CN110751316A - 一种裁决结果预测方法、装置及终端设备 - Google Patents

Abstract

本发明提供了一种裁决结果预测方法、装置及终端设备，适用于数据处理技术领域，该方法包括：获取待处理案件的案件信息以及案件类型，并查找案件类型对应的条例数据；基于案件信息及条例数据进行处理，得到待处理案件对应的第一裁决结果；基于案件类型和待处理案件的被告人的个人信息、犯罪记录以及庭审态度分数，计算被告人的犯罪严重程度分数；对犯罪严重程度分数和案件信息进行处理，得到对应的第二裁决结果；基于第一裁决结果以及第二裁决结果得到待处理案件对应的裁决参考信息。本发明实施例实现了对裁决结果高效准确的分析预测，可以帮助法官提升判案效率和准确率。

Description

一种裁决结果预测方法、装置及终端设备

技术领域

本发明属于数据处理技术领域，尤其涉及裁决结果预测方法及终端设备。

背景技术

随着法制体系的完善，人们法律意识的逐日提高，对司法的需求也日益增长，使得法院立案案件数量呈倍数逐年增长，但由于从事法官工作对专业素养的要求极高，法官人才的培养速度远远跟不上案件处理的实际需求，因此法院常常面临着现有的法官所需处理的工作量负荷过大的情况，这使得法官在单个实际案子中可花费的时间和精力大大减小，但实际在进行判案时法官又需要参考大量的相关资料进行比对度量，在时间精力极其有限的情况下，可能导致法官判案的出错率上升。因此，需要一种可以帮助法官进行减轻工作负荷，降低判案出错率的方法。

发明内容

有鉴于此，本发明实施例提供了一种裁决结果预测方法及终端设备，以解决现有技术中对裁决结果分析的效率低易出错的问题。

本发明实施例的第一方面提供了一种裁决结果预测方法，包括：

基于待处理案件的案件标识，从法院服务器内查询所述待处理案件的案件信息以及案件类型，并查找所述案件类型对应的条例数据，所述条例数据中记录有所述案件类型适用的处罚条例；

基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果；

基于所述案件标识从所述法院服务器内查询所述待处理案件被告人的个人信息，所述个人信息内包含所述被告人的身份标识；获取法院终端设备储存的所述被告人的庭审态度分数；生成包含所述身份标识的犯罪记录查询请求，并向公安服务器发送所述犯罪记录查询请求；

接收所述公安服务器针对所述罪记录查询请求发送的所述被告人的犯罪记录，并基于所述案件类型和所述个人信息、所述犯罪记录以及所述庭审态度分数，计算所述被告人的犯罪严重程度分数，所述庭审态度分数为基于所述被告人在庭审过程中行为得到的评分；

对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果；

基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，所述裁决参考信息用于为法官对所述待处理案件进行裁决提供参考。

本发明实施例的第二方面提供了一种裁决结果预测装置，包括：

条例查找模块，用于基于待处理案件的案件标识，从法院服务器内查询所述待处理案件的案件信息以及案件类型，并查找所述案件类型对应的条例数据，所述条例数据中记录有所述案件类型适用的处罚条例；

第一预测模块，用于基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果；

信息查询模块，用于基于所述案件标识从所述法院服务器内查询所述待处理案件被告人的个人信息，所述个人信息内包含所述被告人的身份标识；获取法院终端设备储存的所述被告人的庭审态度分数；生成包含所述身份标识的犯罪记录查询请求，并向公安服务器发送所述犯罪记录查询请求；

评分模块，用于接收所述公安服务器针对所述罪记录查询请求发送的所述被告人的犯罪记录，并基于所述案件类型和所述个人信息、所述犯罪记录以及所述庭审态度分数，计算所述被告人的犯罪严重程度分数，所述庭审态度分数为基于所述被告人在庭审过程中行为得到的评分；

第二预测模块，用于对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果；

参考信息生成模块，用于基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，所述裁决参考信息用于为法官对所述待处理案件进行裁决提供参考。

本发明实施例的第三方面提供了一种终端设备，所述终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如如上所述的裁决结果预测方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，包括：存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的裁决结果预测方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：通过基于法律处罚条例对案件实际情况进行分析，得到对应的第一裁决结果，根据被告人的实际个人情况以及在庭审过程中的态度这两个会直接影响裁决结果处罚力度的因素，来实现对被告人犯罪严重程度的量化，再根据得到的犯罪严重程度分数以及案件的实际情况，来进行第二裁决结果的预测，最后根据从基于法律处罚条例+基于犯罪严重程度分数的预测得到的两个裁决结果进行融合，实现了根据已掌握实际案件情况和被告人犯罪严重程度两个对裁决起核心影响的因素考虑来进行预测，使得本发明实施例可以对案件更为全面的因素考虑，实现了对裁决结果高效准确的分析预测，以帮助法官提升判案效率和准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例一提供的裁决结果预测方法的实现流程示意图；

