CN106780263A - 基于大数据平台的高危人员分析和识别方法 - Google Patents
基于大数据平台的高危人员分析和识别方法 Download PDFInfo
- Publication number
- CN106780263A CN106780263A CN201710026476.6A CN201710026476A CN106780263A CN 106780263 A CN106780263 A CN 106780263A CN 201710026476 A CN201710026476 A CN 201710026476A CN 106780263 A CN106780263 A CN 106780263A
- Authority
- CN
- China
- Prior art keywords
- personnel
- corporations
- risk
- risk personnel
- network
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000003012 network analysis Methods 0.000 claims abstract description 7
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 208000027418 Wounds and injury Diseases 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000006378 damage Effects 0.000 abstract 1
- 208000014674 injury Diseases 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据平台的高危人员分析和识别方法，步骤如下：构建高危人员画像；根据高危人员特征库对高危人员行为属性进行建模；通过大数据平台对模型进行数据模拟，并对疑似高危人员进行识别；通过高危人员间的数据关联性，在大数据平台上构建高危人员关系网络，并通过社团网络分析方法分析高危人员的社团关系从而确定高危人员在社团中扮演的角色，从而对其危害程度进行分类；本发明相对传统方法，引入了高危人员的社团网络属性，从而实现了“重点人员，重点监控；利用大数据平台对于大规模数据的处理能力，有效的提高了分析识别效率，并且分析结果动态更新；实现此类人群的特殊防范管理，降低整个社会的犯罪率，提高社会和谐稳定度。
Description
技术领域
本发明涉及计算机程序领域，尤其涉及的是一种基于大数据平台的高危人员分析和识别方法。
背景技术
“治安高危人员”指对社会治安秩序和公共安全有现存或潜在危害的人群。识别和监控这类人群需要对大量普通人群筛查、分析；同时对经过筛查后确定为“治安高危人员”的人群进行监控也是一个庞大、繁复的工作。通常，筛查和监控此类人员主要依赖于群众举报和公安部门留存的记录，这种方法往往效率低、实效性差、耗费大量人力。
随着大量社会记录电子化、数据化，通过采用数据挖掘、机器学习的方法对这些海量数据进行分析建模从而实现对“治安高危人员”的自动筛查、动态监控成为可能。数据挖掘是大数据知识发现中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。
同时，人类是天然的社会性生物，因此人类的行为也自然的带有社会性。因此，研究社交网络在犯罪行为中的作用也成为了犯罪学研究领域的一个重要课题。已有的研究表明，社交网络在团伙犯罪行为中起到了重要的辅助作用。此外，犯罪社交网络并不是分离的，而是由一系列的社团交织而成。对于公安部门的决策者来说，从社交网络中挖掘犯罪信息变得越来越重要。
目前学术界关于大数据技术和社交网络分析已经有大量的算法成果，但是这些算法多是过于理论化，并没有结合实际应用场景做特定的优化，尤其是针对警用犯罪分析方面的优化更少。另外，如何将大数据技术和社交网络分析方法进行结合，并对发现结果合理展现，从而更好的辅助治安人员也没有很好的解决方案。
因此，现有技术存在缺陷，需要改进。
发明内容
本发明所要解决的技术问题是：提供一种基于大数据分析技术和社交网络分析的高危人群的“识别”、“社团结构分析”、“社团角色分析”方法，从而对潜在高危人员进行分级、精准监控。
本发明的技术方案如下：一种基于大数据平台的高危人员分析和识别方法，包括，S1：通过确定的高危人员与其他非高危人员的交互信息，找到潜在高危人员；S2：基于高危人员相关数据，构建高危人员识别模型；并且，通过高危人员的交互相关信息，构建高危人员关系网络；S3：通过高危人员识别模型将对关系网络中的潜在高危人员进行识别，确认为高危人员；S4：通过高危人群关系网络进行社团划分，得到高危人群的社团网络；S5：对高危人群的社团网络进行社团网络分析，确定社团中成员扮演的角色、在社团的重要性，进而实现分级监控；S6：返回步骤S1。
