CC BY
0
УДК 681.5
DOI: 10.24412/2071-6168-2024-2-389-390
МОДЕЛЬ УПРАВЛЕНИЯ И ПРОГНОЗИРОВАНИЯ ГОРОДСКОЙ БЕЗОПАСНОСТИ
Ю.Н. Кожубаев, Е.Н. Овчинникова, М.А. Горелик, Н.А. Нуштаев
Рассмотрена задача для создания автоматизированной системы дежурной части, в основу которой легли уже разработанные зарубежные аналоги. Проанализированы АСДЧ, которые уже эксплуатируются за рубежом. Разработана система по сбору данных, с её внешним видом, на котором подтверждается чрезвычайное происшествие. Выведена формула для расчета криминогенности определенных районов. Выведена блок-схема обработки поступающих сообщений, для их дальнейшей обработки системой, программа которой основывается на анализе сообщения и выведения ключевых слов из сообщения. После чего описан и показан интерфейс программы и сервер, на котором будут храниться сообщения о чрезвычайных ситуациях. В настоящее время распространено использование «Автоматизированной системы дежурной части», которая способна сделать жизнь граждан более мирной, за счет того, что оповещения о происшествиях будут скапливаться в одну базу данных, где там же она и будет обрабатываться. Также благодаря АСДЧ могут быть отображены маршруты патрулей, который транслируются в реальном времени при правильной настройке. Но такое программное обеспечение не даёт возможности наблюдать ситуации, происходящие на местности в настоящий момент времени, а также строить маршруты для экипажей. Исходя из вышеперечисленного, создаётся необходимость в создании программного обеспечения, которое планирует необходимые маршруты для экипажей патрулей.
Ключевые слова: автоматизированная система, прогнозирование, криминогенность, сбор информации.
Command Central Predictive — это программное решение, разработанное Motorola Solutions, которое используется по модели SaaS. Оно позволяет получать информацию о истории правонарушений в выделенном районе, а также подсказывает тип и время совершения преступления в участке размером 150 на 150 метров. С помощью Google Street View можно просмотреть улицы в этом районе [1-3].
PredPol — это также программный инструмент, работающий по модели SaaS, который позволяет с некоторой вероятностью предсказать место и время совершения преступления, таких как кражи, ограбления, наркопреступления и дорожно-транспортные происшествия. Он использует данные о преступлениях за десятилетия, чтобы определить районы, где вероятность правонарушений наибольшая. Эти районы обозначаются на карте города красными областями со стороной примерно в 500 футов [4-6].
Predictive Crime Analytics (PCA) производит выводы об настоящей обстановке в городе, при этом используя все источники, которые относятся к тому или иному району. Разработчики утверждают, что их система может определить опасность в том или ином городе, анализируя данные, такие как использование определенных выражений в сообщениях в социальных сетях. Результаты работы PCA отображаются на карте города цветными блоками, где более темный оттенок блока соответствует более высокому уровню опасности на шкале от 0 до 100. Размер блока минимальный — 650 на 650 футов.
В Германии работает система предсказания ограблений Precobs, которая основывается на теории повторения или «заразности» преступлений. Система использует данные о криминальных происшествиях за последнее десятилетие, чтобы дать оценку возможным событиям для блоков со стороной 1500 футов. Система Precobs использовалась в нескольких городах Швейцарии и Германии, где была зафиксирована точность предсказания в 85%. После внедрения Precobs количество ограблений в этих регионах снизилось на треть [7-9].
2. Части разработки системы. Перед началом разработки системы необходимо определить ее компоненты, данные, которые будут использоваться, критерии ее работы и необходимые данные для функционирования. Основная цель системы - выдача коэффициента криминогенности для каждого района города Санкт-Петербурга на основе данных о происшествиях, поступающих в Автоматизированную систему дежурной части (АСДЧ). Один из ключевых показателей эффективности системы, может быть, процент предотвращенных угроз, однако для оценки этого параметра необходима долгосрочная перспектива использования системы [10-12].
