[发明专利]一种系列案件疑犯落脚点预测方法

权利要求书

1.一种系列案件疑犯落脚点预测方法，其特征在于：

获取全体手机用户的第一居住地信息和活动范围信息，其中，所述第一居住地信息用于生成所述全体手机用户的第一居住地核密度图；

根据所述活动范围信息，按照时间和地点，提取与待预测疑犯的系列案件的第一作案地信息相匹配的手机用户，并根据提取的手机用户对应的第一居住地信息，结合预设的空间核密度分析算法，获得所述待预测疑犯的第二居住地核密度图；

根据预设的已捉获罪犯的系列案件的第二作案地信息和第二居住地信息，结合预设的负指数函数来拟合所述第二作案地信息-第二居住地信息的距离分布曲线，获得犯罪距离衰减函数；

根据所述第一作案地信息，结合所述犯罪距离衰减函数算法，获得待预测疑犯的居住地模型概率表面分布；

根据所述第一居住地核密度图、所述第二居住地核密度图和所述居住地模型概率表面分布，结合预设的贝叶斯算法，获得用于预测所述待预测疑犯落脚点的概率密度图。

2.如权利要求1所述的系列案件疑犯落脚点预测方法，其特征在于，所述获取全体手机用户的第一居住地信息和活动范围信息，具体为：

所述第一居住地信息包括若干个居住地，所述活动范围信息包括若干个活动范围和与所述活动范围分别一一对应的活动时间；

根据所述全体手机用户的手机信令数据，提取、聚合得到全部基站点数据；

根据所述全部基站点数据，构建基站泰森多边形，并结合预设的蒙特卡洛模拟算法，获得各手机用户在每个时刻分别一一对应的基站位置；

利用信息熵值法分别对各个所述基站位置进行计算，得到所述全体手机用户的第一居住地信息和活动范围信息。

3.如权利要求2所述的系列案件疑犯落脚点预测方法，其特征在于，所述利用信息熵值法分别对各个所述基站位置进行计算，具体为：

提取各手机用户夜间时间段所对应的基站位置，计算在夜间时间段各手机用户在所有基站位置的停留比例；

根据所述全体手机用户对应的停留比例，分别计算每个手机用户的夜间总熵值；

当第i个手机用户的夜间总熵值小于预设的阈值时，将所述第i个手机用户对应的停留比例最大的基站位置标记为所述第i个手机用户的居住地，而所述第i个手机用户在居住地以外的其他基站位置标记为所述第i个手机用户的活动范围。

4.如权利要求1所述的系列案件疑犯落脚点预测方法，其特征在于，所述空间核密度分析算法采用的是四次核函数。

5.如权利要求1所述的系列案件疑犯落脚点预测方法，其特征在于，所述根据预设的已捉获罪犯的系列案件的第二作案地信息和第二居住地信息，结合预设的负指数函数来拟合所述第二作案地信息-第二居住地信息的距离分布曲线，获得犯罪距离衰减函数，具体为：

所述第二作案地信息包含若干个第二作案地，所述第二居住地信息包含与所述第二作案地分别一一对应的第二居住地；

分别计算每个所述第二作案地与其对应的所述第二居住地之间的距离，获得犯罪距离数据；

以所述犯罪距离数据为横轴，案件比例为纵轴，得到犯罪距离分布曲线；

利用负指数函数来拟合所述犯罪距离分布曲线，获得犯罪距离衰减函数f(d_ij)：

d_ij指到居住点的欧氏距离，a_k、b_k、c_k参数为常数值，需要通过实际已捉获罪犯的犯罪距离分布数据训练获得。

6.如权利要求1所述的系列案件疑犯落脚点预测方法，其特征在于，所述根据所述第一作案地信息，结合所述犯罪距离衰减函数算法，获得待预测疑犯的居住地模型概率表面分布，具体为：

所述第一作案地信息包含若干个第一作案地和与所述第一作案地分别一一对应的第一作案时间；

获得待预测疑犯的居住地模型概率表面分布的计算方法如下：

在预测区域内生成N*N米的栅格，分别计算每个栅格中心点到所述第一作案地的距离x_ij，并将所述x_ij代入到所述距离衰减函数中，计算每个栅格作为待预测疑犯落脚点的居住地模型概率值，最终获得待预测疑犯的居住地模型概率表面分布。

7.如权利要求1所述的系列案件疑犯落脚点预测方法，其特征在于，所述根据所述第一居住地核密度图、所述第二居住地核密度图和所述居住地模型概率表面分布，结合预设的贝叶斯算法，获得用于预测所述待预测疑犯落脚点的概率密度图，计算方法如下：

其中，P(JTC|O)为所述待预测疑犯落脚点的概率密度，P(JTC)为所述待预测疑犯的居住地模型概率表面分布，P(O|JTC)为所述第二居住地核密度图，P(O)为所述第一居住地核密度图。