再犯罪风险评估方法、装置、计算机设备及可读存储介质制造方法及图纸

本申请实施例提供了再犯罪风险评估方法、装置、计算机设备及可读存储介质，涉及数据处理领域，通过获取多个服刑人员的犯罪关联数据；对犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据；利用包含预设关键因子的犯罪关联数据训练基础机器学习模型，得到再犯罪预测模型；将待测人员的犯罪关联数据输入到再犯罪预测模型中，得到再犯罪预测数值；对再犯罪预测数值进行值域变换，得到再犯罪评估类别，通过建立再犯罪预测模型，为司法部门早期识别服刑人员的再犯罪风险提供科学依据，并提前采取预防措施，通过对再犯罪预测数值进行值域变换，使得模型输出结果更为准确。使得模型输出结果更为准确。使得模型输出结果更为准确。

【技术实现步骤摘要】
再犯罪风险评估方法、装置、计算机设备及可读存储介质


[0001]本申请涉及数据处理领域，尤其涉及一种再犯罪风险评估方法、装置、计算机设备及可读存储介质。

技术介绍

[0002]刑满释放人员出狱回归社会后是否会再次犯罪一直是困扰各国司法体系的重要问题，且刑满释放人员出狱后若再次犯罪，会对社会的稳定造成不良影响。
[0003]目前，传统的再犯罪风险评估方法需要有经验丰富的民警结合罪犯日常改造表现和出狱前进行的相关量表测试进行主观判断，此种方式并不适合缺少工作经验的民警和社区矫正参与人员。
[0004]因此，目前亟需一种对再犯罪风险进行评估的方法，能够及时预防再犯罪的行为发生。

技术实现思路

[0005]为了解决上述技术问题，本申请实施例提供了一种再犯罪风险评估方法、装置、计算机设备及可读存储介质。
[0006]第一方面，本申请实施例提供了一种再犯罪风险评估方法，所述方法包括：
[0007]获取多个服刑人员的犯罪关联数据，犯罪关联数据至少包括历史犯罪特征和再犯罪状态，服刑人员的再犯罪状态包括是和否中的任一种；
[0008]对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据；
[0009]利用所述包含预设关键因子的犯罪关联数据训练机器学习模型，得到再犯罪预测模型；
[0010]将待测人员的犯罪关联数据输入到所述再犯罪预测模型中，得到再犯罪预测数值；
[0011]对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别。
[0012]根据本申请公开的一种具体实施方式，所述犯罪关联数据至少包括历史犯罪特征和再犯罪状态，服刑人员的再犯罪状态包括是和否中的任一种的步骤，包括：
[0013]根据所述再犯罪状态确定所述服刑人员是否存在再犯罪行为；
[0014]若所述服刑人员存在再犯罪行为记录，则标记为阳性样本；
[0015]若所述服刑人员不存在再犯罪行为记录，则标记为阴性样本；
[0016]计算所述阳性样本的再犯罪时间间隔，获取所述阴性样本的离监时间；
[0017]根据预设的时间窗和所述离监时间对所述阴性样本进行时间窗分割，根据预设的时间窗和所述再犯罪时间间隔对所述阳性样本进行时间分割，得到不同时间窗下的犯罪关联数据。
[0018]根据本申请公开的一种具体实施方式，所述对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据的步骤，包括：
[0019]对所述犯罪关联数据进行清洗处理，得到第一初始数据集；
[0020]对所述第一初始数据集进行插补处理，得到第二初始数据集；
[0021]从所述第二初始数据集中提取预设关键因子；
[0022]将所述预设关键因子整合，得到包含预设关键因子的犯罪关联数据。
[0023]根据本申请公开的一种具体实施方式，所述对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别的步骤，包括：
[0024]将再犯罪预测数值根据预设阈值进行分组，将小于所述预设阈值的再犯罪预测数值划分为n
i
，将大于或者等于所述预设阈值的再犯罪预测数值划分为p
i
；
[0025]将所述n
i
和p
i
进行目标值域的变化处理，得到和
[0026]将和作为最终预测结果进行输出；
[0027]若最终预测结果为则确定所述服刑人员的再犯罪风险为高；
[0028]若最终预测结果为则确定所述服刑人员的再犯罪风险为低；
[0029]其中，所述变化处理的公式为：
[0030]N＝{n
i
}P＝{p
i
}，
[0031][0032][0033]根据本申请公开的一种具体实施方式，所述对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别的步骤之后，还包括：
[0034]将所述再犯罪评估类别结合模型可解释性算法生成关键因子的评估图像，并根据所述评估图像评估服刑人员的再犯罪风险。
[0035]根据本申请公开的一种具体实施方式，所述根据所述评估图像评估服刑人员的再犯罪风险的步骤，包括：
[0036]根据评估图像获取不同时间窗下各关键因子对于再犯罪风险的影响力；
[0037]根据所述不同时间窗下各关键因子对于再犯罪风险的影响力，对再犯罪风险进行评估；
[0038]若所述影响力为正向作用，则评估该关键因子使所述服刑人员的再犯罪风险降低；
[0039]若所述影响力为负向作用，则评估该关键因子使所述服刑人员的再犯罪风险升高。
[0040]第二方面，本申请实施例提供了一种再犯罪风险评估装置，所述装置包括：
[0041]数据获取模块，用于获取多个服刑人员的犯罪关联数据，犯罪关联数据至少包括历史犯罪特征和再犯罪状态，服刑人员的再犯罪状态包括是和否中的任一种；
[0042]数据处理模块，用于对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据；
[0043]模型构建模块，用于利用所述包含预设关键因子的犯罪关联数据训练机器学习模型，得到再犯罪预测模型；
[0044]结果预测模块，用于将待测人员的犯罪关联数据输入到所述再犯罪预测模型中，得到再犯罪预测数值；
[0045]值域变化模块，用于对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别。
[0046]根据本申请公开的一种具体实施方式，所述数据获取模块具体用于：
[0047]根据所述再犯罪状态确定所述服刑人员是否存在再犯罪行为；
[0048]若所述服刑人员存在再犯罪行为记录，则标记为阳性样本；
[0049]若所述服刑人员不存在再犯罪行为记录，则标记为阴性样本；
[0050]计算所述阳性样本的再犯罪时间间隔，获取所述阴性样本的离监时间；
[0051]根据预设的时间窗和所述离监时间对所述阴性样本进行时间窗分割，根据预设的时间窗和所述再犯罪时间间隔对所述阳性样本进行时间分割，得到不同时间窗下的犯罪关联数据。
[0052]第三方面，本申请实施例提供了一种再犯罪风险评估设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的再犯罪风险评估方法。
[0053]第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的再犯罪风险评估方法。
[0054]上述本申请提供的再犯罪风险评估方法，通过获取多个服刑人员的犯罪关联数据；对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据；利用所述包含预设关键因子的犯罪关联数据训练机器学习模型，得到再犯罪预测模型；将待测人员的犯罪关联数据输入到所述再犯罪预测模型中，得到再犯罪预测数值；对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别，通过建立再犯罪预测模型，为司法部门早期识别服刑人员的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种再犯罪风险评估方法，其特征在于，所述方法包括：获取多个服刑人员的犯罪关联数据，犯罪关联数据至少包括历史犯罪特征和再犯罪状态，服刑人员的再犯罪状态包括是和否中的任一种；对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据；利用所述包含预设关键因子的犯罪关联数据训练机器学习模型，得到再犯罪预测模型；将待测人员的犯罪关联数据输入到所述再犯罪预测模型中，得到再犯罪预测数值；对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别。2.根据权利要求1所述的方法，其特征在于，所述犯罪关联数据至少包括历史犯罪特征和再犯罪状态，服刑人员的再犯罪状态包括是和否中的任一种的步骤，包括：根据所述再犯罪状态确定所述服刑人员是否存在再犯罪行为；若所述服刑人员存在再犯罪行为记录，则标记为阳性样本；若所述服刑人员不存在再犯罪行为记录，则标记为阴性样本；计算所述阳性样本的再犯罪时间间隔，获取所述阴性样本的离监时间；根据预设的时间窗和所述离监时间对所述阴性样本进行时间窗分割，根据预设的时间窗和所述再犯罪时间间隔对所述阳性样本进行时间分割，得到不同时间窗下的犯罪关联数据。3.根据权利要求1所述的方法，其特征在于，所述对所述犯罪关联数据进行预处理，生成包含预设关键因子的犯罪关联数据的步骤，包括：对所述犯罪关联数据进行清洗处理，得到第一初始数据集；对所述第一初始数据集进行插补处理，得到第二初始数据集；从所述第二初始数据集中提取预设关键因子；将所述预设关键因子整合，得到包含预设关键因子的犯罪关联数据。4.根据权利要求1所述的方法，其特征在于，所述对所述再犯罪预测数值进行值域变换，得到再犯罪评估类别的步骤，包括：将再犯罪预测数值根据预设阈值进行分组，将小于所述预设阈值的再犯罪预测数值划分为n
i
，将大于或者等于所述预设阈值的再犯罪预测数值划分为p
i
；将所述n
i
和p
i
进行目标值域的变化处理，得到和将和作为最终预测结果进行输出；若最终预测结果为则确定所述服刑人员的再犯罪风险为高；若最终预测结果为则确定所述服刑人员的再犯罪风险为低；其中，所述变化处理的公式为：N＝{n
i
}P＝{p
i
...

【专利技术属性】
技术研发人员：张伟，穆笛，朱婷，何行知，姚佳，王竹梅，庭承怡，周勇，
申请(专利权)人：四川省监狱管理局，
类型：发明
国别省市：