基于大数据的X公司快递员犯罪倾向行为分析研究

发布时间：2020-07-11 21:06

【摘要】：伴随着互联网和电子商务的发展,快递服务作为一种新型服务业出现在大众视野,快递员的数量大规模增长的同时,随之而来的有关快递员利用其职务之便入室抢劫等违法犯罪行为也频频发生。因此,通过对快递员的行为特征数据分析,得到影响其违法犯罪行为的因素,并做到针对性的预警及建议是很有必要的。聚类分析作为数据挖掘中的基础方法,是一种无监督式的学习方法。在对快递员的行为特征分析时,本文选择k-means算法进行聚类分析,进一步通过算法的优化和朴素贝叶斯分类算法,实现了对快递员群体的违法犯罪行为倾向的判别。本文的主要研究工作如下:(1)基于快递员的特征行为数据,主要从其基本信息、特征行为信息和工作满意度信息三方面出发,进行深入分析,得出初步的分析结论。(2)由于传统的k-means算法有一定的局限性,对初始聚类中心敏感,并且本文充分考虑到各个特征属性的重要性程度的不同,将客观性的权重计算方法熵权法做优化,提出了一种改进的基于熵权法的遗传k-means算法,对快递员数据集进行初步的聚类分析。(3)运用朴素贝叶斯分类算法对有关快递员的违法犯罪数据集做进一步分析,将加权的遗传k-means算法得到的三个簇类进行分类,针对违法犯罪倾向高的群组和个体做出预警以及建议。本文采用UCI数据库的公开数据集,对加权的遗传k-means算法做仿真实验,通过与k-means算法、遗传的k-means算法的对比,验证了本文算法在特征属性和聚类类别较少的前提下,具有相对较好的聚类准确率。最后对聚类得到的三个簇类进行朴素贝叶斯分类,针对违法犯罪倾向较高的群组从快递员自身、快递公司和快递行业三方面做出相应的预警、建议和措施。
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D924.3;F259.23
【图文】：

聚类,算法,聚类算法,代表性

第二章相关理论概述规则或者条件将此簇类划分或者分裂成 k 个簇类的过程。在“自顶向下”方式中，最开始将整个数据集当成一个簇类，然后根据给定的规则或条件极其分裂成多个簇类。而“自底向上”方式就是将每个数据对象都作为一个簇类，然后根据规则条件等组合成几个簇类的过程。因此，该算法在选取分裂或者组合条件时有一定的限制，且时间复杂度高。

曲线,适应度函数,公开数据

第四章基于遗传 k-means 算法的优化表 4.5 聚类结果 F-measure 比较数据集算法Iris Wine Glassk-means 76% 68% 72%遗传 k-means 84% 75% 89%加权的遗传k-means95% 89% 91%同时，对三类公开数据集做了遗传 k-means 算法和本文中加权的遗传-means 算法的平均适应度函数曲线，迭代次数 T=200。

曲线,适应度函数,公开数据

对三类公开数据集做了遗传 k-means 算法和本文中加权的遗传-means 算法的平均适应度函数曲线，迭代次数 T=200。图 4.3 Iris 的平均适应度函数

【相似文献】