探析人流量預測在警務中的實踐*

江蘇警官學院 呂海翔，劉簡寧，劉雨衡，蘇甫，朱嘉琪，蔡敏

一、人流量預測技術需求產生的背景及意義

（一）人流量預測技術的需求

當前隨著二胎三胎政策的開放，我國人口增速變快，人口管理壓力變大。根據全國第七次人口普查顯示，十年來我國流動人口超預期增長，人口持續向大城市和都市圈聚集。2010年以來，中國工業化、城鎮化持續推進，帶來了流動人口快速增長。城市交通發達，伴隨著城市人群的高流動性，造成了城市交通的嚴重擁堵。但人流量的密集也會帶來眾多安全隱患和事故發生，給人們的安全帶來威脅。由于國內城市人口密度稠密、流動性大等特性導致相關部門對突發事件的預防與處理難度較大，既增加了公共安全事故發生的風險，也給公安機關帶來了不小的壓力，維護公共安全已成為保證中國經濟健康發展的關鍵一環。

城市化進程的加快，在一定程度上提高了對警力服務的需要。從我國當前城市人口得知，總人數超過百萬的已經有近50個城市，這些城市中有著較多的政府和經濟中心，人口密度大、流動性強，對城市經濟發展重要性高，如果出現危險問題，就會對城市、國家產生重要的影響，因此對這些人流量大的城市就要做好防范準備和管理。

（二）人流量預測技術的研究意義

人流量預測技術能夠幫助實現對城市的精細化管理，對于實用性而言，能夠提高城市管理的決策支持服務能力，特別是在維護公共安全、新型智慧城市建設、城市居民出行選擇和提升城市居民出行舒適度等方面實現進一步優化，實現錯峰出行和資源有效調配；對于理論研究而言，人流量預測是基于現代化機器學習技術和人工智能技術等實現的，能夠促進人工智能技術的理論發展，加強深度神經網絡結構等的研究和進步，對未來發展有著重要的理論意義和良好的應用前景。

二、人流量預測技術分析

（一）國際上一些地區研究現狀

本身技術相對先進，再加上城市化進程高，因此，在人流量管理和預測方面相對起步更早，在分析和預測技術上更為全面。從人流量預測模型看，包括GUtierrez j等提出的多元線性回歸模型、Feng X等提出的AMSVM-STC模型，Akagi Y等提出的 CGM模 型、Wei Y等 EMD-BPN模型，這些分析模型主要是通過對區域、站點的目標變量時間序列分別進行獨立建模，輸出下一時段的預測結果。在這些模型中涉及了地理空間特征、時間屬性特征、天氣等其他特征，這些特征具備強烈的代表性，對于時空預測有著有效的幫助。

近年來，人口流量和統計技術通過不斷引進，國內逐漸出現一定的實用性技術，但受到發展周期、使用規模、技術引進價格等因素的影響，目前還沒有實現全面的應用。因此，目前主要還是以通過歷史測量數據，分析數據特征、建立預測模型，從而對某個區域在某個時間段內的人口流量變化做出預測，這種方式需要的數據量大，但基于國家對個人因素數據的保護，所以無法實現對個人的實時定位，所以一般是通過公交、地鐵等公共交通方式的刷卡記錄、公共攝像頭的記錄、出租車載客、網絡地點簽到、數據流量使用等數據進行分析和統計。

（三）研究現狀總結

對于人流量預測技術，經歷了人工計數、機械計數、單目標預測、多目標預測的階段，其中人工計數、機械計數準確度、效率等不足，因此實用性低，隨后傳統機器學習技術出現，通過對地點、時間等建立預測模型，能夠實現有效的同區域未來時間預測，但對于多區域位置、多時段等還無法形成有效的預測，隨后現代化預測分析在傳統分析技術的基礎上，構建豐富的時空特征，實現了更加準確地時空序列關系建模，預測更加準確和全面。