应用于上述技术方案，所述的高危人员分析和识别方法中，步骤S5中，确定社团中成员扮演的角色包括核心人员、掮客人员和普通人员。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S5中，统计社团网络中所有节点的点度中心度DC，统计所有节点的紧密中心度CC，根据计算w1DC+w2CC，对所有节点进行排序，排名前N的节点为核心人员，其中，w1，w2为权重。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S5中，将划分得到的两个或者以上物理相连的社团，当社团中存在节点v 与两个或者两个以上的社团构成连接，且通过比较关系强度添加到社团中，则v为掮客人员，并且，将非核心人员和非掮客人员设置为普通人员。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S1中，高危人员与其他非高危人员的交互信息包括通话记录数据信息、社交软件记录数据信息。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S2中，高危人员相关数据包括高危人员的身份证登记数据，手机基站定位数据，社会保障数据，教育就业信息数据，犯罪记录数据，籍贯信息数据；高危人员的交互相关信息包括通话记录数据信息、社交软件记录数据信息。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S3中具体包括：S31：定义关系网络为G＝(V,E,w)，V为网络中的节点表示网络中的人员，E为网络中的边表示人员间的关系，w表示关系的强度；初始时V,E,w＝φ，将确定的高危人员及其之间的关系、关系强度加入G；S32：根据这些确定的高危人员的交互信息以及步骤31中所述的关系强度算法得到与高危人员存在直接关联的潜在高危人员及其关系强度；S33：将得到的潜在高危人员通过步骤32中所述的高危人员识别模型计算其疑似程度，若疑似程度高于阈值th则认定该潜在人员为疑似高危人员；S34：将疑似高危人员、人员间关系及关系强度加入G；S35：重复步骤S32～S34直到新加入的疑似人员与确定的高危人员的最短距离为定义的6，则将疑似高危人员确认为高危人员。
应用于各个上述技术方案，所述的高危人员分析和识别方法中，步骤S4中具体包括：
S41：将高危人员关系网络Gs(Vs,Es)的节点按边权重降序添加到列表L←V；
S42：若L≠φ，则初始化临时社团Cpre←φ，同时定义空集合L1←φ,L2←φ；否则转到步骤S48；
S43：若还没有生成社团，即k＝0，则找出L中的第一个节点f←l1；否则，找出L中的第一个节点f←li满足若没有li满足条件，则f←l1；
S44：将f及其邻居添加到集合L1中：L1←{f,Γ1(f)}；将f邻居的邻居添加到集合L2中：L2←{Γ2(f)}；
S45：考察所有的vi∈L1，若vi满足且则将vi添加到临时社团Cpre中：Cpre←vi；若执行完该步骤后，Cpre＝φ则转到步骤S48；
S46：若k＝0，则将Cpre作为一个社团C1←Cpre并保存到社团划分C中C←{C1}，将Cpre中的节点从L中移除L←L\Cpre，记录社团数k←1；
S47：若k≠0，则对C中的所有社团Ci按照生成的先后顺序一一考察，若满足条件：n_avgwei(Cpre∪Ci)≥n_avgwei(Cpre)，并且Cpre与Ci之间相连的边的权重大于|Cpre|·|Ci|·avgwei(G)/(|V|-1)，那么将Cpre与Ci合并Ci←Ci∪Cpre，将Cpre中的节点从L中移除L←L\Cpre，并停止考察；
S471：若没有Ci满足上述条件，且|Cpre|＞2，则Cpre作为一个独立社团k++,Ck←Cpre并保存到社团划分C中C←C∪{Ck}，并将Cpre中的节点从L中移除L←L\Cpre；
S472：若以上条件都不满足，则将Cpre添加到临时列表中Lpre中Lpre←Lpre∪Cpre并且将Cpre中的节点从L中移除L←L\Cpre；
S48：转到步骤S42；
S49：初始化孤立节点列表Lleft←φ，对于所有的剩余节点v∈L∪Lpre，计算v与C中所有社团的连接权重，并将其添加到连接权重最高的社团中，若这样社团存在多个，v添加到生成较早的社团中；
S410：若Lleft≠φ，则将剩余节点作为独立的社团添加到C中；
S411：输出社团划分C；
其中：表示C的归一化平均权重，表示关系网络G的平均权重；δ(v)表示与v相连所有的边权重之和，表示C内部与v相连所有的边权重之和。
采用上述方案，本发明引入了高危人员的社团网络属性，从而实现了“重点人员，重点监控”。同时，方法利用大数据平台对于大规模数据的处理能力，有效的提高了分析识别效率，并且分析结果动态更新。从而实现此类人群的特殊防范管理，从而降低整个社会的犯罪率，提高社会和谐稳定度。
具体实施方式
以下具体实施例对本发明进行详细说明。
本实施例提供了一种基于大数据平台的高危人员分析和识别方法，其具体操作步骤如下：
S1：根据高危人员的交互信息，其中，高危人员的交互信息包括通话记录数据、社交软件记录数据，搜索和挖掘与确定高危存在交互关系的人员作为潜在高危人员。人员间关系强度的计算方法如下：
①主被叫通话频率fp：定义，人员A通话总时长为EpA，人员B通话总时长为EpB，A与B之间通话总时长为EpAB，则
②社交软件的交互信息fc：定义，人员A社交软件信息总条数为TcA，人员B社交软件信息总条数为TcB，A与B之间交互信息条数为TcAB，则
③人员A与人员B之间的关系强度为conStrength＝wpfp+wcfc，其中wp+wc＝1为权重。
