响应报警的方法、装置、电子设备及可读存储介质

摘要

本申请实施例涉及一种响应报警的方法、装置、电子设备及可读存储介质，旨在促进消化接警压力和出警压力。所述响应报警的方法包括：从报警电话语音中获取报警关键词；将获取的报警关键词转换为词向量，并存储所述词向量；将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，发出出警指示信息，以及在出警后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。

权利要求

1.一种响应报警的方法，其特征在于，所述方法包括：

获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词；

将获取的报警关键词转换为词向量，并存储所述词向量；

将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；

在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机；

其中，所述预设时间段是通过以下步骤所确定的：

预先获得多个历史出警时长数据，所述出警时长是指派出警察的时刻与警察到达案发地的时刻之间的时间长度；

根据所述多个历史出警时长数据，确定所述预设时间段。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在确定出的所有相似度中，存在大于或等于所述预设相似度阈值的相似度的情况下，确定所述报警人的报警属于重复报警，并在周期性地向历史报警人的手机发送短信的同时，将该短信抄送给所述报警人的手机；

其中，所述历史报警人是指：针对当前案件最先进行报警的人。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：根据所述报警电话语音，确定所述报警人在报警期间所受到的人身威胁程度；

所述以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机的步骤，包括：在所述人身威胁程度达到预设威胁程度阈值的情况下，将预设标识、所述位置信息和/或所述距离信息封装成短信，并发送给所述报警人的手机；

其中，所述预设标识表征报警人在报警期间所受到的人身威胁程度达到预设威胁程度阈值，所述预设标识用于使所述手机在接收到所述短信时禁用短信提示音。

4.根据权利要求3所述的方法，其特征在于，所述根据所述报警电话语音，确定所述报警人在报警期间所受到的人身威胁程度的步骤，包括：提取所述报警电话语音的语气特征向量，并将所述语气特征向量和所述报警关键词的词向量合并为语音特征；

将所述语音特征输入预先训练的威胁程度预测模型，得到所述威胁程度预测模型输出的威胁程度值，并将所述威胁程度值确定为所述报警人在报警期间所受到的人身威胁程度。

5.根据权利要求4所述的方法，其特征在于，所述威胁程度预测模型是通过以下步骤训练得到的：获得多个样本报警电话语音，针对每个样本报警电话语音，提取该样本报警电话语音的报警关键词，并将提取的报警关键词转换为词向量，以及提取该样本报警电话语音的语气特征向量，并将所述词向量和所述语气特征向量合并为该样本报警电话语音的样本语音特征；

为每个样本语音特征配置威胁程度标记，一个样本语音特征的威胁程度标记表征：该样本语音特征对应的报警人在报警期间所受到的人身威胁程度；

基于多个样本语音特征和多个样本语音特征各自的威胁程度标记，对预设模型进行训练，并将训练后的预设模型确定为所述威胁程度预测模型。

6.根据权利要求5所述的方法，其特征在于，所述威胁程度标记为介于0到1之间的数值；所述基于多个样本语音特征和多个样本语音特征各自的威胁程度标记，对预设模型进行训练的步骤，包括：针对所述多个样本语音特征中的每个样本语音特征，执行以下步骤：将该样本语音特征输入所述预设模型，以获得预设模型输出的预测结果；

对所述预测结果进行归一化，并根据该样本语音特征的威胁程度标记和所述归一化的预测结果，确定损失值；

利用所述损失值，对所述预设模型进行更新。

7.一种响应报警的装置，其特征在于，所述装置包括：

关键字提取模块，用于获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词；

词向量转化模块，用于将获取的报警关键词转换为词向量，并存储所述词向量；

相似度比较模块，用于将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；

短信发送模块，用于在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机；

其中，所述预设时间段是通过时长数据获取模块和预设时间段确定模块所确定的；

所述时长数据获取模块，用于预先获得多个历史出警时长数据，所述出警时长是指派出警察的时刻与警察到达案发地的时刻之间的时间长度；

所述预设时间段确定模块，用于根据所述多个历史出警时长数据，确定所述预设时间段。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至6任一所述的方法中的步骤。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一所述的方法的步骤。