三、人流量預測技術的核心原理及算法

（一）運動目標的提取

運動目標提取是通過專業的監控設備獲取區域圖像等，自動找到其中的非靜止物體，并根據一定的條件進行提取。當前常用的提取技術主要包括兩種，第一種是采取去除圖像背景的方式，這種需要建立處理的背景條件，根據原始圖像中相互連續的圖像選取中其中的相同背景，進行提取，從而通過對比得到其中的運動目標，但這種方式的使用需要圖像變化較小的條件，因此一般只對靜態的圖像情況進行應用。第二種方式是基于時域差分實現，這種方式是基于連續幀地得到其中的運動畫面，然后再通過差分的方式得到其中的對象。

（二）人體目標檢測

通過監控等圖像中得到運動目標，就需要對這些運動目標進行檢測和識別，檢測這些目標是不是運動人體，防止將動物等其他物體判斷為人體。對于人體的檢測一般是根據人體本身的結構特征進行判斷，這些結構特征相對多樣化，包括可以根據外廓形狀、膚色顏色等進行檢測。以外廓特征為例，將獲取的監控圖像進行二值化處理，進行圖像的橫向投影和縱向投影，得到相應的人體數據，根據其中的縱向和橫向比例來進行模型的對比，得到是否為人體的結果。而膚色顏色特征則，是由于人體本身的皮膚顯色相對恒定，因此得到的色度等特征值基本不變，那么通過HSI空間得到相應的模型數據，就可以判斷是否為人體。臉型模型可以通過手工測量等得到相應的數據，然后根據臉型的模型進行懸鏈，得到模型的均值、協方差等數據，通過對比閾值得到像素和均值數據，判斷目標數據是否為人臉模型。

（三）多目標跟蹤與計數

通過上一步得到人體數據后，可能會出現同一圖像不同人體的情況，因此為了避免同一人體的干擾，需要對人體做運動跟蹤處理。運動跟蹤處理的方式也是基于模型化或特征化的對比跟蹤。根據實際應用性，二維數據模型構造簡單，在識別應用性上相對方便，而三維模型本身結構復雜，需要的數據量更大，參數對比的過程更加繁雜。因此對于某些要求不高的環境下應用性較低。

圖1 多目標跟蹤與計數

以上方法是基于人體的特征數據進行目標跟蹤，因此主要的模型和參數對比集中在人體特征上。而人體特征相對不變，因此實際檢測對比和檢測效果良好，同時不受其他方向、區域等因素的干擾，具備高抗噪、結果顯著的特點。

（四）基于神經網絡的人群密度檢測

人流量檢測的原理是識別出圖像中的行人后，對人體進行跟蹤，不斷獲取人體在不同圖像中的位置信息，然后根據人體的運動情況進行有效性檢測以及人群計數。在實際檢測過程中，通過檢測圖像的預處理，對圖像進行清晰化，隨后基于背景的差異進行差分處理，得到圖像的前景。對前景進行陰影的去除、形態學處理，然后根據閾值連通大小，進行圖像的整合，從而確定人體。

在實際處理過程中，首先將目標區域確定為運動人體所在區域，并將該區域當做首幀畫面，對該畫面中的人體目標進行確定。然后再根據人體目標的數量建立相應的跟蹤窗口，通常一個人體對應一個跟蹤窗口，如果某個圖像中增加新的人體，那么就需要在重新對該目標進行目標鏈設定，同時對總的人體目標進行更新，如果舊有人體目標離開圖像，那么表示該人體離開，對應去掉相應的目標鏈，從而完成對圖像人群的跟蹤和檢測。

四、人流量預測技術在警務系統中的應用

（一）警力分配現狀

城市警力屬于城市資源的一種，對于警務系統而言，城市警力分配需要首先要滿足供求關系，符合城市警力要求，這里以農村和城市警力分配進行說明：

一是對警力服務的需求度。城市經濟和生活條件好，本身人口較多，流動性強，而人口基數的增加相應地提高了犯罪的概率，因此總體來看，城市相比農村在警力服務上的需求更高。而從出現的警情差異來看，城市人口的復雜度更高，包括各類人群，而農村相對復雜度低，主要為農民群體，因此，這種人群的復雜性導致警情的差異，例如城市出現的公用設施破壞、搶劫等，而農村則一般為偷盜犯罪，因此城市的某些警情條件在農村沒有相應的發生基礎。

