社區(qū)治安高危人員異常軌跡識別與預警方法研究*

沈 兵，胡嘯峰,3，吳建松

(1.中國人民公安大學 信息網(wǎng)絡安全學院,北京 100076； 2.安全防范技術(shù)與風險評估公安部重點實驗室，北京 100076； 3.中國人民公安大學 公共安全行為科學實驗室，北京 100038; 4.中國礦業(yè)大學(北京) 應急管理與安全工程學院，北京 100083)

0 引言

社區(qū)指街道辦事處轄區(qū)，經(jīng)社區(qū)體制改革演變成居民委員會轄區(qū)或城市規(guī)劃中有一定數(shù)量居民聚居的區(qū)域。以北京市典型城市社區(qū)—“勁松北社區(qū)”為例，根據(jù)北京市朝陽區(qū)信息化工作辦公室公布數(shù)據(jù)(更新至2019年)，該社區(qū)占地面積0.26 km2，轄區(qū)內(nèi)有居民1萬余人，各類建筑樓房47棟，社會單位70余家。社區(qū)是基層社會治理和公共安全治理基本單元，社區(qū)安全引起國家高度重視，中共中央辦公廳、國務院辦公廳印發(fā)的《關(guān)于推進城市安全發(fā)展的意見》指出“應當加強安全社區(qū)建設(shè)、完善城市社區(qū)安全網(wǎng)格化工作體系”。

社區(qū)治安高危人員(以下簡稱“高危人員”)指活動在社區(qū)范圍內(nèi)，對國家安全、社會治安、公民人身財產(chǎn)安全具有較高威脅的人員，包括但不限于“犯罪前科人員”、“涉毒人員”、“在逃人員”和“肇事肇禍精神病人”，該群體違法犯罪可能性較高，對社會潛在危害較大[1-2]。根據(jù)中國疾病預防控制中心精神衛(wèi)生中心公布數(shù)據(jù)，截止2017年底，我國嚴重精神障礙患者人數(shù)超過1 600萬，其中肇事肇禍人數(shù)占10%。根據(jù)公安部發(fā)布的《2018年中國毒品形勢報告》，截至2018年底，全國現(xiàn)有吸毒人員240.4萬名(不含戒斷3 a未發(fā)現(xiàn)復吸人數(shù)、死亡人數(shù)和離境人數(shù))[3]。毒品濫用給吸毒者本人及家庭帶來嚴重危害，同時誘發(fā)暴力傷害、“毒駕”、“以盜養(yǎng)吸毒”等違法犯罪活動。因此,對高危人員進行有效管控，可有效預防打擊違法犯罪活動及維護社會治安穩(wěn)定。

隨著社區(qū)基礎(chǔ)信息化建設(shè)不斷加強，大量社區(qū)部署人臉識別點位、車輛卡口及WIFI電子圍欄等物聯(lián)網(wǎng)感知終端，用于識別人員身份，獲取人員軌跡，為高危人員異常軌跡識別與預警提供數(shù)據(jù)支撐。國內(nèi)外利用時空連續(xù)軌跡數(shù)據(jù)可識別“伴隨”、“聚集”、“頻繁”等常見軌跡模式，以及“離群”、“晝伏夜出”等特殊軌跡模式[4-10]，通過將人員、車輛軌跡與路網(wǎng)信息、興趣點(Point of Interest，POI)等數(shù)據(jù)結(jié)合，識別環(huán)境因素約束下人員及車輛軌跡模式[11-14]，為高危人員異常軌跡識別提供技術(shù)支持。

利用人臉識別、WIFI電子圍欄等終端設(shè)備采集多源數(shù)據(jù)，識別高危人員異?；顒榆壽E并及時預警，是社區(qū)警務重要任務。但傳統(tǒng)高危人員異常軌跡預警模型存在“誤報率”高或“漏報率”高等缺點。根據(jù)調(diào)研發(fā)現(xiàn)，高誤報率主要原因是當前算法僅能識別規(guī)則簡單、特征維度較少的異常軌跡模式[15-16]，例如“絆線預警”、“越界預警”等，缺乏科學預警機制，對多維度異常軌跡風險等級判別比較困難。

為解決異常軌跡識別精準度低、預警誤報率高等問題，提出新的社區(qū)治安高危人員異常軌跡識別與預警方法，該方法基于物聯(lián)網(wǎng)傳感器獲取高危人員軌跡數(shù)據(jù)，計算高危人員在不同場所異常軌跡風險值，實現(xiàn)運動軌跡精確識別，并按照軌跡風險等級進行合理預警，并采用Geolife動態(tài)軌跡數(shù)據(jù)集進行驗證。

