CN106227863A - 在案件串并和嫌疑人排查中的数据挖掘方法 - Google Patents

Abstract

本发明提供一种在案件串并和嫌疑人排查中的数据挖掘方法，属于商业智能技术领域，本发明根据对案件信息数据的预处理和运用标签体系，将案件中时间、地点、人、车、案情以标签的形式展现出来，通过标签之间的关联关系，最终在展现层上构建出全息、动态、多维的案件分析可视化应用产品，在为一线民警办案提供数据研判支撑的同时，结合民警办案经验形成可总结、可分析、可模拟式技战法。

Description

在案件串并和嫌疑人排查中的数据挖掘方法

技术领域

本发明涉及商业智能技术，尤其涉及一种在案件串并和嫌疑人排查中的数据挖掘方法。

背景技术

随着“***”建设的深入开展，各级公安机关已经逐步建立了各类公共基础信息资源库、人员社会行为动态信息资料库和业务信息***，积累了大量的数据资源，这些数据资源和信息***在辅助各级公安机关业务人员进行案件调查工作和服务群众等方面带来了很大的帮助，在一定程度上提高了案件处理的效率和水平。但是，大部分公安机关对案件进行串并、摸排嫌疑人仍停留在利用经验积累进行人工分析的初级阶段。面对信息资源不断增长的现状，公安机关迫切需要运用数据挖掘的思想和方法，对各类数据背后所蕴涵的内在的、必然的因果关系进行挖掘，提高案件串并和嫌疑人排查工作效率。

1、关联规则分析

关联规则算法指数据中两个或多个变量取值之间暗含的某种规律性。支持度是对关联规则重要性的衡量，置信度是对关联规则准确性的衡量。以挖掘关联规则为目标的挖掘过程一般包含两个阶段，第一阶段，从资料库中找出所有的高频项目组，它们出现的频率相对于所有组而言，达到或超过所设定的最小支持度。第二阶段，从高频项目组中产生关联规则，保证应用该规则得到的结果可以达到最小的置信度。关联规则在公安情报分析中的典型应用是对犯罪行为规律的挖掘。运用关联规则可以发现犯罪分子的身份、年龄、地域等特征与其在实施犯罪行为中所使用的手段、特点、选择的地点以及侵害对象等方面的关联规律性，把具有相似特征的犯罪人员从海量数据中分拣出来，形成“高危人群”数据库，利用高危人群数据库指导帮助案件侦破。

2、聚类分析

聚类分析方法主要是研究对象中各点之间存在的程度不同的相似性，根据对象属性找出各点间相似程度的序列，把一些相似程度较大的点聚合为一类。在公安情报分析中，聚类分析方法应用最广泛。可以对犯罪手段、特点、作案时间等关键要素进行挖掘，帮助分析人员确定具有较高相似度的案件，刻画嫌疑人特征，并把看似不相关的案件进行合并侦查。可以挖掘发现案件的高发时段、高发地区以及高发的作案手段，指导巡逻防控和情报预警。

3、协同过滤

协同过滤分析方法是在用户群中找到指定用户兴趣相似的用户，综合这些相似用户对某一信息的评价，形成该指定用户对此信息的喜好程度的预测。一般分为基于项目的协同过滤和基于用户的协同过滤。在公安实战中，我们可以将案件（一串案件）发生轨迹视为“项目”，将嫌疑人活动轨迹视为“对项目的偏好”，通过计算轨迹吻合度，推荐可能的犯罪嫌疑人。

4、分类与回归

分类与回归分析主要用于找出描述并区分数据类的模型（或函数），以便能够使用模型预测未知的对象类。分类分析的目的是学会一个分类模型，该模型能把数据库中的项映射到给一组类别中的某一个类。在公安情报分析中，可以使用分类与回归的分析方法，将特定的人员（例如：前科人员）映射到“高危人群”中，当“高危人群”出现时，出符合“犯罪内容”特征的犯罪预警。

发明内容

为了解决以上问题，本发明提出了一种在案件串并和嫌疑人排查中的数据挖掘方法。

本发明的技术方案是：

在案件串并和嫌疑人排查中的数据挖掘方法，

根据对案件信息数据（杀人、伤害、***、抢劫、绑架、劫持、放火、***）的预处理和运用标签体系，将案件中时间、地点、人、车、案情等主要信息以标签的形式展现出来，通过标签之间的关联关系，最终在展现层上构建出全息、动态、多维的案件分析可视化应用产品，在为一线民警办案提供数据研判支撑的同时，结合民警办案经验形成可总结、可分析、可模拟式技战法。