2.1. Сбор данных для анализа. Система будет использовать данные, поступающие в формате, установленном в существующей автоматизированной системе диспетчерского контроля, с основным фокусом на поле "Вид" в блоке учета происшествия, которое представляет собой формализованный список и определяет вид происшествия и его криминогенность. Также важным является поле "Место происшествия", которое содержит адрес, по которому можно определить район, требующий вмешательства. В анализе данных также будет учитываться время происшествия, чтобы определить периоды, в которые необходимо усилить и повысить бдительность патрулирования.
Необходимо провести оценку рейтинга инцидентов с учетом их криминогенности и угрозы для общества. Например, инциденты, не являющиеся преднамеренными, такие как природные катастрофы, могут быть оценены с нулевым рейтингом, так как они представляют опасность для людей, но не связаны с злым умыслом. В то же время, инциденты, такие как террористические акты, характеризующиеся злым умыслом и угрозой, могут получить максимальный рейтинг 1.0. Также необходимо учитывать влияние инцидентов на физическое и психическое здоровье людей, умысел виновных лиц и основные факторы, приведшие к возникновению инцидента, при определении их рейтинга [13-15].
2.2. Математические вычисления. Для оценки уровня преступности в районе используется математическая формула, которая основывается на классификации каждого происшествия и назначении соответствующего весового коэффициента [16-18]. Данный коэффициент затем умножается на процентное соотношение данного происшествия к общему числу происшествий в районе. Такой подход позволяет анализировать статистические данные и применять криминологические методы для оценки уровня криминогенности района в целом. В результате можно получить достоверную информацию о состоянии безопасности и разработать соответствующие меры по ее улучшению [19-21].
Таким образом, использование ограничения глубины изучения данных по временной шкале и учет зон влияния полицейских участков в расчете коэффициента криминогенности позволяет достичь масштабируемости
389
вычислений и более точно оценить уровень преступности на разных территориальных уровнях, в соответствии с научными принципами и методами анализа данных [22-24].
— ( 1. Вид сообщения
Вид сообшения Телефонным звонок
Твкфсм" 08126555539 Влнепец п
1, Заниггель Д:
ФИО' Мансуров Игорь Валерьевич Улица
Телефон В612659ЬЬВВ
Корп.
Код замка
„01
Улица* ' Вадима Шефнера ул
3. Место происшествия ^у1 £
Дом - 12
Корп.
Код ЗЛМКВ
Район' БаеилвострФвекий
Л1 ■х
Ш/К 77467423
Вид1 Драка Транеп. ер-ва
4, /чёт происшествия
( [) Инф, сообщение Бремя 23:55 Дата 26.05.2020
■I*:
Время про«ш1-и 23^55
Лап проши-я 26. 05.20 20
Рис. 1. Формат для утверждения происшествия
Для более точного расчета текущего уровня криминогенности можно учесть предыдущее вычисленное значение, сделав поправку на среднее между текущим вычисленным значением и последним рассчитанным значением. Это позволит получить более точную оценку состояния района.
^ (1) где - среднее значение криминального состояния района; а£ - уровень преступности в районе; а£х-1 - среднее значение криминального состояния района, в период перед настоящим.
Для сохранения данных и оценки эффективности системы необходимо организовать хранение вычисленных коэффициентов. Расчет коэффициентов можно производить ежемесячно, учитывая значения за предыдущие месяцы и сохраняя два последних рассчитанных значения. Это позволит проводить анализ и сделать выводы о эффективности системы в процессе ее эксплуатации [25-27].
Конечная система будет иметь следующий алгоритм, представленный в виде блок-схемы:
Рис. 2. Блок-схема обработки сообщений системы
Входные данные, представленные в виде сообщений о происшествиях, обрабатываются, и из них извлекаются время, вид происшествия и адрес. Затем данные приводятся к единой схеме, например, записываются в таблицу с указанными столбцами: время сообщения, вид сообщения, коэффициент криминогенности и адрес происшествия. Далее система извлекает предыдущее значение коэффициента криминогенности из таблицы для вычисления нового значения на основе положительной обратной связи. [28-30]. Полученное значение обновляется в таблице, и цикл повторяется при поступлении новых сообщений о происшествиях [31-33].