二是對警力服務的要求不同。城市由于發展條件較好，在相關的資源、管理要求、規定等方面較為全面，因此對警力的要求更細致和全面，同時警力還需要做到交叉和多頭管理，而農村地區分析，個體相對需求較少，基本滿足自給自足生活，因此對警力服務的要求較低。由于城市的復雜度高，因此要求警力服務人員需要具備的專業知識更全面和深刻，了解相關的法律規定，能對各種突發情況進行處理。

三是警力運行機制的不同。由于對警力服務的要求、需求度等差異，就會使得警力服務機構和人員在設置和日常運行上存在顯著的不同。例如城市警力配備更加優良、規模更大，在警力的細致劃分上更加詳細，警力人員的專業性和全面性更高，能對于各種情況進行及時有效的處理，而農村的警力要求相對簡單，因此在人員設備的安排上相對簡單，主要用于處理日常事務。

圖2 警力分配優化

（二）基于人流量預測技術的警力分配優化

1.高人流量設置常駐點

人流量預測可以對城市不同空間位置的人群分布情況進行預測，從而輔助警力系統進行分配，例如在節假日期間，民眾會大批量的前往商場、公園及旅游場所進行休閑、娛樂和購物，通過人流量的預測，分析不同空間位置場所的人員數量，例如交通主干路可能出現的擁堵情況、商場周邊的亂停車現象、室外節目觀賞的治安維護要求等，可以在這些地點布置相應的警員，同時對于常年處于高人流量的地區，可以設置長期服務點，設置駐守人員，這樣可避免對人員分配的頻繁更改。

2.基于人流量建立警務云系統

目前我國各省都在建立省級警務云系統，通過利用計算機和相應的數據算法，能夠在1s內從全省數據中得到某個人員的相關信息、運動軌跡，從而在5s內完成該人員的行動路徑推算、分析，獲取碰撞軌跡，從而為觀察、監視犯罪人員，分析犯罪行為提供幫助。

3.重點區域重點管控

警務人員在維護城市治安時，必須對一些特殊區域進行重點防控。例如：政府機構由于其特殊的職能,需要對其重點保護；火車站、商業廣場、交通站點等區域人流大量集中,應屬于重點管控范疇;學校區域未成年人群分布較多，屬于弱勢群體分布地區，也應對其重點防控，以防止犯罪產生嚴重后果；多數犯罪類型具有空間聚集現象，對于犯罪發生地區，需要警力集中覆蓋。

4.警力分配優化

人口數量、犯罪數量等在空間上的異質性導致每個區域對于警力數量的需求不盡相同。因此，本文利用犯罪數量、人、戶的空間分異特征，以街道單元為空間分割尺度,計算每個派出所不同類型警力數量配比。

治安管理是城市管理的主要方面，用于預防城市犯罪，因此基于不同地區的犯罪絕對數量可以判斷當前區域的分配要求，在這里可以通過計算犯罪總數在高一級地區的占比，來對不同劃分區域內安排治安警力數量，如公式所示：

其中，M為研究區派出所的治安警力總數；N為研究區犯罪發生總數；i代表第i個街道單元,j代表某街道單元中的第j個派出所,則∑ij表示第i個街道單元上的派出所數量之和；Ni表示第i個街道單元中的犯罪發生總數,Mij表示第i個街道單元中的第j個派出所治安警力數量。

五、結論與展望

本次研究通過人流量的檢測和預測技術，對區域的人流量進行未來預判，從而將有限的警力資源進行合理分配，但警力分配是一個較為復雜的問題，其位置在空間上的公平分配和警力在空間上的異質性具有一定的沖突，本文規定了空間位置優化和警力分配的先后順序，在一定程度上可以解決二者之間的沖突，但空間位置和警力的分離處理是基于人流量的多少實現的，但人流量大的地方雖然對治安警力要求高，但并未涉及人群特點等特征分析，無法求解到最優的分配結果，對于警力的分配優化有待進一步研究，還需引入更多因子對比研究。