一种犯罪嫌疑概率预测的方法和系统的制作方法
【技术领域】
[0001] 本发明涉及公安犯罪预测技术领域，尤其涉及一种犯罪嫌疑概率预测的方法和系 统。
【背景技术】
[0002] 目前，我国正处于公安信息化和"情报信息主导警务"深入发展的关键时期，在整 个"情报信息主导警务"的工作模式中，犯罪情报的分析及研判为核心，犯罪预测则为重中 之重。通常，犯罪预测的研究主要采取实证的方法，通过调查、数据收集、分析、归纳，得出重 要的相关因子，从而揭示犯罪发生的规律。
[0003] 现有技术中，国内犯罪预测主要采用数理分析的方法，包括回归分析法、灰色系统 理论分析法和最优组合分析法等，但这些方法都多数偏重宏观预测领域，未能偏重微观预 测领域，无法针对具体人物的信息和行动轨迹给出犯罪类型及其对应的概率大小，从而对 民警日常工作缺乏良好的辅助作用。
[0004] 因此，亟需一种犯罪嫌疑概率预测的方法和，能够具体涉及到个人，准确预测出待 测人员的犯罪类型及犯罪概率，为公安干警重点排查提供现场指导。
【发明内容】
[0005] 本发明实施例所要解决的技术问题在于，提供一种犯罪嫌疑概率预测的方法和系 统，能够准确预测出待测人员的犯罪类型及犯罪概率，为公安干警重点排查提供现场指导。
[0006] 为了解决上述技术问题，本发明实施例提供了一种犯罪嫌疑概率预测的方法，所 述方法包括：
[0007] S1、获取待测人员的相关信息，且根据所述获取到的待测人员的相关信息，从预设 的信息库中确定所述待测人员对应的前科类型，以及由每一前科类型分别对应指定指标 筛选出的相关历史数据；
[0008] S2、确定检测时间，并根据所述确定的每一前科类型分别对应指定指标筛选出的 相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值化赋值；
[0009] S3、设置特征向量由所述指定指标中全部指标形成，并根据所述形成的特征向量 以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的训练样本库；
[0010] S4、将所述得到的每一前科类型的训练样本库的分类属性均划分为1和0,并对每 一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用logistic回归模型进 行拟合，获得所述待测人员对应各前科类型的犯罪概率;其中，所述分类属性为1时表示犯 罪，所述分类属性为〇时表示不犯罪。
[0011] 其中，所述步骤S1中的"待测人员的相关信息"具体包括待测人员的文化程度、从 事职业、民族、年龄、婚姻状况和身高。
[0012] 其中，所述步骤S2具体包括：
[0013] 当给每一前科类型中指定指标为前科次数进行数值化赋值时，计算出各前科类型 中每一前科次数距离所述检测时间的间隔时长，并根据所述计算出的各前科类型中每一前 科次数距离所述检测时间的间隔时长，获得各前科类型中每一前科次数分别对应的初始赋 值；
[0014] 当所述前科次数为1时，将所述获得的各前科类型中前科次数为1时对应的初始赋 值作为其对应前科次数的最终赋值；
[0015] 当所述前科次数大于1时，将同一前科类型中所述获得的每一前科次数分别对应 的初始赋值进行累加，并根据同一前科类型中所述每一前科次数分别对应的初始赋值进行 累加后的值，得到各前科类型分别对应前科次数的最终赋值。
[0016] 其中，所述步骤S2具体还包括：
[0017] 当给每一前科类型中指定指标为高危时段上网次数进行数值化赋值时，确定所述 检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子上网的比 例及正常非犯罪人员上网的比例；
[0018] 根据所述统计出的各前科类型分别对应犯罪分子上网的比例及正常非犯罪人员 上网的比例，得到各前科类型中高危时段上网次数对应的最终赋值。
[0019] 其中，所述步骤S2具体还包括：
[0020] 当给每一前科类型中指定指标为高危时段入住次数进行数值化赋值时，确定所述 检测时间的具体时段，并统计出在所述具体时段下各前科类型分别对应犯罪分子入住的比 例及正常非犯罪人员入住的比例；
[0021] 根据所述统计出的各前科类型分别对应犯罪分子入住的比例及正常非犯罪人员 入住的比例，得到各前科类型中高危时段入住次数对应的最终赋值。
[0022]其中，所述方法进一步包括：
[0023] 在所述获得的待测人员对应各前科类型的犯罪概率上，分别对应赋予加权因子， 并计算出赋予加权因子后各前科类型的犯罪概率进行累加的值，且进一步将所述计算出的 累加值作为所述待测人员的综合犯罪指标。
[0024] 本发明实施例还提供了一种犯罪嫌疑概率预测的系统，所述系统包括：
[0025] 历史数据获取单元，用于获取待测人员的相关信息，且根据所述获取到的待测人 员的相关信息，从预设的信息库中确定所述待测人员对应的前科类型，以及由每一前科类 型分别对应指定指标筛选出的相关历史数据；
[0026] 历史数据赋值单元，用于确定检测时间，并根据所述确定的每一前科类型分别对 应指定指标筛选出的相关历史数据及检测时间，给每一前科类型中各指定指标均进行数值 化赋值；
[0027] 训练样本库形成单元，用于设置特征向量由所述指定指标中全部指标形成，并根 据所述形成的特征向量以及每一前科类型中各指定指标对应的赋值，得到每一前科类型的 训练样本库；
[0028] 犯罪概率预测单元，用于将所述得到的每一前科类型的训练样本库的分类属性均 划分为1和〇,并对每一前科类型对应训练样本库中分类属性均为1时的类别概率分别采用 logistic回归模型进行拟合，获得所述待测人员对应各前科类型的犯罪概率;其中，所述分 类属性为1时表示犯罪，所述分类属性为〇时表示不犯罪。
[0029] 其中，所述历史数据赋值单元包括：
[0030] 前科次数赋值模块，用于当给每一前科类型中指定指标为前科次数进行数值化赋 值时，计算出各前科类型中每一前科次数距离所述检测时间的间隔时长，并根据所述计算 出的各前科类型中每一前科次数距离所述检测时间的间隔时长，获得各前科类型中每一前 科次数分别对应的初始赋值；
[0031] 当所述前科次数为1时，将所述获得的各前科类型中前科次数为1时对应的初始赋 值作为其对应前科次数的最终赋值；
[0032] 当所述前科次数大于1时，将同一前科类型中所述获得的每一前科次数分别对应 的初始赋值进行累加，并根据同一前科类型中所述每一前科次数分别对应的初始赋值进行 累加后的值，得到各前科类型分别对应前科次数的最终赋值。
[0033] 其中，所述历史数据赋值单元还包括：
[0034] 高危时段上网次数赋值模块，用于当给每一前科类型中指定指标为高危时段上网 次数进行数值化赋值时，确定所述检测时间的具体时段，并统计出在所述具体时段下各前 科类型分别对应犯罪分子上网的比例及正常非犯罪人员上网的比例；
[0035] 根据所述统计出的各前科类型分别对应犯罪分子上网的比例及正