图2是本发明实施例二提供的裁决结果预测方法的实现流程示意图；

图3是本发明实施例三提供的裁决结果预测方法的实现流程示意图；

图4是本发明实施例四提供的裁决结果预测方法的实现流程示意图；

图5是本发明实施例五提供的裁决结果预测方法的实现流程示意图；

图6是本发明实施例六提供的裁决结果预测方法的实现流程示意图；

图7是本发明实施例七提供的裁决结果预测方法的实现流程示意图；

图8是本发明实施例八提供的裁决结果预测装置的结构示意图；

图9是本发明实施例九提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

为了便于理解本发明，此处先对本发明实施例进行简要介绍，为了帮助法官对案件进行裁决，本发明实施例一方面从案件实际涉及到的处罚条例以及案件实际情况出发，进行正向的裁决结果可能预测，另一方面，考虑到被告人实际个人情况以及在本案中的庭审态度等都会对裁决结果产生极大影响，因此会对被告人个人信息犯罪记录和庭审态度分数等对在本案中的犯罪严重程度进行量化，再根据得到的犯罪严重程度和实际案件信息等来进行裁决结果另一方面的预测，最后对得到的两个裁决结果进行融合，得到最终的一个可能的裁决结果，并将该裁决结果作为给法官进行案件裁决时的裁决参考信息，从而使得法官即使在精力极其有限的情况下，也可以获得高效准确的案件分析结果参考，以帮助法官提升判案效率和准确率，详述如下：

图1示出了本发明实施例一提供的裁决结果预测方法的实现流程图，详述如下：

S101，基于待处理案件的案件标识，从法院服务器内查询待处理案件的案件信息以及案件类型，并查找案件类型对应的条例数据，条例数据中记录有案件类型适用的处罚条例。

在本发明实施例中，案件标识是指可以唯一标识出案件的案件信息，例如案件的名称和案号等，具体而言，使用名称、案号还是其他的案件信息作为案件标识，此处不予限定，可由技术人员自行设定。法院服务器是指当前审理待处理案件的法院内用于存储案件信息和相关案件人员信息的的服务器。案件信息包括但不限于案件的案由和已掌握证据信息，案件类型是指案件涉及到的具体罪名，如诈骗罪和走私罪等，其中，由于对罪名的细化程度可以不同，如对于走私罪，既可以仅作为一类罪名处理，也可以继续细分为走私文物罪、走私假币罪和走私贵重金属罪等，因此本发明实施例中，技术人员可以预先对每种罪名的细化程度进行设定，以确定出最终可分类的每种具体罪名。

对于不同的具体罪名而言，根据如《刑法》和《中华人民共和国治安管理处罚条例》等相关法律内规定，可以查询出案件实际对应的一些处罚条例，例如诈骗罪对应有刑法第二百六十六条等相关处罚条例，因此，本发明实施例由技术人员预先将这些罪名处罚相关的法律条文数据进行存储，并在确定出案件涉及的具体罪名之后查询这些法律条文数据，并查找出案件具体对应的处罚条例，以为从法律条文方面的裁决结果预测提供基础。

S102，基于案件信息及条例数据进行处理，得到待处理案件对应的第一裁决结果。

在获取到案件对应的处罚条例之后，本发明实施例会读取处罚条例中对该罪名可能的处罚类型以及每种处罚类型对应的处罚数值范围，例如依据《刑法》第二百六十六条：诈骗罪，诈骗公私财物，数额较大的，处三年以下有期徒刑、拘役或者管制，并处或者单处罚金。数额巨大或者有其他严重情节的，处三年以上十年以下有期徒刑，并处罚金。数额特别巨大或者有其他特别严重情节的，处十年以上有期徒刑或者无期徒刑，并处罚金或者没收财产。由此可知诈骗罪对应的处罚类型有有期徒刑/拘役/管制+罚金、单处罚金和有期徒刑/无期徒刑+处罚金/没收财产，且对应有不同的处罚数值范围，如有期徒刑有三年以下、三年以上十年以下以及十年以上3个范围。在确定出案件罪名可能的处罚类型以及每种处罚类型对应的处罚数值范围之后，本发明实施例再根据案件信息来识别案件具体的所属处罚条例中的具体情况类型，最后再查找出对应的第一裁决结果，如上述诈骗罪实例中，根据案件信息确定出案件诈骗金额实际情况，再确定出实际应当对应的处罚类型和处罚数值，从而得到最终第一裁决结果。

