CN104182805A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104182805A CN104182805A CN201410416208.1A CN201410416208A CN104182805A CN 104182805 A CN104182805 A CN 104182805A CN 201410416208 A CN201410416208 A CN 201410416208A CN 104182805 A CN104182805 A CN 104182805A
- Authority
- CN
- China
- Prior art keywords
- classification
- inmate
- tuple
- data
- integrated study
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及计算机智能信息处理中的大数据处理技术,尤其涉及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,包括:采集服刑人员的监测数据,对数据进行预处理,对没有极端行为倾向和存在具体极端行为倾向的数据进行相应的类别标记;将有标记的数据作为训练集,利用dispatching集成学习算法在训练集上训练得到一个由多个分类模型组成的集成学习模型。然后用该集成学习模型对未标记类别的数据进行预测、分类。本发明的有益效果在于:本发明的基于dispatching集成学习算法的预测方法通过生成多个有差别的分类模型并对它们的分类结果进行融合,能够克服只用一个分类模型时存在的稳定性差的缺陷,分类精度高,分类稳定性好,预警准确度高。
Description
技术领域
本发明涉及计算机智能信息处理中的大数据处理技术,尤其涉及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。
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,以及包括视频监控系统、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。
在监狱狱情分析过程中,一项关键任务是对服刑人员可能发生的极端行为倾向(如逃脱、自杀、施暴、破坏等)进行分析预警,然而现在对以上提到的业务系统产生的数据还没有进行有效的处理和利用。目前在监狱管理中只是提出简单的罪犯分类的方法,即根据刑期对服刑人员做简单的分类,并且对服刑人员可能发生的极端行为进行分析预警时还存在一些不足之处。
对于现有的分类方法,还存在以下不足:(1)对服刑人员进行分类时,没有考虑到服刑人员可能存在的各种类型的极端行为倾向,如逃脱、自杀、施暴、破坏等。即对要进行预测的类别没有进行细分,只是简单的将服刑人员分为存在极端行为倾向、不存在极端行为倾向两大类。如果对服刑人员预测出可能发生的具体极端行为倾向,能够使监狱管理层更有针对性的采取措施,以防范相应极端行为的发生。(2)已有方法对服刑人员的分类严重依赖人工设计的指标,方法的智能化程度还不高,没有充分利用现有业务系统产生的大量数据来发现异常的服刑人员行为特征。另外,只使用设计得到的单一分类模型进行分类,使得实际应用中的分类效果完全依赖于所设计的分类模型。若该分类模型的预测性能较差,则会影响实际应用中分类的准确性和稳定性,从而不能保证得到理想的分类精度和稳定性。
发明内容
本发明为克服上述的不足之处,目的在于提供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,该方法通过集成多个分类模型来有效提高单个分类模型的分类精度及稳定性。
本发明是通过以下技术方案达到上述目的: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,具体包括以下步骤:
1)数据采集:采集服刑人员的档案信息存入数据中心;将业务系统采集的信息输送到数据中心;数据中心对接收到的信息进行分类存储;
2)数据预处理:调用数据中心分类存储的数据,对所有服刑人员均构建基础特征项,对基础特征项进行数值化预处理,使每个服刑人员得到一个由若干属性组成的元组;具有极端行为的服刑人员,根据极端行为类别在元组中标记;
3)对预处理后的数据采用Dispatching集成学习算法生成集成学习模型并进行服刑人员极端行为倾向预测,并根据预测结果进行预警。
作为优选,所述业务系统包括: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;数据中心对接收到的信息根据改造信息、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。
作为优选,所述构建的基础特征项包括:
a、基本信息特征,包括年龄、民族、教育程度、以前职业、罪名、原判刑期、现有刑期、在监状态;
b、个性测评维度特征,包括外倾、聪敏、同情、从属、波动、冲动、戒备、自卑、焦虑、暴力倾向、变态心理、犯罪思维;
c、改造动态事件信息,包括事件类型、人工评估的情节等级和对应分值;
作为优选,所述步骤3)具体包括以下步骤:
3.1)训练阶段:将被标记的元组集合作为训练集Dtr={X1,X2,...,XM},使用Dispatching集成学习算法对训练集进行hoisting有放回的随机抽样,得到训练集的若干个有差异的样例子集,Dtr_1,Dtr_2,...,Dtr_T,(T>1);然后在每个样例子集Dtr_j(j=1,2,...,T)上调用学习算法Learn生成一个分类模型Ci;最后将这些分类模型组合起来得到一个集成学习模型ES={C1,C2,...,CT};
3.2)预测阶段:将未被标记的元组集合作为测试集Dts={X1,X2,...,XS},使用训练阶段得到的集成学习模型ES对测试集Dts进行预测:
对测试集中每个元组Xj(j=1,2,...,S),集成学习模型ES首先用每个分类模型Ci(i=1,2,...,T)对该元组的类别进行预测,从而得到T个分类结果h1,h2,...,hT,然后用简单多数投票的方式将这些分类结果进行融合,将得票数最多的类别作为集成学习模型对元组Xj的最终分类结果。
作为优选,采用判别树算法对每个样例子集Dtr_j(j=1,2,...,T)进行学习得到分类模型Ci。
