CN106096623A - 一种犯罪识别与预测方法 - Google Patents

Abstract

本发明提供一种犯罪识别与预测方法，该方法采用数据挖掘中数据预处理方法，针对犯罪信息诸如日期、街道地址、犯罪警区、星期、犯罪类别、犯罪说明、判刑处理等进行重构属性、特征提取、特征选择、挖掘出犯罪信息之间的关联性、产生最大化差异的特征因子及其与犯罪结果即犯罪类型之间的关联；然后构建融合了高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、K近邻、随机森林、支持向量机、XGBoost学习算法的模型，得到基于加权投票分类器突出分类及聚类效果良好的元分类器进而对重构后数据进行分析处理识别及预测出城市未来的犯罪情况、绘制出城市个性犯罪图谱，进而达到促进和规范城市治安及管理的效果。

Description

一种犯罪识别与预测方法

技术领域

本发明涉及数据挖掘领域，更具体地，涉及一种犯罪识别与预测方法。

背景技术

近些年来，随着不断深化带来卓越成效的改革开放的进一步迈进，随着中国特色社会主义的不断发展，中国的经济发展水平不断提高、社会文明不断进步、人民生活不断富裕，而这些都需要稳定的社会治安保障。然而，紧跟时代潮流的还有高昂的房价、紧缺的学区房、昂贵的医疗成本、劣质食品、假冒伪劣商品、二胎问题、就业问题、环境污染问题、剩男剩女问题、养老问题等，这些都催生了犯罪率的不断提高，埋下了动机不纯之人犯罪的种子。因而，如何挖掘并利用城市犯罪大数据，识别及预测出城市未来的犯罪情况、谱画出城市个性犯罪图谱，对于促进和规范城市治安及管理，有着重要意义。

而如何利用城市甚至国家公安系统的犯罪记录进行犯罪类别的预测和预判，这无疑是一个大数据分类及聚类问题。近些年来，大数据、数据挖掘技术无论在研究领域还是工业应用中都十分火热。数据挖掘就是针对一堆杂乱无章的数据记录，提取其中的关键性价值信息和关联规则，挖掘出数据所隐含的数学模型，从而实现对数据进行分类、聚类、分析和预测，进而帮助人们进行高效的决策和判定。

目前虽然已存在很多数据挖掘方法比如SVM支持向量机、卷积神经网络、word2vec词向量、协同过滤、张量理论、LDA主题模型、深度学习等，以及数据挖掘相关应用比如推荐系统、人机翻译、图像处理、情感分析、实体识别、兴趣点挖掘等。但针对不同领域的大数据，数据挖掘不具有普适性。针对犯罪大数据，一方面，仅仅采用单一的逻辑回归、正则回归、近邻、随机深林、支持向量机SVM等进行分类预测，由于模型仅能学习数值型数据，因为需要对类别标签进行数值化编码，这将增加计算复杂度，并且减弱其处理文本型犯罪数据的效果。另一方面，仅仅挖掘犯罪街道地址、犯罪警区这两个和地点相关的信息，并不足以表达出犯罪行为与地理地址之间的联系，将降低犯罪预测的效果和结果的指导性。

发明内容

本发明提供一种犯罪识别与预测方法，该方法能够充分利用和挖掘犯罪大数据中的信息，从而识别及预测出城市未来的犯罪情况。

为了达到上述技术效果，本发明的技术方案如下：

一种犯罪识别与预测方法，包括以下步骤：

S1：对犯罪大数据进行样本平衡；

S2：对进行样本平衡的样本进行数据预处理；

S3：对预处理后的数据进行属性重构；

S4：构建融合元分类器，并输入经属性重构后的数据得到识别和预测结果。

进一步地，所述步骤S1的具体过程如下：

将犯罪大数据中，犯罪比例高于阈值X的犯罪类型的数据进行稀疏采样，对于犯罪比例低于阈值X的犯罪类型的数据进行复制采样从而达到平衡样本。

进一步地，所述步骤S2的具体过程如下：

利用PCA主成分分析进行特征选择，保留样本数据中的日期(精确到秒)、星期、街道地址、犯罪警区属性，剔除犯罪说明、判刑处理的属性。

进一步地，所述步骤S3的具体过程如下：

S31：将包含年月日时分秒的时间戳格式的”日期”信息分解，创建出”年”、”月”、”日”、”小时”、”分钟”属性；

S32：利用提取到的”月”和”小时”，创建出季节和时间段属性；

S33：利用提取到的”月”和”日”，创建出一年中的第n1天属性；

S34：利用提取到的”日”和”小时”，创建出一天中的第n2分属性；

S35：利用星期属性创建出周末属性；

S36：利用街区地址，创建出交叉口属性；

S37：利用街区地址中是否是由两条街道组成，距离街道的距离信息创建街道类型属性；

S38：利用google map将犯罪大数据所属区域创建规格为n*n的虚拟正方形网格，创建均匀量化的经纬度坐标属性。

进一步地，所述步骤S4中够融合元分类器的具体过程如下：

S41：分别用高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost学习算法来构建模型，得到预测分类的结果；元分类器的损失函数为：

