人工智能驱动的警务态势感知研究
摘要:警务态势感知是基于对周围生活空间和事物发展的全方位感知和理解，以更好、更早地预警潜在风险问题。以过往警务数据为逻辑起点，从全局角度出发，提高对公共安全风险隐患的感知、识别、分析和理解，以及应对应对能力，最终为即将到来的社会安全问题提前做好准备并做出决策和行动，充分保障任务顺利开展的策略。第三次人工智能浪潮为警务预测预警带来了前所未有的机遇。依托人工智能技术特别是深度学习技术的兴起，以及以历史警务数据为逻辑起点，科学系统的警务态势感知模型，可以成为公安机关实现“以警随罪”“智、指挥、职、行一体化”的必然选择。基于人工智能驱动警务态势感知的概念，构建了基于人工智能的警务系统模型，探索了系统模型的运行过程，并提出了运行模型未来的发展路径，为警务态势感知系统的构建提供了一定的参考。
关键词:人工智能；警务情况意识；大数据；智慧警务
1. 介绍
当前，社会形势多样化，各类犯罪明显增多，而警务信息量是衡量公安领域整体社会治安的重要标准，导致公安机关工作压力巨大。一般来说，根据不同的相关法律标准，警务情况通常可以分为刑事、治安和秩序三种类型，因此，这些公安机关需要更加重视治安和刑事警务。在这方面，如何有效控制各类违法犯罪警务上升势头，是公安机关面临的难题。众所周知，传统的被动应对的警务处理策略已经很难适应外部形势的变化和人民生活水平的提高。警务态势预警预测是人工智能时代公安机关实现智慧警务的必由之路[1]。警务态势因各种外部环境等因素表现出复杂的特征，但其发展变化有其内在规律。更重要的是，这些规律仅靠传统的经验感知和简单的统计分析是难以捕捉到的，尤其是要实现警务态势的科学感知预测更是难上加难。
第三次人工智能浪潮为警务预测和预警带来了前所未有的机遇。依托人工智能技术的兴起，以及以历史警务数据为逻辑起点，科学、系统的警务态势感知模型，可以成为公安机关实现“有案可查”和“智、指挥、职、行一体化”的必然选择[2]。
2. 警务情境意识概念探讨
2.1 情境意识的起源
情境意识的概念可以理解为基于周围的生活空间和事物的发展，感知社会各方面不安全感的能力。以大安全数据为逻辑起点，从全局来看，是提高对隐藏在公共安全风险中的感知、识别、分析和理解，以最终将社会安全问题作为决策和行动过程中的出发点的策略。
严格来说，“态势感知”并不是一个新名词，这个概念起源于军事需求。“知己知彼，百战不殆”[3]，这可以看作是态势感知的本质。在过去的几十年里，这些西方国家在航天和军事领域的相关研发上投入了大量资源。研制的态势感知系统主要包括战术信息系统、导弹预警系统(反导态势感知系统)和基于光电监测的空间飞行目标监测系统。
态势感知技术直到20世纪90年代初才发展到信息技术安全领域，最早的研究应用于下一代入侵检测系统。其中，最有效的应用是美国创立的爱因斯坦计划，该计划于2003年正式实施[4]。创建该计划的原因是“该系统可以在美国联邦政府之间自动收集、关联、分析和共享计算机安全信息，以便联邦机构可以实时接收其信息和对网络基础设施的威胁。"
2.2 情境意识在教育领域的延伸
网络安全性
2016年4月，我国明确提出要加快研发关键信息设施的安全保障，24小时感知网络安全趋势，及时增加网络安全防护和威慑能力，以随时随地营造网络安全态势。从那一刻起，“态势感知”这一新概念迅速被接受，并在网络安全领域得到广泛应用。目的是充分感知网络安全威胁态势，了解网络的健康状况及其应用，通过全流程分析技术实现完整的网络攻击追踪和证据收集，从而帮助安全人员采取针对性的对策[5]。
虽然“态势感知”的概念现在在网络安全和威胁情报领域得到了广泛的应用，但其更深层次的内涵和外延在预测性警务领域经常被引用。特别是随着人工智能技术的兴起，态势感知与警务的融合已经不再仅仅集中在概念阶段。在技术[6]的推动下，警务态势感知已经实现了许多理论创新和实际应用。更重要的是，基于人工智能技术的警务态势感知也将为其带来前所未有的机遇和成果。
2.3.警务态势感知的定义
基于“情境意识”的概念，笔者认为可以定义为基于对周围生活空间和事物发展的全方位感知和理解，以更好、更早地警示潜在的风险问题[7]。以过往警务数据为逻辑起点，从全局角度出发，提高对公共安全风险隐患的感知、识别、分析和理解，以及应对应对能力，最终为即将到来的社会安全问题提前做好准备并做出决策和行动，充分保障任务顺利开展的策略。