说明书

响应报警的方法、装置、电子设备及可读存储介质

技术领域

[0001] 本申请实施例涉及通信技术领域，具体而言，涉及一种响应报警的方法、装置、电子设备及可读存储介质。

背景技术

[0002] 随着生活水平、社会活动多元化、以及人们自我保护意识等的提高，当人与人之间、人与企业之间、企业与企业之间发生纠纷或造成事故时，通常会向报警中心报案，以寻求警察的调解、支援或解救。

[0003] 当前，通常是每个市设立一个报警中心，一个市区内的报警电话均由该市区的报警中心接听和响应。对于一些人口众多的城市，例如千万人口级的特大城市，每小时接听的报警电话可达数万个，可见当前的接警压力和出警压力巨大。对于如何消化接警压力和出警压力，是一个亟待解决的问题。

发明内容

[0004] 本申请实施例提供一种响应报警的方法、装置、电子设备及可读存储介质，旨在促进消化接警压力和出警压力。

[0005] 本申请实施例第一方面提供一种响应报警的方法，所述方法包括：

[0006] 获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词；

[0007] 将获取的报警关键词转换为词向量，并存储所述词向量；

[0008] 将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；

[0009] 在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。

[0010] 本申请实施例第二方面提供一种响应报警的装置，所述装置包括：

[0011] 关键字提取模块，用于获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词；

[0012] 词向量转化模块，用于将获取的报警关键词转换为词向量，并存储所述词向量；

[0013] 相似度比较模块，用于将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；

[0014] 短信发送模块，用于在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向所述报警的案发地派出警察，以及在派出警察之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。

[0015] 本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法中的步骤。

[0016] 本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面所述的方法的步骤。

[0017] 采用本申请提供的响应报警的方法，报警中心在接收到报警人的报警电话后，通过从报警电话语音中提取报警关键词，将提取的关键词转换为词向量，然后将该词向量与预设时间段内的历史词向量进行相似度比较，从而判断当前接到的报警是否属于重复报警。如果当前接到的报警不属于重复报警，才向该报警的案发地派出警察，从而可以有效消化出警压力，避免针对同一案件重复出警。

[0018] 此外，在派出警察之后，报警中心还会周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。如此，报警人的手机会周期性地接收到短信，从而使报警人能动态地了解到警察的位置和/或距离，以产生心理安抚作用，避免报警人在首次报警后因无法得知警察是否出警而再次报警。可见，本申请也可以有效消化报警中心的接警压力。

附图说明

[0019] 为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0020] 图1是本申请一实施例提出的响应报警的方法的流程图；

[0021] 图2是本申请另一实施例提出的响应报警的方法的流程图；

[0022] 图3是本申请一实施例提出的训练威胁程度预测模型的流程图；

[0023] 图4是本申请一实施例提出的响应报警的装置的示意图。

具体实施方式

[0024] 下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

[0025] 当前，通常是每个市设立一个报警中心，一个市区内的报警电话均由该市区的报警中心接听和响应。对于一些人口众多的城市，例如千万人口级的特大城市，每小时接听的报警电话可达数万个，可见当前的接警压力和出警压力巨大。对于如何消化接警压力和出警压力，是一个亟待解决的问题。

[0026] 为此，本申请通过以下一些实施例提出响应报警的方法、装置、电子设备及可读存储介质等，旨在促进消化接警压力和出警压力。

[0027] 参考图1，图1是本申请一实施例提出的响应报警的方法的流程图，该响应报警的方法应用于报警中心。如图1所示，该方法包括以下步骤：

[0028] 步骤S11：获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词。

[0029] 其中，报警人的报警电话语音是指：报警人拨打报警电话期间，报警人和接警员的对话语音。

[0030] 其中，报警关键词包括但不限于：案发地、案发时间、案件类型、涉案人信息等。

[0031] 为了从报警人的报警电话语音中获取报警关键词，在一些实施例中，接警员在接听报警电话的同时，会手动向报警中心的系统录入报警关键词。相应地，报警中心接收接警员在接听报警电话期间所录入的报警关键词。如此，报警中心从报警电话语音中获取到报警关键词。

[0032] 为了从报警人的报警电话语音中获取报警关键词，在另一些实施例中，报警中心可以首先通过语音识别算法，将报警电话语音转换为文字段。然后利用分词算法，对文字段进行分词处理，得到多个分词。最后从这些分词中剔除掉停用词，最后将剩余的分词作为关键词。