Программа начинает с загрузки сообщений о происшествиях и типов сообщений, затем на основе этих данных выполняется подсчет криминогенности районов. Результаты подсчета выводятся на графический интерфейс, где пользователь может видеть данные о криминогенности районов. Программа ожидает ввода нового сообщения от пользователя, и при его поступлении принимает его и пересчитывает коэффициенты криминогенности на основе положительной обратной связи. Введенные пользователем сообщения также сохраняются для последующего использования. Цикл работы программы повторяется при поступлении новых сообщений от пользователя.
Для анализа криминогенности района в рамках программы будет использована ранее полученная формула, основанная на данных из системы автоматизированной системы документооборота и контроля происшествий (АСДЧ). Процесс анализа начнется с подсчета количества сообщений каждого типа, основываясь на списке типов сообщений из АСДЧ. Для этого программа будет анализировать все сообщения, поступившие из определенного района города, и искать ключевые слова, связанные с определенным типом происшествий.
Для определения уровня криминогенности района необходимо подсчитать количество сообщений каждого типа, используя данные из АСДЧ. Далее, на основе ранее полученной формулы можно вычислить весовой коэффициент для каждого типа происшествия. Данный коэффициент умножается на процентное соотношение данного происшествия к общему числу сообщений в районе, что позволит получить показатель криминогенности для данного типа происшествия. Далее, путем суммирования всех таких показателей по всем типам происшествий можно получить коэффициент криминогенности для района.
Для определения общего количества сообщений в районе можно просто подсчитать размер списка сообщений, полученных из АСДЧ. Этот процесс обеспечивает объективные данные для дальнейшего анализа и оценки уровня криминогенности района на основе научных методов и математических расчетов. Такой подход к оценке криминогенности позволяет учитывать различные типы происшествий и их весовые коэффициенты, что повышает точность оценки.
Рис. 3. Блок-схема алгоритма вычисления
Одним из возможных решений для реализации системы является выбор между клиентским приложением, выполняющимся на машине пользователя, или веб-приложением, доступным через браузер и работающим на сервере. Анализ показывает, что клиент-серверная архитектура веб-приложения является наиболее оптимальным вариантом.
Клиентское приложение, установленное на каждой рабочей машине, может быть проще в развертывании, однако это может вызвать проблемы, если требуется развернуть приложение на множестве рабочих мест. Кроме того, клиентское приложение может быть связано с конфигурацией машины пользователя, что может вызывать сложности в поддержке и обновлении системы [34-35].
Обоснование выбора клиент-серверной архитектуры веб-приложения основывается на принципах распределенных систем, архитектуре клиент-сервер, и принципах безопасности информационных систем. Клиент-серверная архитектура широко используется в современных информационных системах, так как позволяет эффективно организовать взаимодействие между клиентскими и серверными компонентами, обеспечивает масштабируемость и гибкость системы, и повышает безопасность данных и логики приложения.
Клиент-серверная архитектура веб-приложений обеспечивает ряд преимуществ перед клиентским приложением. Веб-приложение не требует установки на каждом рабочем месте, что упрощает его использование на различных устройствах и позволяет сократить затраты на обслуживание программного обеспечения. Веб-сервер обеспечивает формирование пользовательского интерфейса, обработку данных и взаимодействие с базой данных. На уровне представления, веб-сервер отображает карту Санкт-Петербурга, разделенную на районы, и предоставляет возможность просмотра статистики и коэффициента криминогенности выбранного района. На уровне обработки данных, веб-сервер производит расчеты, такие как расположение районов города, обработка сообщений о происшествиях и расчет координат отрисовки района. Взаимодействие с базой данных веб-сервер осуществляет извлечение сообщений из общей базы. При выборе архитектуры следует учитывать требования и контекст системы, а также аспекты безопасности и удобства использования.
3. Создание системы. Система будет содержать интерфейс пользователя, вычисление криминогенности района (основа программы), а также дополнительные функции.
