一种个人风险预警方法及系统与流程

1.本发明涉及数据应用技术领域，特别涉及一种个人风险预警方法及系统。


背景技术：

2.随着社会的发展，各式各样的新矛盾不断涌现，少数社会人员面对矛盾时会采取不当的方式表达不满、诉求。目前危险事件的频发对社会公共安全维护造成了极大的压力，对人民群众的安全感造成了极大的破坏。大多数的恶性违法事件具有突发性强，传播范围广，社会影响恶劣等特点，事件一旦发生经过网络传播发酵，对社会的治安稳定有严重影响。
3.目前使用的数据平台存在很多信息孤岛，各个部门间数据未打通，同时数据库中存在大量冗余、未清洗数据，给个人风险数据分析造成诸多不便。如何开展风险防治是安全工作的重中之重。如何更好地支持安全工作人员掌控风险人员动向，防范相关人员风险，成为亟待解决的问题。针对上述缺陷，本发明作出了改进。


技术实现要素：

4.为了克服背景技术的不足，本发明提供一种个人风险预警方法，能便于相关部门掌控风险人员动向，防范相关人员风险。
5.本发明提供一种个人风险预警方法，包括：
6.收集各个不同平台的数据并导入至大数据平台；
7.基于大数据平台构建数据仓库，所述数据仓库包括个人风险人员库和行为属性数据库，根据业务需求构建各类所述个人风险人员库，根据各类所述个人风险人员库分别构建相应的所述行为属性数据库；
8.预设可能与个人风险有关的行为属性，采用卡方检验评价所述行为属性与是否为风险人员的关系，由此确定与个人风险有关的行为属性并将其作为风险行为属性，进而筛选出所述行为属性数据库中的风险行为属性；
9.基于个人风险人员及其风险行为属性数据对各类所述个人风险人员库内的人员分别进行分级预警。
10.优选的，所述进行分级预警包括：
11.将所述个人风险人员库的个人风险人员数据和相应的风险行为属性数据联立作为数据集，并按照1：n的比例将所述数据集分为训练集和测试集，所述n为大于1的整数；
12.利用所述训练集对svm支持向量机进行训练，产生支持向量机训练模型，并利用所述支持向量机训练模型对所述测试集进行分类预测，最后将数据集的个人风险人员分为特别关注人员、一般人员两个类别；
13.将分类得到的特别关注人员数据和相应的风险行为属性数据导入知识图谱数据库，初始化节点和边的对应属性，所述特别关注人员和风险行为属性均构成知识图谱中的节点；
14.利用节点的出边属性计算节点的rank值，将rank值为空的人员节点对应的特别关注人员重新归为一般人员，并将特别关注人员对应节点的rank值作为特别关注人员的个人风险积分；
15.使用kmeans聚类算法将特别关注人员的个人风险积分分为三类，并按照聚类中心数值的大小由大到小将三类个人风险积分分为红色、黄色、蓝色三个颜色级别，红色、黄色、蓝色三个颜色级别对应特别关注人员的个人风险级别由高到低。
16.优选的，所述进行分级预警还包括：
17.在利用节点的出边属性计算节点的rank值后，将特别关注人员对应节点的 rank值作为因变量，相应的风险行为属性对应节点的rank值作为自变量，形成回归方程表格；
18.利用所述回归方程表格的数据对多元线性回归模型进行训练并建立多元线性回归方程。
19.优选的，当每日导入新增数据时，先利用所述支持向量机训练模型将新增数据中的人员分为特别关注人员和一般人员，再利用所述多元线性回归方程并结合目标人员类别对应的积分规则和权重以及目标人员相应的风险行为属性数据计算目标人员的个人风险积分，最后根据个人风险积分判断目标人员的个人风险级别。
20.优选的，判断多元线性回归方程的有效性采用的损失函数为：
[0021][0022]
其中h
β
(x(i))为每个样本x(i)对应的假设函数，y(i)为实际结果，最小化损失函数j(β)需要采用最小二乘法算法在处取到。
[0023]
优选的，所述svm支持向量机为基于高斯径向基核函数的svm支持向量机，所述高斯径向基核函数采用的公式为：
[0024][0025]
可以看作两个特征向量之间的平方欧几里得距离，σ＞0称为核半径，是用户定义的用于确定到达率或者说函数值跌落到0的速度参数，核函数对低维空间数据计算得到与高维空间中数据的内积运算相同的结果；
