樹索引支持下獲取關(guān)鍵要素的數(shù)據(jù)信息，借助空間聚類算法與模擬退火算法，在初篩無人機空間投放點位后進一步去除冗余點位，實現(xiàn)點位聚焦與輻射合理的目標。結(jié)果表明，不同類別空間投放點配備數(shù)量差異化的無人機和功能互補的掛載設(shè)備，可實現(xiàn)大型活動安保多樣化層級需求。

關(guān)鍵詞：大型活動；無人機布控；DBSCAN聚類算法；模擬退火算法

一、前言

大型活動外部空間是活動安全的重要守護屏障，涉及的場所、人員、秩序關(guān)系復(fù)雜多變，需要耗費的警力資源成本、時間成本較高，要實現(xiàn)重點區(qū)位的實時風(fēng)險管控，依靠傳統(tǒng)手段實現(xiàn)的難度較大。

為確保常態(tài)化風(fēng)險管控在有限資源條件下發(fā)揮作用，本文將借助無人機的功能優(yōu)勢，探索關(guān)鍵治安要素覆蓋下無人機參與大型活動安保的策略與方法，基于無人機體系建立統(tǒng)一高效的情報信息工作機制[1]。

二、無人機空間布控要素重要度篩選

人口、重點場所、車流、治安管理能力為影響活動治安的關(guān)鍵因素。本文對四者進行排序，確定重要性最高的兩個因素，以此作為無人機布控的參考因素。

利用層次分析法進行篩選，選擇重要度較高的指標作為參考依據(jù)，同時避免無關(guān)人為因素的干擾。層次分析法（AHP）是一種結(jié)合導(dǎo)向性、客觀公正性、科學(xué)性原則多重優(yōu)勢的多目標決策方法，其基本原理是將區(qū)域劃分系統(tǒng)有關(guān)方案的各個要素分解為目標、準則、方案等層次[2]，設(shè)置各層次權(quán)重反映某因素重要程度，進行定性和定量分析[3-4]，對人口、重點場所、交通以及治安管理能力等治安風(fēng)險因素分析賦分，結(jié)合受益原則和負擔(dān)能力原則確定治安重要度。建立兩兩判斷矩陣，設(shè)定準則層四個指標的權(quán)重。經(jīng)過執(zhí)行檢驗、一致性檢驗后計算矩陣的最大特征值，用一致性比率判斷誤差大小，得到層次分析權(quán)重結(jié)果如下：

人口：0.4871；重點場所：0.3187；交通：0.1288，治安管理能力：0.0743。

因此，后文以重要度最高的人口和重點場所因素為依據(jù)對無人機布控進行設(shè)計。

由于無人機受續(xù)航故障等因素影響，將應(yīng)急點位納入布控方案內(nèi)容以備快速增補之需。

三、無人機布控研究方法

（一）基于四叉樹索引的POI數(shù)據(jù)搜集

四叉樹索引的目的是將目標地點周圍的POI數(shù)據(jù)進行收集。POI數(shù)據(jù)也稱信息點，包含名稱、類別、經(jīng)度緯度、代碼等四方面信息，POI數(shù)據(jù)在空間功能測評方面發(fā)揮較大功效，為全面準確地獲取地圖上場所的信息數(shù)據(jù)提供支持。

（二）DBSCAN聚類算法

Ester Martin等人提出DBSCAN算法是一種基于密度的空間數(shù)據(jù)聚類方法[5]，該方法將數(shù)據(jù)集以密度大小分組，組內(nèi)元素相似度高，組間差異大，最大限度克服噪聲點影響，保證全局結(jié)果最優(yōu)且穩(wěn)定。在本研究中，以指定半徑內(nèi)鄰域的點數(shù)來定義密度，密度劃分的區(qū)域用“簇”來表示。首先定義區(qū)塊內(nèi)的點位類型，將鄰域半徑內(nèi)包含最小點數(shù)的點視為核心點，將核心點鄰域半徑內(nèi)的其他點視為邊界點，既不是核心點也不是邊界點的點被視為噪聲點，再利用DBSCAN算法有效排除噪聲點，對邊界點與核心點進行聚類處理，獲得所求的簇，簇即視為某要素的熱力區(qū)塊。根據(jù)此算法，可將大范圍分散的人口、場所等數(shù)據(jù)用熱點區(qū)塊呈現(xiàn)，由散變聚，清晰刻畫要素的分布特征。

