[发明专利]一种刑事案件的发生的预测方法

摘要

本发明通过建立的多种预测模型，根据经济因素、安防因素、时间因素，实现自动预测犯罪发生的概率和种类，不仅在地点上提供准确信息，在时间上也可预测；每类案件都有其犯罪时间规律，本发明可以以时间轴的方式预测出不同时间段发生犯罪的概率，本发明还可以预测刑事案件发生的地点可能性和发生的概率大小。本发明提供的预测系统无需人工进行大量的数据预处理与筛选，对获取的影响因素数据进行预处理完成后即可用于本发明的预测系统中；预测结果输出速度快，排除了主观因素的干扰；本发明可以在时间、空间、发生可能性多个维度进行预测，更好的符合实际情况中的警力部署问题。

主权项

一种刑事案件的发生的预测方法，其特征在于，包括以下步骤：S1：获得影响犯罪的因素：第一类因素为经济因素，具体包括区域人口、人均可支配收入、城镇登记失业率、区域内人均国内生产总值、居民消费价格涨跌幅度、城镇居民人均可支配收入、农村居民人均纯收入、农村贫困人口；第二类因素为安防因素，具体包括案发地区的刑事案件破案率、每万人警力数、案发地区交通的便利程度；第三类因素为时间因素，具体包括一天24小时的不同时间段、法定节假日、重大事件日；S2：对获得的影响因素进行建模处理:设得到的第一类影响因素序列为Xi＝{Xi(1),Xi(2),...,Xi(n)}＝{Xi(k)},i＝0,1,2...m，第二类安防影响因素序列为Yi＝{Yi(1),Yi(2),...,Yi(s)}＝{Yi(k)},i＝0,1,2...t，第三类时间影响因素序列为Zi＝{Zi(1),Zi(2),...,Zi(u)}＝{Zi(k)},i＝0,1,2...v；第一类经济影响因素序列Xi＝{Xi(1),Xi(2),...,Xi(n)}＝{Xi(k)},i＝0,1,2...m，其中k＝1,2…n，Xi(k)是在选取第k个数据值时获得的影响数据；第二类影响因素序列Yi＝{Yi(1),Yi(2),...,Yi(s)}＝{Yi(k)},i＝0,1,2...t，其中k＝1,2…n，Yi(k)和第三类影响因素{Zi(1),Zi(2),...,Zi(u)}＝{Zi(k)},i＝0,1,2...v也是在选取第k个数据值时获得的影响数据；S3：对获得的影响因素数据进行数据预处理：由贝叶斯定理X、Y、Z两两相互独立时，E为一次事件，R1、R2、Rn为预测结果，首先对第一类影响因素的数据进行数据预处理：第一步、设Xi＝{Xi(1),Xi(2),...,Xi(n)}＝{Xi(k)},i＝0,1,2...m为一个待处理项，而每个i为x的一个因素的特征属性；第二步、有预测结果类别集合为C＝{R1,R2...Rn}；第三步、计算P(R1|x),P(R2|x),...,P(Rn|x)：利用一个已知预测结果分类的影响因素项集合，统计得到在各类别下各个特征属性的条件概率估计，即P(R1|x1),P(R2|x1),...,P(Rm|x1)；P(R1|x2),P(R2|x2),...,P(Rm|x2)；...；P(R1|xn),P(R2|xn),...,P(Rm|xn)通过贝叶斯定理可得：P(x|yi)P(yi)=P(R1|yi)P(R2|yi)...P(Rm|yi)P(yi)=P(yi)Πj=1mP(Rj|yi);]]>第四步、如果P(Rk|x)＝max{P(R1|x),P(R2|x),...,P(Rn|x)},则x∈Rk；以上述四个步骤第二类影响因素、第三类影响因素下的数据进行数据预处理；S4：计算在给定不同影响因素条件下的发生概率：P(X∩Y)＝P(X)*P(Y|X)＝P(Y)*P(X|Y)P(X∩Z)＝P(X)*P(Z|X)＝P(Z)*P(X|Z)P(Y∩Z)＝P(Y)*P(Z|Y)＝P(Z)*P(Y|Z)由贝叶斯定理：P(X|Y)=P(Y|X)P(X)P(Y)]]>得：P(R2|E)=P(E|R2)P(R2)P(E)]]>P(Rn|E)=P(E|Rn)P(Rn)P(E)]]>又因为4个指标是相互独立的，得到P(E|Rn)＝P(E1|Rn)P(E2|Rn)...P(En‑1|Rn)P(En|Rn)最终得到在给定影响因素条件下，刑事案件发生的地点可能性和发生的时间可能性以及是否发生的概率，即从时间、空间、发生的可能性维度上计算得出概率。