作为优选,所述极端行为类别yj∈{0,1,2,3,4},其中,0表示无极端行为,1表示具有逃脱行为,2表示具有自杀行为,3表示具有施暴行为,4表示具有破坏行为。
本发明的有益效果在于:本发明的基于Dispatching集成学习算法的预测方法通过生成多个有差别的分类模型并对它们的分类结果进行融合,能够克服只用一个分类模型时存在的稳定性差的缺陷,所以能够有效的提高分类精度和分类稳定性。与已有方法相比,本发明提出的方法具有更强的适应能力,预警准确度高。
附图说明
图1为本发明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的工作流程示意图;
图2为本发明基于服刑人员行为特征集成学习模型的危险倾向预测系统的结构示意图;
图3为本发明的集成学习模型的工作示意图;
图4为本发明实施例的一个具体实例流程示意图。
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:
实施例1:如图1所示,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,具体包括以下步骤:
1)数据采集:采集服刑人员的档案信息存入数据中心;将业务系统采集的信息输送到数据中心;数据中心对接收到的信息进行分类存储;
如图2所示,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。最后,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,使每个类别包含一些人员实例。数据中心的存储数据为集成学习模型与预警处理终端提供数据支持。
2)数据预处理:调用数据中心分类存储的数据,构造用于分析服刑人员极端行为倾向的三大类基础特征:a、基本信息特征,包括年龄、民族、教育程度、以前职业、罪名、原判刑期、现有刑期、在监状态;b、个性测评维度特征,包括外倾、聪敏、同情、从属、波动、冲动、戒备、自卑、焦虑、暴力倾向、变态心理、犯罪思维;c、改造动态事件信息,包括事件类型、人工评估的情节等级和对应分值。对于这三大类基础特征均进行数值化预处理,使每个服刑人员均得到一个由若干属性组成的元组,每个属性对应于一个特征。
例如,将第i个服刑人员对应的元组表示为Xi=[xi1,xi2,...,xid,yi],其中xik(1≤k≤d)表示该人员的第k个属性值,yi表示该元组的类别属性,即第i个服刑人员属于哪一类。对这些元组,将发生极端行为倾向的服刑人员元组标记出来,如果第i个服刑人员发生过极端行为倾向,则在元组Xi中标明他的极端行为类别yi∈{1,2,3,4},此处考虑四类:1.逃脱,2.自杀,3.施暴,4.破坏,根据实际需求可方便增加;对已知没有任何极端行为倾向的服刑人员,如对第n个服刑人员,若已知其没有任何极端行为倾向,则将第n个元组Xn中类别标记为yn=0;对于不知道是否会发生极端行为倾向的服刑人员,即需要对其类别进行预测的这些服刑人员,其对应元组的类别值暂为空。
3)如图3所示,对预处理后的数据采用Dispatching集成学习算法生成集成学习模型并进行服刑人员极端行为倾向预测,并根据预测结果进行预警。以下结合具体实例对该步骤进行说明,如图4所示,该步骤具体包括训练阶段和预测阶段:
训练阶段:将被标记的元组集合作为训练集Dtr={X1,X2,...,XM},其中Xi=[xi1,xi2,...,xid,yi],(i=1,2,...,M)表示第i个服刑人员对应的元组,yi是其类别。预测系统使用Dispatching集成学习算法在训练集Dtr上训练得到T(T>1)个分类模型C1,C2,...,CT,具体训练过程如下。
Dispatching集成学习算法通过对训练集Dtr进行有放回的随机抽样,即hoisting抽样,得到若干个样例子集Dtr_1,Dtr_2,...,Dtr_T。其中每个样例子集Dtr_j(j=1,2,...,T)所含样例数目与原始训练集Dtr中样例数目相同,只是Dtr_j中含有的样例是原始训练集Dtr的一个子集。因为Dtr中有的样例在子集Dtr_j中重复出现了多次,而有的样例在Dtr_j中一次也没有出现。理论研究表明,每个子集Dtr_j(j=1,2,...,T)中不同样例数目占原始训练集Dtr总样例数目的大约67%。
得到T个样例子集Dtr_1,Dtr_2,...,Dtr_T后,在每个子集Dtr_j(j=1,2,...,T)上用某种机器学习算法Learn训练一个分类模型Ci,从而得到由T个分类模型组成的集成学习模型ES={C1,C2,...,CT}。
这里要生成的样例子集的数目T是由用户根据实际情况设定的,根据实际需要选择一个适当的值即可。对于通过hoisting随机抽样得到的T个样例子集Dtr_1,Dtr_2,...,Dtr_T,它们之间存在较大的差别,从而使得在这些样例子集上生成的T个分类模型C1,C2,...,CT是多样化的。
预测阶段:在有标记的元组集合{X1,X2,...,XM}上生成由T个分类模型组成的集成学习模型ES={C1,C2,...,CT}后,预测系统利用该集成学习模型对未标记类别的元组集合{X1,X2,...,XS}进行预测,其中Xj=[xj1,xj2,...,xjd],(j=1,2,...,S),将这些未知类别的元组集合称为测试集Dts。
对测试集Dts中每一个未知类别的元组Xj=[xj1,xj2,...,xjd],(j=1,2,...,S),集成学习模型ES按如下方式对其类别进行预测。首先用每个分类模型Ci(i=1,2,...,T)对该元组进行预测,从而得到T个分类结果:h1,h2,...,hT;然后用简单多数投票对这些分类结果进行融合:在这T个分类结果中,找出{0,1,2,3,4}中每个类别的得票数v0,v1,v2,v3,v4,即将该元组分成每个类别的分类模型的数目。将得票数目最多的类别yj∈{0,1,2,3,4}作为集成学习模型ES对该元组的最终分类结果。
集成学习模型对所有未标记类别的元组预测完成后,每个元组Xj(j=1,2,...,S)会得到一个类别yj∈{0,1,2,3,4}。若yi=0,则说明该元组表示的服刑人员没有任何极端行为倾向;若yi∈{1,2,3,4},说明该元组表示的服刑人员具有某种极端行为倾向,并根据预测的具体类别进行预警。
