CN107622465A - 用于识别嫌疑人的方法和系统 - Google Patents
用于识别嫌疑人的方法和系统 Download PDFInfo
- Publication number
- CN107622465A CN107622465A CN201610557059.XA CN201610557059A CN107622465A CN 107622465 A CN107622465 A CN 107622465A CN 201610557059 A CN201610557059 A CN 201610557059A CN 107622465 A CN107622465 A CN 107622465A
- Authority
- CN
- China
- Prior art keywords
- individual
- crime
- behavior
- mutation
- module
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种用于识别嫌疑人的方法和系统,涉及大数据分析领域。其中通过筛选出在案发时间段内、在案发区域内出现过的个体,对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体,最终将个体行为发生突变的个体纳入嫌疑人列表中。本发明通过利用大数据分析,在群体中识别出特定的行为特征,从而有效缩小嫌疑人的排查范围。
Description
技术领域
本发明涉及大数据分析领域,特别涉及一种用于识别嫌疑人的方法和系统。
背景技术
信息技术的迅猛发展在成为推动社会发展的重要力量的同时,也成为犯罪分子犯罪的工具和手段,犯罪的形式更加多样化,犯罪的隐蔽性更强,公安工作正面临着严峻的挑战。
公安机关逐渐认识到“向科技要警力,向科技要素质,向科技要战斗力”的重要性。随着“金盾工程”实施与推进,各级公安部门积极加强自身的信息化建设。目的是通过公安通信网络与计算机信息系统工程建设,增强公安机关快速反应、协同作战的能力,提高公安机关的工作效率和侦察破案水平,适应新形势社会治安的动态管理。
现有的案件侦破手段主要包括:根据犯罪现场留下的罪犯特征进行信息收集,如走访、视频检索、模糊比对等手段,去追踪犯罪嫌疑人的身份、轨迹。显然,这种传统方式的破案效率无法得到保证。
发明内容
本发明实施例提供一种用于识别嫌疑人的方法和系统。通过利用大数据分析,在群体中识别出特定的行为特征,从而有效缩小嫌疑人的排查范围。
根据本发明的一个方面,提供一种用于识别嫌疑人的方法,包括:
筛选出在案发时间段内、在案发区域内出现过的个体;
对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体;
将个体行为发生突变的个体纳入嫌疑人列表中。
在一个实施例中,筛选出在案发时间段内、在案发区域内出现过的个体的步骤包括:
利用与个体移动终端相关联的运营商提供的定位信息,筛选出在案发时间段内、在案发区域内出现过的个体。
在一个实施例中,对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体的步骤包括:
根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析,以判断是否存在离群点;
在存在离群点的情况下,确定该个体的行为发生突变。
在一个实施例中,对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体的步骤还包括:
根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析,以判断轨迹行为是否异常;
在存在轨迹行为异常的情况下,确定该个体的行为发生突变。
在一个实施例中,将个体行为发生突变的个体纳入嫌疑人列表中的步骤包括:
判断该个体的个体行为发生突变时间是否早于案发时间段;
在个体行为发生突变时间不早于案发时间段的情况下,将该个体纳入嫌疑人列表中。
在一个实施例中,筛选出在案发时间段内、在案发区域内出现过的个体后,还包括:
将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新,然后执行对所筛选个体的行为进行分析的步骤。
根据本发明的另一方面,提供一种用于识别嫌疑人的系统,包括筛选模块、突变识别模块和嫌疑人判断模块,其中:
筛选模块,用于筛选出在案发时间段内、在案发区域内出现过的个体;
突变识别模块,用于对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体;
嫌疑人判断模块,用于将个体行为发生突变的个体纳入嫌疑人列表中。
在一个实施例中,筛选模块具体利用与个体移动终端相关联的运营商提供的定位信息,筛选出在案发时间段内、在案发区域内出现过的个体。
在一个实施例中,突变识别模块包括离群点识别单元,其中:
离群点识别单元,用于根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析,以判断是否存在离群点;在存在离群点的情况下,确定该个体的行为发生突变。
在一个实施例中,突变识别模块还包括异常轨迹识别单元,其中:
异常轨迹识别单元,用于根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析,以判断轨迹行为是否异常;在存在轨迹行为异常的情况下,确定该个体的行为发生突变。
在一个实施例中,嫌疑人判断模块具体判断该个体的个体行为发生突变时间是否早于案发时间段,在个体行为发生突变时间不早于案发时间段的情况下,将该个体纳入嫌疑人列表中。
在一个实施例中,上述系统还包括干扰清除模块,其中:
干扰清除模块,用于在筛选模块筛选出在案发时间段内、在案发区域内出现过的个体后,将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新,然后指示突变识别模块执行对所筛选个体的行为进行分析的操作。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明用于识别嫌疑人的方法一个实施例的示意图。
图2为本发明用于识别嫌疑人的方法另一实施例的示意图。
图3为本发明用于识别嫌疑人的系统一个实施例的示意图。
