CN103761449A - 一种基于ahp的量化罪犯倾向性及危险度方法和系统 - Google Patents
一种基于ahp的量化罪犯倾向性及危险度方法和系统 Download PDFInfo
- Publication number
- CN103761449A CN103761449A CN201410057927.9A CN201410057927A CN103761449A CN 103761449 A CN103761449 A CN 103761449A CN 201410057927 A CN201410057927 A CN 201410057927A CN 103761449 A CN103761449 A CN 103761449A
- Authority
- CN
- China
- Prior art keywords
- criminal
- server
- prison
- data
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机信息系统中的大数据处理技术,具体涉及一种基于AHP的量化罪犯倾向性及危险度方法和系统,通过计算流量调度优化算法,实现业务数据的高效采集、抽取;并基于狱情分析器,采用AHP算法,对罪犯的倾向性及危险度进行量化并分级。本发明给出了一种量化罪犯倾向性及危险度的方法和系统,将监狱业务信息进行了有效的处理和利用,通过两两比较矩阵算法,避免由于一次失误导致排序遭到破坏,解决了难以量化罪犯倾向性及危险度的难题。
Description
技术领域
本发明涉及计算机信息系统中的大数据处理技术,具体涉及一种基于AHP的量化罪犯倾向性及危险度方法和系统。
背景技术
随着监狱信息化的发展,建设了包括罪犯狱政管理系统、刑法执行系统、生活卫生系统、亲情电话系统、会见管理系统、心理咨询系统等一大批罪犯管理业务系统;包括视频监控系统、门禁系统、报警系统、数字电网、外来车辆人员进出管理系统、应急指挥辅助决策系统等一大批安全防范系统。这些系统的建设为监狱狱情的收集、分析、研判提供了大量的、有效的基础性数据。但对这些系统产生的信息还没有进行有效的处理和分析,目前在监狱管理中只是提出罪犯分类的方法,提出了人身危险性的基本理论,根据刑期去对服刑人员做简单分类,在实际操作中很难对服刑人员的危险度进行评判。
发明内容
本发明目的提供一种基于AHP的量化罪犯倾向性及危险度方法与系统,通过计算流量调度优化算法,实现业务数据的高效采集、抽取;并基于狱情分析器,采用AHP算法,对罪犯的倾向性及危险度进行量化并分级。本发明提供的方案如下:
一种基于AHP的量化罪犯倾向性及危险度方法,包括以下步骤:
1)采集监狱服刑人员的档案信息,将其存入了数据中心;
2)将监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统与数据中心进行连接,将其产生的信息实时传入数据中心;
3)将数据中心的服刑人员信息根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
4)调用数据中心中分类存储服刑人员信息,以罪犯倾向性及危险度为目标分别对服刑人员的年龄、学历、犯罪类型、余型、异常事件下对逃脱、行凶、自杀、破坏、其他构造各指标两两比较判断矩阵;
5)在单一准则下,采用1–9比例标度法对构造的两两比较判断矩阵进行综合分析,对各指标之间进行两两对比之后,得出服刑人员的罪犯倾向性及危险度,并采取措施加以防范。一种基于AHP的量化罪犯倾向性及危险度系统,包括数据采集服务器、数据中心、数据分析服务器、数据挖掘服务器、调度服务器和认证服务器,数据采集服务器分别与各监狱业务系统、数据中心、调度服务器和论证服务器相连,数据分析服务器分别与数据中心、数据挖掘服务器、调度服务器和认证服务器相连。
本发明的有益效果:
本发明给出了一种量化罪犯倾向性及危险度的方法和系统,将监狱业务信息进行了有效的处理和利用,通过两两比较矩阵算法,避免由于一次失误导致排序遭到破坏,解决了难以量化罪犯倾向性及危险度的难题。
附图说明
图1是一种基于AHP的量化罪犯倾向性及危险度方法示意图;
图2是罪犯倾向性及危险度两两比较判断矩阵构造示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
如图1所示,一种基于AHP的量化罪犯倾向性及危险度方法,包括以下步骤:
1)采集监狱服刑人员的档案信息,将其存入了数据中心;
2)将监狱各个业务系统,包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统与数据中心进行连接,将其产生的信息实时传入数据中心;
3)将数据中心的服刑人员信息根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
4)如图2所示,调用数据中心中分类存储服刑人员信息,以罪犯倾向性及危险度为目标分别对服刑人员的年龄、学历、犯罪类型、余型、异常事件下对逃脱、行凶、自杀、破坏、其他构造各指标两两比较判断矩阵:
A=(aij)n×n
在单准则下分别构造,即在G下对c1c2c3c4c5,构造A;分别在c1c2c3c4c5下对A1A2A3A4A5构造A。
5)在单一准则下,采用1–9比例标度法对构造的两两比较判断矩阵进行综合分析,对各指标之间进行两两对比之后,得出服刑人员的罪犯倾向性及危险度,并采取措施加以防范。建立1–9比例标度表,如表1所示:
aij | 描述 |
1 | 表示ui与uj重量相同,或重要性相同 |
3 | 表示ui比uj稍重 |
5 | 表示ui比uj明显重 |
7 | 表示ui比uj强烈重 |
9 | 表示ui比uj极端重 |
表1
数2、4、6、8则为上述判断的中值。
两两比较两个元素的重要性,总是在某种准则(准则层比较是以总目标G为准则,方案层比较,分别以准则层中各元素为准则)下进行的。对n个物体,两两比较其重要性得判断矩阵A=(aij)n×n,显然aij满足:
aij·ajk≠aik
这是由事物的复杂性和人的认识的局限性造成的。
如果aij·ajk=aik成立,则称A是一致性矩阵。从判断矩阵A出发到导出元素在某种准则C下按重要性大小的排序,矩阵A的一致性起着至关重要的作用。
根据特征向量及各维度权重得出倾向性结果
设第1层各准则维度相对于总目标的排序权重向量为:
第2层在第一层j准则维度下的排序向量为:
a2=B2·a1
最后得到倾向结论在总目标G下的排序向量。
