[发明专利]一种处罚案件撤案的影响因素分析方法

说明书

本申请涉及一种处罚案件撤案的影响因素分析方法，该方法包括：采集处罚案件的基本信息；对处罚案件的基本信息进行预处理，获取处罚案件的关键信息；根据处罚案件的关键信息，利用预先建立的随机森林模型获取处罚案件的撤案结果和影响因素。本申请提供的技术方案，不仅为执法人员判断处罚案件是否应该被撤案时提供了参考意义，还避免了一定程度的因主观因素而导致无序的撤案情况。

技术领域

本申请属于数据分析技术领域，具体涉及一种处罚案件撤案的影响因素分析方法。

背景技术

机器学习通过分析大量数据进行学习，寻找数据中的特征模式并进行预测，数据丰富度的提升和数据量的积累可不断提高其预测准确性。机器学习包含有监督和无监督学习，大部分监督学习任务包含分类、预测和回归，无监督学习普遍为聚类应用。目前针对不同业务场景可以选择不同的算法，根据训练结果确定较优模型，神经网络、决策树、随机森林、逻辑回归、聚类、关联规则学习等机器学习方法在近几年被广泛使用且都可以获得比较有意义、可以为重要决策提供支撑的数据结论。在全球信息化快速发展的大背景下，大数据已成为国家重要的基础性战略资源，正引领新一轮科技创新。目前，我国在大数据发展和应用方面已具备一定基础，拥有市场优势和发展潜力。

案件立案后，部分案件会被撤案，影响撤案的一些主观原因包括有碍执行、申请人想与被申请人和解、经审查被执行人无可执行财产或丧失履行能力等，同时还会受到其他因素影响。但我国现行法律对处罚撤案制度规定甚少，理论研究也不多，这就造成了实践中处罚撤案制度运作的无序。

发明内容

为至少在一定程度上克服相关技术中存在处罚撤案制度运作无序的问题，本申请提供一种处罚案件撤案的影响因素分析方法。

根据本申请实施例的第一方面，提供一种处罚案件撤案的影响因素分析方法，所述方法包括：

采集处罚案件的基本信息；

对所述处罚案件的基本信息进行预处理，获取所述处罚案件的关键信息；

根据所述处罚案件的关键信息，利用预先建立的随机森林模型获取所述处罚案件的撤案结果和影响因素。

进一步的，所述对所述处罚案件的基本信息进行预处理，获取所述处罚案件的关键信息，包括：

对所述处罚案件的基本信息进行抽取、清洗和整合，获取待处理的处罚案件的基本信息；

去掉所述待处理的处罚案件的基本信息中的干扰项和无用数据，获取所述处罚案件的关键信息。

进一步的，所述根据所述处罚案件的关键信息，利用预先建立的随机森林模型获取所述处罚案件的撤案结果和影响因素之前，还包括：

建立所述预先建立的随机森林模型。

进一步的，所述建立所述预先建立的随机森林模型，包括：

采集历史的处罚案件的基本信息、历史的处罚案件的撤案结果和历史的处罚案件的撤案结果的影响因素；

利用所述历史的处罚案件的基本信息、历史的处罚案件的撤案结果和历史的处罚案件的撤案结果的影响因素建立待用的随机森林模型；

对所述待用的随机森林模型进行优化，获取所述预先建立的随机森林模型。

进一步的，所述利用所述历史的处罚案件的基本信息、历史的处罚案件的撤案结果和历史的处罚案件的撤案结果的影响因素建立待用的随机森林模型，包括：

对所述历史的处罚案件的基本信息进行预处理，获取所述历史的处罚案件的关键信息；

将所述历史的处罚案件的关键信息转换成数组形式；