该方法总共分为两个部分，即业务流程和后台设计。

所述业务流程包括：

建立案件特征库；分析已破案件特征，包括：案件类别、作案特点、作案时机、侵害对象、作案工具等项目，分别生成串并案模型；

建立违法犯罪人员特征库；对已破案件以及相关的违法犯罪人员进行分析，挖掘案件特征与犯罪人员特征的潜在关联关系，构建“高危人群”数据库；

运用串并案模型，针对未破案件，开展案件串并，并推荐出可能作案的高危人群。

构建违法犯罪人员活动轨迹数据库；包括：违法犯罪人员乘坐出租车轨迹，违法犯罪人员机动车经过卡口轨迹，违法犯罪人员手机经过电子围栏轨迹，违法犯罪人员上网、住宿、社保卡消费、公交轨迹，重点人员本地金融活动轨迹，违法犯罪人员室外活动轨迹。

将已串并案件的案发轨迹与符合高危特征的犯罪人员活动轨迹叠加分析，计算时间和空间上的吻合度，并推荐出未破案件的可能嫌疑人。

所述后台设计包括：

关联定义：案件中某些属性具有相似性，那么在一组案件中相似属性的组合出现的就频繁，从案件中寻找这些组合项来描述案件的关联性；

封闭标签：案件中设计的属性，以标签的概念进行数据统一、封闭；

算法设计：封闭标签定义后形成算法中的“项”，采用APRIORI算法对标签进行组合，输出关联模式；

后台设计：

（1）编辑标签规范，设计父子级别，核对源数据表中唯一值对应，属于外部手工数据；

（2）采用关系数据库设计集市结构，初始采用MySql，改用Oracle；

（3）标签加载到数据库中和Hbase中相应案件的表形成DB层数据源；

（4）从DB中层抽取数据到Oracle中形成ODS层，在ODS层中实现数据清洗转换加载转换；

（5）按照算法所需数据格式，转换完成对数据集成，形成数据集市；

（6）ODS中表设计；

前后台连接：前期设计的标签树形成筛选条件，传递参数给后台，算法按照参数从集市中抽数据运算，形成规则集，将规则集传到前台将数据可视化展现。

本发明的有益效果是

使用成熟的图形化展示工具，集成串并案分析、排查嫌疑人功能，建立一个面向情报分析人员的智能分析***。***具备自学***、串并案和排查嫌疑人工作效率。

附图说明

图1是封闭标签示意图；

图2是算法设计示意图；

图3是ODS中表设计图。

具体实施方式

下面对本发明的内容进行更加详细的阐述：

业务流程

建立案件特征库。分析已破案件特征，包括：案件类别、作案特点、作案时机、侵害对象、作案工具等项目，分别生成串并案模型。

建立违法犯罪人员特征库。对已破案件以及相关的违法犯罪人员进行分析，挖掘案件特征与犯罪人员特征的潜在关联关系，构建“高危人群”数据库。

运用串并案模型，针对未破案件，开展案件串并，并推荐出可能作案的高危人群。

构建违法犯罪人员活动轨迹数据库，包括：违法犯罪人员乘坐出租车轨迹，违法犯罪人员机动车经过卡口（电子警察）轨迹，违法犯罪人员手机经过电子围栏（基站）轨迹，违法犯罪人员上网、住宿、社保卡消费、公交（公共自行车）轨迹，重点人员本地金融活动轨迹，违法犯罪人员室外活动轨迹（基于天网工程人像比对发现）。

