[发明专利]目标戒毒者复吸概率分析模型

说明书

一种目标戒毒者复吸概率分析模型，其通过收集可能引起戒毒者复吸的诱因事件，构建复吸诱因事件集，并以复吸诱因事件集为依据，通过贝叶斯网络、联合树推理算法建立复吸概率初始分析模型；优选可再通过多次引入新的复吸诱因事件集至贝叶斯神经网络，以获得修正后验概率，对复吸概率初始分析模型中的先验概率进行修正，建立复吸概率修正分析模型。其能够帮助监管者对目标戒毒者的复吸行为进行预测，同时能从目标戒毒者复吸的诱因事件集中，判别引起复吸行为的高、低关联性的诱因事件，从而便于监管者对各诱因事件合理地进行关注。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种目标戒毒者复吸概率分析模型。

背景技术

由于毒品对人体的身体以及精神的强烈伤害，会造成戒毒者靠自身难以自我戒断，故在漫长的脱毒周期中，往往会因为瘾性发作而出现复吸现象。

为尽可能地避免戒毒者复吸，公安机关或社区矫正机构的监管者会推戒毒者采取必要的管理、控制措施，如对戒毒者一一建档进行规范管控、对其采取定期或不定期的谈话见面、尿检情况管控、掌握心理状态、对接触人员进行信息收集、掌握其活动地点和活动规律、结合群众举报或者对各种娱乐场所的重点排查等一系列管理机制，以防止戒毒者再次复吸；但是，因瘾性难以抗拒、或犯意未消的戒毒者，往往会难以抵制诱惑而重新复吸以及再次进行涉毒犯罪，并且此类再犯人群还会采取更为隐蔽的手段以干扰、阻碍、对抗监管者的管控、抓捕工作。故对此类具有更高复吸、再犯罪的戒毒者的管控，是需要耗费较大的人力物力来完成，以尽可能减少戒毒者的重新陷入困境，并减少潜在涉毒犯罪分子对社会的危害。

而公安机关在以往的办案过程中，对此类更高复吸、再犯罪的强制戒毒者的判别，多依赖缉毒警察自身的经验水平以及大量的主观推理判断，来判断哪些人员具有更高的复吸、再犯罪概率，并对其重点监测、管控、抓捕，该过程在耗费较大的人力的同时，主观因素介入较大，并且高度依赖经验，同时效率较低，故目前已有利用大数据技术协助公安机关办案人员对戒毒者进行数据采集，并预测戒毒者的复吸概率；但是，在复杂的大数据前，如何判断各个诱因事件与戒毒者复吸之间的关联概率，并如何利用这些诱因事件构建模型，以通过模型来实现更准确地对戒毒者的复吸概率的预测，是一种亟需解决的技术问题。

发明内容

本发明的目的在于提供一种目标戒毒者复吸概率分析模型，能够帮助监管者对目标戒毒者的复吸行为进行预测，同时能从目标戒毒者复吸的诱因事件集中，以概率判别引起复吸行为的高、低关联性的诱因事件，从而便于监管者对各诱因事件合理地进行关注。

为实现上述目的，本发明采用以下技术手段加以实施：

一种目标戒毒者复吸概率分析模型，其包括以下步骤：

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。