[0026]
所述svm支持向量机采用的分类决策函数为：
[0027][0028]
(x，xi)被称为样本点，xi为第i个特征向量，yi为xi的类标签，ai为拉格朗日乘子，b为补偿参数。
[0029]
优选的，所述利用节点的出边属性计算节点的rank值具体采用pagerank 算法，所用的算法公式为：
[0030]
[0031]
其中i和j分别代表某个节点i和除i外的所有节点，n代表节点的总数， l(j)代变j点的出边个数，q代表阻尼系数，每个节点的rank值与其出边个数及周围节点的rank值紧密相关。
[0032]
优选的，所述kmeans聚类算法采用的算法公式为：
[0033][0034]
对于给定的样本集，按照样本间的距离大小划分为k个簇(c1，c2，
…ck
)，将特别关注人员的个人风险积分分为三类时k取3，需要让簇内的点尽量紧密连在一起，簇间的距离尽可能的大，因此要求出最小化平方误差e，其中ui是簇ci的均值向量，有时也称为质心，表达式为：
[0035][0036]
计算出的三个聚类中心无顺序，按照数值由大到小分为红色、黄色、蓝色三个颜色级别。
[0037]
优选的，在基于个人风险人员及其风险行为属性数据对各类所述个人风险人员库内的人员分别进行分级预警后，构建用于全面展示个人风险业务实况的个人风险防范专题看板；
[0038]
针对分级预警得到的个人风险预警信息及技术部门业务人员手动导入的预警信息，自动生成预警指令逐层下发到安全工作人员进行信息落实、反馈处置。
[0039]
本发明还提供一种个人风险预警系统，包括数据仓库模块、知识图谱模块、数据计算模块、数据展示模块和高危预警模块；
[0040]
数据仓库模块，用于将分散于各个平台的数据汇聚至大数据平台并进行清洗转换后形成数据仓库；
[0041]
知识图谱模块，用于将特别关注人员数据和风险行为属性数据转换为知识图谱中的节点，并初始化节点和边的对应属性，同时将对应知识图谱的数据存储至索引服务器中以提高查询效率；
[0042]
数据计算模块，用于卡方检验评价预设的行为属性与是否为风险人员的关系，用于训练产生支持向量机训练模型并利用该模型将各类个人风险人员库内的人员分为特别关注人员、一般人员两个类别，用于根据pagerank算法计算知识图谱中节点的rank值并建立多元线性回归方程，用于使用kmeans聚类算法将特别关注人员的节点rank值分为三类，用于系统每日导入新增数据时自动生成个人风险积分，用于根据个人风险积分判断个人风险级别；
[0043]
数据展示模块，用于构建个人风险防范专题看板以全面展示个人风险业务实况；
[0044]
高危预警模块，用于针对分级预警得到的个人风险预警信息及技术部门业务人员手动导入的预警信息，自动生成预警指令逐层下发到安全工作人员进行信息落实、反馈处置。
[0045]
综上所述，本发明有益效果为：
[0046]
1.整合了多个部门、不同平台的数据资源，从多个不同类别及维度分析风险人员
数据，并对相关人员进行分类和分级，能够将有限的安全保障资源用于解决最紧迫的事件，有的放矢地化解或预防个人违法行为；
[0047]
2.设计多种不同的数据模型并使用先进和成熟的机器学习算法，包括卡方检验、基于高斯径向基核函数的svm支持向量机、知识图谱、pagerank算法、 kmeans算法和多元线性回归模型，因而能满足不同的业务需求，系统建设考虑周到、切实可行，建设了安全可靠、稳定性强的应用平台系统；
[0048]
3.通过建立多元线性回归方程并根据各类个人风险人员分别建立相应的积分规则和权重，当每日导入新增数据时能对分类得出的特别关注人员直接计算个人风险积分，再根据个人风险积分就能判断目标人员的个人风险级别，大大简化了个人风险的预警流程，可更好地满足实际应用需求。
[0049]
下面结合附图对本发明作进一步说明。
附图说明
[0050]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0051]
图1为本发明个人风险预警方法的一种流程示意图；
[0052]
