一种犯罪嫌疑概率预测的方法和系统技术方案

本发明专利技术提供一种犯罪嫌疑概率预测的方法，包括获取待测人员的相关信息，根据相关信息，确定待测人员对应的前科类型，以及每一前科类型对应指定指标筛选出的相关历史数据；确定检测时间，并根据相关历史数据，给每一前科类型中各指定指标均进行数值化赋值；设置特征向量由指定指标中全部指标形成，并根据特征向量及各指定指标的赋值，得到每一前科类型的训练样本库；将每一前科类型的训练样本库的分类属性均划分为1和0，并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用logistic回归模型进行拟合，获得待测人员的各前科类型的犯罪概率。实施本发明专利技术，能够准确预测出待测人员的犯罪类型及犯罪概率，为公安干警重点排查提供现场指导。

【技术实现步骤摘要】

本专利技术涉及公安犯罪预测
，尤其涉及一种犯罪嫌疑概率预测的方法和系统。
技术介绍
目前，我国正处于公安信息化和“情报信息主导警务”深入发展的关键时期，在整个“情报信息主导警务”的工作模式中，犯罪情报的分析及研判为核心，犯罪预测则为重中之重。通常，犯罪预测的研究主要采取实证的方法，通过调查、数据收集、分析、归纳，得出重要的相关因子，从而揭示犯罪发生的规律。现有技术中，国内犯罪预测主要采用数理分析的方法，包括回归分析法、灰色系统理论分析法和最优组合分析法等，但这些方法都多数偏重宏观预测领域，未能偏重微观预测领域，无法针对具体人物的信息和行动轨迹给出犯罪类型及其对应的概率大小，从而对民警日常工作缺乏良好的辅助作用。因此，亟需一种犯罪嫌疑概率预测的方法和，能够具体涉及到个人，准确预测出待测人员的犯罪类型及犯罪概率，为公安干警重点排查提供现场指导。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种犯罪嫌疑概率预测的方法和系统，能够准确预测出待测人员的犯罪类型及犯罪概率，为公安干警重点排查提供现场指导。为了解决上述技术问题，本专利技术实施例提供了一种犯罪嫌疑概率预测的方法，所述方法包括：S1、获取待测人员的相关信息，且根据所述获取到的待测人员的相关信息，从预设的信息库中确定所述待测人员对应的前科类型，以及由每一前科类型分别对应指定指标筛选出的相关历史数据；S2、确定检测时间，并根据所述确定的每一前科类型分别对应指定指标筛选出的相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值化赋值；S3、设置特征向量由所述指定指标中全部指标形成，并根据所述形成的特征向量以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的训练样本库；S4、将所述得到的每一前科类型的训练样本库的分类属性均划分为1和0，并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用logistic回归模型进行拟合，获得所述待测人员对应各前科类型的犯罪概率；其中，所述分类属性为1时表示犯罪，所述分类属性为0时表示不犯罪。其中，所述步骤S1中的“待测人员的相关信息”具体包括待测人员的文化程度、从事职业、民族、年龄、婚姻状况和身高。其中，所述步骤S2具体包括：当给每一前科类型中指定指标为前科次数进行数值化赋值时，计算出各前科类型中每一前科次数距离所述检测时间的间隔时长，并根据所述计算出的各前科类型中每一前科次数距离所述检测时间的间隔时长，获得各前科类型中每一前科次数分别对应的初始赋值；当所述前科次数为1时，将所述获得的各前科类型中前科次数为1时对应的初始赋值作为其对应前科次数的最终赋值；当所述前科次数大于1时，将同一前科类型中所述获得的每一前科次数分别对应的初始赋值进行累加，并根据同一前科类型中所述每一前科次数分别对应的初始赋值进行累加后的值，得到各前科类型分别对应前科次数的最终赋值。其中，所述步骤S2具体还包括：当给每一前科类型中指定指标为高危时段上网次数进行数值化赋值时，确定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子上网的比例及正常非犯罪人员上网的比例；根据所述统计出的各前科类型分别对应犯罪分子上网的比例及正常非犯罪人员上网的比例，得到各前科类型中高危时段上网次数对应的最终赋值。其中，所述步骤S2具体还包括：当给每一前科类型中指定指标为高危时段入住次数进行数值化赋值时，确定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子入住的比例及正常非犯罪人员入住的比例；根据所述统计出的各前科类型分别对应犯罪分子入住的比例及正常非犯罪人员入住的比例，得到各前科类型中高危时段入住次数对应的最终赋值。其中，所述方法进一步包括：在所述获得的待测人员对应各前科类型的犯罪概率上，分别对应赋予加权因子，并计算出赋予加权因子后各前科类型的犯罪概率进行累加的值，且进一步将所述计算出的累加值作为所述待测人员的综合犯罪指标。本专利技术实施例还提供了一种犯罪嫌疑概率预测的系统，所述系统包括：历史数据获取单元，用于获取待测人员的相关信息，且根据所述获取到的待测人员的相关信息，从预设的信息库中确定所述待测人员对应的前科类型，以及由每一前科类型分别对应指定指标筛选出的相关历史数据；历史数据赋值单元，用于确定检测时间，并根据所述确定的每一前科类型分别对应指定指标筛选出的相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值化赋值；训练样本库形成单元，用于设置特征向量由所述指定指标中全部指标形成，并根据所述形成的特征向量以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的训练样本库；犯罪概率预测单元，用于将所述得到的每一前科类型的训练样本库的分类属性均划分为1和0，并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用logistic回归模型进行拟合，获得所述待测人员对应各前科类型的犯罪概率；其中，所述分类属性为1时表示犯罪，所述分类属性为0时表示不犯罪。其中，所述历史数据赋值单元包括：前科次数赋值模块，用于当给每一前科类型中指定指标为前科次数进行数值化赋值时，计算出各前科类型中每一前科次数距离所述检测时间的间隔时长，并根据所述计算出的各前科类型中每一前科次数距离所述检测时间的间隔时长，获得各前科类型中每一前科次数分别对应的初始赋值；当所述前科次数为1时，将所述获得的各前科类型中前科次数为1时对应的初始赋值作为其对应前科次数的最终赋值；当所述前科次数大于1时，将同一前科类型中所述获得的每一前科次数分别对应的初始赋值进行累加，并根据同一前科类型中所述每一前科次数分别对应的初始赋值进行累加后的值，得到各前科类型分别对应前科次数的最终赋值。其中，所述历史数据赋值单元还包括：高危时段上网次数赋值模块，用于当给每一前科类型中指定指标为高危时段上网次数进行数值化赋值时，确定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子上网的比例及正常非犯罪人员上网的比例；根据所述统计出的各前科类型分别对应犯罪分子上网的比例及正常非犯罪人员上网的比例，得到各前科类型中高危时段上网次数对应的最终赋值。其中，所述历史数据赋值单元还包括：高危时段入住次数赋值模块，用于当给每一前科类型中指定指标为高危时段入住次数进行数值化赋值时，确定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子入住的比例及正常非犯罪人员入住的比例；根据所述统计出的各前科类型分别对应犯罪分子入住的比例及正常非犯罪人员入住的比例，得到各前科类型中高危时段入住次数对应的最终赋值。实施本专利技术实施例，具有如下有益效果：在本专利技术实施例中，由于通过待测人员的相关信息检索到其对应每一种前科类型的历史数据，并根据输入当前检测时间的具体时段，从每一种前科类型中的指定指标(如前科次数、本文档来自技高网...

