(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111629117.2 (22)申请日 2021.12.28 (71)申请人 天津汇智星 源信息技 术有限公司 地址 300384 天津市滨 海新区华苑产业区 开华道22号5号楼西塔20 01-2008室 (72)发明人 朵思惟　余梓飞　张程华　于锋杰　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 代理人 孙晓凤 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 16/36(2019.01) G06F 16/35(2019.01)G06F 40/295(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (54)发明名称 基于轨迹预测的目标人员动态风险预警方 法及相关 设备 (57)摘要 本申请提供一种基于轨迹预测的目标人员 动态风险预警方法及相关设备， 该方法包括： 获 取目标人员的数据信息； 将所述数据信息划分为 基本信息和历史 时序特征信息； 根据所述基本信 息构建目标人员知识图谱， 基于所述目标人员知 识图谱确定目标人员特征值列表； 将所述历史时 序特征信息输入到预先构建的时序预测模型中， 通过所述时序预测模型输出预测时序特征信息； 将所述目标人员 特征值列表和所述预测时序特 征信息进行合并， 得到未来时段特征值列表； 基 于所述未来时段特征值列表通过预先构建的风 险研判模型得到所述目标人员的风险得分。 本申 请兼顾了 预测预警结果的时效性、 准确度和可解 释性， 解决了传统预警技 术方案的滞后性问题。 权利要求书3页 说明书13页 附图5页 CN 114372620 A 2022.04.19 CN 114372620 A 1.基于轨迹预测的目标 人员动态风险预警方法， 其特 征在于， 包括： 获取目标 人员的数据信息； 将所述数据信息划分为基本信息和历史时序特 征信息； 根据所述基本信 息构建目标人员知识图谱， 基于所述目标人员知识图谱确定目标人员 特征值列表； 将所述历史时序 特征信息输入到预先构建的时序 预测模型中， 通过所述 时序预测模型 输出预测时序特 征信息； 将所述目标人员特征值列表和所述预测时序 特征信息进行合并， 得到未来 时段特征值 列表； 基于所述未来时段特征值列表通过预先构建的风险研判模型得到所述目标人员的风 险得分。 2.根据权利要求1所述的， 其特征在于， 所述根据所述基本信息构建目标人员知识图 谱， 基于所述目标 人员知识图谱确定目标 人员特征值列表， 包括： 根据所述基本信息构建风险评估指标体系； 根据所述 风险评估指标体系对所述基本信息进行 数据标注， 以得到初始特 征值列表； 基于所述初始特征值列表通过实体抽取和关系抽取确定第 一实体关系三元组， 基于所 述第一实体关系三元组构建初始知识图谱； 基于所述初始知识图谱， 通过实体对齐对所述初始知识图谱中的全部实体进行归一 化， 以得到第一知识图谱； 基于预设的抽象规则库对所述第一知识图谱进行补全， 以得到所述目标人员知识图 谱； 基于所述目标人员知识图谱对所述初始特征值列表进行补全， 以得到所述目标人员特 征值列表。 3.根据权利要求2所述的， 其特征在于， 所述基于所述初始特征值列表通过实体抽取和 关系抽取确定第一实体关系三元组， 包括： 通过双向长短时记忆网络+条件随机场对所述初始特征值列表进行实体抽取， 通过预 训练模型Ber t对所述初始特 征值列表进行关系抽取， 以确定所述第一实体关系三元组。 4.根据权利要求2所述的， 其特征在于， 所述基于预设的抽象规则库对所述第 一知识图 谱进行补全， 以得到所述目标 人员知识图谱， 包括： 遍历所述第 一知识图谱中的全部第 二实体关系三元组， 将全部满足所述抽象规则库的 所述第二实体关系三元组对应的实例规则合并作为初始实例规则库； 根据所述第二实体关系三元组构建负例实体关系三元组； 将所述第二实体关系三元组和所述负例实体关系三元组输入预先构建的知识图谱嵌 入模型中， 输出实体的向量嵌入表示和关系的矩阵嵌入表示； 基于所述实体的向量嵌入表示和所述关系的矩阵嵌入表示， 通过计算得到所述初始实 例规则库中每 个所述实例规则的置信度得分； 将全部所述置信度得分超过预设置信度阈值的所述实例规则合并作为合理实例规则 库； 基于所述第 二实体关系三元组， 根据 所述合理实例规则库推理得到补充实体关系三元权　利　要　求　书 1/3 页 2 CN 114372620 A 2组； 将所述补充实体关系三元组补入所述第一知识图谱中， 以得到所述目标人员知识图 谱。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述第 二实体关系三元组构建负 例实体关系三元组， 包括： 将所述第二实体关系三元组中的实体替换为所述第一知识图谱中的任一实体， 和/或将所述第二实体关系三元组中的关系替换为所述第一知识图谱中的任一关系， 以得到所述负例实体关系三元组。 6.根据权利要求1所述的， 其特征在于， 所述时序预测模型包括编码器和解码器， 所述 编码器和所述 解码器均为循环神经网络， 所述将所述历史时序 特征信息输入到预先构建的时序预测模型中， 通过所述 时序预测 模型输出 预测时序特 征信息， 包括： 将所述历史时序特 征信息输入到所述编码器中， 经由所述编码器输出状态向量； 将所述状态向量输入到所述 解码器中， 经由所述 解码器输出 所述预测时序特 征信息。 7.根据权利要求6所述的， 其特 征在于， 所述预测时序特 征信息包括多个预测轨 迹点， 所述将所述第 一状态向量输入到所述解码器中， 经由所述解码器输出所述预测时序 特 征信息， 包括： 对开始字符进行编码， 并将经过编码的所述开始字符与 所述状态向量合并作为新的状 态向量输入到所述 解码器中的输入层， 经由所述 解码器输出 得到第一个所述预测轨 迹点； 除了第一个所述预测轨 迹点， 剩余每 个所述预测轨 迹点均通过以下操作得到： 对该所述预测轨迹点的前一个所述预测轨迹点进行编码， 并将经过编码的前一个所述 预测轨迹点与用于预测前一个所述轨迹点的状态向量合并作为该所述预测轨迹点的状态 向量输入到所述 解码器中的输入层， 经由所述 解码器输出 得到该所述预测轨 迹点； 响应于确定检测到结束字符， 停止输出所述预测轨迹点， 将已输出的全部所述预测轨 迹点依次合并作为所述预测时序特 征信息。 8.根据权利要求1所述的方法， 其特征在于， 所述风险研判模型是通过极限梯度提升 XGBoost算法进行 预训练的。 9.一种基于 轨迹预测的目标 人员动态风险预警装置， 其特 征在于， 包括： 获取模块， 被 配置为获取目标 人员的数据信息； 划分模块， 被 配置为将所述数据信息划分为基本信息和历史时序特 征信息； 构建模块， 被配置为根据所述基本信息构建目标人员知识图谱， 基于所述目标人员知 识图谱确定目标 人员特征值列表； 预测模块， 被配置为将所述历史时序特征信息输入到预先构建的时序预测模型中， 通 过所述时序预测模型输出 预测时序特 征信息； 合并模块， 被配置为将所述目标人员特征值列表和所述预测时序特征信息进行合并， 得到未来时段 特征值列表； 研判模块， 被配置为基于所述未来 时段特征值列表通过预先构建的风险研判 模型得到 所述目标 人员的风险得分。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算权　利　要　求　书 2/3 页 3 CN 114372620 A 3