CN114418244A - 一种案件的预测分析方法、装置、电子设备及存储介质 - Google Patents
一种案件的预测分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114418244A CN114418244A CN202210315880.6A CN202210315880A CN114418244A CN 114418244 A CN114418244 A CN 114418244A CN 202210315880 A CN202210315880 A CN 202210315880A CN 114418244 A CN114418244 A CN 114418244A
- Authority
- CN
- China
- Prior art keywords
- case
- area
- sub
- preset
- type
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q50/18—Legal services; Handling legal documents
Abstract
本申请涉及数据处理的领域,尤其是涉及一种案件的预测分析方法、装置、电子设备及存储介质,该方法包括获取目标区域在第一预设周期内所有的既发案件,每个既发案件关联有对应的案件类型和案发位置;之后在目标区域的电子地图上创建叠加图层,并将叠加图层划分为n个子区域,并且将每个子区域与电子地图上对应区域的位置信息进行关联;基于每个案发位置以及每个子区域对应的位置信息确定每个子区域内对应的所有既发案件;确定第一预设案件类型的高发区域,高发区域为第一预设案件类型数量最多的子区域,或为第一预设案件类型数量超过第一阈值的子区域。本申请便于更合理地进行警种和警力的针对性布设。
Description
技术领域
本申请涉及数据处理的领域,尤其是涉及一种案件的预测分析方法、装置、电子设备及存储介质。
背景技术
我国由于地域较广,且人口较多,因此违法犯罪的案件数量也一直较多;相关地,各地区的警力数量一直相对有限,并不能做到对所有区域的实时排查和巡检。
事实证明,不同警种和警力的适时巡检和排查,能够有效举降低一些案件的发生率,进而便于社会治安的稳定。但是现有的警力和警种的巡检和排查大都是随机分配,虽然一定程度上也能够对治安的稳定起到效果,但是效果有限。
发明内容
为了便于更合理地进行警种和警力的针对性布设,本申请提供一种案件的预测分析方法、装置、电子设备及可读存储介质。
第一方面,本申请提供一种案件的预测分析方法,采用如下的技术方案:
一种案件的预测分析方法,包括:
获取目标区域在第一预设周期内所有的既发案件,每个所述既发案件关联有对应的案件类型和案发位置;
在所述目标区域的电子地图上创建叠加图层,并将所述叠加图层划分为n个子区域;
将每个所述子区域与所述电子地图上对应区域的位置信息进行关联;
基于每个所述案发位置以及每个所述子区域对应的位置信息确定每个所述子区域内对应的所有既发案件;
确定第一预设案件类型的高发区域,所述高发区域为所述第一预设案件类型数量最多的子区域,或为所述第一预设案件类型数量超过第一阈值的子区域。
通过采用上述技术方案,电子设备通过对目标区域在第一预设周期内所有的既发案件进行分析,同时基于新建图层将电子地图划分为n个子区域,基于既发案件位置以及子区域对应的位置信息之间的关系,确定每个子区域内所有的既发案件,这样就能够对所有子区域进行筛选,以确定哪些是第一预设案件类型的高发区域,进而便于对高发区域针对性地布设合理的警种警力。
在一种可能实现的方式中,所述方法还包括:
对于每个所述子区域,获取所述子区域的地理特征,所述地理特征包括建筑类型和每个建筑类型对应的位置信息;
基于所述子区域内所有既发案件的案件类型和案发位置以及所述地理特征确定具备预设的隐形关系的案件类型和建筑类型;
将具备隐形关系的案件类型和建筑类型进行关联。
通过采用上述技术方案,在实际中,某些类型的建筑附近是较容易发生一些特定类型的案件的,因此,将具备隐形关系的建筑类型和案件类型进行关联,便于更准确地对相关的案件进行分析,进而能够减少相关部门的工作量,也便于对相关的类型的建筑周边进行合理的警种警力布设。
在一种可能实现的方式中,所述方法还包括:
所述地理特征还包括人流量;
确定对应的所述人流量大于等于第二阈值的子区域为密集区域;
基于每个所述密集区域的建筑类型以及与建筑类型具备隐形关系的案件类型预估待发生案件的案件类型。
通过采用上述技术方案,通常,人流量和案件的发生数量之间是呈正相关的,即人流量越高,发生案件的几率就越大,因此通过人流量确定出密集区域,并且如果密集区域内存在具备预设的隐形关系的建筑类型,则该区域内发生发件的几率会进一步增加,因对于这种区域要进一步加强警力的布设。
在一种可能实现的方式中,所述方法还包括:
每个所述既发案件还关联对应的发生时间;
对于每个所述子区域,基于预设的案件类型之间的隐性关联,确定在第二预设周期内所述子区域内是否存在具备隐性关联的既发案件;
若存在,则将所述子区域进行标记;
基于所述子区域的位置信息以及具备隐性关联的案件类型生成第一提示信息并输出。
通过采用上述技术方案,通常,某些特定类型的案件之间也会存在必然的强相关,但是需要基于时长周期来进行度量,也就是说,在第二预设周期内,如果一个子区域内存在具备隐性关联的两个或多个案件,则对于该子区域之后发生的相关类型的案件都需要进行关联性分析,因此第一提示信息能够对用户起到提示的作用。
在一种可能实现的方式中,所述方法还包括:
获取用户输入的时间信息和筛选类型,所述时间信息至少包括所述第一预设周期内的一个时间段;
基于所述时间信息和筛选类型对每个所述子区域进行检索,得到重度区域,所述重度区域内为在所有所述时间段内符合筛选类型的既发案件数量大于等于第三阈值,且在每个所述时间段内均至少存在一个符合筛选类型的既发案件的子区域;