3.1. Рассечёт криминогенности. Метод Counting.java будет реализован согласно алгоритму, изображенному на рисунке 3. Данный метод принимает на вход массив сообщений и список видов происшествий с соответствующими коэффициентами криминогенности в качестве параметров.
В начале алгоритма производится перебор всех значений в массиве сообщений при помощи двух циклов АэгеаЛ. Внутренний цикл прерывается после нахождения первого совпадения, и производится подсчет количества сообщений каждого вида.
Затем, после подсчета количества сообщений, алгоритм запускает второй цикл для перебора видов происшествий. Внутри этого цикла производится расчет процента криминогенности для района.
Таким образом, метод Counting.java реализует алгоритм подсчета количества и процента криминогенно-сти для разных видов происшествий на основе массива сообщений и списка видов происшествий с их коэффициентами криминогенности.
3.2. Интерфейс программы. Анализируя требования к интерфейсу программы (см. рисунок 4), необходимо включить в него следующие компоненты: список районов с отображением расчитанной криминогенности, окно для ввода сообщений, кнопку для обновления данных из файла и кнопку для принятия введенного сообщения.
Адмиралтейский район Выберите район:
Васнлеостровскнй район
Выборгский район
Калининский район
Кировский район
Колшшишй район
Красногвардейский район
Красносельский район
Кронштадт Принять сообщение Обновить информацию
Курортный район
Московский район
Невский район
Петроградский район
Петродворцовый район
Приморский район
Пушкинский район
Фрунзенский район
Центральный район
Рис. 4. Пользовательский интерфейс
Интерфейс программного продукта должен содержать несколько важных элементов (см. рисунок 4): список районов с указанием подсчитанной криминогенности, окно для ввода сообщений, кнопку для обновления информации из файла и кнопку для подтверждения введенного сообщения.
Для того, чтобы ввести сообщение, пользователю необходимо сначала выбрать район города. Если пользователь попытается нажать на кнопку подтверждения сообщения до выбора района, появится сообщение об ошибке "Источник ссылки не найден".
При нажатии на кнопку "Обновить информацию" программа будет считывать сообщения из файлов и пересчитывать коэффициенты криминогенности для всех районов. А если пользователь выбрал район и ввел сообщение, то при нажатии на кнопку "Подтвердить сообщение" оно будет записываться в файл соответствующего района, и программа пересчитает коэффициент криминогенности.
3.3. Дополнительные функции. В дополнение к функциональности данной системы, в нее могут быть добавлены методы чтения и записи в файл. Для удобства использования операции записи в файл, можно воспользоваться классом BufferedWriter, а для операции чтения - классом BufferedReader. Метод записи в файл будет осуществлять запись массива строк целиком. Размер массива не будет ограничен. Запись будет выполняться в файл, расположенный в директории, где находится программа. Данный метод может быть реализован в отдельном классе Writer.java.
Для осуществления главной функции веб-приложения - отправки запросов на сервер для получения данных, мы будем использовать встроенный класс HttpClient в TypeScript. Основным методом, который нам понадобится, является get, который принимает URL, по которому выполняется запрос, и возвращает Observable.
Для получения данных в компоненте контейнера для таблицы и карты, MainFormComponent, мы будем использовать следующий метод [пример]:
import { HttpClient } from '@angular/common/http';
constructor(private http: HttpClient) { }
getDataFromServer() {
const url = 'http://example.com/data'; // здесь указываем URL сервера, откуда получаем данные
return this.http.get(url); // отправляем GET-запрос и возвращаем Observable
}
Этот метод использует экземпляр HttpClient, который инжектируется в конструктор компонента. Мы передаем URL сервера, откуда хотим получить данные, в метод getDataFromServer, и он возвращает this.http.get(url), который мы можем подписаться на получение данных из серверного ответа.
В компоненте MainFormComponent мы имеем метод ngOnInit(), который вызывается при каждой загрузке главной формы и позволяет получать актуальные данные. В этом методе мы проверяем параметры из строки запроса, используя класс ActivatedRoute, чтобы определить, нужно ли отобразить карту города.