S103，基于案件标识从法院服务器内查询待处理案件被告人的个人信息，个人信息内包含被告人的身份标识。获取法院终端设备储存的被告人的庭审态度分数。生成包含身份标识的犯罪记录查询请求，并向公安服务器发送犯罪记录查询请求。

其中，身份标识是指可以唯一标识自然人身份的信息，包括但不限于如身份证号和军官证号等，在本发明实施例中，可以同时设置多个不同类型的身份标识，在需要进行犯罪记录查询时，可以从个人信息内包含的所有身份标识中，选取至少一种身份标识来生成对应的犯罪记录查询请求。其中公安服务器是指公安部用于储存自然人犯罪记录的服务器，犯罪记录查询请求是指用于查询自然人犯罪记录的请求，由于犯罪记录属于保密文件需要向公安部申请查询方能获取，因此在本发明实施例中会生成包含身份标识的犯罪记录查询请求并发送给公安部的服务器，以实现对被告人犯罪记录数据的查询。

法院终端设备，是指法官和陪审员等在庭审过程中所使用的设备，该设备可以供法官或陪审员等对被告人在庭审过程中的行为进行评分后，在设备中输入对应的庭审态度分数，或者供法官或陪审员等对被告人在庭审过程中的行为进行记录后，对记录的行为进行分析得到庭审态度分数，具体可参考对S104的相关说明。

S104，接收公安服务器针对罪记录查询请求发送的被告人的犯罪记录，并基于案件类型和个人信息、犯罪记录以及庭审态度分数，计算被告人的犯罪严重程度分数，庭审态度分数为基于被告人在庭审过程中行为得到的评分。

由于实际情况中案件的情况往往较为复杂，在仲裁时不仅仅只要考虑案件类型等，案件中被告人的实际情况也极大地影响着最终案件的裁决，例如在我国，再犯一般都是从重处罚的，对于一些特殊人群，例如未成年人和孕妇，又需要特殊处理，同时对于被告人在庭审过程中的行为态度也极大地影响着裁决结果，例如庭审过程中拒绝如实供述罪名态度嚣张，不但没有悔罪还出现大量侮辱威胁行为，一般都不会从轻处理，因此为了实现在另一方面对裁决结果的准确预测时，本发明实施例会对案件被告人的个人信息、犯罪记录以及庭审态度分数进行分析，实现对被告人在案件的犯罪严重程度的量化处理，以为后续准确预测提供保障。其中庭审态度分数可以直接由法官或陪审员等对被告人在庭审过程中的行为进行评分得到，也可以预先设置一个行为评分规则，由法官或陪审员等对被告人在庭审过程中的行为进行记录，再自动根据记录的行为和行为评分规则进行评分得到。具体根据个人信息、犯罪记录以及庭审态度分数对被告人进行犯罪严重程度分数计算的方法，此处不予限定，包括但不限于如为三个参数各设置一个评分规则，如对个人信息设置不同的身份对应的分数，再根据用户实际身份确定出其对应的分数等，再将三个参数评分后的分数求和，得到最终的犯罪严重程度分数，或者参考本发明实施例三来进行评分。

S105，对犯罪严重程度分数和案件信息进行处理，得到对应的第二裁决结果。

在实现对被告人在案件犯罪严重程度的量化处理并得到对应的犯罪严重程度分数之后，本发明实施例继续根据该犯罪严重程度分数和案件信息来进行第二裁决结果的预测，其中，为了实现对第二裁决结果的预测，本发明实施例中可以采用与本案件相似的历史案件来进行模型训练，以得到可以根据本案件犯罪严重程度分数和案件信息直接进行处理预测裁决结果的模型，具体而言，可以通过本案件的案件类型来查找对应相似的历史案件，读取这些历史案件对应的案件信息和裁决结果，并计算案件中被告人的犯罪严重程度分数，再将这些历史案件的案件信息、犯罪严重程度分数和裁决结果作为样本数据，进行输入为案件信息和犯罪严重程度分数输出为裁决结果神经网络模型的训练，最终得到训练好的可以进行裁决结果预测的预测模型，并在本发明实施例中基于训练好的预测模型来对本案件的案件信息和犯罪严重程度分数作为输入进行处理，得到第二裁决结果。其中，对预测模型的训练构建过程，既可以是在本发明实施例进行裁决预测之前完成，即预先针对每种罪名分别进行模型的训练构建，从而得到与每种罪名一一对应的预测模型，也可以是在本发明实施例S104步骤之中完成，即在获取到本案件的案件信息以及被告人的犯罪严重程度分数需要进行第二裁决结果预测时，根据本案件的涉及到的具体罪名来进行相似历史案件的查找及预测模型的训练等步骤，并得到对应训练好的预测模型，进而进行第二裁决结果的预测，可参考本发明实施例四的相关说明。