图2为本发明个人风险预警方法中进行分级预警的一种流程示意图；
[0053]
图3为本发明基于精神障碍等行为属性构建的一种知识图谱示意图；
[0054]
图4为本发明基于风险人员张三遍历行为属性得出的一种知识图谱子图；
[0055]
图5为本发明导入新增数据时对数据中的人员进行分级预警的一种流程示意图；
[0056]
图6为本发明个人风险预警系统的一种结构示意图。
具体实施方式
[0057]
下面将结合本发明实施例中的图1至图6，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058]
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
[0059]
如图1至图6所示，本实施例公开的一种个人风险预警方法，包括：
[0060]
s101、收集各个不同平台的数据并导入至大数据平台；
[0061]
在该步骤中，将不同平台、不同格式的数据进行清洗、转换后导入至大数据平台，能很好地收集各个信息孤岛中的数据并统一接入至大数据平台。
[0062]
s102、基于大数据平台构建数据仓库，所述数据仓库包括个人风险人员库和行为属性数据库，根据业务需求构建各类所述个人风险人员库，根据各类所述个人风险人员库分别构建相应的所述行为属性数据库；
[0063]
在该步骤中，数据仓库主要包括两类数据库，分别是个人风险人员库和行为属性
数据库，根据业务需求构建各类所述个人风险人员库，包括公共安全从业人员库、散装汽油购买人员库等，再根据各类个人风险人员库分别构建相应的行为属性数据库，行为属性表示的是基于个人风险人员的行为，所以行为属性数据必须与相应的个人风险人员相关联，比如，根据公共安全从业人员库构建相应的行为属性数据库，就是对公共安全从业人员库内的人员分别收集相应的行为属性数据汇聚成行为属性数据库，即该行为属性数据库为公共安全从业人员库的关联数据库，这样能方便后续调用个人风险人员及其相应的行为属性数据。
[0064]
具体地，根据业务需求依托治安基础防控平台及线下采集，获取个人风险分析所需的数据资源并导入大数据集群作为汇聚层数据。接入汇聚所需的个人相关数据资源，通过数据提取、关联、清洗、融合，依托各类个人风险人员挖掘模型构建各类个人风险人员库，包括预警涉及的个人人员库、矛盾纠纷预警涉及的人员库、特别关注人员库(含精神障碍人员)、散装汽油购买人员库、涉警、涉上访、涉风险线索人员库、公共安全从业人员库、特殊对象人员库等，这些数据能够极大丰富判断个人风险级别影响因素的维度。为了便于构建数据仓库，可依据业务形成各种事实表和维度表，即根据业务需求将不同模块数据转化为不同的事实表、维度表以供后续公共安全从业人员、个人、多次购药等不同维度的分级预警建模使用。事实表是多张表产生的信息宽表，维度表是某个具体维度下产生的表，如时间-出入车辆维度表。比如公共安全从业人员库，将公交、医院等从业人员信息表融合后与个人风险人员信息表进行联立处理，得到公共安全从业人员事实表和公交从业人员等维度表。
[0065]
s103、预设可能与个人风险有关的行为属性，采用卡方检验评价所述行为属性与是否为风险人员的关系，由此确定与个人风险有关的行为属性并将其作为风险行为属性，进而筛选出所述行为属性数据库中的风险行为属性；
[0066]
在该步骤中，结合业务实际需求和以往处理经验，预设可能与个人风险有关的行为属性，比如购买散装汽油、多次涉警、精神病人等，同时利用四格卡方检验评价该行为属性与是否为风险人员间的关系。具体地，在根据各类个人风险人员分别构建相应的行为属性数据库后，在这些行为属性数据库中，首先需要确定哪些行为属性对该人员是否判定为风险人员有影响，并选用卡方检验评价行为属性与是否为风险人员的关系。首先假设该行为属性对该人员是风险人员有影响，选择四格表卡方检验，求出实际的观测值。比如预设安全行业从业人员对于个人行为有影响，备选假设为无影响，根据现有个人行为数据计算理论值进行卡方检验，判断该行为属性是否对预设行为有影响。
[0067]
所用的算法公式为：
[0068][0069]