Затем мы отправляем запрос на сервер, чтобы получить данные о коэффициентах криминогенности районов. Эти коэффициенты сохраняются в массиве и затем выводятся на экран пользователя в виде списка или таблицы.
Для того чтобы получить список сообщений, требуется отправить запрос на сервер. В данном случае, серверный сервлет ожидает URL-запрос, содержащий идентификатор района, и возвращает список сообщений, соответствующих этому району.
Поскольку на странице отображаются сообщения только для одного района, необходимо организовать запрос на сервер при изменении значения в селекторе на странице с сообщениями. Мы можем связать выполнение этого запроса с событием изменения значения в селекторе, чтобы автоматически обновлять список сообщений при выборе другого района.
Таким образом, при каждом изменении значения в селекторе, будет автоматически отправляться запрос на сервер для получения списка сообщений, соответствующих выбранному району. Это обеспечит актуальность данных на странице и позволит пользователям видеть только сообщения, относящиеся к выбранному району.
В конечном итогу будет выведено на экран сообщение с данными:
Главная Сообщения - Отобразить карту
Василеосфовский район -
Сообщение Время Координаты
Ало. здравствуйте, тут брошенный транспорт, посмотрите, пожалуйста 01.01.1970, 03:00:00 26.106 56.106
Здравствуйте, помогите пожалуйста тут грабят 01.01.1970,03:00:00 26.106 56106
Я вижу несанкционированная торговлю приедте, пожалуйста 01.01.1970,03:00:00 26.106 56.106
Тут разбойное нападение срочно приезжайте 01.01.1970,03:00:00 26.106 56106
Здравствуйте, тут брошенная машина, посмотрите, пожалуйста 02.02.1906,00:00:00 26.106 56.106
Здрвствуйте я тут какую-то мину, кажется времен вовг нашёл 01.01.1970,03:00:00 26.106 56106
Я вижу подозрительную машину 01.01.1970,03:00:00 26.106 56,106
Здрвствуйте, у меня под окнами кого-то насилуют, похоже 01.01 1970, 03:00:DC 26 106 56 106
Ало, здравствуйте, тут это, труп во дворе 01.01.1970,03:00:00 26,106 56,106
Тут, наркоман какой-то шляется 01.01 1970, 03:00:00 26 106 S6106
Здравствуйте, помогите пожалуйста тут грабёж диктую адрес 01.01.1970,03:00:00 26,106 56,106
Здравствуйте, помогите пожалуйста тут труп, похоже, суицид приедте, пожалуйста 01.01 1970, 03:00:00 26 106 56106
Здрвствуйте, я слышал, как к соседям кто-то вломился, похоже грабеж, помогите 01.01.1970,03:00:00 26.106 56.106
Ало, здравствуйте, тут брошенный транспорт, посмотрите, пожалуйста 01.01.1970,03:00:00 26.106 56106
Рис. 5. Общий вид полученных сообщений
4. Результаты исследования. С данной системой автоматизированной дежурной части можно судить о некоторых выводах, которые могут появиться при использовании такой системы.
Первым и главным фактором будет являться сокращение времени реакции, которое необходимо на обработку сообщения, ввиду автоматизированного расчета криминогенности ситуации. Общее число снижения времени реакции прогнозируется на 29%.
Второй фактор - точность и надёжность данных. Все сообщения будут классифицироваться в зависимости от места преступления и определяться в нужный район, что существенно ускорит обработку информации на 40%, ввиду автоматического поиска необходимого места и района.
Третий фактор - оптимизация ресурсов. На уже используемой системе было проанализировано, что распределение необходимых патрулей используется более рационально и затрагивает покрытие всей указанной территории, что снижает время передвижения патрулей до точки криминальной ситуации на 34%.
Четвертый фактор - снижение преступности. Так как все силы городской безопасности будут распределены во всех районах города в необходимом на то количестве. Криминальные ситуации будут происходить реже ввиду оперативного реагирования дежурной части и направления в них необходимых экипажей. При анализе уже используемой системы можно говорить о том, что снижение преступности было отмечено на границе 43%.