S106，基于第一裁决结果以及第二裁决结果进行处理，得到待处理案件对应的裁决参考信息，裁决参考信息用于为法官对待处理案件进行裁决提供参考。

在本发明实施例中，裁决参考信息即为对案件预测的裁决结果，包含对案件的处罚数据等，如对案件的一种或多种处罚类型以及每种处罚类型的具体处罚数值，从而使得法官在裁决时可以进行参考，降低法官判案出错率。

在得到从两方面处理预测的裁决结果之后，为了得到最终的裁决参考信息，本发明实施例会将两个裁决结果进行融合处理，其中具体的融合方法可由技术人员自行设定，包括但不限于如直接对两个裁决结果取并集，或者根据两个裁决结果的相似度情况来进行取并集或交集或其他方式的融合，也可参考本发明实施例五至七进行处理。

本发明实施例中，通过基于法律处罚条例对案件实际情况进行分析，得到对应的第一裁决结果，根据被告人的实际个人情况以及在庭审过程中的态度这两个会直接影响裁决结果处罚力度的因素，来实现对被告人犯罪严重程度的量化，再利用基于历史的相似案件数据建模得到的预测模型，对得到的犯罪严重程度分数以及案件的实际情况进行处理，进而实现对第二裁决结果的预测，最后根据从基于法律处罚条例+基于犯罪严重程度分数的预测得到的两个裁决结果进行融合，实现了根据已掌握实际案件情况和被告人犯罪严重程度两个对裁决起核心影响的因素考虑来进行预测，使得本发明实施例可以对案件更为全面的因素考虑，实现了对裁决结果高效准确的分析预测，以帮助法官提升判案效率和准确率。

作为本发明实施例一中根据案件信息和处罚条例来预测案件的第一裁决结果的一种具体实现方式，如图2所示，本发明实施例二，包括：

S201，基于处罚条例提取待处理案件对应的一种或多种处罚类型，以及每种处罚类型分别对应的处罚数值范围。

由本发明实施例一中相关说明可知，通过读取条例数据中的处罚条例内容，可以确定出案件对应的一些处罚类型和处罚数值范围，例如本发明实施例一中所列举的针对诈骗罪处罚类型有：有期徒刑/拘役/管制+罚金、单处罚金和有期徒刑/无期徒刑+处罚金/没收财产，且对应有不同的处罚数值范围，如有期徒刑有三年以下、三年以上十年以下以及十年以上3个范围。

S202，对案件信息中包含的证据信息进行评分，得到对应的证据分数和。

其中，证据信息是指案件中已掌握的证据信息。实际情况中为了确定案件被告人对应的具体处罚类型以及每个处罚类型对应的处罚数值，需要综合考量案件在处罚条例中所属的量刑类型，如对于故意杀人罪，参考《刑法》第二百三十二条及其他相关处罚条例，根据情节轻重不同其对应的处罚类型和处罚数值范围差异非常大，此时需要根据案件的实际情况来确定出其对情节严重程度，以确定出案件实际对应的处罚类型及处罚数值。在本发明实施例中，为了实现对案件在处罚条例中所属的量刑类型的准确识别，会对案件已掌握的证据情况进行分析，即对已掌握的物证、书证、证人证言、被害人陈述、犯罪嫌疑人和被告人供述和辩解、鉴定意见相关笔录、视听资料和电子数据等，并结合实际的案由来进行最终的具体情况。其中具体的证据评分方法包括但不限于对每种罪名可能涉及的证据进行分类，并依据每种证据对案件的重要程度进行分数设置，在进行评分时，再根据已掌握证据来查询对应的分数，并计算最终的证据分数和即可。

S203，基于证据信息、证据分数和以及案件信息中的案由数据，从处罚数值范围中筛选每种处罚类型分别对应的处罚数值，以得到第一裁决结果。

在确定出案由信息和证据分数和之后，本发明实施例再根据案由、已掌握证据信息和证据分数和来确定出案件量刑类型，并查找出对应的处罚类型和具体的处罚数值，例如上述的故意杀人罪，根据已掌握的证据信息、证据分数和及案由信息判断具体情节严重程度以及是否从轻或从重处罚，并最后筛选出最终对应的处罚类型和处罚数值。具体而言，首先根据案由判断案件可能的情景，再根据证据信息和证据分数和判断场景是否成立，如上述的故意杀人罪，先根据案由中的案件描述判断案件可能属于的刑法内规定的情节严重/情节较轻中何种情景，再根据证据信息以及证据分数和判断情景是否成立，如是否具有情景的必要证据，证据分数和是否达到情景对应的分数阈值(这里可以预先对每种情景所需的必要证据要求以及分数阈值进行设定)，最后根据确定下来的情景识别案件是属于情节严重还是情节较轻，并确定出对应的处罚数值。