1 研究方法

基于軌跡數(shù)據(jù)，采用ST-DBSCAN算法與重點部位觀測點法標定軌跡數(shù)據(jù)，并進行動態(tài)軌跡序列化建模，構(gòu)建高危人員動態(tài)行為鏈。選擇高危人員身份屬性、入訪場所類型、空間所屬關(guān)系、入訪時間、入訪頻率、高危人員年齡與性別7種特征屬性，建立異常軌跡分析模型；高危人員異常軌跡風險值作歸一化處理，劃分異常軌跡風險等級。技術(shù)路線如圖1 所示。

圖1 技術(shù)路線Fig.1 Technical roadmap

1.1 動態(tài)軌跡標定

針對多源動態(tài)軌跡數(shù)據(jù)，需要進行統(tǒng)一標定。動態(tài)軌跡數(shù)據(jù)獲取方式包括主動式與被動式2種：主動式指高危人員佩戴定位裝置，并主動上傳定位信息(例如GPS定位新數(shù)據(jù))，該方式僅適用于少數(shù)高危人員，例如社區(qū)矯正人員；被動式軌跡獲取指利用人臉識別、監(jiān)控點位、交通卡口、WIFI電子圍欄等物聯(lián)網(wǎng)設(shè)備終端，對高危人員進行身份識別，并記錄其軌跡數(shù)據(jù)，該方式適用于無法強制其攜帶定位裝置的人員。

1)高危人員主動上傳軌跡場景下的軌跡標定。

GPS定位數(shù)據(jù)相鄰駐留點時間間隔較短，空間位置信息相似，故采用軌跡時空聚類法對其降維，提取高危人員駐留點。經(jīng)傳統(tǒng)DBSCAN算法改進后的ST-DBSCAN算法[17]，以“空間鄰域”和“時間鄰域”作為參數(shù)，以駐留點時空密度作為聚類依據(jù)，原理是設(shè)存在數(shù)據(jù)總量為N的駐留點集{X1,X2,…,XN}，預設(shè)空間鄰域半徑為S-EPS，時間鄰域半徑為T-EPS，每個聚類簇內(nèi)包含點數(shù)最少為Min-PTS，算法計算過程見表1。

表1 ST-DBSCAN算法計算過程Table 1 Calculation process of ST-DBSCAN algorithm

2)高危人員被動式軌跡獲取場景下軌跡標定。在社區(qū)重點區(qū)域和場所，利用人臉識別點位、車輛卡口、WIFI電子圍欄等物聯(lián)網(wǎng)傳感器，對高危人員進行身份識別，并將觀測點位置近似作為高危人員駐留點。

觀測點類型包括區(qū)域型觀測點和交通路口觀測點。區(qū)域型觀測點指具有特定功能的面，其邊界可通過若干經(jīng)緯度點確定，或通過觀測點中心和觀測覆蓋半徑確定。當高危人員進入被觀測區(qū)域時，形成軌跡記錄；當高危人員在不同場所間移動時，均沿路網(wǎng)運動，通過在重要交通路口設(shè)置觀測點，可捕捉高危人員動態(tài)軌跡。

1.2 動態(tài)軌跡序列化建模

由于軌跡數(shù)據(jù)格式和包含信息存在差異，需要對多源軌跡數(shù)據(jù)進行融合，形成統(tǒng)一、序列化的行為鏈。根據(jù)動態(tài)軌跡標定結(jié)果，將高危人員1個周期軌跡劃分為若干個子行為，將每個子行為按時間串聯(lián)，形成動態(tài)行為鏈，動態(tài)行為鏈屬性見表2。其中，場所類型包括居民區(qū)、學校、經(jīng)營場所等9種。動態(tài)行為鏈如式(1)～(2)所示：

(1)

(2)

式中：behaviori表示高危人員子行為；behavior_chain表示高危人員行為鏈。

表2 動態(tài)行為鏈屬性Table 2 Attributes list of dynamic behavior chain

1.3 異常軌跡識別與預警

1.3.1 特征變量選擇

結(jié)合高危人員動態(tài)行為鏈及身份屬性信息，建立異常軌跡識別模型。首先，選取“身份屬性”、“年齡”、“性別”3種靜態(tài)屬性信息數(shù)據(jù)，以及“場所類型”、“空間所屬關(guān)系”、“入訪時間”、“訪問頻率”4種動態(tài)軌跡信息數(shù)據(jù)作為異常軌跡分析特征變量。異常軌跡分析模型特征屬性見表3。

1)身份屬性(identity)由高危人員類型決定。高危人員類型包括但不限于“犯罪前科人員”、“涉毒人員”、“在逃人員”。身份屬性數(shù)據(jù)結(jié)構(gòu)為1*n維矩陣，n為高危人員類型總數(shù)，1個人可能同時具有多種身份屬性特征。

