基于机器学习的侵财类案件危害程度分析

论文摘要

为了进一步分析侵财类案件的危害程度,以抢劫、抢夺和盗窃3种典型侵财类案件为例,利用ZS市2008—2014年的犯罪数据与统计年鉴数据,提取"发案时间""发案地域""选择时机""选择处所""选择对象""人均地区生产总值""职工月平均工资"7个特征,建立基于多种机器学习分类算法的侵财类案件危害程度预测模型,并进一步开展预测结果的分析研究。研究结果表明:梯度提升决策树(GBDT)算法性能最优,危害程度预测准确率达到了0. 88;在抢劫案和抢夺案中,一般和重大的案件容易发生在繁华地带,特大案件容易发生在其他处所;侵财类案件倾向于在工作日的城区中发生,发生的危害程度大多为一般;提出的侵财类案件危害程度预测模型可为侵财类案件的风险评估及警务资源优化配置工作提供方法支持。

论文目录

• 0 引言
• 1 数据及研究方法
•   1.1 数据集与研究方案概述
•   1.2 数据预处理
•     1.2.1 关键特征提取
•     1.2.2 处理空值
•     1.2.3 处理时间特征
•     1.2.4 处理数据共线性问题
•     1.2.5 数据不平衡处理
•   1.3 特征规则关联
• 2 结果分析
•   2.1 不同机器学习方法上的分类性能比较
•   2.2 关联规则分析
• 3 结论

文章来源

类型: 期刊论文

作者: 卢子涵,胡啸峰,邱凌峰

关键词: 侵财类案件,机器学习,分类预测

来源: 中国安全生产科学技术 2019年12期

年度: 2019

分类: 工程科技Ⅰ辑,社会科学Ⅰ辑

专业: 刑法

单位: 中国人民公安大学信息技术与网络安全学院,安全防范技术与风险评估公安部重点实验室

基金: 国家重点研发计划项目(2018YFC0809702),国家自然科学基金项目(71704183)

分类号: D924.3

页码: 29-35

总页数: 7

文件大小: 1545K

下载量: 145