其中a代表实际观测值，t代表理论推断值，先假设样本的实际观测值与理论值之间没有显著性差异，如果假设检验成立，a和t的值不会相差过大。当计算出统计量卡方值后，根据分布表判断卡方值是否大于临界值最后得出的χ2值如果大于则表明该假设不成立，反之则成立。α值代表显著性水平，通常取0.05。n代表维度，此时为2。
[0070]
s104、基于个人风险人员及其风险行为属性数据对各类所述个人风险人员库内的人员分别进行分级预警。
[0071]
在该步骤中，个人风险人员及其风险行为属性数据对判定该人员是否为需要关注
的个人风险人员以及该人员的个人风险级别具有重要影响，故本实施例基于个人风险人员及其风险行为属性数据对各类个人风险人员库内的人员分别进行分级预警，可更好地实现个人风险预警及防控。
[0072]
具体实施时可基于构建的个人风险人员库开展人员跟踪管控模型分析及积分研判。基于各类个人风险人员库打造跟踪管控类预警模型，如精障人员购买散装汽油模型、矛盾纠纷预警人员购买刀具模型、网上发布极端言论人员购买危险物品模型等，以精障人员购买散装汽油模型为例，设置调度任务每个小时将精障人员与散装汽油购买表进行联立处理，得到一小时内购买散装汽油的精神障碍人员信息，通过打造不同的跟踪管控类预警模型能便于更高效地收集获取与个人风险相关的数据。通过配置个人风险积分研判规则，基于各项模型预警结果关联积分规则，计算目标对象积分结果，并对应开展三色积分预警。
[0073]
作为优选的一种技术方案，所述进行分级预警包括：
[0074]
s201、将所述个人风险人员库的个人风险人员数据和相应的风险行为属性数据联立作为数据集，并按照1：n的比例将所述数据集分为训练集和测试集，所述n为大于1的整数；
[0075]
在该步骤中，将数据仓库中的相关个人风险数据进行归一化处理来规避量纲不一致的问题，比如对不同表格中的男女性别数据，统一设置为1、0。同时将数据进行打标操作，选取测试集中的部分数据人工判断个人风险级别，打标操作为人工对部分人员进行分级并判断个人风险级别，可便于后续与模型计算结果进行对比，以验证模型计算的准确性。本实施例n＝4，将个人风险人员数据和相关风险行为属性数据联立按照1∶4的比例分为训练集和测试集。
[0076]
s202、利用所述训练集对svm支持向量机进行训练，产生支持向量机训练模型，并利用所述支持向量机训练模型对所述测试集进行分类预测，最后将数据集的个人风险人员分为特别关注人员、一般人员两个类别；
[0077]
优选的，所述svm支持向量机为基于高斯径向基核函数的svm支持向量机，所述高斯径向基核函数采用的公式为：
[0078][0079]
可以看作两个特征向量之间的平方欧几里得距离，σ＞0称为核半径，是用户定义的用于确定到达率或者说函数值跌落到0的速度参数，类似于高斯分布。核函数对低维空间数据计算得到与高维空间中数据的内积运算相同的结果；
[0080]
所述svm支持向量机采用的分类决策函数为：
[0081][0082]
(x，xi)被称为样本点，xi为第i个特征向量，yi为xi的类标签，ai为拉格朗日乘子，b为补偿参数。
[0083]
由于训练数据集具有非线性的特征，且特征数较小，训练样本大小适中，为解决低维非线性的问题，该步骤中引入高斯径向基核函数对数据进行升维处理，利用基于高斯径
向基核函数的svm支持向量机对训练数据集进行训练，产生训练模型。产生训练模型后，对测试集进行分类预测，此时分类模型的准确率、精确率、召回率、f1值都必须大于95％，最后将数据集内的所有人员分为特别关注人员、一般人员两个类别。
[0084]
s203、将分类得到的特别关注人员数据和相应的风险行为属性数据导入知识图谱数据库，初始化节点和边的对应属性，所述特别关注人员和风险行为属性均构成知识图谱中的节点；
[0085]
在该步骤中，将分类处理后的相关数据导入知识图谱数据库并初始化节点和边的对应属性后形成知识图谱，此时需要将特别关注人员和风险行为属性当作知识图谱中的节点进行处理，同时设置用户和用户组相应权限，这里设置用户和用户组相应权限指的是访问知识图谱数据库的访问权限，通过设置权限能有利于确保数据安全、信息应用安全。