本发明实施例通过对案件信息中的已掌握证据和案由信息进行处理，确定出案件对应的量刑类型，并依据量刑类型从对应的处罚类型和处罚数值范围中确定出最终的处罚类型和处罚数值，从而实现了从法律法条方面对案件裁决结果的正向预测。

作为对本发明实施例一中犯罪严重程度分数计算的一种具体方式，如图3所示，本发明实施例三，包括：

S301，基于犯罪记录识别被告人是否为再犯，若被告人为再犯，基于案件类型以及犯罪记录对被告人进行评分，得到对应的第一分数。

其中，再犯是指犯罪分子再次犯罪，即在此次案件之前，被告人还有犯罪记录。由于在我国多次犯罪一般都属于从重处罚的对象，因此为了实现对被告人实际情况的量化，以确定出被告人案件中的犯罪严重程度，本发明实施例会根据被告人的犯罪记录判断其是否为再犯，若属于再犯的话则根据被告人的实际犯罪情况来进行评分。其中具体的评分规则可以由技术人员自行设定，包括但不限于如对每种罪名按照对社会的危害程度设置不同的分数值，并同时为犯罪总次数设置不同的范围及分数，最后根据被告人实际犯过的罪名以及犯罪记录中的犯罪总次数来进行评分，或者根据被告人的犯罪记录判断其是否为累犯惯犯等，并根据预设的评分规则来进行评分等。

作为本发明的一个实施例，若被告人不属于再犯，可以直接将第一分数设置为0。

S302，基于个人信息，判断被告人所属的人群类型，并基于人群类型对被告人进行评分，得到对应的第二分数。

由于在我国对一些如未成年人、老人和孕妇等特殊人群处罚时，一般是有特殊规定的，如《刑法》第四十九条：犯罪的时候不满十八周岁的人和审判的时候怀孕的妇女，不适用死刑。审判的时候已满七十五周岁的人，不适用死刑，但以特别残忍手段致人死亡的除外，因此被告人的实际所属人群可能会对最终的裁决产生极大影响。在本发明实施例中，会根据被告人的实际个人信息来识别其所属的人群类型，例如是老人还是未成年人，是否为孕妇等，并根据预先设定的每个人群对应的分数规则来确定被告人的第二分数，其中，若被告人同时属于多个人群类型，则直接将各个人群类型对应的评分相加得到第二分数即可。

S303，基于第一分数、第二分数以及庭审态度分数，计算犯罪严重程度分数。

在得到从被告人犯罪记录和所属人群对应的两个分数值之后，本发明实施例会进一步地通过加权求和的方式来将第一分数、第二分数以及庭审态度分数进行融合，得到最终对被告人犯罪严重程度的量化分数，其中每个分数对应的权重值可由技术人员根据实际情况自行设定。

作为本发明实施例一中根据犯罪严重程度分数和案件信息来预测案件的第二裁决结果的一种具体实现方式，如图4所示，本发明实施例四，包括：

S401，获取多个案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及对应的第三裁决结果。

其中，犯罪严重程度的具体计算方法可以参考本发明实施例一和本发明实施例三相关说明。

考虑到实际情况中对案件的管辖法院是有明确规定的(详情参考《中华人民共和国民事诉讼法》第二章：管辖的有关规定)，而不同的法院在对案件处理时可能会有一定差异，因此在进行相似历史案件筛选时，优选地，优先从办案件所处法院处理过的历史案件中进行筛选。

S402，基于历史案件的案件信息、犯罪严重程度分数以及第三裁决结果，对预设的预测模型进行训练，得到训练好的预测模型。

其中，可以使用如马尔可夫逻辑网络模型等神经网络模型来作为本发明实施例中的预测模型进行训练。考虑到模型训练时需要对训练的案件信息以及裁决结果进行向量化，本发明实施例中，可以预先设置好对案件信息和裁决结果的向量化规则，例如对于案件信息设定一个逻辑转换规则，以抽取出案件信息中的一些特定信息并进行量化，从而得到对应的向量。

S403，基于训练好的预测模型对待处理案件对应的犯罪严重程度分数和案件信息进行处理，得到第二裁决结果。

在得到训练好的预测模型之后，再利用预测模型对本案件的案件信息和犯罪严重程度分数进行处理，从而得到所需的第二裁决结果。

本发明实施例在获取到本案件的案件信息以及被告人的犯罪严重程度分数需要进行第二裁决结果预测时，根据本案件的涉及到的具体罪名来进行相同罪名的历史案件的查找及分析建模，并得到对应训练好的预测模型，从而实现了对案件的另一方面的分析预测，进而所需的第二裁决结果。