[0033] 其中，可采用的语音识别算法包括但不限于：基于动态时间规整（Dynamic Time Warping）的算法、基于参数模型的隐马尔可夫模型（HMM）的方法、基于非参数模型的矢量量化（VQ）的方法等。其中，可采用的分词算法包括但不限于：最大匹配分词算法、最短路径分词算法、基于n-gram模型（N元模型）的分词算法、神经网络分词算法等。其中，在从多个分词中剔除停用词时，可以将每个分词与预先建立的停用词表比对，如果某一分词是停用词表中的一个停用词，则可以将该分词剔除。为便于理解，示例地，停用词表中可以包括：喂、吗、啊、嗯、110、警察、快来、怎么办、我不知道、看不见等停用词。这些停用词在报警电话中经常出现，但是这些停用词不属于关键的报警信息。

[0034] 步骤S12：将获取的报警关键词转换为词向量，并存储所述词向量。

[0035] 为了将报警关键词转换为词向量，在一些实施例中，可以通过语言模型生成词向量。具体地，将提取出的报警关键词输入开源的语言模型，得到语言模型输出的词向量。其中，可选用的语言模型包括但不限于：连续词袋模型CBOW、跳字模型skip-gram等。

[0036] 在将报警关键词转换为词向量之后，可以将该词向量存入报警中心的第一数据库。所述第一数据库专门用于存储预设时间段（例如5分钟）内产生的词向量。对于超过预设时间段的词向量，可以将其从第一数据库转入报警中心的第二数据库，或者可以将其从第一数据库中删除。

[0037] 步骤S13：将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度。

[0038] 其中，预设时间段的时间长度可以是预先确定的。在一些实施例中，为了确定预设时间段的时间长度，可以预先获得多个历史出警时长数据，所述出警时长是指派出警察的时刻与警察到达案发地的时刻之间的时间长度；然后根据所述多个历史出警时长数据，确定所述预设时间段。

[0039] 示例地，可以预先搜集过去一个月内每次出警的出警时长数据，然后计算多个出警时长数据的平均值，最后将该平均值作为预设时间段的时间长度。

[0040] 本发明中，通过以多个历史出警时长数据为依据，确定所述预设时间段的时间长度，更有利于确定出一个合适的预设时间段。本发明具有如下意义：

[0041] 当某一地点发生警情后，第一报警人可能在第一时间向报警中心打电话报警。由于第一报警人的报警是针对该警情的第一次报警，报警中心在针对第一报警人的报警执行上述步骤S11至下述步骤S14后，确定第一报警人的报警不属于重复报警，于是响应于该报警，向案发地派出警察。在警察出警期间（即警察抵达案发地之前），由于警察暂时还没有抵达案发地，第二报警人不知道第一报警人已经报警，于是第二报警人可能会在第二时间再次向报警中心打电话报警。由于第二报警人的报警是针对该警情的第二次报警，报警中心在针对第二报警人的报警执行上述步骤S11至下述步骤S14后，确定第二报警人的报警属于重复报警，因此不再派出警察。

[0042] 由于本发明中的预设时间段是根据多个历史出警时长数据所确定的，该预设时间段既不会过短，使一些原本属于重复报警的报警被误判为不属于重复报警，导致重复派出警察，造成警力资源浪费。该预设时间段也不会过长，使预设时间段内的历史词向量的数量过多，导致在执行步骤S13期间，需要将词向量与过多的历史词向量比较，消耗较多的比较时间，进而降低了报警响应效率。简言之，本发明有利于避免警力资源浪费，同时有利于确保报警响应效率。

[0043] 如前所述，在一些实施例中，报警中心的第一数据库专门用于存储预设时间段内产生的词向量。因此在执行步骤S13时，具体可以将词向量与第一数据库中的每个历史词向量分别进行比较。

[0044] 在将词向量和一个历史词向量进行比较时，可以计算该词向量和该历史词向量之间的向量距离，然后将计算出的向量距离作为该词向量与该历史词向量之间的相似度。

[0045] 其中，向量距离可以是欧氏距离（Euclidean Distance）、余弦距离、切比雪夫距离（Chebyshev distance）等等，本发明对向量距离的具体种类和计算方式不做限定。