将已串并案件的案发轨迹与符合高危特征的犯罪人员活动轨迹叠加分析，计算时间和空间上的吻合度，并推荐出未破案件的可能嫌疑人。

后台设计

关联定义：案件中某些属性具有相似性，那么在一组案件中相似属性的组合出现的就频繁，从案件中寻找这些组合项来描述案件的关联性；

封闭标签：案件中设计的属性，以标签的概念进行数据统一、封闭（标签即属性的体现形式）；

算法设计：封闭标签定义后形成算法中的“项”，采用APRIORI算法对标签进行组合，输出关联模式；

后台设计：

（1）编辑标签规范，设计父子级别，核对源数据表中唯一值对应，属于外部手工数据；

（2）采用关系数据库设计集市结构，初始采用MySql，改用Oracle；

（3）标签加载到数据库中和Hbase中相应案件的表形成DB层数据源；

（4）从DB中层抽取数据到Oracle中形成ODS层，在ODS层中实现数据清洗转换加载转换；

（5）按照算法所需数据格式，转换完成对数据集成，形成数据集市；

（6）ODS中表设计：

T_CASE_TAG标签匹配表、匹配过程中清洗数据。

T_CASE_TAG_ALL抽取数据表、事务数据集格式。

DB中手工数据（标签表）：

T_TAG_DICT标签表

集市中的表（面向人和案件主题的表）：

T_CASE_TAG_ALL多维数据表

DB中的表：（Hbase中涉及到四个表）

前后台连接：前期设计的标签树形成筛选条件，传递参数给后台，算法按照参数从集市中抽数据运算，形成规则集，将规则集传到前台将数据可视化展现。

数据挖掘对公民隐私的触及便不可避免。公安机关掌握了大量公民个人隐私信息，侵犯公民个人隐私是从事犯罪情报分析工作不可规避的风险。从技术层面上讲，公安机关运用公民活动轨迹信息进行嫌疑人排查可以为侦查破案提供更加有效的支撑。但是，从保护隐私的角度来说，只可以使用嫌疑人员的活动轨迹进行挖掘。

Claims (4)

1.在案件串并和嫌疑人排查中的数据挖掘方法，其特征在于，

根据对案件信息数据的预处理和运用标签体系，将案件中时间、地点、人、车、案情以标签的形式展现出来，通过标签之间的关联关系，最终在展现层上构建出全息、动态、多维的案件分析可视化应用产品，在为一线民警办案提供数据研判支撑的同时，结合民警办案经验形成可总结、可分析、可模拟式技战法。

2.根据权利要求1所述的方法，其特征在于，

该方法总共分为两个部分，即业务流程和后台设计。

3.根据权利要求2所述的方法，其特征在于，

所述业务流程包括：

建立案件特征库；分析已破案件特征，包括：案件类别、作案特点、作案时机、侵害对象、作案工具等项目，分别生成串并案模型；

建立违法犯罪人员特征库；对已破案件以及相关的违法犯罪人员进行分析，挖掘案件特征与犯罪人员特征的潜在关联关系，构建“高危人群”数据库；

运用串并案模型，针对未破案件，开展案件串并，并推荐出可能作案的高危人群；

构建违法犯罪人员活动轨迹数据库；包括：违法犯罪人员乘坐出租车轨迹，违法犯罪人员机动车经过卡口轨迹，违法犯罪人员手机经过电子围栏轨迹，违法犯罪人员上网、住宿、社保卡消费、公交轨迹，重点人员本地金融活动轨迹，违法犯罪人员室外活动轨迹；

将已串并案件的案发轨迹与符合高危特征的犯罪人员活动轨迹叠加分析，计算时间和空间上的吻合度，并推荐出未破案件的可能嫌疑人。

4.根据权利要求2所述的方法，其特征在于，

所述后台设计包括：

关联定义：案件中某些属性具有相似性，那么在一组案件中相似属性的组合出现的就频繁，从案件中寻找这些组合项来描述案件的关联性；

封闭标签：案件中设计的属性，以标签的概念进行数据统一、封闭；

算法设计：封闭标签定义后形成算法中的“项”，采用APRIORI算法对标签进行组合，输出关联模式；

后台设计：

（1）编辑标签规范，设计父子级别，核对源数据表中唯一值对应，属于外部手工数据；

（2）采用关系数据库设计集市结构，初始采用MySql，改用Oracle；

（3）标签加载到数据库中和Hbase中相应案件的表形成DB层数据源；

（4）从DB中层抽取数据到Oracle中形成ODS层，在ODS层中实现数据清洗转换加载转换；

（5）按照算法所需数据格式，转换完成对数据集成，形成数据集市；

（6）ODS中表设计；

前后台连接：前期设计的标签树形成筛选条件，传递参数给后台，算法按照参数从集市中抽数据运算，形成规则集，将规则集传到前台将数据可视化展现。