一种风险人员异常识别方法、系统、设备及可读存储介质与流程

1.本技术涉及风险评估的技术领域，尤其是涉及一种风险人员异常识别方法、系统、设备及可读存储介质。


背景技术：

2.目前，社会上存在一些风险人员，风险人员具备风险高、反侦察能力强的特点。为了预判风险人员是否会在未来进行一些风险行为，需要耗费大量警力对风险人员进行盯防，如果对于风险人员部署过多警力进行盯防会对警力资源造成浪费，因此对于公安来说，根据风险人员的行为对其部署合适的警力进行盯防是非常重要。
3.上述中的现有技术方案存在以下缺陷：对于风险人员的盯防会造成警力资源的浪费。


技术实现要素：

4.为了改善对于风险人员的盯防会造成警力资源浪费的问题，本技术提供了一种风险人员异常识别方法、系统、设备及可读存储介质。
5.在本技术的第一方面，提供了一种风险人员异常识别方法。该方法包括：获取目标人员数据，所述目标人员数据包括群体标识、高实时行为数据和低实时行为数据；
6.根据所述群体标识，对所述目标人员数据进行分类；
7.根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数；
8.根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数；
9.根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息。
10.由以上技术方案可知，通过获取目标人员数据，根据群体标识对目标人员数据进行分类，对每一类的目标人员数据进行第一协同参数和第二协同参数的计算，根据协同判断规则对每一类目标人员数据的第一协同参数和第二协同参数进行判断，当某类的第一协同参数和第二协同参数出现异常时，输出预警信息。通过对目标人员数据进行分析计算，可以得出某类人员是否有发生风险行为的可能，然后根据预警结果进行针对性的警力部署，减少警力资源的浪费。
11.在一种可能的实现方式中，所述根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数，包括：
12.每一类所述目标人员数据包括多条数据，所述高实时行为数据包括无线在线数据、无线数据包数据、手机在线数据和手机卡在线数据；
13.获取第一预设周期内的所述高实时行为数据；
14.根据相关性计算规则、所述无线在线数据、所述无线数据包数据、所述手机在线数据和所述手机卡在线数据，确定每一类所述目标人员数据中任意两条数据的第一属性参
数、第二属性参数、第三属性参数和第四属性参数；
15.根据协同判断规则、所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数，确定第一协同参数。
16.在一种可能的实现方式中，所述根据协同判断规则、所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数，确定第一协同参数，包括：
17.分别判断所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数是否大于零；
18.若是，则记为1；
19.若否，则记为0；
20.对于每一类的目标人员数据，若任意两条数据的第一属性参数均为1，则第一相关性参数记为1，若存在一个或多个第一属性参数为0，则第一相关性参数记为0；
21.对于每一类的目标人员数据，若任意两条数据的第二属性参数均为1，则第二相关性参数记为1，若存在一个或多个第二属性参数为0，则第二相关性参数记为0；
22.对于每一类的目标人员数据，若任意两条数据的第三属性参数均为1，则第三相关性参数记为1，若存在一个或多个第三属性参数为0，则第三相关性参数记为0；
23.对于每一类的目标人员数据，若任意两条数据的第四属性参数均为1，则第四相关性参数记为1，若存在一个或多个第四属性参数为0，则第四相关性参数记为0；
24.第一协同参数＝第一相关性参数+第二相关性参数+第三相关性参数+第四相关性参数。
25.在一种可能的实现方式中，所述根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数，包括：
26.所述低实时行为数据包括新终端出现数据、新手机出现数据和新卡出现数据；
27.所述第二协同参数包括第一目标相关参数、第二目标相关参数和第三目标相关参数；
28.获取第二预设周期内的所述低实时行为数据；
29.根据相关性计算规则、所述新终端出现数据、所述新手机出现数据和所述新卡出现数据，确定每一类的目标人员数据的第一目标相关参数、第二目标相关参数和第三目标相关参数。
30.在一种可能的实现方式中，所述根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息，包括：
31.当所述第一协同参数大于第一预警预设值时，输出第一预警信息；