对每个所述重度区域进行标注;
基于筛选信息和每个所述重度区域的位置信息和生成第二提示信息并输出。
通过采用上述技术方案,用户能够基于时间段和筛选类型进行筛选,进而得到相关的目标区域,其中筛选类型可以是案件类型,也可以是建筑类型,具备实用性,同时便于发现例如重度区域等对警力和警种的布设关联密切的目标区域。
在一种可能实现的方式中,所述方法还包括:
确定所述子区域内存在的预设身份人员的数量;
判断所述预设身份人员的数量是否大于第四阈值;
若是,则对所述子区域进行标记,并获取所述子区域内所有预设身份人员的身份信息;
基于所述预设身份人员的身份信息以及所述子区域的位置信息生成第三提示信息并输出。
通过采用上述技术方案,预设身份的人员可以认为是社会不稳定人员,因此,一个区域内预设身份的人员数量较多时,则该区域发生案件的几率就会增加,通过第三提示信息进行提示,以便于用户针对性地布设警力以减少案件的发生几率。
在一种可能实现的方式中,所述方法还包括
获取所述目标区域中所有预设监控设备的设置位置信息;
基于所述设置位置信息以及每个所述子区域关联的位置信息确定所有未设置监控设备的子区域为盲区区域;
对于每个所述盲区区域,确定所述盲区区域内第二预设类型的既发案件的总数量;
若所述总数量大于第五阈值,则生成第四提示信息并输出。
通过采用上述技术方案,通常,目标区域中会存在一些未设置监控设备的盲区区域,因此现实原因,并非所有的区域都一定要安装监控设备,但是通过既发案件的数量进行筛选,如果盲区区域发生案件的总数量较多,即超过了第五阈值,则电子设备生成第四信息提示用户,便于用户针对性地设置监控设备,以便于减少案件的发生数量。
第二方面,本申请提供一种案件的预测分析装置,采用如下的技术方案:
一种案件的预测分析装置,包括:
既发案件获取模块,用于获取目标区域在第一预设周期内所有的既发案件,每个所述既发案件关联有对应的案件类型和案发位置;
图层创建模块,用于在所述目标区域的电子地图上创建叠加图层,并将所述叠加图层划分为n个子区域;
关联模块,用于将每个所述子区域与所述电子地图上对应区域的位置信息进行关联;
第一确定模块,用于基于每个所述案发位置以及每个所述子区域对应的位置信息确定每个所述子区域内对应的所有既发案件;
高发区域确定模块,用于确定第一预设案件类型的高发区域,所述高发区域为所述第一预设案件类型数量最多的子区域,或为所述第一预设案件类型数量超过第一阈值的子区域。
通过采用上述技术方案,该设备通过对目标区域在第一预设周期内所有的既发案件进行分析,同时基于新建图层将电子地图划分为n个子区域,基于既发案件位置以及子区域对应的位置信息之间的关系,确定每个子区域内所有的既发案件,这样就能够对所有子区域进行筛选,以确定哪些是第一预设案件类型的高发区域,进而便于对高发区域针对性地布设合理的警种警力。
在一种可能实现的方式中,该装置还包括:
地理特征获取模块,用于获取所述子区域的地理特征,所述地理特征包括建筑类型和每个建筑类型对应的位置信息;
第二确定模块,用于基于所述子区域内所有既发案件的案件类型和案发位置以及所述地理特征确定具备预设的隐形关系的案件类型和建筑类型;
关联模块,用于将具备隐形关系的案件类型和建筑类型进行关联。
在一种可能实现的方式中,该装置还包括:
所述地理特征还包括人流量;
密集区域确定模块,用于确定对应的所述人流量大于等于第二阈值的子区域为密集区域;
预估模块,用于基于每个所述密集区域的建筑类型以及与建筑类型具备隐形关系的案件类型预估待发生案件的案件类型。
在一种可能实现的方式中,该装置还包括:
每个所述既发案件还关联对应的发生时间;
第三确定模块,用于基于预设的案件类型之间的隐性关联,确定在第二预设周期内所述子区域内是否存在具备隐性关联的既发案件;
第一标记模块,将所述子区域进行标记;
第一输出模块,用于基于所述子区域的位置信息以及具备隐性关联的案件类型生成第一提示信息并输出。
在一种可能实现的方式中,该装置还包括:
用户信息获取模块,用于获取用户输入的时间信息和筛选类型,所述时间信息至少包括所述第一预设周期内的一个时间段;
重度区域确定模块,基于所述时间信息和筛选类型对每个所述子区域进行检索,得到重度区域,所述重度区域内为在所有所述时间段内符合筛选类型的既发案件数量大于等于第三阈值,且在每个所述时间段内均至少存在一个符合筛选类型的既发案件的子区域;
标注模块,用于对每个所述重度区域进行标注;
第二输出模块,用于基于筛选信息和每个所述重度区域的位置信息和生成第二提示信息并输出。
在一种可能实现的方式中,该装置还包括:
人员数量确定模块,用于确定所述子区域内存在的预设身份人员的数量;
判断模块,用于判断所述预设身份人员的数量是否大于第四阈值;
第二标记模块,用于对所述子区域进行标记,并获取所述子区域内所有预设身份人员的身份信息;
第三输出模块,用于基于所述预设身份人员的身份信息以及所述子区域的位置信息生成第三提示信息并输出。
在一种可能实现的方式中,该装置还包括:
位置信息获取模块,用于获取所述目标区域中所有预设监控设备的设置位置信息;
盲区区域确定模块,用于基于所述设置位置信息以及每个所述子区域关联的位置信息确定所有未设置监控设备的子区域为盲区区域;
总数量确定模块,用于对于每个所述盲区区域,确定所述盲区区域内第二预设类型的既发案件的总数量;
第四输出模块,生成第四提示信息并输出。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述案件的预测分析方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述案件的预测分析方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.电子设备通过对目标区域在第一预设周期内所有的既发案件进行分析,同时基于新建图层将电子地图划分为n个子区域,基于既发案件位置以及子区域对应的位置信息之间的关系,确定每个子区域内所有的既发案件,这样就能够对所有子区域进行筛选,以确定哪些是第一预设案件类型的高发区域,进而便于对高发区域针对性地布设合理的警种警力;