2)場所類型(place_type)指高危人員入訪場所類型，場所類型有9種屬性，具體屬性見表2。為方便計算，利用獨熱編碼算法將特征轉(zhuǎn)換為1*9維特征向量。

3)高危人員與空間所屬關(guān)系(insider)指高危人員及其入訪空間之間是否有居住、工作及訪客等關(guān)系。該特征擁有2種特征屬性，用獨熱編碼轉(zhuǎn)換為1*2維特征向量，當高危人員與入訪場所間有所屬關(guān)系(工作或居住)，特征向量為[1,0]T；非所屬關(guān)系時(訪客)，特征向量為[0,1]T。

4)高危人員年齡特征(age)擁用4種屬性，用1*4維獨熱編碼表示。

5)性別特征(gender)擁有2種屬性，用1*2維獨熱編碼表示。

表3 異常軌跡分析模型特征屬性表Table 3 Characteristic attributes in analysis model of abnormal trajectory

6)入訪時間特征(time)由高危人員進入某場所起始時間與離開時間共同確定。把1 d劃分為48時段，每個時段時間跨度為0.5 h，將高危人員活動時間映射到48個時段，其中，停留在場所內(nèi)時段對應屬性值為“1”，未在場所內(nèi)時段為“0”，最終形成1*48維入訪時間特征向量。

7)訪問頻率特征(frequency)指高危人員訪問某場所歷史頻率，通過專家系統(tǒng)將訪問頻率劃分為4個等級，見表4。采用獨熱編碼將訪問頻率轉(zhuǎn)換為1*4維特征向量。

表4 異常軌跡風險分級表Table 4 Classification of abnormal trajectory risk

1.3.2 特征變量風險權(quán)重設(shè)置

1)入訪場所對高危人員吸引力權(quán)重

利用專家系統(tǒng)和模糊綜合評價法確定不同類型場所對高危人員的吸引力，見表5。其中，場所類型包括居民小區(qū)、學校、經(jīng)營場所等9種，高危人員類型包括前科人員、涉毒人員、在逃人員等n種類型，可生成形成9*n維矩陣，矩陣中“1”代表場所對該類人員具有吸引力，“0”代表沒有吸引力。

表5 不同類型場所對高危人員的吸引力Table 5 Attractions of spaces with different types to high-risk personnel

2)入訪時間的風險權(quán)重

我國北方某大型城市2006—2016年共發(fā)生44 831起入室盜竊案，歸一化后得到每個時間段案發(fā)頻率，并將其作為入訪時間風險權(quán)重。

3)其他變量風險權(quán)重

通過分析入室盜竊案件數(shù)據(jù)發(fā)現(xiàn)，作案人員中男性占76.67%，女性占23.33%；年齡分布情況為：17～30歲，31～50歲，≤16歲和>50歲年齡段人員分別占41%，47%，2%和10%。通過分析作案地點與居住或工作地點間關(guān)系發(fā)現(xiàn)，僅有20%入室盜竊案件選擇在居住或工作地點附近作案，而80%入室盜竊案件傾向于遠離居住或工作地點作案。因此，根據(jù)盜竊案件中作案人員年齡、性別和案發(fā)地點數(shù)據(jù)，設(shè)置模型中特征變量的權(quán)重，見表6。

1.3.3 建立異常軌跡分析模型

對異常軌跡分析模型特征變量標準化，根據(jù)各影響因素權(quán)重，建立異常軌跡分析模型，如式(3)～(4)所示:

attraction=w1×(place_typeT·identity)

(3)

(4)

式中：“·”代表矩陣乘法；Y表示軌跡風險值；attraction表示場所對高危人員的吸引力；place_type,identity,time,frequency,age,gender,insider分別代表場所類型、身份屬性、入訪時間、訪問頻率、年齡、性別、空間所屬關(guān)系；w1,w2,…,w5,w6分別為入訪場所對高危人員吸引力權(quán)重、入訪時間風險權(quán)重、入訪頻率風險權(quán)重、年齡風險權(quán)重、性別風險權(quán)重和空間所屬關(guān)系風險權(quán)重；ξ代表殘差項。將Y歸一化后如式(5)所示:

表6 異常軌跡分析模型特征權(quán)重Table 6 Weights of characteristics in analysis model of abnormal trajectory

(5)

式中：Y′是歸一化異常性得分；Y是原始異常性得分；Ymax和Ymin分別是異常性得分最大值和最小值。

本文參考城市公共安全風險評估中事件發(fā)生可能性分級標準[18-19]，結(jié)合實際需求，提出異常軌跡風險分級標準，見表6。由表6可知，異常風險可劃分為4個等級，相鄰等級風險值采用“等距”方法進行劃分。