Заключение. Разработана система для автоматизированной обработки сообщений дежурной части, которая показывает криминогенность района. Главными частями может являться краткий вывод по криминогенности района, что обеспечит соответствующую наблюдаемость. В сообщениях, которые приходят возможна собственная корректировка в зависимости от рейтинга криминальной ситуации.
Удобным является общая картина, по которой можно судить, где находятся наиболее частые происшествия, так как перевычисление данных происходит автоматически и выводятся на интерфейс пользователя.
Внедрение автоматизированной системы ведёт за собой ряд преимуществ по сравнению с дежурной частью, где сообщения обрабатываются с данными, которые для начала человек должен отсортировать и направить сообщения в необходимые службы.
Список литературы
1. Saurabh Arora and Prashant Doshi. A survey of inverse reinforcement learning: Challenges, methods and progress. Artificial Intelligence, 297:103500, 2021.
2. Brigadnov, I.; Lutonin, A.; Bogdanova, K. Error State Extended Kalman Filter Localization for Underground Mining Environments.Symmetry 2023, 15.https://doi.org/10.3390/sym15020344.
3. Zakharov, L.A.; Martyushev, D.A.; Ponomareva, I.N. Predicting dynamic formation pressure using artificial intelligence methods. Journal of Mining Institute 2022, 253, 23-32. https://doi.org/10.31897/PMI.2022.11
4. Zhukovskiy, Y.L.; Kovalchuk, M.S.; Batueva, D.E.; Senchilo, N.D. Development of an Algorithm for Regulating the Load Schedule of Educational Institutions Based on the Forecast of Electric Consumption within the Framework of Application of the Demand Response. Sustainability 2021, 13. https://doi.org/10.3390/su132413801.
5. Sonia Baee, Erfan Pakdamanian, Inki Kim, Lu Feng, Vicente Ordonez, and Laura Barnes. Medirl: Predicting the visual attention of drivers via maximum entropy deep inverse reinforcement learning. In Proceedings of the IEEE/CVF international conference on computer vision, pages 13178-13188, 2021.
6. Romashev, A.; Iakovleva, T.; Mashevsky, G. Mining informational and analytical bulletin (scientific and technical journal) 2022. 6, 175-188.
7. Zemenkova, M.Y.; Chizhevskaya, E.L.; Zemenkov, Y.D. Intelligent monitoring of the condition of hydrocarbon pipeline transport facilities using neural network technologies. Journal of Mining Institute 2022, 258, 933-944. https://doi.org/10.31897/PMI.2022.105.
8. Liang-Chieh Chen, Yukun Zhu, George Papandreou, Florian Schroff, and Hartwig Adam. Encoder-decoder with atrous separable convolution for semantic image segmentation. In Proceedings of the European conference on computer vision (ECCV), pages 801-818, 2018.
9. Alanazi, A.K.; Alizadeh, S.M.; Nurgalieva, K.S.; Nesic, S.; Grimaldo Guerrero, J.W.; Abo-Dief, H.M.; Eftekhari-Zadeh, E.; Nazemi, E.; Narozhnyy, I.M. Application of Neural Network and Time-Domain Feature Extraction Techniques for Determining Volumetric Percentages and the Type of Two Phase Flow Regimes Independent of Scale Layer Thickness. Applied Sciences 2022, 12. https://doi.org/10.3390/app12031336.
10. Xiaocong Chen, Lina Yao, Xianzhi Wang, Aixin Sun, Wenjie Zhang, and Quan Z Sheng. Generative adversarial reward learning for generalized behavior tendency inference. arXiv preprint arXiv:2105.00822, 2021.
11. Ushakov, E.; Aleksandrova, T.; Romashev, A. Neural network modeling methods in the analysis of the processing plant's indicators. In Proceedings of the International Scientific Conference Energy Management of Municipal Facilities and Sustainable Energy Technologies EMMFT 2019: Volume 2. Springer, 2021, pp. 36-45.