（三）模擬退火算法

模擬退火算法是結(jié)合概率突跳特性，實現(xiàn)在解空間中隨機尋找目標函數(shù)的全局最優(yōu)解，即跳出局部最優(yōu)解概率性并最終趨于全局最優(yōu)的一種優(yōu)化算法[6]。Ingber針對其效率問題提出了非?？焖倌M退火計劃及相應(yīng)的算法[7]。

模擬退火算法能將聚類算法所劃分的熱點區(qū)塊分成若干組，每組內(nèi)尋找一點，使其到各熱點區(qū)塊距離最短、關(guān)聯(lián)性最強點位，作為無人機空間投放點位，同時通過控制組數(shù)達到控制成本的效果。

四、H市A號大型活動場館空間無人機布控方案

（一）確定布控區(qū)域及數(shù)據(jù)

1.人口數(shù)據(jù)集

本文選取H市A號大型活動場館（簡稱A館）為實驗場所，經(jīng)實地考察，獲取區(qū)域內(nèi)真實居民人口數(shù)量和重點場所數(shù)量信息。深入調(diào)研A館半徑4公里范圍內(nèi)，共計14個小區(qū)內(nèi)2022年上半年的常住人口與流動人口數(shù)量，見表1。

從2022年上半年A館東部周邊人口數(shù)據(jù)可知，該區(qū)塊常住人口15896人，流動人口26600人，常住人口與流動人口比例為0.6：1，重點人員95人。根據(jù)A館西部人口數(shù)據(jù)可知，該區(qū)塊常住人口13767人，流動人口19097人，常住人口與流動人口比例為0.72：1，重點人員63人。

2.重點場所數(shù)據(jù)集

本文基于四叉樹索引方式對A館半徑3公里內(nèi)的所有酒店、娛樂場所等重點場所名單POI數(shù)據(jù)進行搜集分析，得到A館附近的重點場所類型數(shù)量，見表2。

3.無人機空間投放點規(guī)模

根據(jù)無人機職責(zé)的差異及無人機數(shù)量的不同，將空間投放點分為大型投放點、中型投放點和小型投放點，分配至不同轄區(qū)內(nèi)。小型無人機投放點攜帶基礎(chǔ)攝像機，滿足日常巡邏功能；中型無人機投放點負責(zé)應(yīng)對人員騷動堵塞等危害程度較低的治安事件，搭載攝像機喊話器等交互設(shè)備；大型無人機投放點是以風(fēng)險感知為主，需要無人機現(xiàn)場穩(wěn)定局勢，完成人員追蹤，為案事件的有效處置提供時空銜接。

（二）計算過程

1.基于DBSCAN聚類算法呈現(xiàn)熱力區(qū)塊刻畫

聚類技術(shù)是將數(shù)據(jù)對象劃分到不同的簇中，要求同一個簇中的對象有較高的相似性，而不同簇間的對象有較高的相異性，本文基于DBSCAN聚類算法，以歐氏距離為工具，確定熱力區(qū)塊。

（1）計算歐氏距離

根據(jù)兩點間的經(jīng)度和緯度，對任意兩點的歐氏距離進行計算，以風(fēng)險點A與風(fēng)險點B為例。

d（A，B）的意義是A點與B點的距離（單位：m），Along代表A點的經(jīng)度、Alat代表A點的緯度（單位：度），B同理。C1、C2的含義是任意點的經(jīng)度和緯度數(shù)據(jù)與真實距離轉(zhuǎn)化間的系數(shù)，數(shù)值分別是：經(jīng)度系數(shù)是100000m/度，緯度系數(shù)是111320m/度。