2.通常,某些特定类型的案件之间也会存在必然的强相关,但是需要基于时长周期来进行度量,也就是说,在第二预设周期内,如果一个子区域内存在具备隐性关联的两个或多个案件,则对于该子区域之后发生的相关类型的案件都需要进行关联性分析,因此第一提示信息能够对用户起到提示的作用;
3.用户能够基于时间段和筛选类型进行筛选,进而得到相关的目标区域,其中筛选类型可以是案件类型,也可以是建筑类型,具备实用性,同时便于发现例如重度区域等对警力和警种的布设关联密切的目标区域。
附图说明
图1是本申请实施例中案件的预测分析方法的流程示意图;
图2是本申请实施例中案件的预测分析装置的结构示意图;
图3是本申请实施例中电子设备的结构示意图。
具体实施方式
以下结合附图1-附图3对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
本申请实施例提供了一种预测方法,由电子设备执行,参照图1,该方法包括步骤S101-步骤S105,其中:
步骤S101、获取目标区域在第一预设周期内所有的既发案件,每个既发案件关联有对应的案件类型和案发位置。
在本申请实施例中,第一预设周期的具体时长,本申请实施例中不做具体限定,例如可以是6个月,也可以是12个月。既发案件可以是已完结的案件,也可以是未完结的案件,只要已经发生并且被记录的案件均为既发案件。既发案件的信息源,可以是政府部门的数据库,也可以是其他存储有目标区域案件信息的数据库。进一步地,案发位置应该统计到具体的街道,具体的商户或者建筑物。
步骤S102、在目标区域的电子地图上创建叠加图层,并将叠加图层划分为n个子区域。
在本申请实施例中,目标区域的电子地图中应该包含所有目标区域内所有的位置信息。在电子地图上建立图层可以是建立一个,也可以是建立多个。其中,将每个建立的图层均划分为n个子区域,n为大于0的正整数。具体地,每个子区域在电子地图上对应的范围应该小于或等于最小行政规划区域,例如最小行政规划区域为街/路。对于每个子区域的形状,可以是任意形状,本申请实施例中对此不做任何限定。
步骤S103、将每个子区域与电子地图上对应区域的位置信息进行关联。
具体地,在本申请实施例中以每个子区域均为矩形网格进行示例。将每个子区域的顶点与电子地图中对应位置的位置进行关联,便于确定每个子区域在电子地图中对应的区域的范围。
步骤S104、基于每个案发位置以及每个子区域对应的位置信息确定每个子区域内对应的所有既发案件。
在本申请实施例中,例如一个子区域四个顶点关联的坐标依次为(100,50)、(100,100)、(150,50)以及(150,100),对于一个既发案件或者新发案件,在获取其案发位置之后,电子地图中对应有该位置的坐标,电子设备即能够基于案发位置的坐标确定其归属的子区域。例如,案发位置对应的坐标为(120,60),则该案发位置位于上述示例中的子区域内;若案发位置对应的坐标为(80,30),则案发位置不在上述示例中的子区域内。对于每个既发案件,通过这种方式能够确定其归属的子区域,进而对于每个子区域,均能够得到其在第一周期内对应的所有既发案件。
步骤S105、确定第一预设案件类型的高发区域,高发区域为第一预设案件类型数量最多的子区域,或为第一预设案件类型数量超过第一阈值的子区域。
具体地,在确定了每个子区域内所有的既发案件之后,基于案件类型对每个子区域内对应的所有既发案件进行分类;并且统计每个子区域内各个案件类型的既发案件的数量。具体的案件类型可以预设的,例如涉毒案件、偷盗案件以及打架类案件;本申请实施例中对于具体的案件类型的分类不进行具体限定。第一预设案件类型可以由用户确定,对第一预设类型的数量,也可以由进行选择,例如,第一预设案件类型为涉毒类案件;又例如第一预设案件类为涉毒类案件和偷盗案件,共两个。
本申请实施例中以第一预设案件类型为一个进行示例,即将所属第一预设案件类型的数量最多的子区域确定没第一预设案件类型对应的高发区域。同样地,也可以将第一预设案件类型数量超过第一阈值的子区域确定为第一预设案件类型对应的高发区域。第一阈值的具体数量,应该为大于等于2的正整数。
确定每个第一预设案件类型对应的高发区域,便于相关部门针对性对相应的警种和警力进行设置,进而有助于降低相关类型案件的发生率。
进一步地,该预测方法还包括步骤SA1(图中未示出)-步骤SA3(图中未示出),其中:
步骤SA1、对于每个子区域,获取子区域的地理特征,地理特征包括建筑类型和每个建筑类型对应的位置信息。
具体地,每个子区域的地理特征包括该子区域在电子地图中对应的区域内的建筑类型和位置信息,如,学校及其坐标、医院及其坐标以及地铁站及其坐标。同样地,建筑类型也不仅仅包含建筑物的类型,若不存在建筑物,也可以标注所有的街道名称以及街道的具体路段坐标。
步骤SA2、基于子区域内所有既发案件的案件类型和案发位置以及地理特征确定具备预设的隐形关系的案件类型和建筑类型。
具体地,特定的案件类型和特定的建筑建筑类型之间是存在隐形关系的,例如,学校附近容易发生偷盗类型案件和打架斗殴类案件;对于预设的隐形关系,本申请实施例中不做具体限定,可以由用户基于目标区域的具体情况进行设置。
同样地,隐形关系也可以由电子设备进行判断进而对预设的隐形关系进行补充。例如,在半年时间内,对目标区域内所有既发案件进行筛选,将案发位置的建筑类型相同,同时案件类型也相同的既发案件数量进行统计,将数量大于临界阈值的建筑类型和案件类型设置为符合隐形关系。临界阈值可以由用户设置为一个大于1的正整数。
步骤SA3、将具备隐形关系的案件类型和建筑类型进行关联。
具体地,将具备隐形关系的案件类型和建筑类型进行关联,也就是在接收到一个新发案件时,存在可能只得到案发位置的情况,则电子设备能够基于案发位置对应的建筑类型进而将与该建筑类型关联的案件类型进行提示,因为在此案发位置处,发生该案件类型的几率较大,进而便于用户针对警种和警力进行合理的调度。