S2：基于高危人员相关数据，构建高危人员识别模型；并且，通过高危人员的交互相关信息，构建高危人员关系网络。
其中，基于高危人员相关数据，包括：身份证登记数据，手机基站定位数据，社会保障数据，教育就业信息数据，犯罪记录数据，籍贯信息数据，构建高危人员识别模型，并对模型进行推导。
S3通过高危人员的交互相关信息，例如，通话记录数据，社交软件使用记录数据，......等,构建高危人员关系网络。同时，利用高危人员识别模型将对关系网络中的非疑似高危人员进行过滤。具体步骤如下：
①定义关系网络为G＝(V,E,w)，V为网络中的节点表示网络中的人员，E为网络中的边表示人员间的关系，w表示关系的强度。初始时V,E,w＝φ，将确定的高危人员及其之间的关系、关系强度加入G。
②根据这些高危人员的交互信息以及1中所述的关系强度算法得到与高危人员存在直接关联的潜在高危人员及其关系强度。
③将得到的潜在高危人员通过2中所述的高危人员识别模型计算其疑似程度，若疑似程度高于阈值th则认定该潜在人员为疑似高危人员。
④将疑似高危人员、人员间关系及关系强度加入G。
⑤重复步骤②～④直到新加入的疑似人员与确定的高危人员的最短距离为6。
步骤S4：通过高危人群关系网络进行社团划分，得到高危人群的社团网络；
对高危人员关系网络进行社团划分：具体算法如下
其中：表示C的归一化平均权重，表示关系网络G的平均权重；δ(v)表示与v相连所有的边权重之和，表示C内部与v相连所有的边权重之和。
步骤S5：对高危人群的社团网络进行社团网络分析，确定社团中成员扮演的角色、在社团的重要性，进而实现分级监控；
社团内部角色分析：结合社会学中社团角色分类描述，通过SNA分析算法，确定社团内部的“核心成员”，“掮客人员”，“一般成员”。其具体操作步骤如下：
核心成员：
①对于社团中每个成员vi，计算其节点度中心度其中Degree(vi)表示vi的度数。
②对于社团中每个成员vi，计算其紧密度中心度其中，d(vi,vj)表示vi和vj之间的最短路径包含的边数或者边权重之和。
③对于社团中每个成员vi，计算αi＝w1DC(vi)+w2CC(vi)。
④对于社团内全体成员，按照α大小降序排列。排名靠前的前N个成员为核心成员。
掮客成员：对于步骤4中算法步骤⑨中所有节点V，若V与两个或两个以上社团相连，则V为掮客人员。
普通人员：社团既非核心成员也非掮客人员的其他成员。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据平台的高危人员分析和识别方法，包括，其特征在于：
S1：通过确定的高危人员与其他非高危人员的交互信息，找到潜在高危人员；
S2：基于高危人员相关数据，构建高危人员识别模型；并且，通过高危人员的交互相关信息，构建高危人员关系网络；
S3：通过高危人员识别模型将对关系网络中的潜在高危人员进行识别，确认为高危人员；
S4：通过高危人群关系网络进行社团划分，得到高危人群的社团网络；
S5：对高危人群的社团网络进行社团网络分析，确定社团中成员扮演的角色、在社团的重要性，进而实现分级监控；
S6：返回步骤S1。
2.根据权利要求1所述的高危人员分析和识别方法，其特征在于：步骤S5中，确定社团中成员扮演的角色包括核心人员、掮客人员和普通人员。
3.根据权利要求2所述的高危人员分析和识别方法，其特征在于：步骤S5中，统计社团网络中所有节点的点度中心度DC，统计所有节点的紧密中心度CC，根据计算w1DC+w2CC，对所有节点进行排序，排名前N的节点为核心人员，其中，w1，w2为权重。
4.根据权利要求3所述的高危人员分析和识别方法，其特征在于：步骤S5中，将划分得到的两个或者以上物理相连的社团，当社团中存在节点v与两个或者两个以上的社团构成连接，且通过比较关系强度添加到社团中，则v为掮客人员，并且，将非核心人员和非掮客人员设置为普通人员。
5.根据权利要求1所述的高危人员分析和识别方法，其特征在于：步骤S1中，高危人员与其他非高危人员的交互信息包括通话记录数据信息、社交软件记录数据信息。
6.根据权利要求1所述的高危人员分析和识别方法，其特征在于：步骤S2中，高危人员相关数据包括高危人员的身份证登记数据，手机基站定位数据，社会保障数据，教育就业信息数据，犯罪记录数据，籍贯信息数据；高危人员的交互相关信息包括通话记录数据信息、社交软件记录数据信息。
7.根据权利要求1所述的高危人员分析和识别方法，其特征在于：步骤S3中具体包括：
S31：定义关系网络为G＝(V,E,w)，V为网络中的节点表示网络中的人员，E为网络中的边表示人员间的关系，w表示关系的强度；初始时V,E,w＝φ，将确定的高危人员及其之间的关系、关系强度加入G；
S32：根据这些确定的高危人员的交互信息以及步骤31中所述的关系强度算法得到与高危人员存在直接关联的潜在高危人员及其关系强度；
S33：将得到的潜在高危人员通过步骤32中所述的高危人员识别模型计算其疑似程度，若疑似程度高于阈值th则认定该潜在人员为疑似高危人员；
S34：将疑似高危人员、人员间关系及关系强度加入G；
S35：重复步骤S32～S34直到新加入的疑似人员与确定的高危人员的最短距离为定义的6，则将疑似高危人员确认为高危人员。
8.根据权利要求1所述的高危人员分析和识别方法，其特征在于：步骤S4中具体包括：
S41：将高危人员关系网络Gs(Vs,Es)的节点按边权重降序添加到列表L←V；