（2）核心點、邊界點與噪聲點的確立

利用第一步中求得的歐氏距離劃分某個點位成區(qū)塊狀。假設(shè)某區(qū)域存在一圓心，半徑為X。在該區(qū)域中，當(dāng)事故點數(shù)量大于N個，將其定義為核心點；若該范圍中事故點數(shù)量小于N個，但任意核心點間存在距離小于X這一關(guān)系時，該點被定義為邊界點。若某點非核心點，亦非邊界點，則將其定義為噪聲點[8]，解釋如圖1所示。

經(jīng)過計算，排除噪聲點，利用聚類分析將核心點和邊界點形成簇，定義為熱點區(qū)塊。

（3）區(qū)塊的確立

以人口區(qū)塊的計算為例，將定值X設(shè)定為具體數(shù)值90米，核心點附近最少數(shù)量N設(shè)定為具體數(shù)值3個，共得到區(qū)塊數(shù)21個，將部分小數(shù)量區(qū)塊進行剔除，最終得到有價值的區(qū)塊共13個，區(qū)塊包含的熱點數(shù)量見表3。

2.基于模擬退火算法的無人機空間投放點確定

利用模擬退火算法，對區(qū)塊內(nèi)的各點進行計算，得到區(qū)塊內(nèi)到各點距離最短的點位，實現(xiàn)步驟如下。

（1）選擇每個區(qū)塊的平均經(jīng)緯度作為起點。

（2）設(shè)置S控制參數(shù)為109，從當(dāng)前點上下移動到包括當(dāng)前點在內(nèi)的每個S的左右兩邊，找到五個新點。

（3）計算這5個點與集群中每個遠程點的距離之和，取最小的點并將繼續(xù)使用當(dāng)前點的概率設(shè)定為5%，得到與另一個隨機點的歐氏距離的點的區(qū)間，并將最小的點定義為無人機進入該區(qū)塊的點。

（三）結(jié)果與分析

1.人口區(qū)塊無人機投放點位結(jié)果

根據(jù)DASCAN空間聚類算法、模擬退火算法，以及人口分布情況得到無人機的投放點位，見表4。

實際投放點位圖表情況如圖2所示。

根據(jù)人口因素確定的無人機空間投放點位（粉紅色圓點）共設(shè)計有13個，紅色熱力區(qū)塊表示人口分布密度，總體呈現(xiàn)以A館為輻射范圍的西南部和東部人口密集特征。

2.場所區(qū)塊無人機空間投放點位結(jié)果

利用相同方法，根據(jù)重點場所的分布進行聚類分析，得到最佳的空間投放點，投放點位的經(jīng)緯度數(shù)據(jù)見表5。

根據(jù)重點場所因素確定的無人機空間投放點位共設(shè)計有20個，呈現(xiàn)以A場館北部和西南部居多的特征。

3.應(yīng)急無人機空間投放點位結(jié)果

為處理突發(fā)事件，設(shè)立應(yīng)急點位。

以人口和重點場所設(shè)定的點位為對象，再次進行聚類分析，得到分布較為集中的區(qū)塊數(shù)共7個，內(nèi)部最佳空間投放點位經(jīng)緯度見表6。

4.空間投放點類型確定與分組

大型活動的安保應(yīng)本著“全面控制、重點加強、劃區(qū)分段、留有機動”的原則，科學(xué)周密部署，用多道防線、多塊區(qū)域的協(xié)同布控形成合理的整體防范模式[9]。

在綜合結(jié)果中，紅色點位代表根據(jù)人口因素確定的無人機空間投放點位，藍色點位代表根據(jù)重點場所因素確定的點位，綠色代表應(yīng)急點位。本文將五處距離相近的無人機點位進行合并，即圖3中紅色方框圈出點位合并為一個點位，最終確定27個點位，總體呈環(huán)形圍繞A館分布。具體來看，A館北部無人機點位分布分散且多量，南部無人機點位分布集中且量少，在東部有少量無人機點位零星分布。