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 (6)
1.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,其特征在于包括:
1)数据采集:采集服刑人员的档案信息存入数据中心;将业务系统采集的信息输送到数据中心;数据中心对接收到的信息进行分类存储;
2)数据预处理:调用数据中心分类存储的数据,对所有服刑人员均构建基础特征项,对基础特征项进行数值化预处理,使每个服刑人员得到一个由若干属性组成的元组;具有极端行为的服刑人员,根据极端行为类别在元组中标记;
3)对预处理后的数据采用Dispatching集成学习算法生成集成学习模型并进行服刑人员极端行为倾向预测,并根据预测结果进行预警。
2.根据权利要求1所述的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,其特征在于,所述业务系统包括: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;数据中心对接收到的信息根据改造信息、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。
3.根据权利要求1所述的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,其特征在于,所述构建的基础特征项包括:
a、基本信息特征,包括年龄、民族、教育程度、以前职业、罪名、原判刑期、现有刑期、在监状态;
b、个性测评维度特征,包括外倾、聪敏、同情、从属、波动、冲动、戒备、自卑、焦虑、暴力倾向、变态心理、犯罪思维;
c、改造动态事件信息,包括事件类型、人工评估的情节等级和对应分值。
4.根据权利要求1所述的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,其特征在于,所述步骤3)具体包括以下步骤:
3.1)训练阶段:将被标记的元组集合作为训练集Dtr={X1,X2,...,XM},使用Dispatching集成学习算法对训练集进行hoisting有放回的随机抽样,得到训练集的若干个有差异的样例子集,Dtr_1,Dtr_2,...,Dtr_T,(T>1);然后在每个样例子集Dtr_j(j=1,2,...,T)上调用学习算法Learn生成一个分类模型Ci;最后将这些分类模型组合起来得到一个集成学习模型ES={C1,C2,...,CT};
3.2)预测阶段:将未被标记的元组集合作为测试集Dts={X1,X2,...,XS},使用训练阶段得到的集成学习模型ES对测试集Dts进行预测:
对测试集中每个元组Xj(j=1,2,...,S),集成学习模型ES首先用每个分类模型Ci(i=1,2,...,T)对该元组的类别进行预测,从而得到T个分类结果h1,h2,...,hT,然后用简单多数投票的方式将这些分类结果进行融合,将得票数最多的类别作为集成学习模型对元组Xj的最终分类结果。
5.根据权利要求4所述的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,其特征在于,采用判别树算法对每个样例子集Dtr_j(j=1,2,...,T)进行学习得到分类模型Ci。
6.根据权利要求1-5任意权利要求所述的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,其特征在于,所述极端行为类别yj∈{0,1,2,3,4},其中,0表示无极端行为,1表示具有逃脱行为,2表示具有自杀行为,3表示具有施暴行为,4表示具有破坏行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410416208.1A CN104182805B (zh) | 2014-08-22 | 2014-08-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410416208.1A CN104182805B (zh) | 2014-08-22 | 2014-08-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182805A true CN104182805A (zh) | 2014-12-03 |
CN104182805B CN104182805B (zh) | 2017-06-23 |
Family
ID=51963829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410416208.1A Active CN104182805B (zh) | 2014-08-22 | 2014-08-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182805B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
CN108763920A (zh) * | 2018-05-23 | 2018-11-06 | 四川大学 | 一种基于集成学习的口令强度评估模型 |
CN109077741A (zh) * | 2018-08-21 | 2018-12-25 | 华南师范大学 | 心理状态识别方法及系统 |
CN109191828A (zh) * | 2018-07-16 | 2019-01-11 | 江苏智通交通科技有限公司 | 基于集成学习的交通参与者事故风险预测方法 |
CN109344734A (zh) * | 2018-09-11 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种危险人群识别方法和系统 |
CN109359785A (zh) * | 2018-11-30 | 2019-02-19 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒解除人员复吸预测分析系统 |
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 |
CN109636155A (zh) * | 2018-11-30 | 2019-04-16 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