$\log loss=-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{y}_{ij}log\left(p_{ij}\right)$

其中，N表示测试样本数，M犯罪类别种数，p_ij表示样本i为类别的j概率；

S42：采用加权投票的方式，基于决策融合层面，即对于预测分类的结果表现优异的元分类器，赋予较高的权重；对于预测分类的结果表现不太理想的元分类器，赋予较低的权重，以保留其对整个模型的平衡作用；

S43：采用线性组合求和的方式，将基于加权投票分类器的元分类器组合为新型的预测分类模型；其中线性组合函数为：

$L=\underset{i=1}{\overset{8}{\Σ}}{w}_i*l_i$

其中L代表总体损失函数，w_i代表元分类器的权重，l_i代表元分类器的损失函数。

与现有技术相比，本发明技术方案的有益效果是：

1、通过融合高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost分类及聚类学习算法，构建基于加权投票分类器突出分类及聚类效果良好的元分类器，避免了采用单一的逻辑回归、正则回归、近邻、随机深林、支持向量机等进行分类预测时，由于模型仅能学习数值型数据而需要对类别标签进行数值化编码，从而带来的计算复杂度变大，无法处理文本型犯罪数据的局限性；

2、通过加入google map提供的经纬度信息，以及创造出的虚拟正方形网格表示法，避免了仅仅挖掘犯罪街道地点、犯罪警区这两个和地点相关的信息，而不能够表达出犯罪行为与地理地址之间的联系的局限性，从而提高了犯罪预测的效果和结果的指导性。

附图说明

图1为本发明方法的流程图；

图2为创建出”年”、”月”、”日”、”小时”、”分钟”属性；

图3为创建出季节和时间段属性；

图4为创建出一年中(考虑闰年)的第n1天属性；

图5为创建出一天中的第n2分属性；

图6为创建出周末属性；

图7为创建均匀量化的经纬度坐标属性。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种犯罪识别与预测方法，包括以下步骤：

S1：对犯罪大数据进行样本平衡，例如：p(交通违规)>>p(盗窃)>>p(谋杀)，其中p代表概率。针对此现象，我们对频繁类别(比例大于某个值X)进行稀疏采样，而针对稀疏类别(比例低于某个值X)，进行复制采样，从而达到平衡样本的作用；

S2：对进行样本平衡的样本进行数据预处理；

S3：对预处理后的数据进行属性重构；

S4：构建融合元分类器，并输入经属性重构后的数据得到识别和预测结果。

本实施例中，采用从美国SFPD犯罪事件报告系统采集从2003年1月1日到2015年5月13日的犯罪数据。

对犯罪大数据进行样本平衡：对频繁类别-盗窃犯罪进行稀疏采样，而针对其余类别进行复制采样，从而达到平衡样本的作用。

对进行样本平衡的样本进行数据预处理是：利用PCA主成分分析进行特征选择，保留了日期(精确到秒)、星期、街道地址、犯罪警区属性，剔除犯罪说明、判刑处理等属性。

重构日期属性，如果保留原来的时间戳格式，将不足以提取出日期所隐含的价值信息，如果单一的用数值1-12表示1月到12月，又不足以表示出月份之间的距离。因为按照客观规律，1月和12月是很接近的，当用单一的数值1-2表示时，1月和12月是相距最远的，这有违客观规律，本实施例中采用的方式是：

步骤1：将包含年月日时分秒的时间戳格式的”日期”信息分解，创建出”年”、”月”、”日”、”小时”、”分钟”属性，如图2。

步骤2：根据步骤1提取到的”月”和”小时”，创建出季节和时间段属性，如图3。

创建规则为，

1-3月：冬季winter

4-6月：春季spring

7-9月：夏季summer

10-12月：秋季autumn

6-12时：上午morning

12-18时：下午afternoon

18-24时：夜间evening

0-6时：凌晨night

步骤三：根据步骤1提取得到的”月”和”日”的数值，创建出一年中(考虑闰年)的第n1天属性，如图4。

步骤4：根据步骤1提取得到的”小时”和”日”的数值，创建出一天中的的第n2分属性，如图5。

步骤5：根据星期属性创建出周末属性，如图6。

步骤6：根据街区地址，是否包含”/”(连接两个街区地址)，创建出交叉点属性。

是：对应于两条街道的交叉点。

否：它对应于一条单一的道路。

步骤7：根据街区地址，创建街道类型属性。

步骤8：根据步骤6和步骤7的分析，创建简化版地址属性。

步骤9：由于原生的经纬度信息并不足以表达物理位置信息，比如无法表达道路交叉口、相互平行道路、相互垂直道路、斜交45，道路、道路尽头、道路中间等概念；本实施例中，根据街道地址，采用google map app得到其对应的经度X，纬度Y，进而创建规格为n*n的虚拟正方形网格，创建均匀量化的经纬度坐标属性，如图7。