图4为本发明用于识别嫌疑人的系统另一实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。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他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明用于识别嫌疑人的方法一个实施例的示意图。其中:
步骤101,筛选出在案发时间段内、在案发区域内出现过的个体。
可选地,可利用与个体移动终端相关联的运营商提供的定位信息,例如无线信令数据、基站定位信息等,筛选出在案发时间段内、在案发区域内出现过的个体。
步骤102,对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体。
大数据分析,指的是通过海量数据分析处理而具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息分析方法。
本发明通过对在案发附近出现过的个体信息进行分析,使用聚类、识别离群点和方差分析,将个体位置信息与其历史信息进行挖掘分析,当出现离群点或轨迹异常,可以表征个体行为出现突变。
步骤103,将个体行为发生突变的个体纳入嫌疑人列表中。
例如,嫌疑人在作案后,通常会逃离案发区域,为躲避追查而导致通常的轨迹行为发生突变,通过对个人行为进行分析,可有助于快速确定嫌疑人。
基于本发明上述实施例提供的用于识别嫌疑人的方法,通过利用大数据分析,在群体中识别出特定的行为特征,从而有效缩小嫌疑人的排查范围。
图2为本发明用于识别嫌疑人的方法另一实施例的示意图。其中:
步骤201,筛选出在案发时间段内、在案发区域内出现过的个体。
步骤202,将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新。然后执行步骤203和步骤205。
例如,可根据案件的约束条件对相关个体进行排除,如年龄、性别、事件发生时个体状态等,以便排除干扰。对于一起抢劫案来说,由于嫌疑人为一青年男子,因此可以将案发时间段内、在案发区域内出现过的老人、妇女和儿童排除。
步骤203,根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析。
步骤204,根据聚类分析结果判断是否存在离群点。若存在离群点,则确定该个体的行为发生突变。然后执行步骤207。
步骤205,根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析。
步骤206,根据方差齐性分析判断轨迹行为是否异常。若存在轨迹行为异常,则确定该个体的行为发生突变。
其中,根据聚类分析结果判断是否存在离群点。若存在离群点,则确定该个体的行为异常。例如,当最大标准化残差绝对值Bonferroni调整后|p值|>2,可判断行为异常。
本发明同时采用聚类分析和方差齐性分析,是基于这样的考虑:嫌疑人在作案后就一直躲藏在其住所内,由于嫌疑人平时就居住在该住所内,因此仅采用聚类分析的方式很可能检测不到离群点。但由于嫌疑人作案后一直躲藏在其住所内,因此通过根据方差齐性分析判断轨迹行为,会发现该嫌疑人的行为异常。从而有效避免了嫌疑人员的遗漏。
步骤207,判断该个体的个体行为发生突变时间是否早于案发时间段。
步骤208,若个体行为发生突变时间不早于案发时间段,则将个体行为发生突变的个体纳入嫌疑人列表中。
若个体行为发生突变时间早于案发时间段,则表明该个体属于正常原因途径案发区域,因此无需将该个体纳入嫌疑人列表中。
可选地,为了防止数据偏差,可以进行周期性的检测,即以预定的时间周期重复执行上述步骤203和步骤205,以便使检测结果更准确。
图3为本发明用于识别嫌疑人的系统一个实施例的示意图。如图3所示,该系统可包括筛选模块301、突变识别模块302和嫌疑人判断模块303。其中:
筛选模块301用于筛选出在案发时间段内、在案发区域内出现过的个体。
可选地,筛选模块301具体利用与个体移动终端相关联的运营商提供的定位信息,例如无线信令数据、基站定位信息等,筛选出在案发时间段内、在案发区域内出现过的个体。
突变识别模块302用于对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体。
嫌疑人判断模块303用于将个体行为发生突变的个体纳入嫌疑人列表中。
可选地,嫌疑人判断模块303具体判断该个体的个体行为发生突变时间是否早于案发时间段,在个体行为发生突变时间不早于案发时间段的情况下,将该个体纳入嫌疑人列表中。
基于本发明上述实施例提供的用于识别嫌疑人的系统,通过利用大数据分析,在群体中识别出特定的行为特征,从而有效缩小嫌疑人的排查范围。
图4为本发明用于识别嫌疑人的系统另一实施例的示意图。与图3所示实施例相比,在图4所示实施例中,突变识别模块302可包括离群点识别单元401和异常轨迹识别单元402。其中:
离群点识别单元401用于根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析,以判断是否存在离群点;在存在离群点的情况下,确定该个体的行为发生突变。
异常轨迹识别单元402用于根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析,以判断轨迹行为是否异常;在存在轨迹行为异常的情况下,确定该个体的行为发生突变。
可选地,在图4所示实施例中还包括干扰清除模块304。其中:
干扰清除模块304用于在筛选模块301筛选出在案发时间段内、在案发区域内出现过的个体后,将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新,然后指示突变识别模块302执行对所筛选个体的行为进行分析的操作。
本发明利用大数据检索及相应的分析方法,检索案件后嫌疑人可能的行为特征,从而定位或缩小嫌疑人的排查范围,尤其是对无目击者、罪犯无明显特征类型案件,可以根据嫌疑人犯案后的可能行为特征,迅速聚焦或提供排查目标,助力办案机构在案件“黄金72小时”内完成案件侦破。
本发明通过对案发区域内可能嫌疑人的位置信息进行分析,通过数据挖掘方法,识别个体位置的突变,从而提取嫌疑人特征与信息,具有更广泛的适用性。
本发明针对案件中的约束条件进行干扰数据清除,使得分析更具有针对性,推荐更为准确,嫌疑人排查量更少。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (12)
