基于图神经网络的安全事件预测方法、电子设备及存储介质

技术特征：
1.一种基于图神经网络的安全事件预测方法，其特征在于：包括如下步骤：s1、采集人员基本信息数据，gps时空轨迹数据，进行数据清洗，提取融合图节点特征，得到人员节点特征数据，地点节点特征数据；步骤s1的具体实现方法包括如下步骤：s1.1、采集人员基本信息数据，进行数据清洗、特征编码、特征选择，得到woe基本信息编码特征数据，待用；s1.2、采集gps时空轨迹数据，进行数据清洗、去重后，分为时间序列数据、地点序列数据，将时间序列数据处理为时间嵌入特征数据，将地点序列数据处理为地点节点特征数据；s1.3、将步骤s1.1得到的woe基本信息编码特征数据和步骤s1.2得到的时间嵌入特征数据组合，得到人员节点特征数据；s2、根据步骤s1得到人员节点特征数据，地点节点特征数据，构建多维人员信息轨迹融合图；s3、构建基于图神经网络的个体安全事件预测模型；步骤s3的具体构建方法包括如下步骤：s3.1、构建特征投影层；s3.2、构建多关系图注意力层；s3.3、构建语义级注意力层；s3.4、构建分类层；s4、将步骤s2构建的多维人员信息轨迹融合图输入步骤s3的基于图神经网络的个体安全事件预测模型中，进行基于图神经网络的安全事件预测。2.根据权利要求1所述的一种基于图神经网络的安全事件预测方法，其特征在于：步骤s1.1的具体实现方法包括如下步骤：s1.1.1、采集人员基本信息数据，删除噪声属性和空值率超过50％的属性，得到筛选后的人员基本信息数据，待用；s1.1.2、对步骤s1.1.1得到的筛选后的人员基本信息数据，对属性进行分箱操作，然后使用证据权重指标对个人基本信息数据进行特征编码，第i个箱子中的证据权重woe
i
为：其中，positive
i
表示划分的第i个箱子中高风险人员的数目，positive
t
表示全部高风险人员的数量，negative
i
表示划分的第i个箱子中低风险人员的数目，negative
t
表示全部低风险人员的数量；s1.1.3、特征编码步骤结束后，使用woe编码的结果替换人员基本信息数据，并按照如下公式获取个人基本信息编码特征：basic_info(p)＝woe(p)＝{woe
i
} i＝1,2,3,
…
,bins其中，woe(p)表示人员节点p的全部woe编码集合，basic_info(p)表示人员节点p的人员基本信息编码特征，bins表示对属性进行分箱操作的分箱编号；s1.1.4、通过计算信息价值指标iv进行特征选择，删除iv值小于0.02的特征，得到woe基本信息编码特征数据，计算公式为：
其中，iv
i
表示第i个箱子的信息价值指标。3.根据权利要求2所述的一种基于图神经网络的安全事件预测方法，其特征在于：步骤s1.2的具体实现方法包括如下步骤：s1.2.1、采集gps时空轨迹数据，利用time2vec模型提取gps时空轨迹数据中的周期性和非周期性信息数据，并计算时间嵌入特征向量，计算公式为：其中，embtime(pj)[x]表示人员节点p的第j个原始时间记录对应的k 1维嵌入时间向量，设定k＝63，x表示嵌入时间向量中第x个元素值，p
j
表示人员节点p的第j个原始时间记录，ω
x
和φ
x
表示可学习参数；s1.2.2、将步骤s1.2.1得到的时间嵌入特征向量进行聚合，计算全部时间嵌入特征向量的平均值final_embtime(p)，计算公式为：s1.2.3、通过计算信息价值指标iv进行特征选择，删除iv值小于0.02的特征，得到时间嵌入特征数据；s1.2.4、采集gps时空轨迹数据，利用skip-gram模型训练地点节点在全部轨迹序列中的嵌入特征以作为地点节点的特征数据，对于节点l，通过最大化预测节点l所在子轨迹序列中前后地点节点集合c(l,t)的概率乘积，计算公式为：其中，h
l
为地点节点l在子轨迹序列中的向量化表示，h'
l
为地点节点l所在子轨迹序列中的某一前后地点节点l’在子轨迹序列中的向量化表示，h'
l
'为地点节点l所在子轨迹序列中的某一前后地点节点l”在子轨迹序列中的向量化表示，l'为包含地点节点l的全部子轨迹序列中的某一其他地点节点。4.根据权利要求3所述的一种基于图神经网络的安全事件预测方法，其特征在于：步骤s1.3将步骤s1.1得到的woe基本信息编码特征数据和步骤s1.2得到的时间嵌入特征数据组合的计算公式为：per_fea(p)＝basic_info(p)||final_embtime(p)其中，||表示连接操作，per_fea(p)表示人员节点p的人员节点特征数据。5.根据权利要求4所述的一种基于图神经网络的安全事件预测方法，其特征在于：步骤s2的具体实现方法包括如下步骤：
