分类学习方法在犯罪人地域特征预测识别中的应用研究

传统的时空犯罪预测仅适用于犯罪的时空分布概率分析,无法应用于具体的案件预测,而基于犯罪人特征属性判断犯罪人风险行为的预测方式往往会受到特定工作场景的限制,缺乏良好的迁移性和扩展性(背景)。抽象出案件现场构成要素并从信息化侦查的角度建立了以时间、区域、部位、目标和手段等5种案件现场信息为属性、以分类算法为基础的犯罪人地域特性识别模型,并以北京市盗窃电动车案件数据作为案例、利用决策树算法进行了实证分析(方法)。结果表明:该模型能够有效地实现对犯罪人地域特征的分类识别,其分类正确率达到了80%以上,并且决策树算法在结果的准确率上较其他分类方法具有更好的效果(结果)。以犯罪人的地域特征性作为案件侦查的一个切入点,利用案件现场特征挖掘犯罪嫌疑人的地域特征,可为侦查人员缩小侦查范围提供了一种方法,有利于侦破犯罪嫌疑人身份不明的案件,提升侦查效率(意义)。     

外来犯罪人群体户籍地空间分布对比研究——以北京市2005年和2014年数据的实证分析为例

以2005年和2014年北京市外来犯罪人为研究对象,通过非参数检验、层次聚类等方法对其户籍地的空间分布进行了对比分析和空间统计分析。结果表明:在2005年和2014年,犯罪人的户籍地分布均存在明显的高值集聚区和低值集聚区,其中高值聚集区主要集中在河南、山东等距北京市较近的区域;而从不同年份的对比来看,北京市外来犯罪人群体的地市级分布存在显著的差异,主要表现为来自北京周边区域的犯罪人占比逐渐下降,但来自偏远地区的犯罪人群体占比开始逐渐增加。最后,针对外来犯罪人群体的户籍地分布变化特征提出了相应的防范建议。