作为本发明实施例一中对两个裁决结果进行融合的一种具体实现方式，如图5所示，本发明实施例五，包括：

S501，对第一裁决结果和第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值。

S502，若相似度大于预设相似度阈值，对第一裁决结果以及第二裁决结果取并集，得到裁决参考信息。

为了保证最终得到的裁决参考信息的准确可靠，本发明实施例在进行融合时会充分考虑两个方向处理得到的裁决结果的相似性，当两者相似时时，说明预测裁决结果本身准确度就已经较高，因此此时本发明实施例会直接将两个裁决结果取并集合并。其中相似性计算的具体方法包括但不限于先将裁决结构转换为包含多个处罚类型分别对应的处罚数值的矩阵，再计算两个矩阵的数据相似度即可。相似度阈值由技术人员根据实际需求自行设定。

作为本发明实施例一和本发明实施例五中对两个裁决结果进行融合的另一种具体实现方式，如图6所示，本发明实施例六，包括：

S601，对第一裁决结果和第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值。

S602，若相似度小于或等于预设相似度阈值，对第一裁决结果和第二裁决结果中包含的每种处罚类型分别进行处罚数值的相似度计算，并筛选出处罚类型中对应相似度小于或等于相似度阈值的误差处罚类型。

当两个裁决结果相似度较低的时候，说明预测可能存在一定的误差，为了减小该误差，本发明实施例中会在两个裁决结果相似度较低时对两个裁决结果中具体包含的处罚数据进行相似度检测，即对每种处罚类型对应的处罚数据进行相似度检测，查找出其中相似度较低的处罚类型，即误差较大处罚类型。其中，相似度阈值由技术人员根据实际需求自行设定，可以与本发明实施例五中相同。

S603，对犯罪严重程度分数和案件信息进行处理，得到误差处罚类型对应的预估处罚数值。

在筛选出相似度较低的误差处罚类型之后，本发明实施例会针对这些处罚类型，利用本案件的犯罪严重程度分数和案件信息重新进行预测，其中具体的预测方法包括但不限于如本发明实施例七的方法。

S604，基于第一裁决结果、第二裁决结果以及误差处罚类型的预估处罚数值进行处理，得到待处理案件对应的裁决参考信息。

在得到对相似度较低的误差处罚类型新的处罚数值之后，本发明实施例将第一裁决结果和第二裁决结果中非误差处罚类型的数据进行取并集融合，而对于误差处罚类型，则直接取新的处罚数值与第一裁决结果中的处罚数值并集进行融合。

作为本发明实施例六中对误差处罚类型进行处罚数值预测的一种具体实现方式，如图7所示，本发明实施例七，包括：

S701，获取多个案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及裁决结果中误差处罚类型对应的处罚数值。

S702，基于历史案件的案件信息、犯罪严重程度分数以及误差处罚类型对应的处罚数值，对预设的预测模型进行训练，得到训练好的预测模型。

S703，基于训练好的预测模型对犯罪严重程度分数和案件信息进行处理，得到误差处罚类型对应的预估处罚数值。

本发明的数据处理和建模过程与本发明实施例四基本相同，此处不予赘述，唯一区别在于本发明实施例中预测模型输出的结果不是裁决结果，而仅是对误差处罚类型的处罚数值预测结果，具体可参考本发明实施例四的相关说明。

对应于上文实施例的方法，图8示出了本发明实施例提供的裁决结果预测装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。图8示例的裁决结果预测装置可以是前述实施例一提供的裁决结果预测方法的执行主体。

参照图8，该裁决结果预测装置包括：

条例查找模块81，用于基于待处理案件的案件标识，从法院服务器内查询所述待处理案件的案件信息以及案件类型，并查找所述案件类型对应的条例数据，所述条例数据中记录有所述案件类型适用的处罚条例。

第一预测模块82，用于基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果。

信息查询模块83，用于基于所述案件标识从所述法院服务器内查询所述待处理案件被告人的个人信息，所述个人信息内包含所述被告人的身份标识。获取法院终端设备储存的所述被告人的庭审态度分数。生成包含所述身份标识的犯罪记录查询请求，并向公安服务器发送所述犯罪记录查询请求。

评分模块84，用于接收所述公安服务器针对所述罪记录查询请求发送的所述被告人的犯罪记录，并基于所述案件类型和所述个人信息、所述犯罪记录以及所述庭审态度分数，计算所述被告人的犯罪严重程度分数，所述庭审态度分数为基于所述被告人在庭审过程中行为得到的评分。