进一步地,为了确定案件类型和人流量人流量的关系,在步骤SA1中的地理特征中还包括人流量;进而该预测方法还包括步骤SB1(图中未示出)和步骤SB2(图中未示出),其中:
步骤SB1、确定对应的人流量大于等于第二阈值的子区域为密集区域。
具体地,从逻辑上而言,案件的发生率和数量,是和人流量呈正相关的。人流量可以通过设置在每个子区域对应的现实区域内设置的监控设备进行图像的采集,然后电子设备对采集的图像进行目标识别,判断人体目标的数量,进而可以得到每个子区域对应的人流量。同样地,人流量也可以通过用户进行输入。
对于第二阈值,本申请实施例中不作出具体限定,只要便于判断出人流量较多的区域即可。
进一步地,因为人流量是具有基于时间和特定周期的变化性,例如,节假日有些非密集区域会变为密集区域,也会存在密集区域变为非密集区域的情况。即使在同一天同一区域是否为密集区域这个状态也会发生变化;例如,在白天时间,景点是密集区域,进城道路为非密集区域;但是在傍晚,则进城道路可能为密集区域,景点则变为非密集区域。因此对于密集区域的判断可以实时进行,也可以间隔预设周期进行,例如为每隔3个小时进行一次更新和更新。
步骤SB2、基于每个密集区域的建筑类型以及与建筑类型具备隐形关系的案件类型预估待发生案件的案件类型。
具体地,在确定了密集区域之后,对于每个密集区域来说,能够获取该密集区域内所有的建筑类型,对于存在隐性关系的建筑类型来说,也能够直接获取该建筑类型对应的常发案件类型。由于密集区域的人流量较大,因此发生案件的几率较大,同时若密集区域内存在具备隐性关系的建筑类型,则密集区域内发生与该建筑类型关联的案件类型的案件几率也较大;因此待发生的案件类型,即密集区域内具备隐性关系的建筑类型对应的案件类型。
为了确定不同案件与案件的发生时间之间的关联性,每个既发案件还关联对应的发生时间;进一步地,该预测方法还包括步骤SC1(图中未示出)-步骤SC3(图中未示出),其中:
步骤SC1、对于每个子区域,基于预设的案件类型之间的隐性关联,确定在第二预设周期内子区域内是否存在具备隐性关联的既发案件;
步骤SC2、若存在,则将子区域进行标记。
具体地,本申请实施例中对于隐性关联的案件类型不做具体的限定,例如可以将涉毒类案件和偷盗类案件,或者涉毒类案件与抢劫类案件设置为具备隐性关联,从逻辑上考虑,该种具备隐性关联的案件类型之间,存在以偷/抢养吸的现象。
进一步地,对于第二预设周期,不作出具体限定,但是要小于第一预设周期的时长。例如以第二预设周期为10天进行示例,如果在10天之内,在同一子区域,存在具备隐性关联的案件,则具备隐性关联的案件实际之间可能也存在联系,因此将子区域进行标记以便于对用户单独查看分析。
步骤SC3、基于子区域的位置信息以及具备隐性关联的案件类型生成第一提示信息并输出。
具体地,对于第一提示信息的内容本申请实施例中不进行具体限定,只要便于对用户进行提示即可。在步骤SC2得到标记的子区域后,针对获取该子区域的位置,以便于用户能够及时抵达子区域对应的实际区域。
更近一步地,步骤SC1-步骤SC3可以是针对一个子区域,也可以是针对多个子区域,例如设置一个预设区域,该预设区域包含四个子区域。
进一步地,该预测方法还包括步骤SD1(图中未示出)-步骤SD4(图中未示出),其中:
步骤SD1、获取用户输入的时间信息和筛选类型,时间信息至少包括第一预设周期内的一个时间段;
步骤SD2、基于时间信息和筛选类型对每个子区域进行检索,得到重度区域,重度区域内为在所有时间段内符合筛选类型的既发案件数量大于等于第三阈值,且在每个时间段内均至少存在一个符合筛选类型的既发案件的子区域。
具体地,时间信息是由用户进行输入的,因此对于时间段的数量,本申请实施例不做具体限定。同时筛选类型可以为案件类型,也可以为建筑类型,还可以人流量。本申请实施例中以筛选类型为案件类型进行示例,以便于对本申请实施例的方法步骤进行更详细的阐述。同样地,对于第三阈值,本申请实施例中也不做出具体的限定,对于筛选类型的具体类型不同,则其对应的第三阈值也不同,例如为筛选类型为案件类型时,则第三阈值可以为20,当筛选类型为人流量时,第三阈值可以为1000人/小时。本申请实施例中以筛选类型为案件类型,第三阈值为20进行示例。
例如,用户输入的时间信息为A和B两个时间段,且输入的案件类型为涉毒类案件时,则对于一个子区域来说,其只有在A和B两个时间段内均有大于或的10个涉毒类型的既发案件时,该子区域才会被确定为重度区域。
步骤SD3、对每个重度区域进行标注;
步骤SD4、基于筛选信息和每个重度区域的位置信息和生成第二提示信息并输出。
进一步地,对于具体的第二提示信息的内容,本申请实施例不进行具体限定,只要便于对用户进行提示即可。对重度区域进行标注,可以采用重度区域区别于非重度区域的色彩进行显示。
进一步地,该预测方法还包括步骤SE1(图中未示出)-步骤SE4(图中未示出),其中:
步骤SE1、确定子区域内存在的预设身份人员的数量;
步骤SE2、判断预设身份人员的数量是否大于第四阈值。
具体地,电子设备能够基于预设的系统或者预设的网站或者数据库获取每个子区域内的人员信息,或者获取异常人员的身份信息和位置。对于预设身份,本申请实施例中不作出任何具体限定,例如可以为有过刑事犯罪或者被行政处罚过的人员;同样地,对于第四阈值本申请实施例中也不做具体限定。
步骤SE3、若是,则对子区域进行标记,并获取子区域内所有预设身份人员的身份信息;
步骤SE4、基于预设身份人员的身份信息以及子区域的位置信息生成第三提示信息并输出。
具体地,对于第三提示信息的具体内容,本申请实施例中不作出具体限定。
进一步地,该预测方法还包括步骤SF1(图中未示出)-步骤SF4(图中未示出),其中:
步骤SF1、获取目标区域中所有预设监控设备的设置位置信息;