[0086]
本发明实施例中，基于上述步骤可构建一张特别关注人员知识图谱，为了形象阐述本发明的知识图谱构建思路，特不展示所有节点，仅画出部分实体与其对应关系，如图3所示。
[0087]
在设置起始节点属性，如身份证号码(张三)，同时设置目标节点属性，如公共安全从业人员、散装汽油购买者、多次涉案人员和敏感词等，最大深度参数n＝2时，后台会利用索引在毫秒级时间内找到起始节点张三，之后基于张三在两步关系内进行循环遍历，得到一张子图如图4所示。
[0088]
在总图中根据身份证号找到张三，选择公共安全从业人员、多次涉案人员、散装汽油购买者等风险人员属性，同时将最大深度参数设置为2时，同样可以形成对应子图。
[0089]
s204、利用节点的出边属性计算节点的rank值，将rank值为空的人员节点对应的特别关注人员重新归为一般人员，并将特别关注人员对应节点的 rank值作为特别关注人员的个人风险积分；
[0090]
该步骤中，在形成知识图谱后利用节点的出边属性计算rank值，具体采用pagerank算法，所用的算法公式为：
[0091][0092]
其中i和j分别代表某个节点i和除i外的所有节点，n代表节点的总数， l(j)代变j点的出边个数，q代表阻尼系数，每个节点的rank值与其出边个数及周围节点的rank值紧密相关。节点总数目不同则每个节点最终得到的结果也不同，但节点rank值满足出边越多值越大的规律，因此后续步骤使用kmeans 聚类算法将特别关注人员计算结果(即特别关注人员对应节点的rank值)分为三类。具体地，将知识图谱数据库的数据导出并转换为元组或数组的形式，类似于list《(aid，(bid，cid，did))》的数据结构来适配pagerank算法，比如《(001，(002，鄂a0000，003))，(002，(001，003))，(003，(001))》。利用spark计算引擎，将待处理数据套用pagerank算法，此时将阻尼系数设置为 0.83，获取知识图谱中每个节点的rank值。
[0093]
s205、使用kmeans聚类算法将特别关注人员的个人风险积分分为三类，并按照聚类中心数值的大小由大到小将三类个人风险积分分为红色、黄色、蓝色三个颜色级别，红色、黄色、蓝色三个颜色级别对应特别关注人员的个人风险级别由高到低。
[0094]
优选的，所述kmeans聚类算法采用的算法公式为：
[0095][0096]
对于给定的样本集，按照样本间的距离大小划分为k个簇(c1，c2，
…ck
)，将特别关注人员的个人风险积分分为三类时k取3，需要让簇内的点尽量紧密连在一起，簇间的距离尽可能的大，因此要求出最小化平方误差e，其中ui是簇ci的均值向量，有时也称为质心，表达式为：
[0097][0098]
计算出的三个聚类中心无顺序，按照数值由大到小分为红色、黄色、蓝色三个颜色级别。分类结果入库后，每日调度相关接口展示分级预警的结果。
[0099]
该步骤能实现三色积分预警，具体地，特别关注人员对应节点rank值(即特别关注人员的个人风险积分)的计算结果形成元素数组来适配kmeans算法，形如《(001，3.62)，(002，2.87)，(003，3.66)，(004，0.87)》，套用kmeans算法将所有特别关注人员的个人风险积分分为三簇，分别对应红色，黄色，蓝色三种颜色级别。此时将聚类中心数设为3，算法迭代次数设为20，算法运行次数设为5，将最后分类结果装配成元组或数组的形式，类似于list《(aid，红)》的数据结构，比如《(001，红)，(002，黄)，(003，红)，(004，蓝)》，可便于分类结果入库。
[0100]
由于三个聚类质心分布在同一数轴上，本实施例取相邻聚类质心之间的中点作为分隔点，可形成两个分隔点，在利用公式计算出个人风险积分后，通过将该个人风险积分与两个分隔点进行比较就能得出相应颜色级别，即能方便地判断个人风险级别，由此可大大简化个人风险的预警过程。
[0101]
s206、将特别关注人员对应节点的rank值作为因变量，相应的风险行为属性对应节点的rank值作为自变量，形成回归方程表格，再利用回归方程表格的数据对多元线性回归模型进行训练并建立多元线性回归方程。