CN110543594A (zh) * | 2019-08-06 | 2019-12-06 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
WO2020056854A1 (zh) * | 2018-09-21 | 2020-03-26 | 合肥指南针电子科技有限责任公司 | 一种基于监狱人员信息分析的智能化监控调控系统 |
CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
CN113052497A (zh) * | 2021-02-02 | 2021-06-29 | 浙江工业大学 | 一种基于动静态特征融合学习的服刑人员风险预测方法 |
CN113888019A (zh) * | 2021-10-22 | 2022-01-04 | 山东大学 | 一种基于神经网络的人员动态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 |
WO2024091667A1 (en) * | 2022-10-27 | 2024-05-02 | Falcon Inc. | Predictive modeling framework for risk assessment |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260563A1 (en) * | 2006-04-17 | 2007-11-08 | International Business Machines Corporation | Method to continuously diagnose and model changes of real-valued streaming variables |
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
US20120290510A1 (en) * | 2011-05-12 | 2012-11-15 | Xerox Corporation | Multi-task machine learning using features bagging and local relatedness in the instance space |
CN103761449A (zh) * | 2014-02-20 | 2014-04-30 | 杭州华亭科技有限公司 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
-
2014
- 2014-08-22 CN CN201410416208.1A patent/CN104182805B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070260563A1 (en) * | 2006-04-17 | 2007-11-08 | International Business Machines Corporation | Method to continuously diagnose and model changes of real-valued streaming variables |
US20120290510A1 (en) * | 2011-05-12 | 2012-11-15 | Xerox Corporation | Multi-task machine learning using features bagging and local relatedness in the instance space |
CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN102231144A (zh) * | 2011-06-03 | 2011-11-02 | 中国电力科学研究院 | 一种基于Boosting算法的配电网理论线损预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103761449A (zh) * | 2014-02-20 | 2014-04-30 | 杭州华亭科技有限公司 | 一种基于ahp的量化罪犯倾向性及危险度方法和系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108763920A (zh) * | 2018-05-23 | 2018-11-06 | 四川大学 | 一种基于集成学习的口令强度评估模型 |
CN109191828A (zh) * | 2018-07-16 | 2019-01-11 | 江苏智通交通科技有限公司 | 基于集成学习的交通参与者事故风险预测方法 |
CN109191828B (zh) * | 2018-07-16 | 2021-05-28 | 江苏智通交通科技有限公司 | 基于集成学习的交通参与者事故风险预测方法 |
CN109077741A (zh) * | 2018-08-21 | 2018-12-25 | 华南师范大学 | 心理状态识别方法及系统 |
CN109344734A (zh) * | 2018-09-11 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种危险人群识别方法和系统 |
WO2020056854A1 (zh) * | 2018-09-21 | 2020-03-26 | 合肥指南针电子科技有限责任公司 | 一种基于监狱人员信息分析的智能化监控调控系统 |
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 |
CN109636155A (zh) * | 2018-11-30 | 2019-04-16 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员危险性倾向的智能预警方法 |
CN109359785A (zh) * | 2018-11-30 | 2019-02-19 | 安徽四创电子股份有限公司 | 基于大数据的强制隔离戒毒解除人员复吸预测分析系统 |