[0046] 步骤S14：在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。

[0047] 其中，预设相似度阈值可以是预先设定的，且预设相似度阈值是可调整的。例如预设相似度阈值可以设定为0.6、0.7或0.8等。

[0048] 本发明中，如果当前的报警电话语音的关键词的词向量，与某一历史词向量的相似度低于预设相似度阈值，则说明该报警电话语音的报警关键词与该历史词向量对应的历史报警电话的报警关键词，不太可能相似。也即，该报警电话语音所针对的案件，与该历史报警电话所针对的案件，不太可能是同一案件。基于同样的道理，如果当前的报警电话语音的报警关键词的词向量，与所有历史词向量的相似度均低于预设相似度阈值，则说明该报警电话语音所针对的案件，与所有历史报警电话各自针对的案件，均不太可能是同一案件。如此，可以确定当前的报警不属于重复报警，于是向待命警察的终端设备发送出警指示信息，也即向所述报警的案发地派出警察。

[0049] 此外，在向案发地派出警察之后，为了能周期性地获取警察的位置信息，警察的终端设备应具有定位功能和通信功能。该终端设备可以对警察进行周期性地定位（例如每分钟进行一次定位），从而周期性地获得警察的位置信息。该终端设备每次获得警察的位置信息后，将该位置信息发送给报警中心。如此，报警中心可以周期性地获得警察的位置信息。

[0050] 为了能周期性地获取警察与案发地之间的距离信息，可以在每次获得警察的位置信息后，计算该位置信息与案发地之间的距离，从而周期性地得到警察与案发地之间的位置信息。

[0051] 通过执行上述包括步骤S11至步骤S14的响应报警的方法，报警中心在接收到报警人的报警电话后，通过从报警电话语音中提取报警关键词，将提取的关键词转换为词向量，然后将该词向量与预设时间段内的历史词向量进行相似度比较，从而判断当前接到的报警是否属于重复报警。如果当前接到的报警不属于重复报警，才向该报警的案发地派出警察，从而可以有效消化出警压力，避免针对同一案件重复出警。

[0052] 此外，在派出警察之后，报警中心还会周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。如此，报警人的手机会周期性地接收到短信，从而使报警人能动态地了解到警察的位置和/或距离，以产生心理安抚作用，避免报警人在首次报警后因无法得知警察是否出警而再次报警。可见，本申请也可以有效消化报警中心的接警压力。

[0053] 此外，在执行完上述步骤S13之后，在确定出的所有相似度中，存在大于或等于所述预设相似度阈值的相似度的情况下，报警中心确定所述报警人的报警属于重复报警，并在周期性地向历史报警人的手机发送短信的同时，将该短信抄送给所述报警人的手机；其中，所述历史报警人是指：针对当前案件最先进行报警的人。

[0054] 为便于理解，假设在执行完上述步骤S11至步骤S13之后，确定出词向量与预设时间段内的历史词向量X之间的相似度等于0.92，大于预设相似度阈值0.8（假设预设相似度等于0.8）。则可以确定当前的报警属于重复报警，也即当前的报警与历史词向量X对应的历史报警，属于针对相同案件的两次报警。在此情况下，报警中心不向待命警察的终端发送出警指示信息，也即报警中心不再向当前报警的案发地派出警察。此外，又假设先前拨打所述历史报警的手机为手机X，当前进行报警的手机为手机A。则报警中心在向手机X发送短信的同时，将该短信抄送给手机A。

[0055] 如此，对于同一案件的先后两次报警，仅响应最先接到的报警（即派出警察），因此可以有效避免重复出警，从而节省警力。并且报警中心针对先后两次进行报警的手机，均会周期性地发送携带警察位置信息和/或警察距离信息的短息，作为安抚短信，一方面对报警人形成安抚作用，另一方面避免报警人重复报警。

[0056] 此外，考虑到在一些特殊场景下，报警人可能在人身安全受到威胁的情况下，冒险向报警中心拨打报警电话。在这些场景下，如果报警人的手机周期性地接收报警中心的短信，且每次接收短信时均发出短信提示音，则很容易引起罪犯的警觉，从而将报警人的处境推向更危险的境地。

