[发明专利]目标戒毒者复吸概率分析模型

权利要求书

1.一种目标戒毒者复吸概率分析模型，其特征在于以下步骤：

S1：收集复吸概率与构建复吸诱因事件集，具体包括以下步骤：

S11：采集可能或已引起复吸的戒毒者的原因，作为诱因事件，构建复吸诱因事件集；

S12：记录目标戒毒者是否具有诱因事件行为和复吸行为，并建立关联，计算诱因事件与复吸行为之间的实际概率，作为第1轮复吸概率；

S13：每经过一预设时间周期，记录新的目标戒毒者是否具有诱因事件行为和复吸行为，计算诱因事件与复吸行为之间的实际概率，作为第n轮复吸概率；

S2：建立复吸概率分析模型的过程，具体包括以下步骤：

S21：将所述的复吸诱因事件集的各个诱因事件分别作为贝叶斯网络的逻辑节点，并将有激发关系的各个诱因事件进行父子节点分级；

S22：为每个逻辑节点添加先验概率，具有多个父逻辑节点的子逻辑节点使用多条件的先验概率表示；

S23：对各先验概率进行初始赋值；

S24：运用联合树推理算法将贝叶斯网络各个逻辑节点转化为联合树，通过定义在联合树上的消息传递过程，计算后验概率；

S25：调整所述的先验概率的初始赋值使后验概率趋近于所述实际概率，获得复吸概率分析模型。

2.如权利要求1所述的目标戒毒者复吸概率分析模型，其特征在于，所述的S24中通过以下方式，将贝叶斯网络各个逻辑节点转化为联合树：

（1）构建Moral图：将所述的贝叶斯网络中同子节点的父节点两两相连，同时去掉每一条连接边的箭头；

（2）构建三角化图：对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，对Moral图的三角化；

（3）构建区分团节点：在三角化图中，确定团节点，每个团节点都是无向图的子图；

（4）构建联合树：建立的联合树必须包含所有团节点，交集作为连接两个团节点的分隔节点。

3.如权利要求1所述的目标戒毒者复吸概率分析模型，其特征在于，所述的S1中还包括以下步骤：

S26：可选择地以部分或全部历史采集到的各目标戒毒者为样本，导入复吸概率分析模型中，一一计算后验概率作为各样本复吸概率，并调节先验概率，校验至样本复吸概率处于置信区间内。

4.如权利要求1所述的目标戒毒者复吸概率分析模型，其特征在于：所述的进行先验概率初始赋值为缉毒学科教科书的诱因事件经验概率值或诱因事件与复吸行为之间的实际概率。

5.如权利要求1-4任意一项中所述的目标戒毒者复吸概率分析模型，其特征在于，还包括以下步骤：

S3：修正复吸概率分析模型，具体包括以下步骤：

S31：可选择地以部分或全部历史采集到的各目标戒毒者为样本，导入复吸概率分析模型中，一一计算后验概率作为各样本复吸概率；

S32：将部分或全部样本复吸概率导入至贝叶斯神经网络，计算得到各诱因事件的校验后验概率；

S33：可选择地以所述的校验后验概率，对贝叶斯网络中各节点的赋值进行替换修正；

S34：运用联合树推理算法将贝叶斯网络各个逻辑节点转化为联合树，通过定义在联合树上的消息传递过程，计算修正后验概率；

S35：根据修正后验概率调整所述的贝叶斯网络中各节点的赋值，至修正后验概率与部分或全部样本复吸概率之间的差异处于置信区间内，获得修正的复吸概率分析模型。

6.如权利要求5所述的目标戒毒者复吸概率分析模型，其特征在于：所述的贝叶斯神经网络为tensorflow贝叶斯神经网络。

7.如权利要求1-4任意一项中所述的目标戒毒者复吸概率分析模型，其特征在于，所述的S1中还包括以下步骤：

S14：每经过一预设时间周期或发现戒毒者有复吸或涉毒事件，采集S11中复吸诱因事件集未列入的可能或已引起复吸的戒毒者的新诱因事件，补充至所述的复吸诱因事件集。