S42：若L≠φ，则初始化临时社团Cpre←φ，同时定义空集合L1←φ,L2←φ；否则转到步骤S48；
S43：若还没有生成社团，即k＝0，则找出L中的第一个节点f←l1；否则，找出L中的第一个节点f←li满足若没有li满足条件，则f←l1；
S44：将f及其邻居添加到集合L1中：L1←{f,Γ1(f)}；将f邻居的邻居添加到集合L2中：L2←{Γ2(f)}；
S45：考察所有的vi∈L1，若vi满足且则将vi添加到临时社团Cpre中：Cpre←vi；若执行完该步骤后，Cpre＝φ则转到步骤S48；
S46：若k＝0，则将Cpre作为一个社团C1←Cpre并保存到社团划分C中C←{C1}，将Cpre中的节点从L中移除L←L\Cpre，记录社团数k←1；
S47：若k≠0，则对C中的所有社团Ci按照生成的先后顺序一一考察，若满足条件：n_avgwei(Cpre∪Ci)≥n_avgwei(Cpre)，并且Cpre与Ci之间相连的边的权重大于|Cpre|·|Ci|·avgwei(G)/(|V|-1)，那么将Cpre与Ci合并Ci←Ci∪Cpre，将Cpre中的节点从L中移除L←L\Cpre，并停止考察；
S471：若没有Ci满足上述条件，且|Cpre|＞2，则Cpre作为一个独立社团k++,Ck←Cpre并保存到社团划分C中C←C∪{Ck}，并将Cpre中的节点从L中移除L←L\Cpre；
S472：若以上条件都不满足，则将Cpre添加到临时列表中Lpre中Lpre←Lpre∪Cpre并且将Cpre中的节点从L中移除L←L\Cpre；
S48：转到步骤S42；
S49：初始化孤立节点列表Lleft←φ，对于所有的剩余节点v∈L∪Lpre，计算v与C中所有社团的连接权重，并将其添加到连接权重最高的社团中，若这样社团存在多个，v添加到生成较早的社团中；
S410：若Lleft≠φ，则将剩余节点作为独立的社团添加到C中；
S411：输出社团划分C；
其中：表示C的归一化平均权重，表示关系网络G的平均权重；δ(v)表示与v相连所有的边权重之和，表示C内部与v相连所有的边权重之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710026476.6A CN106780263B (zh) | 2017-01-13 | 2017-01-13 | 基于大数据平台的高危人员分析和识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710026476.6A CN106780263B (zh) | 2017-01-13 | 2017-01-13 | 基于大数据平台的高危人员分析和识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106780263A true CN106780263A (zh) | 2017-05-31 |
| CN106780263B CN106780263B (zh) | 2020-10-02 |
Family
ID=58947293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710026476.6A Active CN106780263B (zh) | 2017-01-13 | 2017-01-13 | 基于大数据平台的高危人员分析和识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106780263B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101568A (zh) * | 2018-07-16 | 2018-12-28 | 江苏智通交通科技有限公司 | 基于XgBoost算法的交通高危人员识别方法 |
| CN109145953A (zh) * | 2018-07-16 | 2019-01-04 | 江苏智通交通科技有限公司 | 基于Adaboost算法的交通高危人员识别方法 |
| 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 |
| CN109447313A (zh) * | 2018-09-17 | 2019-03-08 | 咪咕文化科技有限公司 | 一种成员关系的确定方法及装置 |
| CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及系统 |
| CN109785207A (zh) * | 2017-11-15 | 2019-05-21 | 娄奥林 | 一种犯罪预防预测发现的方法方式 |
| CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
| CN110659786A (zh) * | 2018-06-29 | 2020-01-07 | 江苏三棱智慧物联发展股份有限公司 | 一种用于公共安全的数据分析系统 |
| CN111062823A (zh) * | 2019-09-26 | 2020-04-24 | 北京明略软件系统有限公司 | 一种社交图谱分析方法、装置及存储介质 |