[0057] 为此，参考图2，图2是本申请另一实施例提出的响应报警的方法的流程图，该响应报警的方法应用于报警中心。如图2所示，该方法包括以下步骤：

[0058] 步骤S21：获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词。

[0059] 步骤S22：将获取的报警关键词转换为词向量，并存储所述词向量。

[0060] 步骤S22'：根据所述报警电话语音，确定所述报警人在报警期间所受到的人身威胁程度。

[0061] 具体实现时，可以首先提取所述报警电话语音的语气特征向量，并将所述语气特征向量和所述报警关键词的词向量合并为语音特征；然后将所述语音特征输入预先训练的威胁程度预测模型，得到所述威胁程度预测模型输出的威胁程度值，并将所述威胁程度值确定为所述报警人在报警期间所受到的人身威胁程度。

[0062] 其中，所述报警电话语音的语气特征向量是指：用于表征报警电话语音中的音量、音调（即声音频率）以及语速的向量。为了从报警电话语音中提取语气特征向量，可以采用如下子步骤：

[0063] 子步骤S001：播放报警电话语音中的报警人语音，并每隔固定时间段（例如100毫秒），采集一次报警人语音的音量值和音调值。如此，先后多次采集的多个音量值构成一个离散的时序数列，该时序数列可作为报警电话语音中的音量特征向量。先后多次采集的多个音调值也构成一个离散的时序数列，该时序数列可作为报警电话语音中的音调特征向量。

[0064] 子步骤S002：按照固定时间长度（例如5秒），将报警电话语音中的报警人语音划分为多个分段。例如报警人语音的第0秒至第5秒划分为第一分段，报警人语音的第6秒至第10秒划分为第二分段，报警人语音的第11秒至第15秒划分为第三分段等。针对每个分段，计算该分段的平均语速，即该分段内平均每秒说出的字数。如此，得到多个分段各自对应的平均语速，这些平均语速构成一个时序数列，该时序数列可作为报警电话语音中的语速特征向量。

[0065] 子步骤S003：考虑到输入威胁程度预测模型的向量应具有标准的长度，因此需要对音量特征向量、音调特征向量以及语速特征向量等向量的长度进行调整。以音量特征向量为例，假设音量特征向量的目标长度为128（即音量特征向量中需要包括128个值），又假设音量特征向量的实际长度为162，则可以从音量特征向量的两端各剔除17个值，得到长度为128的音量特征向量。

[0066] 子步骤S004：将长度调整后的音量特征向量、音调特征向量以及语速特征向量，合并为语气特征向量。

[0067] 在通过上述子步骤S001至子步骤S004得到语气特征向量之后，将该语气特征向量与步骤S22中得到的词向量拼接，得到报警电话语音的语音特征。然后将该语音特征输入所述威胁程度预测模型，从而得到所述威胁程度预测模型预测的人身威胁程度。其中，威胁程度预测模型所预测的人身威胁程度为介于0到1之间的数值。人身威胁程度的数值越大，表征报警人在报警时所受到的人身威胁程度越大。

[0068] 对于威胁程度预测模型的具体训练方式，本发明通过下述实施例介绍，此处暂不赘述。

[0069] 步骤S23：将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度。

[0070] 步骤S24：在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息；在所述人身威胁程度达到预设威胁程度阈值的情况下，将预设标识、所述位置信息和/或所述距离信息封装成短信，并发送给所述报警人的手机。

[0071] 其中，所述预设标识表征报警人在报警期间所受到的人身威胁程度达到预设威胁程度阈值，所述预设标识用于使所述手机在接收到所述短信时禁用短信提示音。

[0072] 为便于理解，假设预设威胁程度阈值为0.5，并假设通过上述步骤S22'确定出的人身威胁程度为0.8。在执行上述步骤S24时，假设确定出的所有相似度均低于预设相似度阈值，则判定报警人的报警不属于重复报警。如此，报警中心向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息。由于报警人在报警时的人身威胁程度为0.8，大于预设威胁程度阈值0.5。因此报警中心将预设标识、警察的位置信息和/或警察与案发地之间的距离信息封装成短信，并发送给所述报警人的手机。