3. 人工智能驱动的警务态势感知模型
3.1 人工智能驱动的警务态势感知系统框架
作为基于人工智能技术的预测预警，可以发现，第一阶段是下一阶段的基础，三个阶段紧密关联、递进。在本文中，由人工智能模式驱动的新警务态势感知被描述为图1中的以下框架。
就系统的整体运行过程而言，第一阶段是对环境中各组成部分的感知，即信息的输入，如对警务态势的感知和发现。具体来说，利用人工智能和大数据技术，可以帮助及时发现和收集各种警务态势数据，并在前期进一步进行简单的数据整理，便于大量警务信息的及时存储和固定。更重要的是，第二阶段是对当前警务形势的全面了解，即信息的具体处理。通过对采集数据的分析和理解，并借助人工智能和大数据技术，应用机器学习、深度学习、数据探索、知识图等相关技术，可以进一步整合多个异构警务数据，揭示隐藏的本质诱因，让人们更好地发现警务态势的相关知识，形成对其特征的洞察，以及对内外因素的深刻理解。在这方面，公安机关可以更透彻地解读犯罪、理解犯罪、分析犯罪，但现阶段考虑机制模式是非常必要的。换句话说，公安机关多年的业务经验模型、数据模型和机制模型可以共同形成对警务态势解读的有力支撑。第三阶段是对后续情况的预测和规划，即信息的输出。通过基于情报知识导向的前两个阶段的感知、发现、理解和分析，警务资源配置和服务规划强调更为积极主动的干预、预防和控制措施，从而逐步形成“预测、预警警务”战略。因此，最终目标是使决策和行动更加高效。
3.2 警务意识的发现
警务意识发现是指及时发现多个与警务态势相关的静态和实时动态数据，不仅包括历史犯罪、事件数据、静态属性数据、动态轨迹信息和与作案人相关的社会在线数据，还包括与外部环境相关的数据，如地理信息、交通、天气、通信、人员流动和社会环境等[8]。依靠人工智能等相关设备和公安人员对数据进行快速采集、存储和处理，有助于及时发现可能存在的安全隐患和隐性犯罪，这也是警务意识的核心。作为警务态势发现的重要引擎，人工智能技术可以帮助警务人员获取数据，甚至感知潜在的相关数据，可以最大程度地为获取全息数据提供有力支撑。
3.3 警务态势分析
关于与警务情况相关的数据的理解，对这些结构化和非结构化数据进行有效和更深入的探索变得非常必要[9]。警务信息的深度挖掘是从海量警务信息数据库中分析或提取大量未知且有用的规律或模式的复杂过程。在警务数据的理解和探索中，单纯依靠传统的人工经验处理复杂繁琐的多源数据变得非常困难。因此，必须进行人工智能和大数据技术，以进行系统的、面向过程的、精确的和自动化的数据解释[10]。它在理解和分析人工智能警务态势的基础上，以以往感知获得的数据为分析对象，适时应用机器学习、深度学习、知识图等分析技术，对现有警务数据进行处理、分类和分析。更重要的是，这些分析技术的应用可以帮助发现更高价值的数据，获得增值情报，旨在将技术和人工经验相结合，在更深层次上理解警务态势的机理，在早期预测预警中发挥关键作用。
3.4.警务预测与预警
在发现、感知和深入了解警务态势数据的前提下，实现其预测预警，实现提前部署和应对。因此，基于警务态势的预测和预警是态势感知极其重要的一部分[11]。就当前警务需求而言，警务态势预测预警可分为以下四种场景:第一种是警务态势风险发生的地点和时间；二是对潜在公共安全风险行为和违法犯罪行为人的预测预警；三是预测那些犯罪嫌疑人最有可能已知的违法犯罪案件。第四是预测可能的犯罪受害者，或在某些情况下最有可能成为犯罪受害者的个人[12]。
警务预测预警的最终目的是通过及时收集和处理信息，预测和预防犯罪，为公安机关部署公开和秘密警察巡逻、设置停车检查点、部署隐线检测点提供充分的应对依据和实践。特别是在适当的时间节点和适当的地点，警力和资源之间的有效匹配能够妥善完成打击犯罪工作，逐步满足人民日益提高的生活水平。
4.人工智能驱动的警务态势感知模型未来发展路径
4.1 大数据支持下的警务态势感知实践模式研究
智能技术