s2.1、人员位置层构建：人员位置层包括地点节点和人员节点，通过步骤s1得到人员节点特征数据，地点节点特征数据中采集的人员节点访问过地点节点的记录，将人员节点与地点节点在图中进行连接，表示人员节点与地点节点之间存在信息交互，进行人员位置层构建；s2.2、位置层构建：位置层包括地点节点，根据地点节点特征数据记录中的所有位置作为地点节点连接起来形成轨迹序列，然后将轨迹序列按照每6小时的时间间隔进一步划分为多个子轨迹序列，设定如果同时包含两个不同地点节点的子轨迹序列出现次数不少于三次，则确定地点节点间存在内置语义关系，在图中连接这两个地点节点，进行位置层构建。6.根据权利要求5所述的一种基于图神经网络的安全事件预测方法，其特征在于：步骤s3的具体构建方法包括如下步骤：s3.1、构建特征投影层：通过基于类型的投影矩阵proj
type
将人员节点特征数据、地点节点特征数据投影到同一特征空间，得到投影至相同特征空间后的节点嵌入特征h'
type
，计算公式为：其中，h
type
表示基于类型的节点嵌入特征，type表示类型，person表示人员，location表示地点；得到人员基本信息层、人员-地点层、地点-地点层，待用；s3.2、构建多关系图注意力层：s3.2.1、将步骤s3.1得到的人员基本信息层、人员-地点层、地点层分别视为在不同关系下的三张图，对三张图分别进行信息聚合计算，计算公式为：其中，h'
i
表示经过特征投影层之后的第i个节点的特征嵌入，表示在关系对应图下的图注意力运算，basic information表示人员基本信息层关系，person-location表示人员-地点层关系，location-location表示地点-地点层关系；s3.2.2、基于不同位置节点对于人员的重要性不同以及不同位置和人员对位置节点的影响不同，利用注意力机制计算每个邻居节点的重要性，计算公式为：其中，表示关系下节点i的邻居节点j对于中心节点i的重要性系数，σ表示激活函数，表示在关系下的注意力向量，||表示连接操作，表示节点i在关系对应图中的邻居集合，同时包括节点i自身；s3.2.3、通过节点i的邻居节点j的投影特征h'
j
和步骤s3.2.2得到的来聚合节点信息得到单一关系下的节点i的嵌入表示，而后利用分别独立平行计算的多头注意力机制，即重复注意力聚合运算k次然后拼接，得到聚合了节点i的人员基本信息层关系、人员-地点
层关系、地点-地点层关系三种关系下的节点嵌入计算公式为：s3.3、构建语义级注意力层：针对人员-地点层关系与地点层关系进行注意力运算的同时，通过人员基本信息层关系与人员-地点层进行注意力运算，用于人员节点内不同类型信息的重要性评定，计算公式为：其中，表示不同关系的重要性，w1表示参数矩阵，b1表示偏差，q表示关系级的注意力向量，v表示关系对应图的所有节点；然后通过指数归一化函数计算每个关系的重要性指数att
φ
，计算公式为：最后结合关系的重要性指数和对应的人员节点嵌入综合人员基本关系特征及人员-人员关系特征、人员-地点关系特征，得到最终的人员节点嵌入表示计算公式为：s3.4、构建分类层：将步骤s3.3得到的最终节点嵌入表示输入分类层进行人员节点安全事件风险分类，得到最终人员节点安全事件风险程度分类概率计算公式为：其中，w2表示权重矩阵,b2表示偏差向量。7.根据权利要求6所述的一种基于图神经网络的安全事件预测方法，其特征在于：进行基于图神经网络的安全事件预测的损失函数设置为真实人员安全事件危险分类yi与预测安全事件风险分类概率之间的交叉损失熵，计算公式为：其中p表示全部人员节点的集合，w表示类别权重，用于应对数据集类别不平衡问题。8.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种基于图神经网络的安全事件预测方法的步骤。9.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种基于图神经网络的安全事件预测方法。

技术总结
基于图神经网络的安全事件预测方法、电子设备及存储介质，属于安全事件风险预测技术领域。为解决个体人员安全事件风险预测的问题。本发明采集人员基本信息数据，GPS时空轨迹数据，进行数据清洗，提取融合图节点特征，得到人员节点特征数据，地点节点特征数据，构建多维人员信息轨迹融合图，构建基于图神经网络的个体安全事件预测模型，将构建的多维人员信息轨迹融合图输入基于图神经网络的个体安全事件预测模型中进行安全事件预测。本发明为分析个体人员安全事件风险提供了融合信息特征，全面立体的挖掘人员自身的特点以及人员活动规律的特点，判断人员近期可能发生安全事件行为的风险是高或者低。风险是高或者低。风险是高或者低。


技术研发人员：韩培义 许文博 刘川意 段少明 潘鹤中
受保护的技术使用者：哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）
技术研发日：2022.11.17
技术公布日：2023/1/13