[0073] 本发明在实施期间，报警人的手机的操作系统需支持如下功能：手机操作系统在接收到短信信号后，首先对短信信号进行解调；然后判断短信中是否存在预设标识；如果存在预设标识，则禁用短信提示音进程，使手机不向用户发出短信提示音；如果不存在预设标识，则不禁用短信提示音进程，使手机通过用户原本预设的提示方式向用户发出短信提示。考虑到手机的安卓操作系统为开源的操作系统，因此手机终端制造商可以基于现有的安卓操作系统，对安卓操作系统进行改进，使得安卓操作系统支持上述功能。

[0074] 参考图3，图3是本申请一实施例提出的训练威胁程度预测模型的流程图。如图3所示，该训练流程包括以下步骤：

[0075] 步骤S31：获得多个样本报警电话语音，针对每个样本报警电话语音，提取该样本报警电话语音的报警关键词，并将提取的报警关键词转换为词向量，以及提取该样本报警电话语音的语气特征向量，并将所述词向量和所述语气特征向量合并为该样本报警电话语音的样本语音特征。

[0076] 具体实现时，可以将多个历史报警电话录音作为多个样本报警电话语音，从而获得多个样本报警电话语音。

[0077] 在针对每个样本报警电话语音，获取词向量和语气特征向量的具体方式，可参考上述实施例，本发明在此不赘述。

[0078] 步骤S32：为每个样本语音特征配置威胁程度标记，一个样本语音特征的威胁程度标记表征：该样本语音特征对应的报警人在报警期间所受到的人身威胁程度。

[0079] 具体实现时，可以针对所述多个样本报警电话语音中的每个样本报警电话语音，预先通过回访报警人的方式，从而了解该报警人在报警时的处境，进而确定该报警人在报警时所受到的人身威胁程度。如此，可以根据报警人在报警时所受到的人身威胁程度，对该样本报警电话语音配置威胁程度标记。

[0080] 其中，威胁程度标记可以是介于0到1之间的小数。威胁程度标记越接近于1，表示报警人在报警时所受到的人身威胁程度越高。反之，威胁程度标记越接近于0，表示报警人在报警时所受到的人身威胁程度越低。

[0081] 步骤S33：基于多个样本语音特征和多个样本语音特征各自的威胁程度标记，对预设模型进行训练，并将训练后的预设模型确定为所述威胁程度预测模型。

[0082] 其中，预设模型可选用深度卷积神经网络，所述深度卷积神经网络包括输入层、卷积层、激活函数、池化层和全连接层。

[0083] 训练期间，可以针对所述多个样本语音特征中的每个样本语音特征，执行以下子步骤：

[0084] 子步骤S33-1：将该样本语音特征输入所述预设模型，以获得预设模型输出的预测结果。

[0085] 子步骤S33-2：对所述预测结果进行归一化，并根据该样本语音特征的威胁程度标记和所述归一化的预测结果，确定损失值。

[0086] 子步骤S33-3：利用所述损失值，对所述预设模型进行更新。

[0087] 具体实现时，如前所述，由于威胁程度标记是一个介于0到1之间的数值，威胁程度标记越接近于1，表示报警人在报警时所受到的人身威胁程度越高。反之，威胁程度标记越接近于0，表示报警人在报警时所受到的人身威胁程度越低。而预设模型输出的预测结果可能是超出[0,1]区间之外的数值，因此需要对预测结果进行归一化。示例地，可以将预测结果作为Sigmoid函数（一种S型函数）的自变量，输入Sigmoid函数，Sigmoid函数输出一个介于0到1之间的数值。将Sigmoid函数输出的数值作为归一化的预测结果，从而实现对预测结果的归一化操作。

[0088] 在确定损失值时，需要遵循以下原则：归一化的预测结果与威胁程度标记之间的差距越大，损失值越大。基于此原则，可采用以下几种损失函数中的任一种损失函数来计算损失值：

[0089] 第一种损失函数：LOSS=|C-S| 。其中，LOSS表示损失值，C表示归一化的预测结果，S表示威胁程度标记，|…|表示绝对值符号。

[0090] 第二种损失函数：LOSS=-ln(1-|C-S|)。其中，LOSS表示损失值，C表示归一化的预测结果，S表示威胁程度标记，|…|表示绝对值符号，ln(…)表示对数函数。

