融合静态属性和动态轨迹的盗窃前科人员分类研究

发布时间：2021-08-14 21:25

　　以往犯罪前科人员分类研究,通常基于历史犯罪信息中的静态属性信息,而忽略了对动态轨迹信息的利用,且缺乏专门针对盗窃前科人员再犯罪风险预测的研究.基于上述以往研究的不足,本文研究融合静态属性和动态轨迹的盗窃前科人员初犯/累犯分类.构建了融合静态属性和动态轨迹的长时间跨度盗窃前科人员分类数据集,然后探索和对比多种不同类型机器学习模型在该数据集上对盗窃前科人员的分类性能,提炼出与盗窃前科人员分类最相关的特征;基于上述分析结果,提出基于加权关联规则的盗窃犯罪人员预警模型.本文的相关研究成果可以应用于盗窃犯罪的预警工作中,对犯罪打击和安全防范工作具有一定的现实意义. 

【文章来源】：北京理工大学学报. 2020,40(01)北大核心EICSCD

【文章页数】：7 页

【文章目录】：
1 融合静态属性和动态轨迹的盗窃前科人员分类数据集
    1.1 数据集及特征选择
    1.2 数据处理
2 盗窃前科人员分类模型与性能评价指标
3 盗窃前科人员分类结果分析与讨论
    3.1 基于不同机器学习模型的盗窃前科人员分类结果
    3.2 面向随机森林模型的变量重要度分析
        ① 平均不纯度减小(MDI)算法[28-29].
        ② 平均准确性减小(MDA)算法[28-30].
    3.3 基于加权关联规则的盗窃犯罪人员预警
        3.3.1 基于加权关联规则的盗窃犯罪人员预警算法
        3.3.2 基于加权关联规则的盗窃犯罪人员预警实验结果分析
4 结 论


【参考文献】：
期刊论文
[1]基于大数据的服刑人员危险性预测[J]. 马国富,王子贤,马胜利.  河北大学学报(自然科学版). 2016(06)
[2]基于Logistic回归的犯罪概率预测研究[J]. 杜益虹,刘世华.  绍兴文理学院学报(自然科学). 2016(02)
[3]面向重复犯罪人的再犯罪预测方法[J]. 孙菲菲,曹卓.  湖北警官学院学报. 2015(04)
[4]服刑人员刑满释放前重新犯罪风险预测研究[J]. 曾赟.  法学评论. 2011(06)
[5]基于商品主键的关联规则挖掘思想与算法研究[J]. 秦吉胜,宋瀚涛.  北京理工大学学报. 2004(07)
[6]基于频繁闭项目集的关联规则挖掘算法[J]. 朱玉文,陈陵涛,刘万春,贾云得.  北京理工大学学报. 2003(03)



本文编号：3343213