[0102]
在利用节点的出边属性计算节点的rank值，将rank值为空的人员节点对应的特别关注人员重新归为一般人员之后，将特别关注人员对应节点的rank 值作为因变量，相应的风险行为属性对应节点的rank值作为自变量，形成回归方程表格，回归方程表格的数据汇聚形成数据集，根据多元线性回归模型，首先需要对特征和特征之间的关系进行相关性分析，将不同维度的数据生成相关矩阵，每个值都是数据集中各列的相关系数，生成的矩阵为上三角矩阵，因为对角线上是自己对自己，因此将对角线上的属性值设为0。相关性趋近1，相关性越强，说明两个特征相同，可以去掉其中一个特征。去掉影响较小的特征并选取合适的特征，分离自变量和个人风险积分值，检查个人风险积分值是否满足正态分布，然后按照7：3将数据集分为训练集和测试集，通过训练集训练建立多元线性回归方程，若最后判定系数r2大于0.75，则证明模型有效。后续可以通过个人的行为属性，利用公式计算个人风险积分，判断个人风险级别，大大简化了个人风险的预警流程。
[0103]
获取多个特别关注人员对应节点的rank值和相应风险行为属性对应节点的rank值即可绘制出如表1所示的回归方程表格，本实施例在回归方程表格还增加了特别关注人员涉及的敏感词和人工指令，其中敏感词与是否为风险人员相关，人工指令表明了特别关
注人员违法被处理的情况，涉及人工指令1次就表明该特别关注人员违法被处理过一次。
[0104]
表1
[0105][0106]
根据特别关注人员个体形成子图，以子图中相关风险行为属性rank值为变量，方便每日导入数据计算特别关注人员分级预警结果，所用损失函数公式如下所示：
[0107][0108]
其中h
β
(x(i))为每个样本x(i)对应的假设函数，y(i)为实际结果。最小化损失函数j(β)需要采用最小二乘法算法在处取到。优选的，本实施例采用上述损失函数判断多元线性回归方程的有效性。
[0109]
作为优选的一种技术方案，当每日导入新增数据时，先利用所述支持向量机训练模型将新增数据中的人员分为特别关注人员和一般人员，再利用所述多元线性回归方程并结合目标人员类别对应的积分规则和权重以及目标人员相应的风险行为属性数据计算目标人员的个人风险积分，最后根据个人风险积分判断目标人员的个人风险级别。
[0110]
当每日导入新增数据时，首先基于svm支持向量机将新增数据中的人员分为特别关注人员和一般人员，之后根据目标人员(即分类得出的特别关注人员) 类别对应的积分规则以及系统抽取的目标人员各类数据，自动计算个人风险积分，最后根据个人风险积分判断目标人员的个人风险级别。计算步骤如图5所示。
[0111]
基于表1中的思路，利用多元线性回归方程，计算各种行为属性与最终个人风险rank值的参数矩阵。对各目标人员进行积分计算时，积分规则和权重可根据实际应用场景需求进行调整，部分积分模型规则如表2所示。比如公共安全从业人员，在获得到相关参数后，只需要确定个人在公共安全从业人员维度下是否具有相关行为，有则加上相关行为系数，最后得到的值即为此人在公共安全从业人员维度下的rank值，也就是此人的个人风险积分。具体实施时需配置个人风险积分研判规则，即对应各类个人风险人员库，根据各类个人风险人员分别建立相应的积分规则和权重，这样确定目标人员类别后就能直接调用与目标人员类别对应的积分规则和权重进行计算。
[0112]
通过建立多元线性回归方程并根据各类个人风险人员分别建立相应的积分规则和权重，当每日导入新增数据时能对分类得出的特别关注人员直接计算个人风险积分，再根据个人风险积分就能判断目标人员的个人风险级别，大大简化了个人风险的预警流程，可更好地满足实际应用需求。
[0113]
表2
[0114][0115]
作为优选的一种技术方案，在基于个人风险人员及其风险行为属性数据对各类所述个人风险人员库内的人员分别进行分级预警后，构建个人风险防范专题看板，能便于直观地全面展示个人风险业务实况概览，包括个人人员类别、数量规模分类展示、数据汇聚整合动态展示、模型分析、积分研判预警结果动态展示、预警处置任务流转动态展示、线索提请合成研判动态展示等。
