CN106845723A - 一种刑事案件的发生的预测方法 - Google Patents
一种刑事案件的发生的预测方法 Download PDFInfo
- Publication number
- CN106845723A CN106845723A CN201710066068.3A CN201710066068A CN106845723A CN 106845723 A CN106845723 A CN 106845723A CN 201710066068 A CN201710066068 A CN 201710066068A CN 106845723 A CN106845723 A CN 106845723A
- Authority
- CN
- China
- Prior art keywords
- factor
- influence
- time
- data
- influence factor
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明通过建立的多种预测模型,根据经济因素、安防因素、时间因素,实现自动预测犯罪发生的概率和种类,不仅在地点上提供准确信息,在时间上也可预测;每类案件都有其犯罪时间规律,本发明可以以时间轴的方式预测出不同时间段发生犯罪的概率,本发明还可以预测刑事案件发生的地点可能性和发生的概率大小。本发明提供的预测系统无需人工进行大量的数据预处理与筛选,对获取的影响因素数据进行预处理完成后即可用于本发明的预测系统中;预测结果输出速度快,排除了主观因素的干扰;本发明可以在时间、空间、发生可能性多个维度进行预测,更好的符合实际情况中的警力部署问题。
Description
技术领域
本发明涉及到公共安全技术领域,特别是一种刑事案件的发生的预测方法。
背景技术
20世界90年代随着信息社会的到来,科学技术特别是信息技术的发展及其在警务工作中的广泛应用,已经对公安机关传统的警务运作方式提出了前所未有的挑战。加强与改进警务工作,有效地预防和打击违法犯罪,维护社会治安秩序和市场经济秩序,顺应社会发展的方向,改进现行警务工作运行机制中与形势发展不相适应的方面,确立适应信息化社会发展要求的目标取向,推动警务工作步入可持续发展的轨道,已势在必行。正是在这一大背景下,公安部提出了实施科技强警战略,并以“金盾工程”为载体,部署实施公安信息化建设。为全面实施科技强警战略,加快推进公安信息化建设的进程,公安部明确提出了公安信息化建设的指导思想、总体目标及实施“金盾工程”的建设步骤,以及公安信息化的发展策略,使公安工作真正走上了科技强警之路,有效地提升了公安机关的战斗力。在诸多案件类型中,刑事案件外在表现为直接侵害,发案的覆盖面广,危害了广大人民群众的人身和财产安全,比一般的治安案件更具危害性,因此能研究出一种高效的对犯罪案件的预测方法是很有必要,也是很有意义的。
目前,对刑事案件的发生进行预测的方法很少。极少数可以用来预测的系统效率低下,由于预测精度不高,实用性不强,导致使用率低。目前基层派出所领导大都是通过个人多年积累下的经验来判断某个时间段内哪一类刑事案件处于高发期,从而来进行预防和警力分配,并没有一个辅助决策的预测系统。
发明内容
为解决上述技术问题,本发明提供了一种刑事案件的发生的预测方法,其包括以下步骤:
S1:获得影响犯罪的因素:
第一类因素为经济因素,具体包括区域人口、人均可支配收入、城镇登记失业率、区域内人均国内生产总值、居民消费价格涨跌幅度、城镇居民人均可支配收入、农村居民人均纯收入、农村贫困人口;
第二类因素为安防因素,具体包括案发地区的刑事案件破案率、每万人警力数、案发地区交通的便利程度;
第三类因素为时间因素,具体包括一天24小时的不同时间段、法定节假日、重大事件日;
S2:对获得的影响因素进行建模处理:
设得到的第一类影响因素序列为Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,第二类安防影响因素序列为Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,第三类时间影响因素序列为Zi={Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v;第一类经济影响因素序列Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,其中k=1,2…n,Xi(k)是在选取第k个数据值时获得的影响数据;第二类影响因素序列Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,其中k=1,2…n,Yi(k)和第三类影响因素{Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v也是在选取第k个数据值时获得的影响数据;
S3:对获得的影响因素数据进行数据预处理:
由贝叶斯定理X、Y、Z两两相互独立时,E为一次事件,R1、R2、Rn为预测结果,首先对第一类影响因素的数据进行数据预处理:
第一步、设Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m为一个待处理项,而每个i为x的一个因素的特征属性;
第二步、有预测结果类别集合为C={R1,R2...Rn};
第三步、计算P(R1|x),P(R2|x),...,P(Rn|x):
利用一个已知预测结果分类的影响因素项集合,统计得到在各类别下各个特征属性的条件概率估计,即
P(R1|x1),P(R2|x1),...,P(Rm|x1);P(R1|x2),P(R2|x2),...,P(Rm|x2);...;P(R1|xn),P(R2|xn),...,P(Rm|xn)
通过贝叶斯定理可得:
第四步、如果P(Rk|x)=max{P(R1|x),P(R2|x),...,P(Rn|x)},则x∈Rk;