32.当所述第一目标相关参数、所述第二目标相关参数和所述第三目标相关参数中至少一个大于第二预警预设值时，输出第二预警信息。
33.在一种可能的实现方式中，该方法还包括：
34.每间隔第一预设周期，根据所述第一预设周期中的所述高实时行为数据，计算对应的第一协同参数；
35.统计在第二预设周期内，所述第一协同参数大于第一预警预设值的第一协同次数；
36.统计在第二预设周期内，所述第二协同参数大于第二预警预设值的第二协同次
数；
37.所述第一协同次数及其对应的时间段和所述第二协同次数及其对应的时间段组成历史数据集；
38.根据筛选规则和所述历史数据集，确定训练数据集；
39.根据预设的训练框架和所述训练数据集，确定目标预测模型。
40.在一种可能的实现方式中，所述根据筛选规则和所述历史数据集，确定训练数据集，包括：
41.所述训练数据集包括风险训练集和非风险训练集；
42.获取所述历史数据集中某一时间段发生风险行为的数据，所述数据组成风险训练集；
43.从所述历史数据中抽取特征数据，所述特征数据在第三预设周期内未发生过风险行为，所述特征数据组成非风险训练集。
44.在本技术的第二方面，提供了一种风险人员异常识别系统。该系统包括：
45.数据获取模块，用于获取目标人员数据，所述目标人员数据包括群体标识、高实时行为数据和低实时行为数据；
46.数据分类模块，用于根据所述群体标识，对所述目标人员数据进行分类；
47.第一协同计算模块，用于根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数；
48.第二协同计算模块，根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数；
49.预警判断模块，用于根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息；
50.训练数据获取模块，用于根据所述第一协同参数、所述第二协同参数和数据获取规则，确定训练数据集；
51.模型训练模块，用于根据预设的训练框架和所述训练数据集，确定目标预测模型。
52.在本技术的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的风险人员异常识别方法。
53.在本技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本技术的第一方面的方法。
54.综上所述，本技术包括以下至少一种有益技术效果：
55.通过对目标人员数据进行分析计算，可以得出某类人员是否有发生风险行为的可能，然后根据预警结果进行针对性的警力部署，在一定程度上可以减少警力资源的浪费。
附图说明
56.图1是本技术提供的风险人员异常识别方法的流程示意图。
57.图2是本技术提供的风险人员异常识别系统的结构示意图。
58.图3是本技术提供的电子设备的结构示意图。
59.图中，200、风险人员异常识别系统；201、数据获取模块；202、数据分类模块；203、
第一协同计算模块；204、第二协同计算模块；205、预警判断模块；206、训练数据获取模块；207、模型训练模块；301、cpu；302、rom；303、ram；304、i/o接口；305、输入部分；306、输出部分；307、存储部分；308、通信部分；309、驱动器；310、可拆卸介质。
具体实施方式
60.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
61.另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
62.下面结合说明书附图对本技术实施例作进一步详细描述。
63.本技术实施例提供一种风险人员异常识别方法，上述方法的主要流程描述如下。
64.如图1所示：
65.步骤s101：获取目标人员数据，目标人员数据包括群体标识、高实时行为数据和低实时行为数据。
66.具体的，通过公安系统获取风险人员的常住地址，然后在风险人员的常驻地址附近安装获取其网络行为的设备，通过上述设备获取目标人员数据。目标人员数据由多个风险人员的数据组成。对于某一风险人员，其数据包括群体标识、无线在线数据、无线数据包数据、手机在线数据、手机卡在线数据、新终端出现数据、新手机出现数据和新卡出现数据。上述群体标识用于判断多个风险人员之间是否存在关联，若存在关联则上述多个风险人员的群体标识数据相同，若不存在关联则上述多个风险人员的群体标识数据不同。