結(jié)合空間投放點的遠近用途，對空間投放點位的大小類型和分組關(guān)系進行確定：將27個投放點位分為5組，各自負責(zé)覆蓋轄區(qū)。根據(jù)轄區(qū)范圍大小和重要程度，每組的投放點個數(shù)在4至7個之間波動。

五、結(jié)語

本文基于四叉樹索引、DBSCAN聚類分析算法和模擬退火算法，以H市A號大型活動場館為例，面向大型活動外圍空間的治安風(fēng)險管控需求，提供了無人機的布控策略，得到結(jié)論如下：

第一，在兼顧布控精度和成本控制前提下，提出了多樣化治安需求下的無人機布控策略。提出了基于人口密度、重點場所管控、無人機備飛等多樣化復(fù)雜因素需求下的無人機布控策略，能夠較為有效地解決傳統(tǒng)安保任務(wù)中人力資源緊缺的困境，利用空間聚類算法、模擬退火算法，實現(xiàn)了治安要素的空間數(shù)字化呈現(xiàn)，在兼顧布控精度和覆蓋有效性前提下，剔除了無人機布控的數(shù)量冗余，避免無人機資源的浪費，為大型活動外圍環(huán)境空間的智慧風(fēng)險防范提供思路。

第二，實現(xiàn)了無人機布控的場景化應(yīng)用，驗證布控策略的可實現(xiàn)性。在大型活動安保場景下，確定了以A館建設(shè)環(huán)狀無人機投放點位共27個，在綜合考慮轄區(qū)面積、轄區(qū)人口重點場所數(shù)量、轄區(qū)與A館距離的基礎(chǔ)上，將27個點位劃分為5個防范轄區(qū)，每個轄區(qū)內(nèi)設(shè)立大中小三種類型的無人機投放點，最大限度提升了無人機的利用效率，滿足不同事件規(guī)模的風(fēng)險防范需要，在無人機投放成本最低的基礎(chǔ)上保證所有轄區(qū)都處于無人機監(jiān)管輻射范圍內(nèi)。

參考文獻

[1]周慶.奧運安保對城市反恐重要目標安全防范的啟示[J].新疆警官高等專科學(xué)校學(xué)報，2013，33（03）：10-16.

[2]安亞男，萬勇，郭朝暉，等.金屬礦區(qū)/冶煉場地環(huán)境風(fēng)險擴散途徑及其關(guān)鍵因子識別研究[J].礦冶工程，2023，43（05）：92-97.

[3]彭麗梅，趙理，周悟，等.基于層次分析法的耕地土壤重金屬污染風(fēng)險區(qū)域劃分[J].河南理工大學(xué)學(xué)報（自然科學(xué)版），2020，39（05）：61-67.

[4]蔡成龍.公安院校學(xué)生科技創(chuàng)新能力評價研究——以江蘇警官學(xué)院為例[J].新疆警察學(xué)院學(xué)報，2017，37（03）：63-67.

[5]楊彩君. 基于填充式啟發(fā)式算法的二維矩形排樣問題[D].上海：上海師范大學(xué)，2011.

[6]邢培.數(shù)據(jù)挖掘的主要技術(shù)——聚類[J].科技信息，2010（20）：495.

[7]IngberL.Very fast simulated annealing[J].Math Conput Modeling， 1989（12）：967-973.

[8]張書浩， 周妍， 黃晴. 大型公共事件前后交通事故空間分布分析模型研究[J]. 警察技術(shù)， 2022（04）： 85-88.

[9]李宇飛.大型活動中防范恐怖襲擊對策探要[J].新疆警官高等專科學(xué)校學(xué)報，2007（04）：26-28.