基于多源异构数据融合的押解风险预警系统的设计与实现

• 作 者: 万梓聪
• 机 构: 北京邮电大学
• 出 处: 北京邮电大学
• 发表日期: 2021年01期
• 关键词: 多源异构数据学习 风险预警系统 数据表示 深度学习

在监狱监管体系中外出押解是风险最大的环节之一,一旦在押解途中出现逃逸等安全事故,将激起群众恐慌、引发社会不安定因素。目前对押解途中的风险监控手段主要以人工干预为主,这种方式十分依赖警员经验,耗费人力、成本高、效率低。随着通信技术和人工智能技术的快速发展,基于人工智能技术的风险预警系统正逐渐渗透社会各个领域,在维持企业正常运营、保障人民生活质量等方面发挥了重要用作。因此,研究如何将人工智能技术应用至押解风险预警系统中对完善监狱监管体系、推动外出押解任务信息化、智能化有极大帮助。本文对目前各个领域中的风险预警系统进行深入研究,并总结了现有风险预警系统的两大不足:一是现有风险预警系统通常只对某单一数据源产生的数据建模,导致系统的风险预警能力出现瓶颈,难以进一步提升;二是为保证系统性能,风险预警模型越来越宽、深,这使得系统对硬件设备的计算资源和算力要求提高。然而,外出押解任务对预警系统的精确要求高且能够提供的硬件设备资源有限,现有模型无法直接应用于该任务,为此,本文提出基于深度学习的多源异构数据融合模型以突破现有风险预警模型的性能瓶颈。此外,本文对多源异构数据表示模型进行了优化,在保证模型精度的前提下,降低模型参数量和计算复杂度,确保押解风险预警系统能在计算资源有限的环境中正常运行。随后,通过一系列的对比试验和消融实验,验证了本文所设计的基于多源异构数据融合的押解风险预警模型的高效性。最后,本文设计和实现了基于多源异构数据融合的押解风险预警系统。本文对系统进行了详细的需求分析,将本系统划分为数据采集模块、风险预警模块、持久化模块以及可视化模块,其中风险预警模块采用了本文提出的基于多源异构数据融合的押解风险预警模型。最后,通过一系列的系统测试,验证了本系统能满足场景使用需求,符合设计预期。