1.一种用于识别嫌疑人的方法,其特征在于,包括:
筛选出在案发时间段内、在案发区域内出现过的个体;
对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体;
将个体行为发生突变的个体纳入嫌疑人列表中。
2.根据权利要求1所述的方法,其特征在于,
筛选出在案发时间段内、在案发区域内出现过的个体的步骤包括:
利用与个体移动终端相关联的运营商提供的定位信息,筛选出在案发时间段内、在案发区域内出现过的个体。
3.根据权利要求1所述的方法,其特征在于,
对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体的步骤包括:
根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析,以判断是否存在离群点;
在存在离群点的情况下,确定该个体的行为发生突变。
4.根据权利要求3所述的方法,其特征在于,
对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体的步骤还包括:
根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析,以判断轨迹行为是否异常;
在存在轨迹行为异常的情况下,确定该个体的行为发生突变。
5.根据权利要求1所述的方法,其特征在于,
将个体行为发生突变的个体纳入嫌疑人列表中的步骤包括:
判断该个体的个体行为发生突变时间是否早于案发时间段;
在个体行为发生突变时间不早于案发时间段的情况下,将该个体纳入嫌疑人列表中。
6.根据权利要求1-5中任一项所述的方法,其特征在于,
筛选出在案发时间段内、在案发区域内出现过的个体后,还包括:
将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新,然后执行对所筛选个体的行为进行分析的步骤。
7.一种用于识别嫌疑人的系统,其特征在于,包括筛选模块、突变识别模块和嫌疑人判断模块,其中:
筛选模块,用于筛选出在案发时间段内、在案发区域内出现过的个体;
突变识别模块,用于对所筛选个体的行为进行分析,以选择出个体行为发生突变的个体;
嫌疑人判断模块,用于将个体行为发生突变的个体纳入嫌疑人列表中。
8.根据权利要求7所述的系统,其特征在于,
筛选模块具体利用与个体移动终端相关联的运营商提供的定位信息,筛选出在案发时间段内、在案发区域内出现过的个体。
9.根据权利要求7所述的系统,其特征在于,突变识别模块包括离群点识别单元,其中:
离群点识别单元,用于根据所筛选个体在案发时间前和案发时间后的位置数据进行聚类分析,以判断是否存在离群点;在存在离群点的情况下,确定该个体的行为发生突变。
10.根据权利要求9所述的方法,其特征在于,突变识别模块还包括异常轨迹识别单元,其中:
异常轨迹识别单元,用于根据所筛选个体在案发时间前和案发时间后的位置数据进行方差齐性分析,以判断轨迹行为是否异常;在存在轨迹行为异常的情况下,确定该个体的行为发生突变。
11.根据权利要求7所述的系统,其特征在于,
嫌疑人判断模块具体判断该个体的个体行为发生突变时间是否早于案发时间段,在个体行为发生突变时间不早于案发时间段的情况下,将该个体纳入嫌疑人列表中。
12.根据权利要求7-11中任一项所述的系统,其特征在于,还包括干扰清除模块,其中:
干扰清除模块,用于在筛选模块筛选出在案发时间段内、在案发区域内出现过的个体后,将所筛选个体中不符合案件约束条件的个体排除,以便对所筛选个体进行过滤更新,然后指示突变识别模块执行对所筛选个体的行为进行分析的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610557059.XA CN107622465A (zh) | 2016-07-15 | 2016-07-15 | 用于识别嫌疑人的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610557059.XA CN107622465A (zh) | 2016-07-15 | 2016-07-15 | 用于识别嫌疑人的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107622465A true CN107622465A (zh) | 2018-01-23 |
Family
ID=61087655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610557059.XA Pending CN107622465A (zh) | 2016-07-15 | 2016-07-15 | 用于识别嫌疑人的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622465A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595606A (zh) * | 2018-04-20 | 2018-09-28 | 广东亿迅科技有限公司 | 基于运营商数据的公安案件时空分析方法及装置 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN110175791A (zh) * | 2019-06-04 | 2019-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN111050293A (zh) * | 2019-12-23 | 2020-04-21 | 北京明略软件系统有限公司 | 数据处理方法、装置及电子设备 |
CN115186881A (zh) * | 2022-06-27 | 2022-10-14 | 红豆电信有限公司 | 一种基于大数据的城市安全预测管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101656913A (zh) * | 2009-09-23 | 2010-02-24 | 中兴通讯股份有限公司 | 一种基于移动网络的监听分析方法及其系统 |
CN102646197A (zh) * | 2012-02-20 | 2012-08-22 | 华焦宝 | 预警信息发布方法及系统 |