| CN111177473A (zh) * | 2018-11-13 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
| CN111291964A (zh) * | 2020-01-06 | 2020-06-16 | 北京中天锋安全防护技术有限公司 | 易制毒化学品从业人员的风险监测方法 |
| CN111310780A (zh) * | 2019-12-18 | 2020-06-19 | 北京明略软件系统有限公司 | 警务业务处理方法和装置 |
| CN112115213A (zh) * | 2020-09-29 | 2020-12-22 | 北京师范大学 | 基于在押人员关系网络指导循证矫治工作的方法 |
| CN113034157A (zh) * | 2019-12-24 | 2021-06-25 | 中国移动通信集团浙江有限公司 | 集团成员识别方法、装置及计算设备 |
| CN114118880A (zh) * | 2022-01-25 | 2022-03-01 | 国家邮政局邮政业安全中心 | 一种寄递风险人物识别方法、系统、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133766A (zh) * | 2014-07-11 | 2014-11-05 | 西安交通大学 | 基于多目标社团发现的软件系统可维护性评估与提升方法 |
| CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
| CN105608329A (zh) * | 2016-01-26 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 一种基于社团演化的组织行为异常检测方法 |
-
2017
- 2017-01-13 CN CN201710026476.6A patent/CN106780263B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104133766A (zh) * | 2014-07-11 | 2014-11-05 | 西安交通大学 | 基于多目标社团发现的软件系统可维护性评估与提升方法 |
| CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
| CN105608329A (zh) * | 2016-01-26 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 一种基于社团演化的组织行为异常检测方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109785207A (zh) * | 2017-11-15 | 2019-05-21 | 娄奥林 | 一种犯罪预防预测发现的方法方式 |
| CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
| CN110659786A (zh) * | 2018-06-29 | 2020-01-07 | 江苏三棱智慧物联发展股份有限公司 | 一种用于公共安全的数据分析系统 |
| CN109101568B (zh) * | 2018-07-16 | 2021-09-07 | 江苏智通交通科技有限公司 | 基于XgBoost算法的交通高危人员识别方法 |
| 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 |
| 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 |
| CN109145953A (zh) * | 2018-07-16 | 2019-01-04 | 江苏智通交通科技有限公司 | 基于Adaboost算法的交通高危人员识别方法 |
| CN109145953B (zh) * | 2018-07-16 | 2021-09-07 | 江苏智通交通科技有限公司 | 基于Adaboost算法的交通高危人员识别方法 |
| CN109101568A (zh) * | 2018-07-16 | 2018-12-28 | 江苏智通交通科技有限公司 | 基于XgBoost算法的交通高危人员识别方法 |
| CN109447313A (zh) * | 2018-09-17 | 2019-03-08 | 咪咕文化科技有限公司 | 一种成员关系的确定方法及装置 |
| CN111177473A (zh) * | 2018-11-13 | 2020-05-19 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
| CN111177473B (zh) * | 2018-11-13 | 2023-11-14 | 杭州海康威视数字技术股份有限公司 | 人员关系分析方法、装置和可读存储介质 |
| CN109559045A (zh) * | 2018-11-30 | 2019-04-02 | 四川九洲电器集团有限责任公司 | 一种人员智能化管控的方法及系统 |