67.上述无线在线数据表示该风险人员的固定无线路由器是否有设备连接，若有设备连接则无线在线数据为1，若没有设备连接，则记为0；上述无线数据包数据表示该风险人员在连接固定无线路由器时使用固定设备上网的数据流量；上述手机在线数据表示该风险人员的固定设备是否有信号，若有信号则手机在线数据记为1，若没有信号则手机在线数据记为0；上述手机卡在线数据表示该风险人员的固定号码，若使用该固定号码则手机卡在线数据记为1，若未使用该固定号码则手机卡在线数据记为0。在本实施例中，当上述设备可以检测到固定无线路由器是否有设备连接，也可以检测到固定设备和固定号码，则对应字段的值记为1，反之则记为0。上述固定无线路由器、固定设备和固定号码为该风险人员在公安系统中记录的无线路由器的mac地址、使用手机的imei(国际移动设备识别码)和使用手机号的imsi(国际移动用户识别码)。上述无线在线数据、无线数据包数据、手机在线数据和手机卡在线数据组成高实时行为数据。
68.上述新终端出现数据表示固定路由器是否接入新的终端设备，若有新的终端设备接入则记为1，若没有新的终端设备接入则记为0；上述新手机出现数据表示是否有新手机连接4g网络或者5g网络，若有新的手机设备连接则记为1，若没有新的手机设备连接则记为0；上述新卡出现数据表示是否检测到新的imsi(国际移动用户识别码)，若检测到则记为1，若没有检测到则记为0。上述新终端出现数据、新手机出现数据和新卡出现数据组成低实时
行为数据。
69.每间隔第一预设周期，对上述高实时行为数据做计算，做计算时，获取计算时间前第一预设周期内的高实时行为数据；每间隔第二预设周期，对上述低实时行为数据做计算，做计算时，获取计算时间前第二预设周期内的低实时行为数据。上述第一预设周期小于上述第二预设周期。在本实施例中，第一预设周期为1小时，若在九点对高实时行为数据进行计算，则需要获取当天八点到九点间的高实时行为数据；第二预设周期为24小时，若需要在九点对低实时行为数据进行计算，则需要获取当前九点前二十四小时内的低实时行为数据进行计算。
70.步骤s102：根据群体标识，对目标人员数据进行分类。
71.具体的，根据群体标识，将所有的目标人员数据进行分类，群体标识相同的目标人员信息为同一类。
72.步骤s103：根据协同计算规则和高实时行为数据，对每一类的目标人员数据，计算第一协同参数。
73.具体的，上述高实时行为数据包括无线在线数据、无线数据包数据、手机在线数据和手机卡在线数据，上述高实时行为数据为多组数据，每间隔第一预设周期获取一组高实时行为数据。截取一段时间内的某一类中所有目标人员数据的高实时行为数据，上述一段时间的时间长度大于上述第一预设周期，上述某一类中的目标人员数据有n条，n为大于1的正整数，将n条人员数据进行两两分组，确定n*(n-1)/2组人员数据；根据相关性计算规则和上述高实时行为数据，计算每组人员数据的第一属性参数、第二属性参数、第三属性参数和第四属性参数，即可以得到n*(n-1)/2个第一属性参数、n*(n-1)/2个第二属性参数、n*(n-1)/2个第三属性参数和n*(n-1)/2个第四属性参数，当得到n*(n-1)/2个第一属性参数均大于0时，该类目标人员的第一相关性参数记为1，当n*(n-1)/2个第一属性参数存在一个或多个小于等于0时，该类目标人员的第一相关性参数记为0。同理确定该类目标人员的第二相关性参数、第三相关性参数和第四相关性参数。当上述第一属性参数大于零时，则将第一属性参数记为1；当上述第一属性参数小于等于零时，则将第一属性参数记为0；分别对上述第二属性参数、上述第三属性参数和上述第四属性参数都进行是否大于0的判断操作并赋值。该类目标人员的第一协同参数＝该类目标人员的第一相关性参数+该类目标人员的第二相关性参数+该类目标人员的第三相关性参数+该类目标人员的第四相关性参数。
74.在本实施例中，某一类中有三个目标人员，三个目标人员分别记为q，y，z。将其两两分组，即q和y为一组、q和z为一组、y和z为一组。第一预设周期为一小时，获取三个目标人员最近一小时的无线在线数据，q和y的第一属性参数的具体计算公式为：
[0075][0076]
其中，r
qy
表示目标人员q和目标人员y的第一属性参数，n表示该类有n组无线在线数据，qi表示目标人员q的第i组无线在线数据，yi表示目标人员y的第i组无线在线数据；表示目标人员q的n组无线在线数据的平均数，表示目标人员y的n组无线在线数据的平均数。同理可以计算出r
qz
和r
yz
，r
qz
表示目标人员q和目标人员z的第一属性参数，ryz表示目标人员y和目标人员z的第一属性参数。
[0077]
当r
qy
，r
qz
和r
yz
均大于0时，r1＝1，反之，若r
qy
，r
qz
和r
yz
中任意一个或多个小于等于
0，则r1＝0。其中r1表示该类人员的第一相关性参数。r1＝1表示三个目标人员在“无线在线数据”指标上的行为上存在一致。
[0078]
同理可以计算出该类人员的第二相关性参数r2、第三相关性参数r3和第四相关性参数r4。
[0079]
则该类目标人员的第一协同参数＝r1+r2+r3+r4。
[0080]
步骤s104：根据协同计算规则和低实时行为数据，对每一类的目标人员数据，计算第二协同参数。
[0081]