12. Liang Cheng, Sensen Chu, Wenwen Zong, Shuyi Li, Jie Wu, and Manchun Li. Use of tencent street view imagery for visual perception of streets. ISPRS International Journal of Geo-Information, 6(9):265, 2017.
13. Filippov, E.V.; Zaharov, L.A.; Martyushev, D.A.; Ponomareva, I.N. Reproduction of reservoir pressure by machine learning methods and study of its influence on the cracks formation process in hydraulic fracturing. Journal of Mining Institute 2022, 258, 924-932. https://doi.org/10.31897/PMI.2022.103.
14. Islamov, S.; Grigoriev, A.; Beloglazov, I.; Savchenkov, S.; Gudmestad, O.T. Research Risk Factors in Monitoring Well Drilling—A. Case Study Using Machine Learning Methods. Symmetry 2021, 13. https://doi.org/10.3390/sym13071293.
15. Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929, 2020.
16. Sultanbekov, R.; Beloglazov, I.; Islamov, S.; Ong, M.C. Exploring of the Incompatibility of Marine Residual Fuel: A Case Study Using Machine Learning Methods. Energies 2021, 14. https://doi.org/10.3390/en14248422.
17. Abhimanyu Dubey, Nikhil Naik, Devi Parikh, Ramesh Raskar, and C'esar A Hidalgo. Deep learning the city: Quantifying urban perception at a global scale. In European conference on computer vision, pages 196-212. Springer, 2016.
18. Brilliant, L.; Zavialov, A.; Danko, M.; Andronov, K.; Shpurov, I.; Bratkova, V.; Davydov, A. Integration of machine learning methods and geological and hydrodynamic modeling in field development design (Russian). Oil Industry Journal 2022, 2022, 48.
19. Tuomas Haarnoja, Aurick Zhou, Pieter Abbeel, and Sergey Levine. Soft actor-critic: Offpolicy maximum entropy deep reinforcement learning with a stochastic actor. In International conference on machine learning, pages 18611870. PMLR, 2018.
20. Romashev, A.O.; Nikolaeva, N.V.; Gatiatullin, B.L. Adaptive approach formation using machine vision technology to determine the parameters of enrichment products deposition. Journal of Mining Institute 2022, 256, 677-685. https://doi.org/10.31897/PMI.2022.77.
21. Fengrui Jing, Lin Liu, Suhong Zhou, Jiangyu Song, Linsen Wang, Hanlin Zhou, Yiwen Wang, and Ruofei Ma. Assessing the impact of street-view greenery on fear of neighborhood crime in guangzhou, china. International journal of environmental research and public health, 18(1):311, 2021.
22. Andrej Karpathy and Li Fei-Fei. Deep visual-semantic alignments for generating image descriptions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 3128-3137, 2015.
23. Xiaobai Liu, Qi Chen, Lei Zhu, Yuanlu Xu, and Liang Lin. Place-centric visual urban perception with deep multi-instance regression. In Proceedings of the 25th ACM international conference on Multimedia, pages 19-27, 2017.
24. John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford, and Oleg Klimov. Proximal policy optimization algorithms. arXiv preprint arXiv:1707.06347, 2017.
25. Qiaomu Shen, Wei Zeng, Yu Ye, Stefan M'uller Arisona, Simon Schubiger, Remo Burkhard, and Huamin Qu. Streetvizor: Visual exploration of human-scale urban forms based on street views. IEEE Transactions on Visualization and Computer Graphics, 24(1):1004- 1013, 2017.
26. Robin Strudel, Ricardo Garcia, Ivan Laptev, and Cordelia Schmid. Segmenter: Transformer for semantic segmentation. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 7262-7272, 2021.
27. Ziyu Wang, Tom Schaul, Matteo Hessel, Hado Hasselt, Marc Lanctot, and Nando Freitas. Dueling network architectures for deep reinforcement learning. In International conference on machine learning, pages 1995-2003. PMLR, 2016.
28. Markus Wulfmeier, Peter Ondruska, and Ingmar Posner. Maximum entropy deep inverse reinforcement learning. arXiv preprint arXiv:1507.04888, 2015.