CN110543594A (zh) * | 2019-08-06 | 2019-12-06 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
CN110543594B (zh) * | 2019-08-06 | 2022-03-25 | 山东科技大学 | 一种基于知识库的服刑人员个性化循证矫正推荐方法 |
CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
CN113052497A (zh) * | 2021-02-02 | 2021-06-29 | 浙江工业大学 | 一种基于动静态特征融合学习的服刑人员风险预测方法 |
CN113888019A (zh) * | 2021-10-22 | 2022-01-04 | 山东大学 | 一种基于神经网络的人员动态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 |
WO2024091667A1 (en) * | 2022-10-27 | 2024-05-02 | Falcon Inc. | Predictive modeling framework for risk assessment |
Also Published As
Publication number | Publication date |
---|---|
CN104182805B (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yu et al. | Deep learning for real-time social media text classification for situation awareness–using Hurricanes Sandy, Harvey, and Irma as case studies | |
CN104050361B (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN104820629B (zh) | 一种智能的舆情突发事件应急处理系统及方法 | |
CN110188192B (zh) | 一种多任务网络构建与多尺度的罪名法条联合预测方法 | |
Pelzer | Policing of terrorism using data from social media | |
CN111538741B (zh) | 一种面向警情大数据的深度学习分析方法及系统 | |
Fan et al. | A system analytics framework for detecting infrastructure-related topics in disasters using social sensing | |
Borges et al. | Feature engineering for crime hotspot detection | |
Chi et al. | A decision support system for detecting serial crimes | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
CN102426585A (zh) | 一种基于贝叶斯网络的网页自动分类方法 | |
Shukla et al. | Criminal Combat: Crime Analysis and Prediction Using Machine Learning | |
CN106355537A (zh) | 一种智能串并案分析方法及系统 | |
Sun et al. | Identifying regional characteristics of transportation research with Transport Research International Documentation (TRID) data | |
Patel et al. | Intellectual and enhance digital solution for police station | |
Shama | A machine learning approach to predict crime using time and location data | |
Sukhija et al. | Spatial and temporal trends reveal: Hotspot identification of crimes using machine learning approach | |
Renushe et al. | Data mining practices for effective investigation of crime | |
Chongchong et al. | A bridge structural health data analysis model based on semi-supervised learning | |
Xu et al. | Tcpmodel: A short-term traffic congestion prediction model based on deep learning | |
Prasad et al. | Analysis and prediction of crime against woman using machine learning techniques | |
Ai | Predicting Titanic Survivors by Using Machine Learning | |
Singh et al. | Event classification from the Twitter stream using hybrid model | |
Boumahdi et al. | Crisis Management Systems: Big Data and Machine Learning Approach. |
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 |