具体的，上述低实时行为数据包括新终端出现数据、新手机出现数据和新卡出现数据；上述第二协同参数包括第一目标相关参数、第二目标相关参数和第三目标相关参数。每一类的目标人员数据包括n条人员数据，n为大于1的正整数，获取第二预设周期内的上述低实时行为数据，上述第二预设周期大于上述第一预设周期。对于某一类的某一个目标人员来说，若在第二预设周期内有新的终端出现，该目标人员对应的终端目标参数记为1，若未有新的终端出现，则该目标人员对应的终端目标参数记为0，第一目标相关参数等于该类中所有目标人员的终端目标参数之和；同理，若在第二预设周期内有新的手机出现，该目标人员对应的手机目标参数记为1，若未有新的手机出现，则该目标人员对应的手机目标参数记为0，第二目标相关参数等于该类中所有目标人员的手机目标参数之和；若在第二预设周期内有新的手机卡出现，该目标人员对应的新卡目标参数记为1，若未有新的终端出现，则该目标人员对应的新卡目标参数记为0，第三目标相关参数等于该类中所有目标人员的新卡目标参数之和。
[0082]
在本实施例中，第二预设周期的24小时，某一类中有三个目标人员，三个目标人员分别记为q,y,z。对于目标人员q，若24小时内有新的终端设备出现，则目标人员q对应的终端目标参数为1，同理可确定目标人员y和目标人员z的终端目标参数，第一目标相关参数为目标人员q、y、z对应的终端目标参数之和；若24小时内有新的手机设备出现，则目标人员q对应的手机目标参数为1，同理可确定目标人员y和目标人员z的手机目标参数，第二目标相关参数为目标人员q、y、z对应的手机目标参数之和；若24小时内有新的手机卡出现，则目标人员q对应的新卡目标参数为1，同理可确定目标人员y和目标人员z的新卡目标参数，第三目标相关参数为目标人员q、y、z对应的新卡目标参数之和。
[0083]
步骤s105：根据第一协同参数、第二协同参数和协同判断规则，输出预警信息。
[0084]
具体的，当上述第一协同参数大于第一预警预设值时，输出第一预警信息；当上述第一目标相关参数、上述第二目标相关参数和上述第三目标相关参数中任意一个或多个大于第二预警预设值时，输出第二预警信息。
[0085]
在本实施例中，第一预警预设值为2，当第一协同参数大于2时，表示该类人员中在“无线在线数据”、“无线数据包数据”、“手机在线数据”和“手机卡在线数据”四个指标中有任意两个指标的行为存在一致性，输出第一预警信息。第二预警预设值为2，当第一目标相关参数大于2时，表示该类的目标人员中有至少两个目标人员更换终端的行为存在一致性，需要进行预警，输出第二预警信息；同理，当第二目标相关参数大于2时，表示该类的目标人员中有至少两个目标人员更换手机的行为存在一致性，需要进行预警，输出第二预警信息；当第三目标相关参数大于2时，表示该类的目标人员中有至少两个目标人员更换手机卡的行为存在一致性，需要进行预警，输出第二预警信息。
[0086]
步骤s106：根据第一协同参数、第二协同参数和数据获取规则，确定训练数据集。
[0087]
具体的，每间隔第一预设周期，根据第一预设周期中的高实时行为数据，计算对应的第一协同参数，统计在第二预设周期内，第一协同参数大于第一预警预设值的第一协同次数；统计在第二预设周期内，第二协同参数大于第二预警预设值的第二协同次数；第一协同次数及其对应的时间段和第二协同次数及其对应的时间段组成历史数据集；根据筛选规则和历史数据集，确定训练数据集，上述训练数据集包括风险训练集和非风险训练集；获取历史数据集中某一时间段发生风险行为的数据，上述数据组成风险训练集；从历史数据中抽取特征数据，特征数据在第三预设周期内未发生过风险行为，上述特征数据组成非风险训练集。
[0088]
在本实施例中，第三预设周期为15天，历史数据集包括x条数据，其中有m条数据确实发生了风险行为，获取m次风险行为对应的时间段，再从历史数据集中抽取m个时间段，且该时间段及往前15日内未出现过风险行为，将上述2m个时间段的每个时间段从历史数据集中向前取15日的数据，每日作为一个风险数据，分别记为p
t-1
,p
t-2
,p
t-3
,
…
,p
t-15
，将形成的2m条的特征数据，历史数据集还包括风险发生参数，发生过风险行为的数据将风险发生参数记为1，未发生过风险行为的数据的风险发生参数记为0，将2m条特征数据组成训练数据集。
[0089]
步骤s107：用于根据预设的训练框架和训练数据集，确定目标预测模型。
[0090]
具体的，将上述训练数据集输入至预设的训练框架中，训练得到目标预测模型。在本实施例中，上述预设的训练框架为线性回归算法，在其它实施方式中，可以使用神经网络模型、随机森林模型等其他模型，在此不作限制。
[0091]
从历史数据集中，获取某一类风险人员当前时间的前15日的第一协同次数和第二协同次数，然后将上述数据输入至目标预测模型中进行预测，目标预测模型会输出与该类风险人员对应的预测值，当上述预测值超过第三预警预设值，则输出第三预警信息，表示该类风险人员在未来可能会发生风险行为。
[0092]