29. Enze Xie, Wenhai Wang, Zhiding Yu, Anima Anandkumar, Jose M Alvarez, and Ping Luo. Segformer: Simple and efficient design for semantic segmentation with transformers. Advances in Neural Information Processing Systems, 34:12077-12090, 2021.
30. Zhibo Yang, Lihan Huang, Yupei Chen, Zijun Wei, Seoyoung Ahn, Gregory Zelinsky, Dimitris Samaras, and Minh Hoai. Predicting goal-directed human attention using inverse reinforcement learning. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pages 193-202, 2020.
31. Changxi You, Jianbo Lu, Dimitar Filev, and Panagiotis Tsiotras. Advanced planning for autonomous vehicles using reinforcement learning and deep inverse reinforcement learning. Robotics and Autonomous Systems, 114:1-18, 2019.
32. Fan Zhang, Ding Zhang, Yu Liu, and Hui Lin. Representing place locales using scene elements. Computers, Environment and Urban Systems, 71:153-164, 2018.
33. Hengshuang Zhao, Jianping Shi, Xiaojuan Qi, Xiaogang Wang, and Jiaya Jia. Pyramid scene parsing network. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2881-2890, 2017.
34. Zeyu Zheng, Junhyuk Oh, and Satinder Singh. On learning intrinsic rewards for policy gradient methods. Advances in Neural Information Processing Systems, 31, 2018.
35. Hanlin Zhou, Lin Liu, Minxuan Lan, Weili Zhu, Guangwen Song, Fengrui Jing, Yanran Zhong, Zihan Su, and Xin Gu. Using google street view imagery to capture micro built environment characteristics in drug places, compared with street robbery. Computers, Environment and Urban Systems, 88:101631, 2021.
Кожубаев Юрий Нургалиевич, канд. техн. наук, доцент, [email protected], Россия, Санкт-Петербург, Санкт-Петербургский горный университет,
Овчинникова Елена Николаевна, канд. пед. наук, доцент, ovchinnikova_EN@pers. spmi. ru, Россия, Санкт-Петербург, Санкт-Петербургский горный университет,
Горелик Мария Александровна, канд. техн. наук, доцент, [email protected]. ru, Россия, Санкт-Петербург, Санкт-Петербургский горный университет,
Нуштаев Никита Андреевич, преподаватель, um-urii@mail. ru, Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого
URBAN SAFETY PREDICTION AND CONTROL MODEL Yu.N.Kozhubaev, E.N.Ovchinnikova, M.A.Gorelik, N.A.Nushtaev
The task of creating an automated control room system, based on already developed foreign analogues, is considered. ASFCs that are already in operation abroad are analyzed. A data collection system has been developed, with its appearance confirming an emergency incident. A formula has been derived for calculating the crime rate of certain areas. A block diagram ofprocessing incoming messages is provided for their further processing by the system, the program of which is based on the analysis of the message and the derivation of keywords from the message. After which the program interface and the server on which emergency messages will be stored are described and shown. Currently, the use of the "Automated Control Room System " is widespread, which can make the lives of citizens more peaceful, due to the fact that notifications about incidents will be accumulated in one database, where it will be processed there. Also, thanks to ASDC, patrol routes can be displayed, which are broadcast in real time if configured correctly. But such software does not make it possible to observe situations occurring on the ground at a given moment in time, or to build routes for crews. Based on the above, there is a need to create software that plans the necessary routes for patrol crews.
Key words: automated system, forecasting, crime rate, information collection.
Kozhubaev Yury Nurgalievich, candidate of technical sciences, docent, y. n. kozhubaev@gmail. com, Russia, St. Petersburg, St. Petersburg Mining University,
Ovchinnikova Elena Nikolaevna, candidate of pedagogical sciences, docent, [email protected], Russia, St. Petersburg, St. Petersburg Mining University,
Gorelik Maria Alexandrovna, candidate of technical sciences, docent, [email protected], Russia, St. Petersburg, St. Petersburg Mining University,
Nushtaev Nikita Andreevich, lecturer, um-urii@mail. ru, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
