[发明专利]犯罪自动预测方法及系统

说明书

技术领域

本发明涉及数据挖掘及分析领域，具体涉及一种犯罪自动预测方法及系统。

背景技术

随着大数据处理技术的发展和公安信息化建设的不断推进，越来越多的大数据汇聚到公安警务系统，此时可以运用这些大数据开展处理、分析、研判及预测等工作，帮助公安机关优化业务流程和工作部署，进一步提升公安的办案效率和管理水平。例如犯罪案件时间和地点的准确预测能够对警力部署、岗位设置、警种分配和区域调剂等产生深刻的影响，具有现实的指导意义。

现有的主流犯罪自动预测方法为基于自激点过程的犯罪建模预测，该方法来源于余震预测算法，它将整个待预测的地区分为若干个小的方格(例如分为每块200m×200m大小的方格)，然后针对历史犯罪数据使用地震领域中的随机除丛法和数理统计中的核密度估计法计算每个方格的犯罪发生概率，取概率最大的前N个方格作为预测结果。

现有的基于自激点过程模型的犯罪自动预测方法，未考虑当前方格内历史犯罪案件之外的其他信息，如不同方格内的历史案件数量并不均衡，且不同方格所处地理位置的城市空间结构和格局分布等情况均不相同，加上犯罪事件的发生还与人的主观因素存在较大关系，因此不同方格的预测概率大小并不具有可比性，直接比较大小得到的预测效果并不理想。

发明内容

本发明实施例提供一种犯罪自动预测方法及系统，以提高预测结果的准确性。

为此，本发明提供如下技术方案：

一种犯罪自动预测方法，包括：

获取待预测区域，并将所述待预测区域划分为一个或多个分区；

获取所述待预测区域内的历史犯罪案件信息；

根据所述历史犯罪案件信息对历史犯罪案件进行时空建模，得到每个分区的犯罪预测概率；

对得到的每个分区的犯罪预测概率进行校正，得到每个分区校正后的犯罪预测概率。

优选地，采用自激点过程模型对历史犯罪案件进行时空建模。

优选地，所述历史犯罪案件信息包括：案件发生的时间信息和空间信息。

优选地，所述对得到的每个分区的犯罪预测概率进行校正，得到每个分区校正后的犯罪预测概率包括：

利用线性校正模型对得到的每个分区的犯罪预测概率进行校正，得到每个分区校正后的犯罪预测概率。

优选地，所述线性校正模型为：v(t,x,y)＝m(t,x,y)λ(t,x,y)+a(t,x,y)，其中，v(t,x,y)表示区域(x,y)的犯罪预测结果，a(t,x,y)为加性校正因子，m(t,x,y)为乘性校正因子。

优选地，所述乘性校正因子采用二元多项式建模，并利用熵值最小化方法计算所述二元多项式中的优化参数。

优选地，所述线性校正模型满足以下条件：

概率校正前后区域整体的概率均值不变，并且二元多项式中的优化参数的变化会产生等值的概率变化。

优选地，所述加性校正因子a(t,x,y)根据对犯罪概率成线性关系的因素确定。

优选地，所述方法还包括：

根据所有分区校正后的犯罪预测概率，按照概率从大到小的顺序选取设定个数的分区作为本次犯罪预测结果，或者选取概率大于阈值的分区作为本次犯罪预测结果。

一种犯罪自动预测系统，包括：

分区模块，用于获取待预测区域，并将所述待预测区域划分为一个或多个分区；

历史信息获取模块，用于获取所述待预测区域内的历史犯罪案件信息；

计算模块，用于根据所述历史犯罪案件信息对历史犯罪案件进行时空建模，得到每个分区的犯罪预测概率；

校正模块，用于对得到的每个分区的犯罪预测概率进行校正，得到每个分区校正后的犯罪预测概率。

优选地，所述计算模块采用自激点过程模型对历史犯罪案件进行时空建模。

优选地，所述历史犯罪案件信息包括：案件发生的时间信息和空间信息。

优选地，所述校正模块，具体用于利用线性校正模型对得到的每个分区的犯罪预测概率进行校正，得到每个分区校正后的犯罪预测概率。

优选地，所述线性校正模型为：v(t,x,y)＝m(t,x,y)λ(t,x,y)+a(t,x,y)，其中，v(t,x,y)表示区域(x,y)的犯罪预测结果，a(t,x,y)为加性校正因子，m(t,x,y)为乘性校正因子。

优选地，所述乘性校正因子采用二元多项式建模，并利用熵值最小化方法计算所述二元多项式中的优化参数。

优选地，所述线性校正模型满足以下条件：