一种基于不规则形状时空扫描统计的犯罪预警方法与流程

本发明涉及一种基于不规则形状时空扫描统计的犯罪预警方法，属于犯罪事件的时空预警方法领域。

背景技术：

近年来许多科学家将时空扫描聚类方法应用于地区犯罪事件的时空分析和犯罪聚集情况的预警。然而，一直以来所应用的扫描统计方法为传统的时空扫描统计方法，此方法中定义事件聚集的扫描窗口往往是圆柱形的，且其扫描窗口往往是不随时间动态改变的，对于某些与道路交通相关、有可能改变形状的犯罪事件聚集，这种时空扫描聚类方法并不能准确和及时的检测到犯罪案件的聚集；并且在以往的研究中，并未考虑到对已经检测到的聚集进行相对危险评估，尽管时空扫描模型检测到时空聚集的准确率较高，但仍有出现错误的可能性，如果检测到错误的聚集现象，则会引起不必要的犯罪预警损失和警力部署，造成财力和人力上的浪费，降低了预警的可信度。

技术实现要素：

本发明要解决的技术问题是针对现有技术的不足，提供一种基于不规则形状时空扫描统计的犯罪预警方法，以用于解决发现监控区域中存在的非常规形状的犯罪空间聚集，并引入相对风险偏差评估，对犯罪聚集的风险性进行评估，若偏差过大，则可对该区域进一步观察，避免引起不必要的预警损失，增加地区犯罪预警的可靠性。

本发明的技术方案是：一种基于不规则形状时空扫描统计的犯罪预警方法，具体步骤为：

step1、确定监控区域s；

step2、获取监控区域s内的犯罪事件数c及各案件的案发地点及人口数p；

step3、根据区域s内各子区域的位置坐标和交通路线图，构建区域s的图形结构；

step4、根据最大关联算法，从区域s中检测确定扫描窗口形状并搜索潜在聚集区域m；

step5、计算聚集区域m的真实相对风险值r和相对风险估计值从而得到相对风险偏b；相对风险估计值越接近1，则有很强的证据显示在研究区域a中无聚集现象；

step6、根据相对风险偏差b的值，判断所估计的相对风险是否可靠，b的值越趋近于1，风险评估可信度越高。

进一步地，所述step3中，研究区域s内各子区域i的位置坐标为村i或区i的空间中心点经纬度(xi，yi)；子区域i依据交通路线图至少与另外任意子区域j和k相连接，即存在地理相邻结构；从而依据地理相邻结构构建该区的图形结构。

进一步地，所述的step4中，使用最大关联算法确定扫描窗口形状并搜索潜在聚集区域，其中最大关联算法的具体实施步骤是：

步骤s1、选取任意一个子区域i作为当前聚集区域，i∈s；

步骤s2、使用step3构建的图形结构，根据与当前集群i的连接数整理当前集群i的邻居；

步骤s3、将与当前聚集区域i有最大连接数的邻近子区域i或k整合当前聚集区i；

步骤s4、重复步骤s2到s3直到该聚集区域mi达到预先设定好的最大参数尺寸；

步骤s5、重复步骤s1到s4，直到研究区域s内每一个子区域都被作为起始聚集；

步骤s6、通过步骤s1到s5，根据潜在聚集区域mi确定扫描窗口的形状，利用扫描窗口内外的实际犯罪事件数和理论犯罪事件数来构造检验统计量：似然比likelihoodratio，简称lr，利用lr来评价扫描窗口内犯罪事件数的异常程度，从中确定聚集区域m。

进一步地，所述的步骤s6中，具体建模过程如下：

令cm为扫描窗口mi中的实际犯罪事件数，pm为扫描窗口mi中人口数，令em为根据无效假设得到扫描窗口mi中预期犯罪事件数，c为区域s内的实际犯罪事件数，总人口数为p，预期犯罪事件数es为：

es＝∑em(2)

其中lm为扫描窗口mi的似然函数值，l0为基于无效假设下得到似然函数值。

进一步地，所述的步骤s6中，将时空扫描统计量t定义为所有可能扫描窗口mi中最大的似然比：

从而找出犯罪事件数异常程度最高的窗口m，确定聚集区域m。

进一步地，所述的step5中，真实相对风险值r和相对风险估计值的公式为：

其中，wm为区域m的风险值和ws/m为研究区域s内除m区外的风险值；c为研究区域s内的实际犯罪事件数，cm为区域m内的犯罪事件数，em为区域m内的预期犯罪事件数，es为研究区域s内犯罪事件数的期望值。

进一步地，所述的step5中，在区域m的事件数服从泊松分布，所以wm的公式为：

其中，fm是区域m内事件数的泊松随机变量，e(fm)是期望值，定义ws/m公式为：

进一步地，所述的step6中，计算相对风险偏差b的公式为：

当相对偏差b＝1时，表示没有偏差，相对风险估计值准确；

当相对偏差b＞1时，表示存在正偏差，相对风险估计值相对较大；

当相对偏差b＜1时，表示存在负偏差，相对风险估计值相对较小。

本发明的有益效果是：本发明改变了常规的犯罪时空扫描预警方法中所使用的圆柱形时空扫描统计，改变了扫描窗口，使其空间底座可以是不规则形状，有利于发现非常规形状的空间犯罪聚集；并引入相对风险偏差评估，对聚集的风险性进行评估，若偏差过大，则可对该区域进一步观察，避免引起不必要的预警损失，增加地区犯罪预防和控制的可靠性。

附图说明

图1是本发明步骤流程图；

图2是本发明区域s的简单图形结构示意图；

图3是本发明非常规形状的潜在聚集示意图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

实施例1：如图1-3所示，一种基于不规则形状时空扫描统计的犯罪预警方法，具体步骤为：

step1、确定监控区域s；

step2、获取监控区域s内的犯罪事件数c及各案件的案发地点及人口数p；

step3、根据区域s内各子区域的位置坐标和交通路线图，构建区域s的图形结构；

step4、根据最大关联算法，从区域s中检测确定扫描窗口形状并搜索潜在聚集区域m；

step5、计算聚集区域m的真实相对风险值r和相对风险估计值从而得到相对风险偏b；相对风险估计值越接近1，则有很强的证据显示在研究区域a中无聚集现象；

step6、根据相对风险偏差b的值，判断所估计的相对风险是否可靠，b的值越趋近于1，风险评估可信度越高。

进一步地，所述step3中，研究区域s内各子区域i的位置坐标为村i或区i的空间中心点经纬度(xi，yi)；子区域i依据交通路线图至少与另外任意子区域j和k相连接，即存在地理相邻结构；从而依据地理相邻结构构建该区的图形结构。

进一步地，所述的step4中，使用最大关联算法确定扫描窗口形状并搜索潜在聚集区域，其中最大关联算法的具体实施步骤是：

步骤s1、选取任意一个子区域i作为当前聚集区域，i∈s；

步骤s2、使用step3构建的图形结构，根据与当前集群i的连接数整理当前集群i的邻居；

步骤s3、将与当前聚集区域i有最大连接数的邻近子区域i或k整合当前聚集区i；

步骤s4、重复步骤s2到s3直到该聚集区域mi达到预先设定好的最大参数尺寸；

步骤s5、重复步骤s1到s4，直到研究区域s内每一个子区域都被作为起始聚集；

步骤s6、通过步骤s1到s5，根据潜在聚集区域mi确定扫描窗口的形状，利用扫描窗口内外的实际犯罪事件数和理论犯罪事件数来构造检验统计量：似然比likelihoodratio，简称lr，利用lr来评价扫描窗口内犯罪事件数的异常程度，从中确定聚集区域m。

进一步地，所述的步骤s6中，具体建模过程如下：

令cm为扫描窗口mi中的实际犯罪事件数，pm为扫描窗口mi中人口数，令em为根据无效假设得到扫描窗口mi中预期犯罪事件数，c为区域s内的实际犯罪事件数，总人口数为p，预期犯罪事件数es为：

es＝∑em(2)

其中lm为扫描窗口mi的似然函数值，l0为基于无效假设下得到似然函数值。

进一步地，所述的步骤s6中，将时空扫描统计量t定义为所有可能扫描窗口mi中最大的似然比：

从而找出犯罪事件数异常程度最高的窗口m，确定聚集区域m。

进一步地，所述的step5中，真实相对风险值r和相对风险估计值的公式为：

其中，wm为区域m的风险值和ws/m为研究区域s内除m区外的风险值；c为研究区域s内的实际犯罪事件数，cm为区域m内的犯罪事件数，em为区域m内的预期犯罪事件数，es为研究区域s内犯罪事件数的期望值。

进一步地，所述的step5中，在区域m的事件数服从泊松分布，所以wm的公式为：

其中，fm是区域m内事件数的泊松随机变量，e(fm)是期望值，定义ws/m公式为：

进一步地，所述的step6中，计算相对风险偏差b的公式为：

当相对偏差b＝1时，表示没有偏差，相对风险估计值准确；

当相对偏差b＞1时，表示存在正偏差，相对风险估计值相对较大；

当相对偏差b＜1时，表示存在负偏差，相对风险估计值相对较小。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。