步骤SF2、基于设置位置信息以及每个子区域关联的位置信息确定所有未设置监控设备的子区域为盲区区域;
步骤SF3、对于每个盲区区域,确定盲区区域内第二预设类型的既发案件的总数量;
步骤SF4、若总数量大于第五阈值,则生成第四提示信息并输出。
具体地,对于第五阈值和第四提示信息本申请实施例中均不作出具体限定。目标区域中可能会存在监控盲区,但是基于现实因素考虑有些地方可能并不适合放置监控设备,例如公共卫生间区域。盲区区域均会被统计,但是当盲区区域内的既发案件总数量大于第五阈值时,则说明盲区区域的治安不稳定,需要对用户进行提示。
在上述实施例中,电子设备能够确定高发区域、重度区域、密集区域、以及盲区区域,进而便于用户基于确定的这几个区域进行相应的警种警力的调度和安排,进而减少目标区域的案发率。同时,在本申请实施例中,同时进行高发区域、重度区域、密集区域、以及盲区区域的筛选,以确定高发区域、重度区域、密集区域、以及盲区区域中至少有两个区域重合的区域,进而相应地重合区域发生案件的几率会更大。
进一步地,电子设备还能够基于不同的案件类型之间的隐性关联,基于案件和地理特征之间的隐形关系以及案件与人流量之间的关系进一步确定发生安检几率较高的区域,从而进一步地便于用户针对性地布设警种警力。同样地,电子设备也可以基于这几个逻辑进行叠加筛选,进而可以给予目标区域的实际情况,确定出符合用户需求的区域。
上述实施例从方法流程的角度介绍一种案件的预测分析方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种案件的预测分析装置,具体详见下述实施例。
本申请实施例提供一种案件的预测分析装置,如图2所示,该装置具体可以包括既发案件获取模块201、图层创建模202、关联模块203、第一确定模块204以及高发区域确定模块205,其中:
既发案件获取模块201,用于获取目标区域在第一预设周期内所有的既发案件,每个既发案件关联有对应的案件类型和案发位置;
图层创建模202,用于在目标区域的电子地图上创建叠加图层,并将叠加图层划分为n个子区域;
关联模块203,用于将每个子区域与电子地图上对应区域的位置信息进行关联;
第一确定模块204,用于基于每个案发位置以及每个子区域对应的位置信息确定每个子区域内对应的所有既发案件;
高发区域确定模块205,用于确定第一预设案件类型的高发区域,高发区域为第一预设案件类型数量最多的子区域,或为第一预设案件类型数量超过第一阈值的子区域。
在一种可能实现的方式中,该装置200还包括:
地理特征获取模块,用于获取子区域的地理特征,地理特征包括建筑类型和每个建筑类型对应的位置信息;
第二确定模块,用于基于子区域内所有既发案件的案件类型和案发位置以及地理特征确定具备预设的隐形关系的案件类型和建筑类型;
关联模块,用于将具备隐形关系的案件类型和建筑类型进行关联。
在一种可能实现的方式中,该装置200还包括:
地理特征还包括人流量;
密集区域确定模块,用于确定对应的人流量大于等于第二阈值的子区域为密集区域;
预估模块,用于基于每个密集区域的建筑类型以及与建筑类型具备隐形关系的案件类型预估待发生案件的案件类型。
在一种可能实现的方式中,该装置200还包括:
每个既发案件还关联对应的发生时间;
第三确定模块,用于基于预设的案件类型之间的隐性关联,确定在第二预设周期内子区域内是否存在具备隐性关联的既发案件;
第一标记模块,将子区域进行标记;
第一输出模块,用于基于子区域的位置信息以及具备隐性关联的案件类型生成第一提示信息并输出。
在一种可能实现的方式中,该装置200还包括:
用户信息获取模块,用于获取用户输入的时间信息和筛选类型,时间信息至少包括第一预设周期内的一个时间段;
重度区域确定模块,基于时间信息和筛选类型对每个子区域进行检索,得到重度区域,重度区域内为在所有时间段内符合筛选类型的既发案件数量大于等于第三阈值,且在每个时间段内均至少存在一个符合筛选类型的既发案件的子区域;
标注模块,用于对每个重度区域进行标注;
第二输出模块,用于基于筛选信息和每个重度区域的位置信息和生成第二提示信息并输出。
在一种可能实现的方式中,该装置200还包括:
人员数量确定模块,用于确定子区域内存在的预设身份人员的数量注;
判断模块,用于判断预设身份人员的数量是否大于第四阈值;
第二标记模块,用于对子区域进行标记,并获取子区域内所有预设身份人员的身份信息;
第三输出模块,用于基于预设身份人员的身份信息以及子区域的位置信息生成第三提示信息并输出。
在一种可能实现的方式中,该装置200还包括:
位置信息获取模块,用于获取目标区域中所有预设监控设备的设置位置信息;
盲区区域确定模块,用于基于设置位置信息以及每个子区域关联的位置信息确定所有未设置监控设备的子区域为盲区区域;
总数量确定模块,用于对于每个盲区区域,确定盲区区域内第二预设类型的既发案件的总数量;
第四输出模块,生成第四提示信息并输出。
本申请实施例中提供了一种电子设备,如图3所示,图3所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(CentralProcessingUnit,中央处理器),通用处理器,DSP(DigitalSignalProcessor,数据信号处理器),ASIC(ApplicationSpecificIntegratedCircuit,专用集成电路),FPGA(FieldProgrammableGateArray,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(PeripheralComponentInterconnect,外设部件互连标准)总线或EISA(ExtendedIndustryStandardArchitecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(ReadOnlyMemory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(RandomAccessMemory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(ElectricallyErasableProgrammableReadOnlyMemory,电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种案件的预测分析方法,其特征在于,包括:
获取目标区域在第一预设周期内所有的既发案件,每个所述既发案件关联有对应的案件类型和案发位置;
在所述目标区域的电子地图上创建叠加图层,并将所述叠加图层划分为n个子区域,n为大于等于2的正整数;
将每个所述子区域与所述电子地图上对应区域的位置信息进行关联;
基于每个所述案发位置以及每个所述子区域对应的位置信息确定每个所述子区域内对应的所有既发案件;
确定第一预设案件类型的高发区域,所述高发区域为所述第一预设案件类型数量最多的子区域,或为所述第一预设案件类型数量超过第一阈值的子区域。
2.根据权利要求1所述的一种案件的预测分析方法,其特征在于,还包括:
对于每个所述子区域,获取所述子区域的地理特征,所述地理特征包括建筑类型和每个建筑类型对应的位置信息;
基于所述子区域内所有既发案件的案件类型和案发位置以及所述地理特征确定具备预设的隐形关系的案件类型和建筑类型;
将具备隐形关系的案件类型和建筑类型进行关联。
3.根据权利要求2所述的一种案件的预测分析方法,其特征在于,还包括:
所述地理特征还包括人流量;
确定对应的所述人流量大于等于第二阈值的子区域为密集区域;
基于每个所述密集区域的建筑类型以及与建筑类型具备隐形关系的案件类型预估待发生案件的案件类型。
4.根据权利要求1所述的一种案件的预测分析方法,其特征在于,还包括:
每个所述既发案件还关联对应的发生时间;
对于每个所述子区域,基于预设的案件类型之间的隐性关联,确定在第二预设周期内所述子区域内是否存在具备隐性关联的既发案件;
若存在,则将所述子区域进行标记;
基于所述子区域的位置信息以及具备隐性关联的案件类型生成第一提示信息并输出。
5.根据权利要求1所述的一种案件的预测分析方法,其特征在于,还包括:
获取用户输入的时间信息和筛选类型,所述时间信息至少包括所述第一预设周期内的一个时间段;
基于所述时间信息和筛选类型对每个所述子区域进行检索,得到重度区域,所述重度区域内为在所有所述时间段内符合筛选类型的既发案件数量大于等于第三阈值,且在每个所述时间段内均至少存在一个符合筛选类型的既发案件的子区域;
对每个所述重度区域进行标注;
基于筛选信息和每个所述重度区域的位置信息和生成第二提示信息并输出。
6.根据权利要求1所述的一种案件的预测分析方法,其特征在于,还包括:
确定所述子区域内存在的预设身份人员的数量;
判断所述预设身份人员的数量是否大于第四阈值;
若是,则对所述子区域进行标记,并获取所述子区域内所有预设身份人员的身份信息;
基于所述预设身份人员的身份信息以及所述子区域的位置信息生成第三提示信息并输出。
7.根据权利要求1所述的一种案件的预测分析方法,其特征在于,还包括:
获取所述目标区域中所有预设监控设备的设置位置信息;
基于所述设置位置信息以及每个所述子区域关联的位置信息确定所有未设置监控设备的子区域为盲区区域;
对于每个所述盲区区域,确定所述盲区区域内第二预设类型的既发案件的总数量;
若所述总数量大于第五阈值,则生成第四提示信息并输出。
8.一种案件的预测分析装置,其特征在于,包括:
既发案件获取模块,用于获取目标区域在第一预设周期内所有的既发案件,每个所述既发案件关联有对应的案件类型和案发位置;
图层创建模块,用于在所述目标区域的电子地图上创建叠加图层,并将所述叠加图层划分为n个子区域;
关联模块,用于将每个所述子区域与所述电子地图上对应区域的位置信息进行关联;
第一确定模块,用于基于每个所述案发位置以及每个所述子区域对应的位置信息确定每个所述子区域内对应的所有既发案件;
高发区域确定模块,用于确定第一预设案件类型的高发区域,所述高发区域为所述第一预设案件类型数量最多的子区域,或为所述第一预设案件类型数量超过第一阈值的子区域。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1-7中任一项所述案件的预测分析方法。
10.一种计算机可读存储介质,其特征在于,包括:存储有能够被处理器加载并执行如权利要求1-7中任一种案件的预测分析方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210315880.6A CN114418244B (zh) | 2022-03-29 | 2022-03-29 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210315880.6A CN114418244B (zh) | 2022-03-29 | 2022-03-29 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418244A true CN114418244A (zh) | 2022-04-29 |
CN114418244B CN114418244B (zh) | 2022-07-08 |
Family
ID=81263226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210315880.6A Active CN114418244B (zh) | 2022-03-29 | 2022-03-29 | 一种案件的预测分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418244B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361658A (zh) * | 2014-09-30 | 2015-02-18 | 北京锐安科技有限公司 | 一种区域内各场所人口信息的检测方法和装置 |
