以往犯罪前科人員分類研究,通�；跉v史犯罪信息中的靜態(tài)屬性信息,而忽略了對動態(tài)軌跡信息的利用,且缺乏專門針對盜竊前科人員再犯罪風險預測的研究.基于上述以往研究的不足,本文研究融合靜態(tài)屬性和動態(tài)軌跡的盜竊前科人員初犯/累犯分類.構建了融合靜態(tài)屬性和動態(tài)軌跡的長時間跨度盜竊前科人員分類數(shù)據(jù)集,然后探索和對比多種不同類型機器學習模型在該數(shù)據(jù)集上對盜竊前科人員的分類性能,提煉出與盜竊前科人員分類最相關的特征;基于上述分析結果,提出基于加權關聯(lián)規(guī)則的盜竊犯罪人員預警模型.本文的相關研究成果可以應用于盜竊犯罪的預警工作中,對犯罪打擊和安全防范工作具有一定的現(xiàn)實意義. 

【文章來源】：北京理工大學學報. 2020,40(01)北大核心EICSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 融合靜態(tài)屬性和動態(tài)軌跡的盜竊前科人員分類數(shù)據(jù)集
    1.1 數(shù)據(jù)集及特征選擇
    1.2 數(shù)據(jù)處理
2 盜竊前科人員分類模型與性能評價指標
3 盜竊前科人員分類結果分析與討論
    3.1 基于不同機器學習模型的盜竊前科人員分類結果
    3.2 面向隨機森林模型的變量重要度分析
        ① 平均不純度減小(MDI)算法[28-29].
        ② 平均準確性減小(MDA)算法[28-30].
    3.3 基于加權關聯(lián)規(guī)則的盜竊犯罪人員預警
        3.3.1 基于加權關聯(lián)規(guī)則的盜竊犯罪人員預警算法
        3.3.2 基于加權關聯(lián)規(guī)則的盜竊犯罪人員預警實驗結果分析
4 結 論


【參考文獻】：
期刊論文
[1]基于大數(shù)據(jù)的服刑人員危險性預測[J]. 馬國富,王子賢,馬勝利.  河北大學學報(自然科學版). 2016(06)
[2]基于Logistic回歸的犯罪概率預測研究[J]. 杜益虹,劉世華.  紹興文理學院學報(自然科學). 2016(02)
[3]面向重復犯罪人的再犯罪預測方法[J]. 孫菲菲,曹卓.  湖北警官學院學報. 2015(04)
[4]服刑人員刑滿釋放前重新犯罪風險預測研究[J]. 曾赟.  法學評論. 2011(06)
[5]基于商品主鍵的關聯(lián)規(guī)則挖掘思想與算法研究[J]. 秦吉勝,宋瀚濤.  北京理工大學學報. 2004(07)
[6]基于頻繁閉項目集的關聯(lián)規(guī)則挖掘算法[J]. 朱玉文,陳陵濤,劉萬春,賈云得.  北京理工大學學報. 2003(03)



本文編號：3343213