基于机器学习的典型侵财类案件发生概率预测分析方法

发布时间：2021-11-16 12:44

　　以抢劫、抢夺和盗窃3种典型侵财类案件为例,利用ZS市2005年2月1日～2015年7月31日的实际侵财类案件以及实际天气数据,选取案件统计信息和天气信息作为特征,使用基于时间滞后的方法和基于实时数据的方法预测典型侵财类案件的发生概率。基于时间滞后的典型侵财类案件发生概率预测分析结果表明:K最近邻模型表现最优,盗窃类案件发生概率预测的R²值达到了0. 83,抢劫类案件发生概率预测的R²值达到了0. 88,抢夺类案件发生概率的R²值达到了0. 8。基于实时数据的典型侵财类案件发生概率预测分析结果表明:抢夺类案件的K最近邻回归模型性能最好,R²值达到0. 7。基于上述分析结果,提出基于时间滞后和实时数据的典型侵财类案件发生概率预测分析方法,相关成果可以应用于侵财类犯罪的预防、打击工作中,为治安防控提供决策支持。 

【文章来源】：中国人民公安大学学报(自然科学版). 2020,26(03)

【文章页数】：8 页

【部分图文】：

典型侵财类案件发生概率分析研究方案

盗窃案件预测值与真实值的结果比较

抢劫案件预测值与真实值的结果比较

【参考文献】：
期刊论文
[1]基于机器学习的犯罪人惯犯身份预测分析和识别[J]. 陈鹏,曾昭龙,胡啸峰,张学军.  中国刑警学院学报. 2018(05)
[2]基于机器学习的典型社会安全事件发生规律研究及对雄安新区的启示[J]. 邱凌峰,胡啸峰,周睿,顾海硕,唐正,郑超慧,张学军.  中国安全生产科学技术. 2018(10)
[3]基于集成特征选择的盗窃案件预测方法[J]. 石拓,蒋伟,张晶晶,魏新蕾.  北京理工大学学报. 2018(09)
[4]热应力对犯罪活动的影响规律研究[J]. 胡啸峰.  中国人民公安大学学报(自然科学版). 2018(03)
[5]改进的GA-BP神经网络模型在财产犯罪预测中的应用[J]. 李卫红,闻磊,陈业滨.  武汉大学学报(信息科学版). 2017(08)
[6]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)
[7]泛化误差的各种交叉验证估计方法综述[J]. 杨柳,王钰.  计算机应用研究. 2015(05)
[8]居民收入差距的国际比较[J]. 李夏南.  商场现代化. 2014(26)
[9]支持向量机回归理论与控制的综述[J]. 王定成,方廷健,唐毅,马永军.  模式识别与人工智能. 2003(02)

硕士论文
[1]基于图嵌入与弹性网络回归的特征提取算法及其在人脸识别中的应用[D]. 刘毛溪.南昌航空大学 2017



本文编号：3498915