CN108074018A (zh) * | 2017-12-27 | 2018-05-25 | 福建威盾科技有限公司 | 一种基于gis城市人员空间分布的预警分析方法 |
CN109063887A (zh) * | 2018-06-13 | 2018-12-21 | 中国华戎科技集团有限公司 | 一种犯罪热点预测方法及系统 |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
CN110750609A (zh) * | 2019-10-14 | 2020-02-04 | 浙江警察学院 | 基于时空数据和神经网络的犯罪案件数量预测方法 |
CN110751080A (zh) * | 2019-10-16 | 2020-02-04 | 浙江大华技术股份有限公司 | 异常人员的聚集预警方法、系统及相关装置 |
CN111597461A (zh) * | 2020-05-08 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种目标对象聚集预测方法、装置以及电子设备 |
CN112598183A (zh) * | 2020-12-26 | 2021-04-02 | 深圳市八方通达科技有限公司 | 一种基于区块链的犯罪预测方法、系统及存储介质 |
CN113762599A (zh) * | 2021-08-11 | 2021-12-07 | 浙江工业大学 | 一种基于深度时空残差神经网络的短时犯罪预测方法 |
-
2022
- 2022-03-29 CN CN202210315880.6A patent/CN114418244B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361658A (zh) * | 2014-09-30 | 2015-02-18 | 北京锐安科技有限公司 | 一种区域内各场所人口信息的检测方法和装置 |
CN108074018A (zh) * | 2017-12-27 | 2018-05-25 | 福建威盾科技有限公司 | 一种基于gis城市人员空间分布的预警分析方法 |
CN109063887A (zh) * | 2018-06-13 | 2018-12-21 | 中国华戎科技集团有限公司 | 一种犯罪热点预测方法及系统 |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
CN110750609A (zh) * | 2019-10-14 | 2020-02-04 | 浙江警察学院 | 基于时空数据和神经网络的犯罪案件数量预测方法 |
CN110751080A (zh) * | 2019-10-16 | 2020-02-04 | 浙江大华技术股份有限公司 | 异常人员的聚集预警方法、系统及相关装置 |
CN111597461A (zh) * | 2020-05-08 | 2020-08-28 | 北京百度网讯科技有限公司 | 一种目标对象聚集预测方法、装置以及电子设备 |
CN112598183A (zh) * | 2020-12-26 | 2021-04-02 | 深圳市八方通达科技有限公司 | 一种基于区块链的犯罪预测方法、系统及存储介质 |
CN113762599A (zh) * | 2021-08-11 | 2021-12-07 | 浙江工业大学 | 一种基于深度时空残差神经网络的短时犯罪预测方法 |
Non-Patent Citations (4)
Title |
---|
PANAGIOTIS STALIDIS等: "Examining Deep Learning Architecture for Crime Classification and Prediction", 《FORECASTING》 * |
PANAGIOTIS STALIDIS等: "Examining Deep Learning Architecture for Crime Classification and Prediction", 《FORECASTING》, vol. 3, no. 4, 12 October 2021 (2021-10-12), pages 741 - 762 * |
徐冲等: "DP半岛街头抢劫犯罪案件热点时空模式", 《地理学报》 * |
徐冲等: "DP半岛街头抢劫犯罪案件热点时空模式", 《地理学报》, vol. 68, no. 12, 31 December 2013 (2013-12-31), pages 1714 - 1723 * |
Also Published As
Publication number | Publication date |
---|---|
CN114418244B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10438308B2 (en) | Systems and methods for identifying entities using geographical and social mapping | |
Piza et al. | Analyzing the influence of micro-level factors on CCTV camera effect | |
US9412141B2 (en) | Systems and methods for identifying entities using geographical and social mapping | |