以上述四个步骤第二类影响因素、第三类影响因素下的数据进行数据预处理;
S4:计算在给定不同影响因素条件下的发生概率:
P(X∩Y)=P(X)*P(Y|X)=P(Y)*P(X|Y)
P(X∩Z)=P(X)*P(Z|X)=P(Z)*P(X|Z)
P(Y∩Z)=P(Y)*P(Z|Y)=P(Z)*P(Y|Z)
由贝叶斯定理:
得:
又因为4个指标是相互独立的,得到
P(E|Rn)=P(E1|Rn)P(E2|Rn)...P(En-1|Rn)P(En|Rn)
最终得到在给定影响因素条件下,刑事案件发生的地点可能性和发生的时间可能性以及是否发生的概率,即从时间、空间、发生的可能性维度上计算得出概率。
本发明具有以下有益效果:
本发明提供的预测系统不需要人工进行大量的数据预处理与筛选,对获取的影响因素数据进行预处理完成后即可用于本发明的预测系统中;预测结果输出速度快,排除了主观因素的干扰;本发明可以在时间、空间、发生可能性多个维度进行预测,更好的符合实际情况中的警力部署问题。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
具体实施方式
下面将结合本发明实施例对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明提供了一种刑事案件的发生的预测方法,其包括以下步骤:
S1:获得影响犯罪的因素:
第一类因素为经济因素,具体包括区域人口、人均可支配收入、城镇登记失业率、区域内人均国内生产总值、居民消费价格涨跌幅度、城镇居民人均可支配收入、农村居民人均纯收入、农村贫困人口;
第二类因素为安防因素,具体包括案发地区的刑事案件破案率、每万人警力数、案发地区交通的便利程度;
第三类因素为时间因素,具体包括一天24小时的不同时间段、法定节假日、重大事件日;
S2:对获得的影响因素进行建模处理:
设得到的第一类影响因素序列为Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,第二类安防影响因素序列为Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,第三类时间影响因素序列为Zi={Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v;第一类经济影响因素序列Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,其中k=1,2…n,Xi(k)是在选取第k个数据值时获得的影响数据;第二类影响因素序列Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,其中k=1,2…n,Yi(k)和第三类影响因素{Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v也是在选取第k个数据值时获得的影响数据;
S3:对获得的影响因素数据进行数据预处理:
由贝叶斯定理X、Y、Z两两相互独立时,E为一次事件,R1、R2、Rn为预测结果,首先对第一类影响因素的数据进行数据预处理:
第一步、设Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m为一个待处理项,而每个i为x的一个因素的特征属性;
第二步、有预测结果类别集合为C={R1,R2...Rn};
第三步、计算P(R1|x),P(R2|x),...,P(Rn|x):
利用一个已知预测结果分类的影响因素项集合,统计得到在各类别下各个特征属性的条件概率估计,即
P(R1|x1),P(R2|x1),...,P(Rm|x1);P(R1|x2),P(R2|x2),...,P(Rm|x2);...;P(R1|xn),P(R2|xn),...,P(Rm|xn)
通过贝叶斯定理可得:
第四步、如果P(Rk|x)=max{P(R1|x),P(R2|x),...,P(Rn|x)},则x∈Rk;
以上述四个步骤第二类影响因素、第三类影响因素下的数据进行数据预处理;
S4:计算在给定不同影响因素条件下的发生概率:
P(X∩Y)=P(X)*P(Y|X)=P(Y)*P(X|Y)
P(X∩Z)=P(X)*P(Z|X)=P(Z)*P(X|Z)
P(Y∩Z)=P(Y)*P(Z|Y)=P(Z)*P(Y|Z)
由贝叶斯定理:
得:
又因为4个指标是相互独立的,得到
P(E|Rn)=P(E1|Rn)P(E2|Rn)...P(En-1|Rn)P(En|Rn)
最终得到在给定影响因素条件下,刑事案件发生的地点可能性和发生的时间可能性以及是否发生的概率,即从时间、空间、发生的可能性维度上计算得出概率。
本发明提供的预测系统不需要人工进行大量的数据预处理与筛选,对获取的影响因素数据进行预处理完成后即可用于本发明的预测系统中;预测结果输出速度快,排除了主观因素的干扰;本发明可以在时间、空间、发生可能性多个维度进行预测,更好的符合实际情况中的警力部署问题。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.一种刑事案件的发生的预测方法,其特征在于,包括以下步骤:
S1:获得影响犯罪的因素:
第一类因素为经济因素,具体包括区域人口、人均可支配收入、城镇登记失业率、区域内人均国内生产总值、居民消费价格涨跌幅度、城镇居民人均可支配收入、农村居民人均纯收入、农村贫困人口;
第二类因素为安防因素,具体包括案发地区的刑事案件破案率、每万人警力数、案发地区交通的便利程度;
第三类因素为时间因素,具体包括一天24小时的不同时间段、法定节假日、重大事件日;
S2:对获得的影响因素进行建模处理:
设得到的第一类影响因素序列为Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,第二类安防影响因素序列为Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,第三类时间影响因素序列为Zi={Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v;第一类经济影响因素序列Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m,其中k=1,2…n,Xi(k)是在选取第k个数据值时获得的影响数据;第二类影响因素序列Yi={Yi(1),Yi(2),...,Yi(s)}={Yi(k)},i=0,1,2...t,其中k=1,2…n,Yi(k)和第三类影响因素{Zi(1),Zi(2),...,Zi(u)}={Zi(k)},i=0,1,2...v也是在选取第k个数据值时获得的影响数据;
S3:对获得的影响因素数据进行数据预处理:
由贝叶斯定理X、Y、Z两两相互独立时,E为一次事件,R1、R2、Rn为预测结果,首先对第一类影响因素的数据进行数据预处理:
第一步、设Xi={Xi(1),Xi(2),...,Xi(n)}={Xi(k)},i=0,1,2...m为一个待处理项,而每个i为x的一个因素的特征属性;
第二步、有预测结果类别集合为C={R1,R2...Rn};
第三步、计算P(R1|x),P(R2|x),...,P(Rn|x):
利用一个已知预测结果分类的影响因素项集合,统计得到在各类别下各个特征属性的条件概率估计,即
P(R1|x1),P(R2|x1),...,P(Rm|x1);P(R1|x2),P(R2|x2),...,P(Rm|x2);...;P(R1|xn),P(R2|xn),...,P(Rm|xn)
通过贝叶斯定理可得:
第四步、如果P(Rk|x)=max{P(R1|x),P(R2|x),...,P(Rn|x)},则x∈Rk;
以上述四个步骤第二类影响因素、第三类影响因素下的数据进行数据预处理;
S4:计算在给定不同影响因素条件下的发生概率:
P(X∩Y)=P(X)*P(Y|X)=P(Y)*P(X|Y)
P(X∩Z)=P(X)*P(Z|X)=P(Z)*P(X|Z)
P(Y∩Z)=P(Y)*P(Z|Y)=P(Z)*P(Y|Z)
由贝叶斯定理:
得:
又因为4个指标是相互独立的,得到
P(E|Rn)=P(E1|Rn)P(E2|Rn)...P(En-1|Rn)P(En|Rn)
最终得到在给定影响因素条件下,刑事案件发生的地点可能性和发生的时间可能性以及是否发生的概率,即从时间、空间、发生的可能性维度上计算得出概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710066068.3A CN106845723B (zh) | 2017-02-06 | 2017-02-06 | 一种刑事案件的发生的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710066068.3A CN106845723B (zh) | 2017-02-06 | 2017-02-06 | 一种刑事案件的发生的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845723A true CN106845723A (zh) | 2017-06-13 |
CN106845723B CN106845723B (zh) | 2020-12-29 |
Family
ID=59122141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710066068.3A Active CN106845723B (zh) | 2017-02-06 | 2017-02-06 | 一种刑事案件的发生的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845723B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065047A (zh) * | 2012-12-27 | 2013-04-24 | 江苏大学 | 基于恐怖组织背景知识子空间的恐怖行为预测方法 |
US20130124248A1 (en) * | 2011-11-14 | 2013-05-16 | Gold Post Technologies, Inc. | Active Device for Providing Real Time Parolee Information |
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN105117605A (zh) * | 2015-09-09 | 2015-12-02 | 浪潮(北京)电子信息产业有限公司 | 一种案件预测的装置及方法 |
-
2017
- 2017-02-06 CN CN201710066068.3A patent/CN106845723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130124248A1 (en) * | 2011-11-14 | 2013-05-16 | Gold Post Technologies, Inc. | Active Device for Providing Real Time Parolee Information |
CN103065047A (zh) * | 2012-12-27 | 2013-04-24 | 江苏大学 | 基于恐怖组织背景知识子空间的恐怖行为预测方法 |
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN105117605A (zh) * | 2015-09-09 | 2015-12-02 | 浪潮(北京)电子信息产业有限公司 | 一种案件预测的装置及方法 |