步骤10：基于上述步骤挖掘出的关联信息建立一种基于投票表决及google map的犯罪识别方法，该模型将融合高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost分类及聚类学习算法，基于加权投票分类器突出分类及聚类效果良好的子分类器。

具体过程是，首先分别实现各个元分类器，并得到预测分类的结果；然后采用加权投票的方式，基于决策融合层面，即对于预测分类的结果表现优异的元分类器，赋予较高的权重，而对于预测分类的结果表现不太理想的元分类器，赋予较低的权重；最后采用线性组合求和的方式，实现基于元分类器的加权投票分类器预测分类结果。

在期间可以针对神经网络调整输入层、隐藏层、输出层的节点个数以及激活函数、学习率、迭代次数等参数；针对XGBoost调整最大深度、学习率、迭代次数等参数；针对逻辑回归、正则回归、随机深林调整最大深度；针对支持向量机调整核函数、惩罚系数；

针对K近邻，调整最近邻的数量即K值；针对融合之后的加权投票分类器，可以调整元分类器的权重、最大深度等参数。

步骤11：

根据预测结果，即预测出的属于各个犯罪类别的可能性，推断出未知犯罪记录的犯罪类别，绘制出城市犯罪图谱信息。

本发明方法采用数据挖掘中数据预处理方法，针对犯罪信息诸如日期、街道地址、犯罪警区、星期、犯罪类别、犯罪说明、判刑处理等进行重构属性、特征提取、特征选择、挖掘出犯罪信息之间的关联性、产生最大化差异的特征因子及其与犯罪结果即犯罪类型之间的关联；然后构建融合了高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、K近邻、随机森林、支持向量机、XGBoost学习算法的模型，得到基于加权投票分类器突出分类及聚类效果良好的元分类器进而对重构后数据进行分析处理识别及预测出城市未来的犯罪情况、绘制出城市个性犯罪图谱，进而达到促进和规范城市治安及管理的效果。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种犯罪识别与预测方法，其特征在于，包括以下步骤：

S1：对犯罪大数据进行样本平衡；

S2：对进行样本平衡的样本进行数据预处理；

S3：对预处理后的数据进行属性重构；

S4：构建融合元分类器，并输入经属性重构后的数据得到识别和预测结果。

2.根据权利要求1所述的犯罪识别与预测方法，其特征在于，所述步骤S1的具体过程如下：

将犯罪大数据中，犯罪比例高于阈值X的犯罪类型的数据进行稀疏采样，对于犯罪比例低于阈值X的犯罪类型的数据进行复制采样从而达到平衡样本。

3.根据权利要求2所述的犯罪识别与预测方法，其特征在于，所述步骤S2的具体过程如下：

利用PCA主成分分析进行特征选择，保留样本数据中的日期、星期、街道地址、犯罪警区属性，剔除犯罪说明、判刑处理的属性。

4.根据权利要求3所述的犯罪识别与预测方法，其特征在于，所述步骤S3的具体过程如下：

S31：将包含年月日时分秒的时间戳格式的”日期”信息分解，创建出”年”、”月”、”日”、”小时”、”分钟”属性；

S32：利用提取到的”月”和”小时”，创建出季节和时间段属性；

S33：利用提取到的”月”和”日”，创建出一年中的第n1天属性；

S34：利用提取到的”日”和”小时”，创建出一天中的第n2分属性；

S35：利用星期属性创建出周末属性；

S36：利用街区地址，创建出交叉口属性；

S37：利用街区地址中是否是由两条街道组成，距离街道的距离信息创建街道类型属性；

S38：利用google map将犯罪大数据所属区域创建规格为n*n的虚拟正方形网格，创建均匀量化的经纬度坐标属性。

5.根据权利要求4所述的犯罪识别与预测方法，其特征在于，所述步骤S4中够融合元分类器的具体过程如下：

S41：分别用高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost学习算法来构建模型，得到预测分类的结果；元分类器的损失函数为：

$\log loss=-\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{M}{\Σ}}{y}_{ij}log\left(p_{ij}\right)$

其中，N表示测试样本数，M犯罪类别种数，p_ij表示样本i为类别的j概率；

S42：采用加权投票的方式，基于决策融合层面，即对于预测分类的结果表现优异的元分类器，赋予较高的权重；对于预测分类的结果表现不太理想的元分类器，赋予较低的权重，以保留其对整个模型的平衡作用；

S43：采用线性组合求和的方式，将基于加权投票分类器的元分类器组合为新型的预测分类模型；其中线性组合函数为：

$L=\underset{i=1}{\overset{8}{\Σ}}{w}_i*l_i$

其中L代表总体损失函数，w_i代表元分类器的权重，l_i代表元分类器的损失函数。