第二预测模块85，用于对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果。

参考信息生成模块86，用于基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，所述裁决参考信息用于为法官对所述待处理案件进行裁决提供参考。

进一步地，第一预测模块82，包括：

基于所述处罚条例提取所述待处理案件对应的一种或多种所述处罚类型，以及每种所述处罚类型分别对应的处罚数值范围。

对所述案件信息中包含的证据信息进行评分，得到对应的证据分数和。

基于所述证据信息、所述证据分数和以及所述案件信息中的案由数据，从所述处罚数值范围中筛选每种所述处罚类型分别对应的处罚数值，以得到所述第一裁决结果。

进一步地，评分模块84，包括：

基于所述犯罪记录识别所述被告人是否为再犯，若所述被告人为再犯，基于所述案件类型以及所述犯罪记录对所述被告人进行评分，得到对应的第一分数。

基于所述个人信息，判断所述被告人所属的人群类型，并基于所述人群类型对所述被告人进行评分，得到对应的第二分数。

基于所述第一分数、所述第二分数以及所述庭审态度分数，计算所述犯罪严重程度分数。

进一步地，第二预测模块85，包括：

获取多个所述案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及对应的第三裁决结果。

基于所述历史案件的案件信息、犯罪严重程度分数以及第三裁决结果，对预设的预测模型进行训练，得到训练好的预测模型。

基于所述训练好的预测模型对所述待处理案件对应的犯罪严重程度分数和案件信息进行处理，得到所述第二裁决结果。

进一步地，参考信息生成模块86，包括：

对所述第一裁决结果和所述第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值。

若所述相似度大于预设相似度阈值，对所述第一裁决结果以及所述第二裁决结果取并集，得到所述裁决参考信息。

进一步地，参考信息生成模块86，还包括：

第一相似度计算模块，用于对所述第一裁决结果和所述第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值。

第二相似度计算模块，用于若所述相似度小于或等于预设相似度阈值，对所述第一裁决结果和所述第二裁决结果中包含的每种所述处罚类型分别进行所述处罚数值的相似度计算，并筛选出所述处罚类型中对应相似度小于或等于所述相似度阈值的误差处罚类型。

处罚预测模块，用于对所述犯罪严重程度分数和所述案件信息进行处理，得到所述误差处罚类型对应的预估处罚数值。

信息生成模块，用于基于所述第一裁决结果、所述第二裁决结果以及所述误差处罚类型的预估处罚数值进行处理，得到所述待处理案件对应的所述裁决参考信息。

进一步地，处罚预测模块，包括：

获取多个所述案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及裁决结果中所述误差处罚类型对应的处罚数值。

基于所述历史案件的案件信息、犯罪严重程度分数以及所述误差处罚类型对应的处罚数值，对预设的预测模型进行训练，得到训练好的预测模型。

基于所述训练好的预测模型对所述犯罪严重程度分数和所述案件信息进行处理，得到所述误差处罚类型对应的预估处罚数值。

本发明实施例提供的裁决结果预测装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例一的描述，此处不再赘述。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。

图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91，所述存储器91中存储有可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个裁决结果预测方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块81至86的功能。

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经发送或者将要发送的数据。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种裁决结果预测方法，其特征在于，包括：

基于待处理案件的案件标识，从法院服务器内查询所述待处理案件的案件信息以及案件类型，并查找所述案件类型对应的条例数据，所述条例数据中记录有所述案件类型适用的处罚条例；

基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果；

基于所述案件标识从所述法院服务器内查询所述待处理案件被告人的个人信息，所述个人信息内包含所述被告人的身份标识；获取法院终端设备储存的所述被告人的庭审态度分数；生成包含所述身份标识的犯罪记录查询请求，并向公安服务器发送所述犯罪记录查询请求；

接收所述公安服务器针对所述罪记录查询请求发送的所述被告人的犯罪记录，并基于所述案件类型和所述个人信息、所述犯罪记录以及所述庭审态度分数，计算所述被告人的犯罪严重程度分数，所述庭审态度分数为基于所述被告人在庭审过程中行为得到的评分；

对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果；

基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，所述裁决参考信息用于为法官对所述待处理案件进行裁决提供参考。

2.如权利要求1所述的裁决结果预测方法，其特征在于，裁决结果包含一种或多种处罚类型以及每种处罚类型分别对应的处罚数值，所述基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果，包括：