Non-Patent Citations (1)
Title |
---|
吴绍兵: "基于贝叶斯网络的刑事犯罪影响因素研究", 《计算机与数字工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254733A (zh) * | 2020-12-26 | 2021-08-13 | 深圳市八方通达科技有限公司 | 基于大数据平台的信息分析方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106845723B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Risk prediction of theft crimes in urban communities: An integrated model of LSTM and ST-GCN | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
Ren et al. | Global-local temporal convolutional network for traffic flow prediction | |
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
US20230410659A1 (en) | Method for predicting pedestrian crossing behavior for intersection | |
Yan et al. | Fairst: Equitable spatial and temporal demand prediction for new mobility systems | |
CN113345229B (zh) | 基于联邦学习的道路预警方法及其相关设备 | |
Gu et al. | Maximizing bus discharge flows from multi-berth stops by regulating exit maneuvers | |
CN115730790A (zh) | 基于边缘计算的充电配置方法、装置、设备及存储介质 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
Shimamoto et al. | Evaluation of tsunami evacuation planning considering vehicle usage and start timing of evacuation | |
CN106204103A (zh) | 一种移动广告平台寻找相似用户的方法 | |
Albinati et al. | Enhancement of epidemiological models for dengue fever based on twitter data | |
CN106845723A (zh) | 一种刑事案件的发生的预测方法 | |
Haron et al. | Software evaluation for crowd evacuation-case study: Al-masjid an-nabawi | |
CN113192325B (zh) | 一种交通事件相关性分析方法及系统 | |
CN109492821A (zh) | 一种维稳预警方法及系统、电子设备 | |
Guo et al. | A new anomalous travel demand prediction method combining Markov model and complex network model | |
Yabe et al. | Predicting irregular individual movement following frequent mid-level disasters using location data from smartphones | |
Li et al. | Pedestrian choice behavior analysis and simulation of vertical walking facilities in transfer station | |
Tang et al. | Analyzing travel destinations distribution using large-scaled GPS trajectories: a spatio-temporal Log-Gaussian Cox process | |
Filipic et al. | People counting using visible and infrared images | |
Guisande et al. | EIA: An algorithm for the statistical evaluation of an environmental impact assessment | |
Choi et al. | A face mask wearing detection technique to protect against coronavirus in metro stations | |
Chen et al. | Bandit strategies in social search: the case of the DARPA red balloon challenge |
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 |