[0116]
针对分级预警、模型分析得到的个人风险预警信息及技术部门业务人员手动导入的预警信息，自动生成预警指令逐层下发到安全工作人员进行信息落实、反馈处置。
[0117]
本发明还提供一种个人风险预警系统，用于实施前述实施例的个人风险预警方法，该预警系统包括数据仓库模块、知识图谱模块、数据计算模块、数据展示模块和高危预警模块；
[0118]
数据仓库模块，用于将分散于各个平台的数据汇聚至大数据平台并进行清洗转换后形成数据仓库；
[0119]
知识图谱模块，用于将特别关注人员数据和风险行为属性数据转换为知识图谱中的节点，并初始化节点和边的对应属性，同时将对应知识图谱的数据存储至索引服务器中以提高查询效率；具体实施时知识图谱模块可以选用国产开源分布式图数据库nebulagraph，其实体和关系数据存储在分布式数据库中，有着极强的灾备能力。相较于其他组件，国产开源能够最大程度保证系统安全性和业务适配性。
[0120]
数据计算模块，用于卡方检验评价预设的行为属性与是否为风险人员的关系，用于训练产生支持向量机训练模型并利用该模型将各类个人风险人员库内的人员分为特别关注人员、一般人员两个类别，用于根据pagerank算法计算知识图谱中节点的rank值并建立多元线性回归方程，用于使用kmeans聚类算法将特别关注人员的节点rank值分为三类，用于系统每日导入新增数据时自动生成个人风险积分，用于根据个人风险积分判断个人风险级别；
[0121]
数据展示模块，用于构建个人风险防范专题看板以全面展示个人风险业务实况，包括个人人员类别、数量规模分类展示、数据汇聚整合动态展示、模型分析、积分研判预警结果动态展示、预警处置任务流转动态展示、线索提请合成研判动态展示等；
[0122]
高危预警模块，用于针对分级预警、模型分析得到的个人风险预警信息及技术部门业务人员手动导入的预警信息，自动生成预警指令逐层下发到安全工作人员进行信息落
实、反馈处置。
[0123]
本发明提供的个人风险预警系统还包括网卡，可便于与手持终端建立通信。当基层安全工作人员需要技术部门支撑时，可发起合成研判支撑请求，经上级部门审批通过后启动合成研判流程，将线索数据共享给对应业务协作人员进行经营。一旦经营期间产生新的价值线索和预警，则由业务协同人员反馈至本系统。当基层安全工作人员需要上级部门支撑时，可提请风险线索研判支撑请求。上级部门接收支撑请求后，针对线索开展深度分析研判，同步将结果反馈给基层，必要情况下上级部门可联动技术部门共同参与研判。
[0124]
本发明的优势及特点：
[0125]
1、整合了多个部门的数据资源，从多个不同维度分析风险人员数据，并对相关人员进行分类和分级，能够将有限的安全保障资源用于解决最紧迫的事件，有的放矢地化解或预防个人违法行为。
[0126]
2、使用先进和成熟的机器学习算法，设计多种不同的数据模型，满足不同的业务需求，系统建设考虑周到、切实可行，建设安全可靠、稳定性强的应用平台系统。
[0127]
3、充分考虑系统与其他平台之间的关系，整体把握数据、系统、业务的有机整合，兼顾系统安全性和开放性，在把握信息共享、信息安全之间的关系时尽可能采用开放的技术路线，融合信息化发展成果，提高对个人风险防范业务变化的快速响应能力。
[0128]
4、将系统安全性放在首位，制定了系统运行安全、数据安全、信息应用安全策略，在资源共享的同时充分考虑信息的保护和隔离。系统建设各个层次对访问都进行控制，设置严格的访问权限，在面向一线安全工作人员提供充分、高效、便捷信息服务的同时及时发现、处置安全隐患，确保信息安全、应用安全，确保系统建设面向实际，注重实效。
[0129]
5、遵循安全部门的相关信息标准，满足各项技术规范要求。
[0130]
本实施例中未涉及部分均与现有技术相同或可采用现有技术加以实现，在此不做进一步说明。
[0131]
各位技术人员须知：虽然本发明已按照上述具体实施方式做了描述，但是本发明的发明思想并不仅限于此发明，任何运用本发明思想的改装，都将纳入本专利权保护范围内。