本技术实施例提供一种风险人员异常识别系统200，参照图2，风险人员异常识别系统200包括：
[0093]
数据获取模块201，用于获取目标人员数据，所述目标人员数据包括群体标识、高实时行为数据和低实时行为数据；
[0094]
数据分类模块202，用于根据所述群体标识，对所述目标人员数据进行分类；
[0095]
第一协同计算模块203，用于根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数；
[0096]
第二协同计算模块204，根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数；
[0097]
预警判断模块205，用于根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息；
[0098]
训练数据获取模块206，用于根据所述第一协同参数、所述第二协同参数和数据获取规则，确定训练数据集；
[0099]
模型训练模块207，用于根据预设的训练框架和所述训练数据集，确定目标预测模型。
[0100]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0101]
本技术实施例公开一种电子设备。参照图3，电子设备包括，包括中央处理单元(cpu)301，其可以根据存储在只读存储器(rom)302中的程序或者从存储部分307加载到随机访问存储器(ram)303中的程序而执行各种适当的动作和处理。在ram 303中，还存储有系统操作所需的各种程序和数据。cpu 301、rom 302以及ram 303通过总线彼此相连。输入/输出(i/o)接口304也连接至总线。
[0102]
以下部件连接至i/o接口304：包括键盘、鼠标等的输入部分305；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分306；包括硬盘等的存储部分307；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分308。通信部分308经由诸如因特网的网络执行通信处理。驱动器309也根据需要连接至i/o接口304。可拆卸介质310，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器309上，以便于从其上读出的计算机程序根据需要被安装入存储部分307。
[0103]
特别地，根据本技术的实施例，上文参考流程图图1描述的过程可以被实现为计算机软件程序。例如，本技术的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分308从网络上被下载和安装，和/或从可拆卸介质310被安装。在该计算机程序被中央处理单元(cpu)301执行时，执行本技术的装置中限定的上述功能。
[0104]
需要说明的是，本技术所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0105]
以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种风险人员异常识别方法，其特征在于，包括：获取目标人员数据，所述目标人员数据包括群体标识、高实时行为数据和低实时行为数据；根据所述群体标识，对所述目标人员数据进行分类；根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数；根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数；根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息。2.根据权利要求1所述的风险人员异常识别方法，其特征在于，所述根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数，包括：每一类所述目标人员数据包括多条数据，所述高实时行为数据包括无线在线数据、无线数据包数据、手机在线数据和手机卡在线数据；获取第一预设周期内的所述高实时行为数据；根据相关性计算规则、所述无线在线数据、所述无线数据包数据、所述手机在线数据和所述手机卡在线数据，确定每一类所述目标人员数据中任意两条数据的第一属性参数、第二属性参数、第三属性参数和第四属性参数；根据协同判断规则、所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数，确定第一协同参数。3.