基于犯罪數據的預測理論與技術的研究.pdf

1、目前,犯罪數據(Crime data)的搜集、挖掘和相關數據庫系統(tǒng)的建設引起了各國安全部門的重視。犯罪數據的分析與挖掘旨在發(fā)現犯罪活動規(guī)律以及分析犯罪行為,并從中預測某地區(qū)犯罪量趨勢和犯罪危害程度,從而協(xié)助破案,更好地打擊、遏制犯罪。因此,將數據挖掘技術有效地應用于公安的犯罪分析勢在必行。
　　 犯罪預測的研究主要集中在以下兩方面:第一,通過對地區(qū)犯罪量進行分析,推導該地區(qū)的犯罪趨勢,即定量預測。第二,通過對犯罪數據的分析,研究

2、犯罪特性,即定性推導。本文將根據犯罪數據自身的特點,針對現有時間序列預測方法不能同時兼顧擬合和泛化的特點,引入了提升思想,對不同方法動態(tài)賦予權值,并提出了一種基于數據驅動的可動態(tài)優(yōu)化組合預測方法,用于地區(qū)犯罪量預測；同時針對犯罪特性存在冗余屬性,且不同特征屬性在犯罪類別中重要度不同,提出一種基于貝葉斯的犯罪特征預測方法,該方法通過對不同屬性賦予權值,篩選噪音屬性獲得特征屬性子集,并構建不同類型犯罪的貝葉斯網,用于預測不同時間段何種犯罪發(fā)

3、生、發(fā)生的地點及危害程度等。本文所做的工作和取得的成果主要體現在下面三個方面:
　　 (1)通過對現有犯罪預測方法的分析,發(fā)現以往用于犯罪的時間預測方法存在難以協(xié)調擬合和泛化關系、部分犯罪特征屬性不具有代表性、構建一個犯罪特征貝葉斯網的復雜度高等局限。
　　 (2)提出了一種基于數據驅動的可動態(tài)優(yōu)化的組合預測方法。該方法綜合ARIMA、VAR及SVM的優(yōu)點,引入提升思想,采用后驗概率為每個模型賦予權重,并結合誤差最小原則

4、動態(tài)調整權重,確定整個預測方法。它避免了傳統(tǒng)單一預測模型在預測犯罪量上難以協(xié)調擬合和泛化關系,造成預測率低的影響。實驗結果表明,該方法具有較高的預測精度和穩(wěn)定性,能滿足短時犯罪量預測的需要。
　　 (3)提出一種基于貝葉斯網的犯罪特征預測方法,用于預測犯罪高發(fā)時段可能發(fā)生何種類型犯罪及危害程度。針對犯罪數據屬性較多,存在構建犯罪特征的貝葉斯網的時間復雜度高和結構復雜問題,首先采用k-means聚類將數據庫中的犯罪數據劃分為不同類

5、型犯罪,接著對不同類型犯罪中的屬性進行賦值,抽取大于特定閾值的屬性作為貝葉斯網分析的特征屬性,刪除異常屬性,最后構建犯罪特性的貝葉斯網絡,用于犯罪特性預測。通過實驗表明,該方法可以有效預測不同時間段會有何種類型犯罪發(fā)生。
　　 (4)提出了犯罪預測風險模型。該模型首先利用可動態(tài)優(yōu)化組合預測方法對犯罪態(tài)勢進行預測,然后利用貝葉斯網對犯罪態(tài)勢高發(fā)時段進行分析,預測可能發(fā)生何種危害程度的犯罪,實驗結果表明,該方法能有效的提高犯罪特征預