在大量的数据中，对不同数据的关联映射和分析，对于形成群体、寻找有用的关系和模式、确定关键人物和事件连接模式，都有着重要的意义。更重要的是，利用聚类分析、关联规则、向量空间模型和社会网络分析等一系列子模型分析方法[13]，可以准确计算数据之间的公共关系，更好地呈现整个案件所涉及的整体情况。只有对犯罪现场进行分析，根据变化实时更新服务内容和方式，才能更好地了解和准确把握当事人的变化，充分提高其对模式的接受度和满意度。警务态势感知和任务往往是动态的、个性化的，很难形成通用的实践模式。在大数据环境下，人们的数据可以通过各种渠道收集，而当事人的困境和需求也可以基于相关数据快速建模。根据环境和时间节点的差异，基于当事人的基本属性，快速构建智能的动态要素和指标，计算要素之间的相关性和制约性，进一步确定权重和时序关系，最终形成集智能、问题、任务、场景于一体的实用模型[14]。
此外，人工智能驱动的警务态势感知也将推动决策和情报分析模型的发展。鉴于犯罪的时空不可逆转性，侦查人员无法提前预测和预防犯罪，只能在犯罪发生后采取侦查措施。然而，数据驱动的预测性监管大大增加了调查行为的干预时间[15]，而不是专注于回顾性和传统的调查模式。是指在犯罪发生前或者发生时，侦查行为已经在进行。这样，侦查行为不仅关注已经发生的犯罪，也关注尚未发生或正在发生的犯罪。目前，越来越多的国家已经意识到探索智慧技术和大数据驱动的警务态势感知运行模式的必要性，同时越来越多的部门开始将态势感知技术和理念融入侦查实践[16]。因此，人工智能驱动的警务态势感知必将成为未来主流的预测预警方法。
4.2 基于新一代人工智能科技的警务态势预测技术分析研究
预测预警实际上要求充分利用大量的历史数据，建立大数据分析模型，对海量数据进行总结和分类，形成深度的探索、分析和判断，以及寻找隐藏在海量数据中的高价值信息，更好地预测可能发生的事件。与此同时，对互联网上传输的数据和特定对象进行详细分析也是非常必要的，特别是要及时报警，防止恶性事件的发生。然而，拥有如此庞大的数据量，仅仅依靠人类的智慧是远远不够的，还需要强大的技术领导。通过使用神经网络、机器学习等智能方法，可以帮助分析和转化庞大数据库中的各种信息和知识为高价值信息，从而获得对预测案例有用的信息。例如，可视化智能分析模型以图形的形式展示各种数据，以社交网络图、云图、雷达图、热图等形式充分描述和展示数据之间的关联，进一步依托不同的图形分析方法(如路径分析、空间分析、网络分析、相关性分析、时间序列分析)发现和揭示隐藏在数据中的公共元素。因此，它最终指出了重要和关键的信息、时间演变和发展路线。同时，也为演化分析、决策场景要素分析、技术发展路径分析和趋势预测分析提供了必要的支持，直观展示决策涉及的影响因素和要素之间的关系，以进一步提高快速响应的有效性[17]。
当前，随着信息技术的快速发展，许多管控业务还没有与日益成熟的智能技术充分融合。因此，现有的科学技术仍亟待加强。基于机器学习和深度探索的人工智能分析方法[18]，非常有必要利用优势不断完善新技术，进一步打造一系列适合我国的高质量预测技术和实战警务操作。
4.3 建立适应的大数据资源系统
警务态势感知
通过构建标准化的公安信息资源服务平台，形成涵盖数据采集、质量监测、运行维护的完整信息资源服务链，可以有效缓解技术能力差异带来的数据问题。尤其是标准化集成、分布式存储、数据集成等技术可以进一步巩固和完善数据基础。通过统一的数据服务，简化了应用系统对异构数据层的访问，提高了应用开发效率，使民警能够主要围绕业务应用需求，运用各种新技术、新方法、新方法，满足实际需求，提升应用能力。信息资源服务平台简化了信息共享架构，建立了可用的信息共享总线，实现了查询、检索、比较、订阅、统计、关系分析等各种数据服务的集中管理、标准化管理、量化审核和安全控制。更重要的是，一系列信息资源标准化和专业化运维体系的建立，可以进一步提高和发展数据资源共享的应用水平、运维管理水平，以及各种数据服务需求的响应速度。
5. 结论
本文通过借鉴国外先进的警务分析、预警理论和技术研究成果，提出了基于人工智能的警务态势感知模型，以及与警务态势感知相关的概念、应用场景、模型流程、保障研究和未来发展路径。未来，在公安综合改革的推动下，这些公安机关依靠警务态势感知模型，把握信息分析系统的智能化趋势，抓住历史发展机遇，及时学习和应用大数据和智能技术，解决行业共性和关键问题，为警务态势预测和预警奠定坚实基础，最终构建高效智能的态势感知系统。