南京莱斯信息技术股份有限公司

一、背景

交通运输是国民经济发展的血脉，只有始终保持交通畅通，才能保证产业链、供应链稳定运转，使得经济活动顺利开展。其中，降低道路交通事故、拥堵对出行带来影响，提升道路交通环境和道路安全通行效率，既是保障公民生命和财产安全的基础，也是全面建设小康社会的内在要求。

自公安部提出构建“情、指、勤、督”四位一体的建设方针之后，利用科技化手段辅助城市道路交通接处警的处理过程，提升公安交警指挥调度的智能化水平，成为了交通管理工作的重点研究方向之一。

我们通过对交通接处警中的快速智能化处置方法进行研究，探索接处警流程中的自动化和辅助决策机制，从而提升交通接处警快速化和智能化的能力。目前，交警的接处警流程可以简化为图1中所示的步骤：

图1 警情处置环节

在接收到群众的电话报警后，上级指挥中心接警员会在软件系统中登记下警情的报警地址、报警电话、报警内容和报警类别等相关信息，然后将属于交警处理的警单派发至其对应的下级交警部门进行处理。下级交警部门在软件系统中接收到警情后，会和报警人进行电话确认，根据情况再选派合适的警员对需要进行现场处理的警情进行处置。

在上述过程中，接警员需要记忆各地址与交警辖区的匹配关系，从而将警情派发到不同的下级单位，在我国大中城市，下级单位的数量往往在数十个以上，下发环节的耗时和准确率对人员素质有较高的要求。通过基站定位获取的报警定位则由于定位精度不高和不支持固定电话等原因，一方面无法在辖区交界处进行精准定位，也无法支撑事后报警；另一方面则是依赖运营商的高质量服务，使用成本相对较高。

这导致目前交通接处警工作对人工经验的依赖十分严重，特别是在警情派单和警员调度这些环节耗时过多，因此可以构建一套自动化下发机制来加速工作流转。此外，随着各地科技强警信息化建设进程的推进及警用装备的更新迭代，路面警力实时工作状态、地理位置等相关信息的获取变得越来越便捷和准确，可以利用这些实时信息来综合计算警员的到达时间，有效地辅助指挥人员进行调度决策。

二、相关研究

我们将针对交通接处警工作中耗时较多的警情自动下发和警员实时调度两个方面进行研究，从而实现警情的快速智能化处置。首先，可以将警情下发转化为机器学习中的经典文本分类问题，通过对历史下发记录的训练找到警情地址文本中与派发单位的内在联系，最终实现利用报警地址的文本进行自动下发，对于警员实时调度则建立数学模型。目前面向上述的两个方面，有如下相关研究：

在警情文本分类问题的研究上，早期有基于纯规则的方法进行分类，而后，K近邻、朴素贝叶斯和支持向量机以及深度学习等方法逐渐被应用。在一些典型分类问题中，通过构建多层分类或者对贝叶斯中的属性进行加权，有时可以有效提升朴素贝叶斯的准确率。先前研究多数是针对事后分析，随着警情量的逐年上升，快速处置的需求被更多的考虑，有研究指出可以将文本分类和百度地图的地址解析相结合，提出了通过动态权重分配来实现警情动态下发，或者利用专家综合知识结合小数据集的贝叶斯网络参数学习方法，来解决地址文本的分类问题。

而在和警员调度的相关研究中，一类是以规划（特别是路径规划）为主，例如可以考虑路径交通拥堵状况，建立规划模型，实现最优路径规划。另一类则考虑警员实时调度更加实际的需求，例如最快响应时间、预测的交通状况、驾驶资格、响应单元可用性和需求覆盖范围等维度，并进行建模，为了提升警员的巡逻效率，还可以优化街道的划分，从而实现工作量的均衡。

可以得出的结论是，在目前警情文本的分析应用中，基于机器学习进行后续警情数据的分析与挖掘较为深入，警情分类研究也是面向整个公安业务，针对交警的定向优化能力不足，对于警员的实时调度则没有充分考虑警员正在处理的任务，从而造成时间上计算的偏差。然而，交警由于其警种的工作特点，在警情处置工作中对快速性有较高要求，特别是在早晚高峰和中大型城市，这样的诉求就会变得更加强烈。因此，从交通警情处置的视角出发，我们将构建更加贴近交警需求的优化方法。

三、优化方法

（一） 基于报警地址的自动下发

对于报警地址的文本分类而言，本文选择朴素贝叶斯模型作为分类方法，有两个原因：首先，对于不同的交警处置单位，其样本数据量存在着明显的差异，选用对数据量更不敏感的机器学习算法更为合适；其次警情下发对分类速度的要求较高，而KNN算法在分类种类较多时，效率不高。