| CN111062823A (zh) * | 2019-09-26 | 2020-04-24 | 北京明略软件系统有限公司 | 一种社交图谱分析方法、装置及存储介质 |
| CN111310780A (zh) * | 2019-12-18 | 2020-06-19 | 北京明略软件系统有限公司 | 警务业务处理方法和装置 |
| CN113034157A (zh) * | 2019-12-24 | 2021-06-25 | 中国移动通信集团浙江有限公司 | 集团成员识别方法、装置及计算设备 |
| CN113034157B (zh) * | 2019-12-24 | 2023-12-26 | 中国移动通信集团浙江有限公司 | 集团成员识别方法、装置及计算设备 |
| CN111291964A (zh) * | 2020-01-06 | 2020-06-16 | 北京中天锋安全防护技术有限公司 | 易制毒化学品从业人员的风险监测方法 |
| CN112115213A (zh) * | 2020-09-29 | 2020-12-22 | 北京师范大学 | 基于在押人员关系网络指导循证矫治工作的方法 |
| CN114118880A (zh) * | 2022-01-25 | 2022-03-01 | 国家邮政局邮政业安全中心 | 一种寄递风险人物识别方法、系统、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106780263B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106780263A (zh) | 基于大数据平台的高危人员分析和识别方法 | |
| CN110380896A (zh) | 基于攻击图的网络安全态势感知模型和方法 | |
| CN110825883A (zh) | 一种基于知识图谱的混合式团伙发现方法 | |
| CN107517216A (zh) | 一种网络安全事件关联方法 | |
| CN108023768B (zh) | 网络事件链确立方法和网络事件链确立系统 | |
| CN107229712A (zh) | 一种面向公共安全事件信息获取的时空聚类方法 | |
| Adderley et al. | Data mining case study: Modeling the behavior of offenders who commit serious sexual assaults | |
| CN108765179A (zh) | 一种基于图计算的可信社交关系分析方法 | |
| WO2009096793A1 (en) | Analysis and visualization of a network | |
| CN110598129B (zh) | 基于两级信息熵的跨社交网络用户身份识别方法 | |
| CN108764943B (zh) | 基于资金交易网络的可疑用户监测分析方法 | |
| Gupta et al. | Malreg: Detecting and analyzing malicious retweeter groups | |
| CN112084240B (zh) | 一种群租房智能识别、联动治理方法及系统 | |
| CN106126741A (zh) | 一种基于大数据的电网信息安全可信工作系统 | |
| CN110727805A (zh) | 社区知识图谱构建方法及系统 | |
| CN115081910B (zh) | 城市多模式公共交通网络的鲁棒性评估方法 | |
| Oliver et al. | A k-main routes approach to spatial network activity summarization: A summary of results | |
| Steinmann et al. | Contribution profiles of voluntary mappers in OpenStreetMap | |
| Saputra et al. | Non-Medical risk assessment of COVID-19 in parts of Central and East Java, Indonesia | |
| Wang et al. | [Retracted] Overlapping Community Detection Based on Node Importance and Adjacency Information | |
| CN110928922B (zh) | 一种基于大数据挖掘的公共政策分析模型部署方法及其系统 | |
| CN113254580A (zh) | 一种特殊群体搜索方法及系统 | |
| CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
| Panja et al. | Crime analysis mapping, intrusion detection-using data mining | |
| CN107220742A (zh) | 一种基于系统脆弱性分析的信息系统开发通用支撑方法及平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |