[发明专利]基于强化学习的再犯罪风险预测方法、介质和计算设备

说明书

本发明公开了基于强化学习的再犯罪风险预测方法、介质和计算设备，首先构建训练样本集，针对训练样本集进行聚类；针对于聚类得到的N个类，分别构建N个BP神经网络；将各训练样本属性，输入到对应的BP神经网络中，对BP神经网络进行训练，得到再犯罪风险预测模型；针对于需要预测再犯罪风险的测试样本，计算测试样本与各聚类中心之间的距离，选取出与测试样本之间距离最小的聚类中心，将该聚类中心所属聚类对应的训练好的神经网络作为测试样本的再犯罪风险预测模型，将测试样本的属性，输入到测试样本的再犯罪风险预测模型中，通过该模型对测试样本的再犯罪行为进行预测。本发明使得再犯罪预测的效果更加真实有效、准确以及计算速度更快。

技术领域

本发明涉及犯罪预测技术领域，特别涉及一种基于强化学习的再犯罪风险预测方法、介质和计算设备。

背景技术

犯罪是人类社会的一种社会现象。随着人类社会的不断进步，尤其是现代化科学技术突飞猛进的发展，犯罪无论在数量上、规模上，还是在犯罪方法、对社会的危害程度上都发生了很大变化，对人类社会构成的威胁越发变得严重。实践证明，犯罪仅靠打击这一治标措施是远远不够的，因此，人们寄希望于犯罪预防。

假释、暂予监外执行、刑释此三类接受过监狱改造的特殊人群，由于适应社会的能力较差、心理状态不稳定等因素，极其容易发生再次犯罪的情况。而倘若此类人员再次犯罪，其作案方式会更加残忍，对社会造成了较大的威胁。因此，如何能够正确的预测此类人员再次犯罪的可能性并正确的做出风险预警具有重要的社会意义，也是当今社会亟待解决的问题之一。

目前，对于犯罪人员的在犯罪风险预警技术，国外相关研究已有百年历史，然而国内相关研究相对较少，我国在此领域主要是以问卷和量表为主，并且在评估内容方面，一般仅考虑了相关人员的基础信息，数据维度、数据规模都较少。同时，我国的相关研究较多仅停留在了理论层面，少部分学者通过神经网络、随机森林、分类树等方式直接对相关人员的数据进行预测。然而，不同相关人员的背景、生活环境、过往经历的差异导致其再犯罪的因素及概率都会有所不同。因此，仅仅采用此类方法难以有效的对相关人员的再犯罪进行准确的预测并及时给出预警。

发明内容

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于强化学习的再犯罪风险预测方法，该方法能够对相关人员的再犯罪行为进行预测，具有预测准确率高以及计算速度快的优点。

本发明的第二目的在于提供一种存储介质。

本发明的第三目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于强化学习的再犯罪风险预测方法，步骤包括：

S1、获取训练样本，构成训练样本集；训练样本包括有犯罪前科且有再犯罪行为的人员和有犯罪前科且有无再犯罪行为的人员；

S2、根据训练样本集中各训练样本的连续型属性和分类型属性，对各训练样本进行聚类，定义获取到的聚类数目为N，N为常量，即训练样本集中所有训练样本被聚类为N类；

S3、针对于聚类得到的N个类，分别构建对应的N个神经网络；

S4、将各训练样本连续型属性和独热编码后的分类型属性，输入到训练样本所属类对应的神经网络中，对神经网络进行训练，得到再犯罪风险预测模型；

S5、针对于需要预测再犯罪风险的测试样本，计算测试样本与各聚类中心之间的距离，选取出与测试样本之间距离最小的聚类中心，将该聚类中心所属类对应的训练好的神经网络作为测试样本的再犯罪风险预测模型；

S6、将测试样本的连续型属性和独热编码后的分类型属性，输入到测试样本的再犯罪风险预测模型，通过该模型对测试样本的再犯罪行为进行预测。

优选的，所述连续型属性包括年龄、身高、体重和文化程度；所述分类型属性包括性别、犯罪日期和犯罪前科的犯罪类型。