[發(fā)明專利]一種基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011170332.6
• 申請(qǐng)日: 2020-10-28
• 公開(kāi)（公告）號(hào): CN112132233A
• 公開(kāi)（公告）日: 2020-12-25
• 發(fā)明（設(shè)計(jì)）人: 李玉軍;鄧媛潔;劉治;賁晛燁
• 申請(qǐng)（專利權(quán)）人: 山東大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F16/215;G06F16/245;G06Q10/06;G06Q50/26
• 代理公司: 濟(jì)南金迪知識(shí)產(chǎn)權(quán)代理有限公司 37219
• 代理人: 許德山

本發(fā)明涉及一種基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法及系統(tǒng)，包括步驟如下：(1)結(jié)構(gòu)化處理：1)數(shù)據(jù)清洗；2)提取有效影響因子；(2)基于權(quán)重分?jǐn)?shù)的危險(xiǎn)行為預(yù)測(cè)：首先，對(duì)所有待評(píng)估人員進(jìn)行分類：其次，結(jié)合獄政管理業(yè)務(wù)，管理者往往關(guān)注有極高危險(xiǎn)行為的小部分群體，基于權(quán)重分?jǐn)?shù)的危險(xiǎn)行為預(yù)測(cè)及預(yù)警；(3)Random Forest模型在線優(yōu)化。本發(fā)明從評(píng)估人員的數(shù)據(jù)相關(guān)性和字段提供的信息熵兩方面進(jìn)行分析和篩選，挖掘出對(duì)服刑人員危險(xiǎn)行為的重要因素。可減少計(jì)算復(fù)雜度和模型復(fù)雜性，同時(shí)提高評(píng)估預(yù)測(cè)的準(zhǔn)確率和有效性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法及系統(tǒng)，屬于獄政管理技術(shù)領(lǐng)域，具體涉及一種監(jiān)獄內(nèi)危險(xiǎn)行為預(yù)測(cè)的研究方法。

背景技術(shù)

監(jiān)獄中的獄政管理對(duì)監(jiān)獄工作具有重要的作用，在目前的社會(huì)形勢(shì)下，除了做好服刑人員的改造工作以外，對(duì)獄內(nèi)服刑人員的日常行為監(jiān)測(cè)和危險(xiǎn)評(píng)估也十分重要，這是保障監(jiān)獄環(huán)境安全、推動(dòng)人員良好改造的基礎(chǔ)性一環(huán)。常規(guī)的危險(xiǎn)預(yù)測(cè)和評(píng)估工作主要包括：自殺危險(xiǎn)、逃脫危險(xiǎn)、暴力危險(xiǎn)等。目前，獄政管理中此項(xiàng)工作主要依賴監(jiān)區(qū)干警的觀測(cè)和評(píng)估、紙質(zhì)量表來(lái)進(jìn)行，存在主觀性較強(qiáng)，實(shí)時(shí)性較差，準(zhǔn)確率偏低等問(wèn)題。

現(xiàn)有方法的不足具體表現(xiàn)在：(1)通過(guò)干警個(gè)人經(jīng)驗(yàn)對(duì)服刑人員進(jìn)行的危險(xiǎn)行為判斷在一定范圍內(nèi)即干警管轄的服刑人員中是準(zhǔn)確的，但無(wú)法比較不同干警的不同管轄群體之間的危險(xiǎn)行為；(2)通過(guò)結(jié)合干警對(duì)各類型犯罪的經(jīng)驗(yàn)權(quán)重判斷出的服刑人員的危險(xiǎn)行為在準(zhǔn)確性方面又略顯不足且存在嚴(yán)重的滯后性。對(duì)服刑人員的危險(xiǎn)行為進(jìn)行有效量化的過(guò)程中，現(xiàn)有的方法是把全部犯人信息都作為潛在危險(xiǎn)程度的考量，這樣不僅帶來(lái)了大量的數(shù)據(jù)冗余且默認(rèn)各類信息對(duì)犯人潛在危險(xiǎn)的影響程度相同，忽略了大量的重要信息，對(duì)監(jiān)獄管理工作帶來(lái)巨大的負(fù)擔(dān)。

因此，如何高效、合理地對(duì)服刑人員的危險(xiǎn)行為做出正確的預(yù)測(cè)，是現(xiàn)在要解決的重要問(wèn)題。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法及系統(tǒng)，集成了一種有效影響因子提取方法、基于權(quán)重分?jǐn)?shù)的危險(xiǎn)行為評(píng)估和基于在線學(xué)習(xí)算法修正優(yōu)化模型，提高預(yù)測(cè)模型的準(zhǔn)確性，解決了模型修正和優(yōu)化的滯后的問(wèn)題，提高了服刑人員危險(xiǎn)行為預(yù)測(cè)的時(shí)效性；

本發(fā)明還提供了上述基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法的實(shí)現(xiàn)系統(tǒng)，本系統(tǒng)共包括數(shù)據(jù)挖掘和存儲(chǔ)模塊、模型算法和實(shí)時(shí)優(yōu)化模塊、危險(xiǎn)行為預(yù)警模塊和移動(dòng)終端顯示和查詢模塊。一方面解決了獄中評(píng)估的準(zhǔn)確性問(wèn)題，同時(shí)為監(jiān)獄管理業(yè)務(wù)提供更精準(zhǔn)和便捷的評(píng)估應(yīng)用。

術(shù)語(yǔ)解釋：

Random Forest(RF)模型：一種應(yīng)用于機(jī)器學(xué)習(xí)的集成分類器，由多個(gè)決策樹(shù)組成。

本發(fā)明的技術(shù)方案為：

一種基于有效影響因子的服刑人員危險(xiǎn)行為預(yù)測(cè)方法，包括步驟如下：

(1)結(jié)構(gòu)化處理：

1)數(shù)據(jù)清洗；對(duì)服刑人員特征信息進(jìn)行數(shù)據(jù)清洗；服刑人員特征信息包括罪犯基本信息、犯罪信息、心理狀況和日常行為；

2)提取有效影響因子；

(2)基于權(quán)重分?jǐn)?shù)的危險(xiǎn)行為預(yù)測(cè)

監(jiān)獄管理中危險(xiǎn)行為包括自殺危險(xiǎn)、逃脫危險(xiǎn)、暴力危險(xiǎn)；

首先，對(duì)所有待評(píng)估人員進(jìn)行分類：

將結(jié)構(gòu)化處理后有效影響因子構(gòu)成的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，將訓(xùn)練集輸入Random Forest(RF)模型進(jìn)行學(xué)習(xí)和訓(xùn)練，待Random Forest模型的學(xué)習(xí)完成預(yù)設(shè)的迭代次數(shù)(例如，1000次)且誤差維持穩(wěn)定(在0.05-0.15范圍之間)后，保存訓(xùn)練好的RandomForest模型；輸入測(cè)試集至訓(xùn)練好的Random Forest模型，預(yù)測(cè)其危險(xiǎn)行為；