本发明还提供了一种基于AHP的量化罪犯倾向性及危险度系统,包括数据采集服务器、数据中心、数据分析服务器、数据挖掘服务器、调度服务器和认证服务器,数据采集服务器分别与各监狱业务系统、数据中心、调度服务器和论证服务器相连,数据分析服务器分别与数据中心、数据挖掘服务器、调度服务器和认证服务器相连。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (3)
1.一种基于AHP的量化罪犯倾向性及危险度方法,其特征在于包括以下步骤:
1)采集监狱服刑人员的档案信息,将其存入了数据中心;
2)将监狱各个业务系统与数据中心进行连接,将其产生的信息实时传入数据中心;
3)将数据中心的服刑人员信息根据改造信息、外部因素、监狱环境、个人状况、狱侦状况、反常信息进行分类存储;
4)调用数据中心中分类存储服刑人员信息,以罪犯倾向性及危险度为目标分别对服刑人员的年龄、学历、犯罪类型、余型、异常事件下对逃脱、行凶、自杀、破坏、其他构造各指标两两比较判断矩阵;
5)在单一准则下,采用1–9比例标度法对构造的两两比较判断矩阵进行综合分析,对各指标之间进行两两对比之后,得出服刑人员的罪犯倾向性及危险度,并采取措施加以防范。
2.根据权利要求1所述的一种基于AHP的量化罪犯倾向性及危险度方法,其特征在于,步骤2)所述的监狱各个业务信息系统包括会见系统、亲情电话系统、一卡通系统、心理咨询系统、计分考核系统、狱侦管理系统、点名系统、仿真实训系统、综合评估系统。
3.一种基于AHP的量化罪犯倾向性及危险度系统,其特征在于包括数据采集服务器、数据中心、数据分析服务器、数据挖掘服务器、调度服务器和认证服务器,数据采集服务器分别与各监狱业务系统、数据中心、调度服务器和论证服务器相连,数据分析服务器分别与数据中心、数据挖掘服务器、调度服务器和认证服务器相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410057927.9A CN103761449B (zh) | 2014-02-20 | 2014-02-20 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410057927.9A CN103761449B (zh) | 2014-02-20 | 2014-02-20 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761449A true CN103761449A (zh) | 2014-04-30 |
CN103761449B CN103761449B (zh) | 2017-10-17 |
Family
ID=50528685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410057927.9A Active CN103761449B (zh) | 2014-02-20 | 2014-02-20 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761449B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
CN106447194A (zh) * | 2016-09-27 | 2017-02-22 | 上海中信信息发展股份有限公司 | 综合静态和动态信息的罪犯危险度评估方法 |
CN109543986A (zh) * | 2018-11-16 | 2019-03-29 | 湖南数定智能科技有限公司 | 基于用户画像的监狱罪犯三预风险评估方法及系统 |
CN114118084A (zh) * | 2021-12-16 | 2022-03-01 | 杭州华亭科技有限公司 | 一种基于神经网络算法的罪犯行凶危险性评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201681464U (zh) * | 2010-03-11 | 2010-12-22 | 钱东宁 | 监狱安防系统 |
US20130204674A1 (en) * | 2012-02-07 | 2013-08-08 | Arun Nathani | Method and System For Performing Appraisals |
US20130298130A1 (en) * | 2012-05-03 | 2013-11-07 | Nec Laboratories America, Inc. | Automatic pipelining framework for heterogeneous parallel computing systems |
CN103577917A (zh) * | 2012-08-04 | 2014-02-12 | 陈升栋 | 一种监狱监控管理的方法、装置和系统 |
-
2014
- 2014-02-20 CN CN201410057927.9A patent/CN103761449B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201681464U (zh) * | 2010-03-11 | 2010-12-22 | 钱东宁 | 监狱安防系统 |
US20130204674A1 (en) * | 2012-02-07 | 2013-08-08 | Arun Nathani | Method and System For Performing Appraisals |
US20130298130A1 (en) * | 2012-05-03 | 2013-11-07 | Nec Laboratories America, Inc. | Automatic pipelining framework for heterogeneous parallel computing systems |
CN103577917A (zh) * | 2012-08-04 | 2014-02-12 | 陈升栋 | 一种监狱监控管理的方法、装置和系统 |
Non-Patent Citations (3)
Title |
---|
唐新礼: "论罪犯危险性评估操作技术", 《河南司法警官职业学院学报》 * |
张绪亮: "黑龙江省监狱系统网络平台的建设研究", 《中国优秀硕士学位论文全文数据库(社会科学I辑)》 * |