[0091] 基于同一发明构思，本申请一实施例提供一种响应报警的装置。参考图4，图4是本申请一实施例提出的响应报警的装置的示意图。如图4所示，该装置包括：

[0092] 关键字提取模块41，用于获取报警人的报警电话语音，并从所述报警电话语音中获取报警关键词；

[0093] 词向量转化模块42，用于将获取的报警关键词转换为词向量，并存储所述词向量；

[0094] 相似度比较模块43，用于将所述词向量与预设时间段内存储的各个历史词向量分别进行相似度比较，以确定所述词向量与所述各个历史词向量的相似度；

[0095] 短信发送模块44，用于在确定出的所有相似度均低于预设相似度阈值的情况下，确定所述报警人的报警不属于重复报警，并向待命警察的终端设备发送出警指示信息，以及在向所述待命警察的终端设备发送出警指示信息之后，周期性地获取警察的位置信息和/或警察与案发地之间的距离信息，并以短信的形式，将所述位置信息和/或距离信息发送给所述报警人的手机。

[0096] 可选地，所述短信发送模块，还用于在确定出的所有相似度中，存在大于或等于所述预设相似度阈值的相似度的情况下，确定所述报警人的报警属于重复报警，并在周期性地向历史报警人的手机发送短信的同时，将该短信抄送给所述报警人的手机；

[0097] 其中，所述历史报警人是指：针对当前案件最先进行报警的人。

[0098] 可选地，所述装置还包括：

[0099] 时长数据获取模块，用于预先获得多个历史出警时长数据，所述出警时长是指派出警察的时刻与警察到达案发地的时刻之间的时间长度；

[0100] 预设时间段确定模块，用于根据所述多个历史出警时长数据，确定所述预设时间段。

[0101] 可选地，所述装置还包括：

[0102] 人身威胁程度确定模块，用于根据所述报警电话语音，确定所述报警人在报警期间所受到的人身威胁程度；

[0103] 所述短信发送模块在将所述位置信息和/或距离信息发送给所述报警人的手机时，具体用于：在所述人身威胁程度达到预设威胁程度阈值的情况下，将预设标识、所述位置信息和/或所述距离信息封装成短信，并发送给所述报警人的手机；其中，所述预设标识表征报警人在报警期间所受到的人身威胁程度达到预设威胁程度阈值，所述预设标识用于使所述手机在接收到所述短信时禁用短信提示音。

[0104] 可选地，述人身威胁程度确定模块在根据所述报警电话语音，确定所述报警人在报警期间所受到的人身威胁程度时，具体用于：提取所述报警电话语音的语气特征向量，并将所述语气特征向量和所述报警关键词的词向量合并为语音特征；将所述语音特征输入预先训练的威胁程度预测模型，得到所述威胁程度预测模型输出的威胁程度值，并将所述威胁程度值确定为所述报警人在报警期间所受到的人身威胁程度。

[0105] 可选地，所述装置还包括：

[0106] 样本语音特征获取模块，用于获得多个样本报警电话语音，针对每个样本报警电话语音，提取该样本报警电话语音的报警关键词，并将提取的报警关键词转换为词向量，以及提取该样本报警电话语音的语气特征向量，并将所述词向量和所述语气特征向量合并为该样本报警电话语音的样本语音特征；

[0107] 标记配置模块，用于为每个样本语音特征配置威胁程度标记，一个样本语音特征的威胁程度标记表征：该样本语音特征对应的报警人在报警期间所受到的人身威胁程度；

[0108] 模型训练模块，用于基于多个样本语音特征和多个样本语音特征各自的威胁程度标记，对预设模型进行训练，并将训练后的预设模型确定为所述威胁程度预测模型。

[0109] 可选地，所述模型训练模块在基于多个样本语音特征和多个样本语音特征各自的威胁程度标记，对预设模型进行训练时，具体用于：针对所述多个样本语音特征中的每个样本语音特征，将该样本语音特征输入所述预设模型，以获得预设模型输出的预测结果；对所述预测结果进行归一化，并根据该样本语音特征的威胁程度标记和所述归一化的预测结果，确定损失值；利用所述损失值，对所述预设模型进行更新。

[0110] 基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的响应报警的方法中的步骤。

[0111] 基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的响应报警的方法中的步骤。

[0112] 对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

[0113] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

[0114] 本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0115] 本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0116] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0117] 这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0118] 尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

[0119] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

[0120] 以上对本申请所提供的一种响应报警的方法、装置、电子设备及可读存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。