WO2015081760A1 (en) * | 2013-12-06 | 2015-06-11 | International Business Machines Corporation | Smart device safety mechanism |
-
2016
- 2016-07-15 CN CN201610557059.XA patent/CN107622465A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101656913A (zh) * | 2009-09-23 | 2010-02-24 | 中兴通讯股份有限公司 | 一种基于移动网络的监听分析方法及其系统 |
CN102646197A (zh) * | 2012-02-20 | 2012-08-22 | 华焦宝 | 预警信息发布方法及系统 |
WO2015081760A1 (en) * | 2013-12-06 | 2015-06-11 | International Business Machines Corporation | Smart device safety mechanism |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595606A (zh) * | 2018-04-20 | 2018-09-28 | 广东亿迅科技有限公司 | 基于运营商数据的公安案件时空分析方法及装置 |
CN108664600A (zh) * | 2018-05-09 | 2018-10-16 | 山东合天智汇信息技术有限公司 | 一种用于识别特殊场所嫌疑人的方法和装置 |
CN110175791A (zh) * | 2019-06-04 | 2019-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN110175791B (zh) * | 2019-06-04 | 2021-08-27 | 杭州中奥科技有限公司 | 滞留点确定方法和滞留点确定装置 |
CN111050293A (zh) * | 2019-12-23 | 2020-04-21 | 北京明略软件系统有限公司 | 数据处理方法、装置及电子设备 |
CN115186881A (zh) * | 2022-06-27 | 2022-10-14 | 红豆电信有限公司 | 一种基于大数据的城市安全预测管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622465A (zh) | 用于识别嫌疑人的方法和系统 | |
Rossy et al. | Integrating forensic information in a crime intelligence database | |
CN109165237B (zh) | 伴随对象确定方法、装置以及电子设备 | |
Morelato et al. | The use of forensic case data in intelligence-led policing: the example of drug profiling | |
CN105069130A (zh) | 一种嫌疑对象预测方法 | |
CN104240171B (zh) | 电子病历生成方法及系统 | |
Yang et al. | Bot electioneering volume: Visualizing social bot activity during elections | |
US11115823B1 (en) | Internet-of-things device classifier | |
Canter | 1.9 Investigative psychology | |
WO2015131558A1 (zh) | 告警相关性数据挖掘方法和装置 | |
CN111767432B (zh) | 共现对象的查找方法和装置 | |
KR101444250B1 (ko) | 개인정보 접근감시 시스템 및 그 방법 | |
CN106776902A (zh) | 路径轨迹的分析方法及装置 | |
Acosta et al. | City safety perception model based on visual content of street images | |
Čisar et al. | Methodological frameworks of digital forensics | |
Mihailescu et al. | Unveiling Threats: Leveraging User Behavior Analysis for Enhanced Cybersecurity | |
CN113642820B (zh) | 一种基于大数据对人员数据信息评估管理的方法及系统 | |
CN106156046A (zh) | 一种信息化管理方法、装置、系统及分析设备 | |
CN110489611B (zh) | 一种智能的线索分析方法及系统 | |
Julian et al. | Crime rate prediction using K-means algorithm | |
CN113450236B (zh) | 基于时空数据的可疑人员识别方法、装置、系统和介质 | |
Ribaux et al. | Digital transformations in forensic science and their impact on policing | |
Meng et al. | CLUE: Customizing clustering techniques using machine learning for software modularization | |
Holmes | Automated investigations: The role of the request filter in communications data analysis | |
Shafique et al. | Role of GIS in crime mapping & analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180123 |
|
RJ01 | Rejection of invention patent application after publication |