韩健: "基于AHP的黑龙江省监狱企业运营能力综合评价", 《温州职业技术学院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050361A (zh) * | 2014-06-04 | 2014-09-17 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104050361B (zh) * | 2014-06-04 | 2017-06-23 | 杭州华亭科技有限公司 | 一种监狱服刑人员危险性倾向的智能分析预警方法 |
CN104182805A (zh) * | 2014-08-22 | 2014-12-03 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
CN104182805B (zh) * | 2014-08-22 | 2017-06-23 | 杭州华亭科技有限公司 | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 |
CN106447194A (zh) * | 2016-09-27 | 2017-02-22 | 上海中信信息发展股份有限公司 | 综合静态和动态信息的罪犯危险度评估方法 |
CN109543986A (zh) * | 2018-11-16 | 2019-03-29 | 湖南数定智能科技有限公司 | 基于用户画像的监狱罪犯三预风险评估方法及系统 |
CN114118084A (zh) * | 2021-12-16 | 2022-03-01 | 杭州华亭科技有限公司 | 一种基于神经网络算法的罪犯行凶危险性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103761449B (zh) | 2017-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN103761449A (zh) | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 | |
CN104408667B (zh) | 一种电能质量综合评估的方法和系统 | |
CN104182805A (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
DE102017220898A1 (de) | Verfahren und Vorrichtung zur Klassifizierung einer während der Sicherheitskontrolle zu kontrollierenden Person | |
Al Boni et al. | Area-specific crime prediction models | |
CN104392391A (zh) | 一种电网运行安全风险量化方法 | |
WO2013126281A1 (en) | Systems and methods for putative cluster analysis | |
CN106780115A (zh) | 异常用电监测与定位系统及方法 | |
CN104463446A (zh) | 一种基于案例推理的应急预案评估系统运行方法 | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN106295332A (zh) | 基于区间数和理想解的信息安全风险评估方法 | |
Xing et al. | Traffic flow decomposition and prediction based on robust principal component analysis | |
Fan et al. | A system analytics framework for detecting infrastructure-related topics in disasters using social sensing | |
CN112488371B (zh) | 一种基于大数据的管道智能预警方法和系统 | |
US20200092315A1 (en) | Temporal behavior analysis of network traffic | |
CN110009224A (zh) | 嫌疑人违规概率预测方法、装置、计算机设备及存储介质 | |
Mu et al. | Empirical discriminative tensor analysis for crime forecasting | |
Yang et al. | DBSCAN clustering algorithm applied to identify suspicious financial transactions | |
Hristopulos et al. | Finite-size effects on return interval distributions for weakest-link-scaling systems | |
Chang et al. | Multiple time period imputation technique for multiple missing traffic variables: nonparametric regression approach | |
Zou et al. | A data mining framework within the Chinese NPPs operating experience feedback system for identifying intrinsic correlations among human factors | |
US9141686B2 (en) | Risk analysis using unstructured data | |
Garlapati et al. | Predicting employees under stress for pre-emptive remediation using machine learning algorithm | |
CN104504332B (zh) | 一种基于二次移动点策略的否定选择入侵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |