基于多源数据的城市盗窃犯罪风险分析研究

发布时间：2023-04-28 00:01

　　盗窃犯罪是典型的侵财类犯罪,发案率远高于其他类型犯罪,对社会安全产生威胁,因此对盗窃犯罪的风险分析研究具有重要意义。在警力资源有限的现状下,基于数据挖掘的犯罪风险分析逐渐成为相关部门风险防控工作的重要方法。然而,当前基于数据挖掘的风险分析普遍缺乏对风险要素的归纳与解释,数据来源单一,不同空间尺度的研究方案区别较小,缺乏针对性。针对上述问题,本文利用我国某大型城市盗窃案事件数据、盗窃前科人员轨迹点数据和社区周边环境数据,综合运用多种回归、分类模型及风险分析方法,分析城市盗窃犯罪风险,具体内容如下。(1)运用多元线性回归、机器学习非线性回归和地理加权空间回归模型,研究了城市范围内盗窃前科人员的轨迹点数量(及视频监控摄像头数量)与盗窃犯罪发生风险之间的关系,结果表明两者之间存在显著的相关关系。三类回归模型的最高R²均高于0.59,其中“盗窃前科人员文娱旅店从业地点”“盗窃前科人员网吧上网点”和“视频监控摄像头分布点”是影响城市范围盗窃风险空间分布最重要的三个风险要素,地理加权回归模型相比于多元线性回归模型和机器学习回归模型,预测效果更优(R²=0....

【文章页数】：94 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 引言
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 基于犯罪学理论的犯罪风险分析研究
        1.2.2 基于数据挖掘的犯罪风险分析研究
    1.3 论文内容与框架
        1.3.1 主要内容
        1.3.2 论文结构
2 基于盗窃前科人员轨迹点数据的城市盗窃犯罪风险分析
    2.1 盗窃前科人员轨迹点数据
        2.1.1 数据来源与特征选择
        2.1.2 数据预处理
    2.2 基于多种回归模型的盗窃犯罪风险分析方法
        2.2.1 多元线性回归
        2.2.2 机器学习回归
        2.2.3 地理加权回归
        2.2.4 性能评价指标
    2.3 风险分析结果
        2.3.1 基于多元线性回归模型的风险分析结果
        2.3.2 基于机器学习回归模型的风险分析结果
        2.3.3 基于地理加权回归模型的风险分析结果
    2.4 本章小结
3 基于案事件数据的城市盗窃犯罪风险分析
    3.1 盗窃案事件数据
        3.1.1 案事件数据集介绍
        3.1.2 数据归类与非数值特征转换
        3.1.3 不平衡数据处理
    3.2 基于机器学习分类模型的盗窃犯罪风险分析方法
        3.2.1 机器学习分类模型
        3.2.2 性能评价指标
    3.3 风险分析结果
        3.3.1 基于机器学习分类模型的风险分析结果
        3.3.2 重要度排序
    3.4 本章小结
4 基于案事件与社区环境数据的社区盗窃犯罪风险分析与风险评价
    4.1 社区入室盗窃风险指标体系及量化指标构建
        4.1.1 社区入室盗窃风险指标体系
        4.1.2 社区入室盗窃风险量化指标
    4.2 社区入室盗窃风险分析与风险评价方法
        4.2.1 模糊层次分析法(FAHP)和德尔菲法
        4.2.2 D-S证据理论
        4.2.3 模糊综合评价方法
    4.3 实例验证方案
    4.4 风险分析与风险评价结果
        4.4.1 指标权重计算与模糊综合评价结果
        4.4.2 综合评价等级与实际发案率对比分析
    4.5 本章小结
5 盗窃犯罪风险分析软件的设计与实现
    5.1 开发环境
    5.2 盗窃犯罪风险分析软件架构
    5.3 软件设计与实现
        5.3.1 界面设计
        5.3.2 算法实现
    5.4 本章小结
结论
参考文献
附录 A 社区环境数据调查统计图
在学研究成果
致谢



本文编号：3803334