基于所述处罚条例提取所述待处理案件对应的一种或多种所述处罚类型，以及每种所述处罚类型分别对应的处罚数值范围；

对所述案件信息中包含的证据信息进行评分，得到对应的证据分数和；

基于所述证据信息、所述证据分数和以及所述案件信息中的案由数据，从所述处罚数值范围中筛选每种所述处罚类型分别对应的处罚数值，以得到所述第一裁决结果。

3.如权利要求1所述的裁决结果预测方法，其特征在于，所述基于所述案件类型和所述待处理案件的被告人的个人信息、犯罪记录以及庭审态度分数，计算所述被告人的犯罪严重程度分数，包括：

基于所述犯罪记录识别所述被告人是否为再犯，若所述被告人为再犯，基于所述案件类型以及所述犯罪记录对所述被告人进行评分，得到对应的第一分数；

基于所述个人信息，判断所述被告人所属的人群类型，并基于所述人群类型对所述被告人进行评分，得到对应的第二分数；

基于所述第一分数、所述第二分数以及所述庭审态度分数，计算所述犯罪严重程度分数。

4.如权利要求1所述的裁决结果预测方法，其特征在于，所述对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果，包括：

获取多个所述案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及对应的第三裁决结果；

基于所述历史案件的案件信息、犯罪严重程度分数以及第三裁决结果，对预设的预测模型进行训练，得到训练好的预测模型；

基于所述训练好的预测模型对所述待处理案件对应的犯罪严重程度分数和案件信息进行处理，得到所述第二裁决结果。

5.如权利要求1所述的裁决结果预测方法，其特征在于，所述基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，包括：

对所述第一裁决结果和所述第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值；

若所述相似度大于预设相似度阈值，对所述第一裁决结果以及所述第二裁决结果取并集，得到所述裁决参考信息。

6.如权利要求1或5所述的裁决结果预测方法，其特征在于，裁决结果包含一种或多种处罚类型以及每种处罚类型分别对应的处罚数值，所述基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，包括：

对所述第一裁决结果和所述第二裁决结果进行相似度计算，并判断得到的相似度是否大于预设相似度阈值；

若所述相似度小于或等于预设相似度阈值，对所述第一裁决结果和所述第二裁决结果中包含的每种所述处罚类型分别进行所述处罚数值的相似度计算，并筛选出所述处罚类型中对应相似度小于或等于所述相似度阈值的误差处罚类型；

对所述犯罪严重程度分数和所述案件信息进行处理，得到所述误差处罚类型对应的预估处罚数值；

基于所述第一裁决结果、所述第二裁决结果以及所述误差处罚类型的预估处罚数值进行处理，得到所述待处理案件对应的所述裁决参考信息。

7.如权利要求6所述的裁决结果预测方法，其特征在于，所述对所述犯罪严重程度分数和所述案件信息进行处理，得到所述误差处罚类型对应的处罚数值，包括：

获取多个所述案件类型的历史案件的案件信息、对应的犯罪严重程度分数以及裁决结果中所述误差处罚类型对应的处罚数值；

基于所述历史案件的案件信息、犯罪严重程度分数以及所述误差处罚类型对应的处罚数值，对预设的预测模型进行训练，得到训练好的预测模型；

基于所述训练好的预测模型对所述犯罪严重程度分数和所述案件信息进行处理，得到所述误差处罚类型对应的预估处罚数值。

8.一种裁决结果预测装置，其特征在于，包括：

条例查找模块，用于基于待处理案件的案件标识，从法院服务器内查询所述待处理案件的案件信息以及案件类型，并查找所述案件类型对应的条例数据，所述条例数据中记录有所述案件类型适用的处罚条例；

第一预测模块，用于基于所述案件信息及所述条例数据进行处理，得到所述待处理案件对应的第一裁决结果；

信息查询模块，用于基于所述案件标识从所述法院服务器内查询所述待处理案件被告人的个人信息，所述个人信息内包含所述被告人的身份标识；获取法院终端设备储存的所述被告人的庭审态度分数；生成包含所述身份标识的犯罪记录查询请求，并向公安服务器发送所述犯罪记录查询请求；

评分模块，用于接收所述公安服务器针对所述罪记录查询请求发送的所述被告人的犯罪记录，并基于所述案件类型和所述个人信息、所述犯罪记录以及所述庭审态度分数，计算所述被告人的犯罪严重程度分数，所述庭审态度分数为基于所述被告人在庭审过程中行为得到的评分；

第二预测模块，用于对所述犯罪严重程度分数和所述案件信息进行处理，得到对应的第二裁决结果；

参考信息生成模块，用于基于所述第一裁决结果以及所述第二裁决结果进行处理，得到所述待处理案件对应的裁决参考信息，所述裁决参考信息用于为法官对所述待处理案件进行裁决提供参考。

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images