[发明专利]一种基于个体复杂关系的监管场所安全预警方法及装置

权利要求书

1.一种基于个体复杂关系的监管场所安全预警方法，其特征在于，所述监管场所包括K个区域及分布在各个区域中的个体，所述基于个体复杂关系的监管场所安全预警方法，包括：

获取每个个体的单位时间安全指数值x_d，以D个单位时间为一个时间窗口，生成每个个体在时间窗口t内的时间快照X_t∈R^1×D，将所有个体的时间快照组合为对应的个体安全矩阵其中N为个体的数量；

将T个时间窗口的个体安全矩阵输入到预先构建的CNN卷积神经网络模型，获得时间信息嵌入表示矩阵X¹；

将时间信息嵌入表示矩阵X¹输入到预先构建的第一GCN图神经网络模型，获得个体之间关系矩阵A₁∈R^N×N和时间个体信息表示矩阵X²∈R^N×D×T；

获取个体与区域关系矩阵A₂∈R^N×K，其中K为区域数量，将所述关系矩阵A₂∈R^N×K和时间个体信息表示矩阵X²∈R^N×D×T一起输入到第二GCN图神经网络模型，获得区域安全表示矩阵X³∈R^K×D×T；

获取区域关系矩阵A₃∈R^K×1，将所述区域关系矩阵A₃和区域安全表示矩阵X³∈R^K×D×T一起输入第三GCN图神经网络模型，预测出下一时间周期的整体安全向量

2.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述T个时间窗口的个体安全矩阵表示为X⁰，t属于{0，1，…，T}，所述CNN卷积神经网络模型数学表达式如下：

X¹＝σ₀(X⁰*q)

其种σ₀是激活函数，q是卷积核。

3.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第一GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，σ₁是激活函数，D₁是A₁的度矩阵，是权重，

4.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第二GCN图神经网络模型数学表达式如下：

其中，σ₂是激活函数，D₂∈R^K×K、D_2′∈R^N×N是A₂的度矩阵，D₂的对角线元素是A₂每列元素之和，D_2′的对角线元素是A₂每行元素之和，是权重，

5.如权利要求1所述的基于个体复杂关系的监管场所安全预警方法，其特征在于，所述第三GCN图神经网络模型数学表达式如下：

其中，l是卷积的层数，σ₃是激活函数，最终的输出是为权重。