朴素贝叶斯分类假设了文本中词的分布式相互独立，选取后验概率最大的类别作为待分类的文本类别，其数学模型的表达为

式中，为标签，为待分类的文本向量中的第个特征词汇，为分类标签，得到上述结果的计算过程中还需要计算先验概率，并使用极大似然法估计来进行参数估计，公式如下所示

针对报警地址的文本分类问题，从报警地址中提取的特征相当丰富，因此，本文选择了卡方检验来进行特征数量选择来过滤与分类关联度不高的词语，提升分类器的性能。通过卡方检验确定好特征集后，借助TF（term-frequency）方法来构建最终的词向量，作为朴素贝叶斯模型的输入。如图2所示：

图2 朴素贝叶斯分类器训练流程图

（二） 下发流程优化

通过朴素贝叶斯分类器可以实现警情的自动化下发，同时，我们也注意到了一些特殊的情况：

1）重复报警会产生相同的下发错误。一部分报警人在报警后出于各种原因会再次电话报警而产生地址相同的重复警单，当分类器无法正确判断时，重复警单都会下发错误并需要人工来进行修正。

2）交警处置单位的管辖交界处易发生派发错误。在一些交警单位的管辖边界处，一些道路由多个交警单位共同管辖，这就导致在边界处的报警地址文本特征容易发生交叉，从而致使分类精度下降。

因此，我们引入了一些针对性的策略来优化最终的分类表现：

1）重复报警派单策略，当接收到重复警情时，若存在已经下发的关联警情，则将重复警情派发至时间间隔最长的关联警情的有效下发单位，其中，关联警情指的是与重复警情在逻辑上属于同一报警的早先报警，通过以下方法进行确认：

对时间长度为Q内的报警的报警电话、报警地址及文本中所含的车牌号码进行比对，满足任意一个匹配条件则认为是关联报警，在本文中Q取值为3小时。

这样当关联警情派发错误被修正后，重复报警也会获得修正。

2）自定义地址规则库策略，定义两种规则，一种是通过规则，一种是拒绝规则，通过规则将警情直接下发至目标处置单位，而拒绝规则则转为人工处理，这些规则由经验丰富的接警员进行制定，从而避免过多的退单，增加下级单位的处置负担。

最终，下发流程将如图3所示

图3 多层次的警情下发模型

（三）实时警员调度优化

警情的快速化处置就是要综合考虑多维度的信息，选择最优的警员进行出警。在这个选择过程中，我们假设两个点之间的最短路径已经可以由地图引擎快速计算得出，因此，我们将计算最短路径已知情况下警员到达时间，选择到达时间最短的警员进行出警。本文P表示可调度的警员集合，最优的出警警员可以由以下公式计算得出：

k是目标警情在警员p的处理序列中的下标，为警员p到达警情k的预计到达时间，为警员p到达在警情k-1的结束时间，为警员p处理警情k-1的预计处置时间，可以通过历史数据进行推演，是警员p到警情k的最短距离，是警情k-1到警情k的最短距离，若警员p具有前置任务在处置，那么我们假设警员p正在处置的警情为k-m,若警员已经达到事件k-m，那么就是系统记录的到达时间，这里代表警员前往警情k的平均速度，其取值见表4所示，通过计算最短的到达时间可以决策最优的派警选择。

警员到达现场一般采用步行、警摩和警车三种方式。由于城区高峰期堵车严重以及车流量较大移动速度会降低，其中，机动车的行驶速度将会受到明显的影响，摩托车由于车道占用少，速度下降的幅度会弱一些，而步行几乎不受影响，此外，在高速交警部门的管辖区域内，移动速度受到高峰时段的影响很低，根据经验本文将按照表1来取值：

表1不同大队不同时段的速度推荐取值

报警的复杂程度也会影响到警员的调度选择，在中国大部分区域，只有事故民警才具备处置复杂交通事故的资格，如人员伤亡。因此，我们必须先对警员做有效的筛选构建好P集合之后，才能运用公式进行计算，可以构建规则库来实现筛选规则。那么，警员调度可以描述成以下的过程：

第一步：接收到派单模型下发的警情

第二步：基于规则库筛选出可调度的警员集合P

第三步：对P中的警员应用到达时间计算公式计算到达时间，选择到达时间最短的警员进行出警

四、优化总结

我们选取某市近88万条数据作为训练集，并取其中一个月5.4万条记录作为测试集进行了实验研究，综合下发的准确率为88.56%，平均耗时为0.01秒，而经过统计，原有的人工派单的时间一般在10秒左右，因此，利用上述方法，自动派单能够将原有的人工派单时间减少98%以上，人工模式只处理拒绝和错误的派单；此外，利用该市的智能化指挥调度系统，我们集成了上述警员到达时间最短的派警模型，实际模型计算时间不超过1秒。综上所述，我们提出的优化方法可以大幅降低原有的耗时环节，并且显著减少交通管理者的决策成本，有效提升指挥调度中的自动化和智能化水平。

未来，我们将不断优化下发模型，引入基于上下文的词向量模型，进一步提升警情辖区交接处下发的正确率。此外，警情处置的优先级也是后续研究的一个方向，特别是当多个警情在短时间内依次到达，而后到的警情又优先级明显更高时，现有的处置计划可能不再是最优调度，需要进行动态调整，从而满足整体的调度方案最优。