1.4 實例研究方案

本文數(shù)據(jù)來源于Geolife動態(tài)軌跡數(shù)據(jù)集[20-21]中部分人員GPS軌跡數(shù)據(jù)。Geolife軌跡數(shù)據(jù)集是微軟亞洲研究院開源項目，包含182名志愿者2008年4月至2012年8月的GPS動態(tài)軌跡數(shù)據(jù)，Geolife數(shù)據(jù)屬性見表7。隨機選取3名人員軌跡數(shù)據(jù)進行試驗，3名人員在原數(shù)據(jù)集中編號分別為36、96、101，分別代表人員a,b,c，其動態(tài)軌跡空間分布如圖2所示。假設(shè)3名人員為社區(qū)治安高危人員類型中“盜竊前科人員”，日?；顒訁^(qū)域均在某社區(qū)內(nèi)，同時存在部分異常動態(tài)軌跡，滿足研究需求，模型預警閾值為0.5。

表7 Geolife數(shù)據(jù)集屬性Table 7 Attributes of Geolife dataset

2 實例分析結(jié)果與討論

采用基于聚類算法和基于觀測點法對3名高危人員動態(tài)軌跡進行標定。其中，基于聚類算法標定結(jié)果如圖2所示，每個子圖中x,y軸分別為經(jīng)度和緯度，z軸為時間，每個點代表聚類所得駐留點。

圖2 基于聚類算法的動態(tài)軌跡標定Fig.2 Calibration results of dynamic trajectories based on clustering algorithm

結(jié)合高危人員動態(tài)軌跡信息和靜態(tài)屬性信息，建立異常軌跡分析模型，并對3名人員動態(tài)軌跡進行異常分析。以高危人員b為例，其入訪QH異常軌跡分析過程如圖3所示。圖3(a)～(e)分別代表每次入訪該場所時5種特征信息風險值(入訪場所對高危人員吸引力、空間所屬關(guān)系風險值、高危人員性別風險值、入訪時間風險值、入訪頻次風險值)，圖3(f)代表高危人員每次入訪QH軌跡風險值。

空間所屬關(guān)系、入訪場所對高危人員吸引力由高危人員身份屬性與入訪地點類型共同決定。若高危人員與入訪地點存在居住或工作關(guān)系，空間所屬關(guān)系風險值較小；若兩者屬訪客關(guān)系，則空間關(guān)系風險值較大。人員b身份屬性特征為“盜竊前科人員”，入訪場所QH，對社區(qū)治安高危人員存在吸引力，即人員b入訪QH行為軌跡存在盜竊風險，風險值為“1”。

圖3 高危人員b入訪QH異常軌跡分析Fig.3 Analysis process of abnormal trajectory when high-risk person b visiting QH

入訪時間風險值與入訪頻率風險值動態(tài)變化如圖3(d)～(e)所示，不同時間入訪同一地點風險值不同，在入訪次數(shù)為20，50，70，85附近均出現(xiàn)“波峰”；行為異常性風險值僅在n為15,50附近出現(xiàn)“波峰”，如圖3(f)所示。前者風險值高于后者，原因是隨入訪頻次的增高，入訪行為頻次風險值先增高后衰減，當入訪頻次增高到一定程度，軌跡總體風險值仍較低。

本文利用異常軌跡分析模型，對高危人員b入訪其他地點的軌跡進行分析，結(jié)果如圖4所示。圖4(a)～(d)分別代表人員b入訪QH(作為對照)、BD、BT和BH。由圖4可知，第12～14次入訪BD、第12次入訪BT以及第6次入訪BH時，異常軌跡風險值均超過預警閾值，屬于“極高風險”軌跡，應對人員行為進行干預。

圖4 高危人員b入訪QH、BD、BT和BH的異常軌跡風險值Fig.4 Analysis results of abnormal trajectories when high-risk person b visiting QH、BD、BT and BH

異常軌跡分析模型識別3名人員異常軌跡結(jié)果見表8。3名人員異常軌跡(高風險以上)總數(shù)分別為11，10，12次，平均占比2.93%。

表8 異常軌跡分析模型預警效果Table 8 Early-warning effect of abnormal trajectoriesby analysis model of abnormal trajectory

3 結(jié)論

1)動態(tài)軌跡標定與序列化建模,可以從GPS軌跡數(shù)據(jù)中提取人員駐留點，構(gòu)建動態(tài)行為鏈。

2)通過建立異常軌跡分析模型，計算人員軌跡異常風險值，并對高風險及以上軌跡進行預警。模型對3名人員異常軌跡平均預警次數(shù)為11次，占軌跡總數(shù)2.93%，可用于高危人員管控，預期可為社區(qū)治安防控工作提供技術(shù)支持。