基于服刑人员行为特征集成学习模型的危险倾向预测方法技术

本发明专利技术涉及计算机智能信息处理中的大数据处理技术，尤其涉及基于服刑人员行为特征集成学习模型的危险倾向预测方法，包括：采集服刑人员的监测数据，对数据进行预处理，对没有极端行为倾向和存在具体极端行为倾向的数据进行相应的类别标记；将有标记的数据作为训练集，利用dispatching集成学习算法在训练集上训练得到一个由多个分类模型组成的集成学习模型。然后用该集成学习模型对未标记类别的数据进行预测、分类。本发明专利技术的有益效果在于：本发明专利技术的基于dispatching集成学习算法的预测方法通过生成多个有差别的分类模型并对它们的分类结果进行融合，能够克服只用一个分类模型时存在的稳定性差的缺陷，分类精度高，分类稳定性好，预警准确度高。

【技术实现步骤摘要】
基于服刑人员行为特征集成学习模型的危险倾向预测方法
本专利技术涉及计算机智能信息处理中的大数据处理技术，尤其涉及基于服刑人员行为特征集成学习模型的危险倾向预测方法。
技术介绍
随着监狱信息化的发展，建设了包括罪犯狱政管理系统、刑法执行系统、生活卫生系统、亲情电话系统、会见管理系统、心理咨询系统等一大批罪犯管理业务系统,以及包括视频监控系统、门禁系统、报警系统、数字电网、外来车辆人员进出管理系统、应急指挥辅助决策系统等一大批安全防范系统。这些系统的建设为监狱狱情的收集、分析、研判提供了大量的、有效的基础性数据。在监狱狱情分析过程中，一项关键任务是对服刑人员可能发生的极端行为倾向(如逃脱、自杀、施暴、破坏等)进行分析预警，然而现在对以上提到的业务系统产生的数据还没有进行有效的处理和利用。目前在监狱管理中只是提出简单的罪犯分类的方法，即根据刑期对服刑人员做简单的分类，并且对服刑人员可能发生的极端行为进行分析预警时还存在一些不足之处。对于现有的分类方法，还存在以下不足:(1)对服刑人员进行分类时，没有考虑到服刑人员可能存在的各种类型的极端行为倾向，如逃脱、自杀、施暴、破坏等。即对要进行预测的本文档来自技高网...

【技术保护点】
基于服刑人员行为特征集成学习模型的危险倾向预测方法，其特征在于包括： 1)数据采集：采集服刑人员的档案信息存入数据中心；将业务系统采集的信息输送到数据中心；数据中心对接收到的信息进行分类存储； 2)数据预处理：调用数据中心分类存储的数据，对所有服刑人员均构建基础特征项，对基础特征项进行数值化预处理，使每个服刑人员得到一个由若干属性组成的元组；具有极端行为的服刑人员，根据极端行为类别在元组中标记； 3)对预处理后的数据采用Dispatching集成学习算法生成集成学习模型并进行服刑人员极端行为倾向预测，并根据预测结果进行预警。

【技术特征摘要】
1.基于服刑人员行为特征集成学习模型的危险倾向预测方法，其特征在于包括：1)数据采集：采集服刑人员的档案信息存入数据中心；将业务系统采集的信息输送到数据中心；数据中心对接收到的信息进行分类存储；2)数据预处理：调用数据中心分类存储的数据，对所有服刑人员均构建基础特征项，对基础特征项进行数值化预处理，使每个服刑人员得到一个由若干属性组成的元组；具有极端行为的服刑人员，根据极端行为类别在元组中标记；3)对预处理后的数据采用Dispatching集成学习算法生成集成学习模型并进行服刑人员极端行为倾向预测，并根据预测结果进行预警，具体包括以下步骤：3.1)训练阶段：将被标记的元组集合作为训练集Dtr＝{X1,X2,...,XM}，使用Dispatching集成学习算法对训练集进行hoisting有放回的随机抽样，得到训练集的若干个有差异的样例子集，Dtr_1,Dtr_2,...,Dtr_T，(T＞1)；然后在每个样例子集Dtr_j(j＝1,2,...,T)上调用学习算法Learn生成一个分类模型Ci；最后将这些分类模型组合起来得到一个集成学习模型ES＝{C1,C2,...,CT}；3.2)预测阶段：将未被标记的元组集合作为测试集Dts＝{X1,X2,...,XS}，使用训练阶段得到的集成学习模型ES对测试集Dts进行预测：对测试集中每个元组Xj(j＝1,2,...,S)，集成学习模型ES首先用每个分类模型Ci(i＝1,2,...,T)对该元组的类别进行预测，从而得到...

【专利技术属性】
技术研发人员：金晓东，孙博，黄步添，施政，王建东，方黎明，
申请(专利权)人：杭州华亭科技有限公司，
类型：发明
国别省市：浙江;33