【技术保护点】
一种犯罪嫌疑概率预测的方法，其特征在于，所述方法包括：S1、获取待测人员的相关信息，且根据所述获取到的待测人员的相关信息，从预设的信息库中确定所述待测人员对应的前科类型，以及由每一前科类型分别对应指定指标筛选出的相关历史数据；S2、确定检测时间，并根据所述确定的每一前科类型分别对应指定指标筛选出的相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值化赋值；S3、设置特征向量由所述指定指标中全部指标形成，并根据所述形成的特征向量以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的训练样本库；S4、将所述得到的每一前科类型的训练样本库的分类属性均划分为1和0，并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用logistic回归模型进行拟合，获得所述待测人员对应各前科类型的犯罪概率；其中，所述分类属性为1时表示犯罪，所述分类属性为0时表示不犯罪。

【技术特征摘要】
1.一种犯罪嫌疑概率预测的方法，其特征在于，所述方法包括：
S1、获取待测人员的相关信息，且根据所述获取到的待测人员的相关信息，
从预设的信息库中确定所述待测人员对应的前科类型，以及由每一前科类型分
别对应指定指标筛选出的相关历史数据；
S2、确定检测时间，并根据所述确定的每一前科类型分别对应指定指标筛
选出的相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值化
赋值；
S3、设置特征向量由所述指定指标中全部指标形成，并根据所述形成的特
征向量以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的训练
样本库；
S4、将所述得到的每一前科类型的训练样本库的分类属性均划分为1和0，
并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用
logistic回归模型进行拟合，获得所述待测人员对应各前科类型的犯罪概率；其
中，所述分类属性为1时表示犯罪，所述分类属性为0时表示不犯罪。
2.如权利要求1所述的方法，其特征在于，所述步骤S1中的“待测人员
的相关信息”具体包括待测人员的文化程度、从事职业、民族、年龄、婚姻状
况和身高。
3.如权利要求1所述的方法，其特征在于，所述步骤S2具体包括：
当给每一前科类型中指定指标为前科次数进行数值化赋值时，计算出各前
科类型中每一前科次数距离所述检测时间的间隔时长，并根据所述计算出的各
前科类型中每一前科次数距离所述检测时间的间隔时长，获得各前科类型中每
一前科次数分别对应的初始赋值；
当所述前科次数为1时，将所述获得的各前科类型中前科次数为1时对应
的初始赋值作为其对应前科次数的最终赋值；
当所述前科次数大于1时，将同一前科类型中所述获得的每一前科次数分

\t别对应的初始赋值进行累加，并根据同一前科类型中所述每一前科次数分别对
应的初始赋值进行累加后的值，得到各前科类型分别对应前科次数的最终赋值。
4.如权利要求1所述的方法，其特征在于，所述步骤S2具体还包括：
当给每一前科类型中指定指标为高危时段上网次数进行数值化赋值时，确
定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应
犯罪分子上网的比例及正常非犯罪人员上网的比例；
根据所述统计出的各前科类型分别对应犯罪分子上网的比例及正常非犯罪
人员上网的比例，得到各前科类型中高危时段上网次数对应的最终赋值。
5.如权利要求1所述的方法，其特征在于，所述步骤S2具体还包括：
当给每一前科类型中指定指标为高危时段入住次数进行数值化赋值时，确
定所述检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应
犯罪分子入住的比例及正常非犯罪人员入住的比例；
根据所述统计出的各前科类型分别对应犯罪分子入住的比例及正常非犯罪
人员入住的比例，得到各前科类型中高危时段入住次数对应的最终赋值。
6.如权利要求1所述的方法，其特征在于，所述方法进一步包括：
在所述获得的待测人员对应各前科类型的犯罪概率上，分别对应赋予加权
因子，并计算出赋予...

【专利技术属性】
技术研发人员：刘世华，杜益虹，叶展翔，张雅洁，
申请(专利权)人：温州职业技术学院，
类型：发明
国别省市：浙江;33