Levine | Crime mapping and the Crimestat program | |
Lu et al. | On the false alarm of planar K-function when analyzing urban crime distributed along streets | |
Kuo et al. | Using geographical information systems to organize police patrol routes effectively by grouping hotspots of crash and crime data | |
Kim | Examining the relationship between the structural characteristics of place and crime by imputing census block data in street segments: Is the pain worth the gain? | |
Andresen | Testing for similarity in area-based spatial patterns: A nonparametric Monte Carlo approach | |
WO2014150987A1 (en) | Systems and methods for identifying entites using geographical and social mapping | |
Connealy et al. | The criminogenic effect of marijuana dispensaries in Denver, Colorado: A microsynthetic control quasi-experiment and cost-benefit analysis | |
Zhang et al. | Issues in the aggregation and spatial analysis of neighborhood crime | |
Zhang et al. | Analysis of street crime predictors in web open data | |
CN111367906B (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
Drawve et al. | A research note on the methodological and theoretical considerations for assessing crime forecasting accuracy with the predictive accuracy index | |
Calacci et al. | The tradeoff between the utility and risk of location data and implications for public good | |
Fahad et al. | Developing a Geospatial Framework for Severe Occupational Injuries Using Moran’s I and Getis-Ord Gi* Statistics for Southeastern United States | |
Jubit et al. | Analyzing the spatial temporal of property crime hot spots. A case study of Kuching, Sarawak | |
Eman et al. | Crime mapping for the purpose of policing in slovenia-recent developments | |
CN114418244B (zh) | 一种案件的预测分析方法、装置、电子设备及存储介质 | |
di Bella et al. | Smart Security: Integrated systems for security policies in urban environments | |
Wo et al. | Unintended consequences? The effects of neighbourhood walkability on crime in nine US cities | |
Goodman | Environmental Justice and GIS: A Comparison of Three GIS Methods for Estimating Vulnerable Population Exposed to Brownfield Pollution in Portland, Oregon | |
Mikusz et al. | Next generation physical analytics for digital signage | |
Tao et al. | Detecting clustering scales with the incremental K-function: comparison tests on actual and simulated geospatial datasets | |
Spadon et al. | Complex-network tools to understand the behavior of criminality in urban areas |
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 |