根据权利要求2所述的风险人员异常识别方法，其特征在于，所述根据协同判断规则、所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数，确定第一协同参数，包括：分别判断所述第一属性参数、所述第二属性参数、所述第三属性参数和所述第四属性参数是否大于零；若是，则记为1；若否，则记为0；对于每一类的目标人员数据，若任意两条数据的第一属性参数均为1，则第一相关性参数记为1，若存在一个或多个第一属性参数为0，则第一相关性参数记为0；对于每一类的目标人员数据，若任意两条数据的第二属性参数均为1，则第二相关性参数记为1，若存在一个或多个第二属性参数为0，则第二相关性参数记为0；对于每一类的目标人员数据，若任意两条数据的第三属性参数均为1，则第三相关性参数记为1，若存在一个或多个第三属性参数为0，则第三相关性参数记为0；对于每一类的目标人员数据，若任意两条数据的第四属性参数均为1，则第四相关性参数记为1，若存在一个或多个第四属性参数为0，则第四相关性参数记为0；第一协同参数=第一相关性参数+第二相关性参数+第三相关性参数+第四相关性参数。4.根据权利要求2所述的风险人员异常识别方法，其特征在于，所述根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数，包括：所述低实时行为数据包括新终端出现数据、新手机出现数据和新卡出现数据；所述第二协同参数包括第一目标相关参数、第二目标相关参数和第三目标相关参数；
获取第二预设周期内的所述低实时行为数据；根据相关性计算规则、所述新终端出现数据、所述新手机出现数据和所述新卡出现数据，确定每一类的目标人员数据的第一目标相关参数、第二目标相关参数和第三目标相关参数。5.根据权利要求4所述的风险人员异常识别方法，其特征在于，所述根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息，包括：当所述第一协同参数大于第一预警预设值时，输出第一预警信息；当所述第一目标相关参数、所述第二目标相关参数和所述第三目标相关参数中至少一个大于第二预警预设值时，输出第二预警信息。6.根据权利要求4所述的风险人员异常识别方法，其特征在于，该方法还包括：每间隔第一预设周期，根据所述第一预设周期中的所述高实时行为数据，计算对应的第一协同参数；统计在第二预设周期内，所述第一协同参数大于第一预警预设值的第一协同次数；统计在第二预设周期内，所述第二协同参数大于第二预警预设值的第二协同次数；所述第一协同次数及其对应的时间段和所述第二协同次数及其对应的时间段组成历史数据集；根据筛选规则和所述历史数据集，确定训练数据集；根据预设的训练框架和所述训练数据集，确定目标预测模型。7.根据权利要求6所述的风险人员异常识别方法，其特征在于，所述根据筛选规则和所述历史数据集，确定训练数据集，包括：所述训练数据集包括风险训练集和非风险训练集；获取所述历史数据集中某一时间段发生风险行为的数据，所述数据组成风险训练集；从所述历史数据中抽取特征数据，所述特征数据在第三预设周期内未发生过风险行为，所述特征数据组成非风险训练集。8.一种风险人员异常识别系统，其特征在于，包括，数据获取模块(201)，用于获取目标人员数据，所述目标人员数据包括群体标识、高实时行为数据和低实时行为数据；数据分类模块(202)，用于根据所述群体标识，对所述目标人员数据进行分类；第一协同计算模块(203)，用于根据协同计算规则和所述高实时行为数据，对每一类的目标人员数据，计算第一协同参数；第二协同计算模块(204)，根据协同计算规则和所述低实时行为数据，对每一类的目标人员数据，计算第二协同参数；预警判断模块(205)，用于根据所述第一协同参数、所述第二协同参数和协同判断规则，输出预警信息；训练数据获取模块(206)，用于根据所述第一协同参数、所述第二协同参数和数据获取规则，确定训练数据集；模型训练模块(207)，用于根据预设的训练框架和所述训练数据集，确定目标预测模型。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理
器加载并执行如权利要求1至7中任一种方法的计算机程序。10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。

技术总结
本发明涉及一种风险人员异常识别方法、系统、设备及可读存储介质，其方法包括获取目标人员数据，目标人员数据包括群体标识、高实时行为数据和低实时行为数据；根据群体标识，对目标人员数据进行分类；根据协同计算规则和高实时行为数据，对每一类的目标人员数据，计算第一协同参数；根据协同计算规则和低实时行为数据，对每一类的目标人员数据，计算第二协同参数；根据第一协同参数、第二协同参数和协同判断规则，输出预警信息。本发明改善了对于风险人员的盯防会造成警力资源浪费的问题。险人员的盯防会造成警力资源浪费的问题。险人员的盯防会造成警力资源浪费的问题。


技术研发人员：徐涛 吴楠 蒋修强 胡大明 卢小军 王金涛 王方舟
受保护的技术使用者：北京码牛科技股份有限公司
技术研发日：2022.12.26
技术公布日：2023/7/20