一种系列犯罪案件地理目标预测方法

技术领域

本发明涉及刑侦与警务研判、警情数据挖掘、公共安全、犯罪地理学技术领域，尤其涉及一种系列犯罪案件地理目标预测方法。

背景技术

犯罪都是在一定的时空和一定的受害人与犯罪人之间完成的，罗斯莫博士(Rossmo)通过将犯罪现场的犯罪活动和空间行为的地理知觉联系起来，在距离递减模式原理的基础上，提出了犯罪地理目标模型，并编成计算机程序，同时用多起案件加以验证，获得了很大的成功。1994年ECRI(Environmental Criminology Research Inc，环境犯罪研究有限公司)正式成立，成功设计了参宿七(Rigel)软件，使其服务于犯罪侦查。目前，北美和欧洲信息化较高的警察机构都在使用参宿七软件。2005年以来，国内学者和专家陆续对犯罪地理画像理论及国外应用案例进行了研究，同时伴随着我国警务部门对警务地理信息系统的全面建设，使其在我国具有极大应用前景。

随着地理画像技术的发展，警务部门越来越重视其在侦破案件方面的作用。地理画像中的犯罪地理目标模型(Criminal Geographic Profiling，CGT)已在国内外警务部门进行了实际应用，如系列杀人、系列入室盗窃、系列街头盗窃、系列抢劫、系列强奸、系列纵火等系列案件，均获得了较好的预测效果。目前，虽然在地理画像领域取得了一些研究与应用成果，但是也存在着少许不足，如：原有的CGT模型仅基于案件点空间信息(作案地点之间的相互距离)进行预测，忽略了交通环境(只包括道路的条数，选择逃跑路线用)、警务监督等多种因素对嫌疑人选择落脚点的影响，缺乏对嫌疑人落脚点选择机理研究，导致模型预测精度不高、或预测失败等问题。虽然已有文献对犯罪地理目标模型进行了改进，但其仅考虑了地理因素(作案地点之间的相互距离)而没有考虑其它因素，导致预测不准确。

发明内容

1.发明要解决的技术问题

针对现有技术的犯罪地理目标模型存在预测不准确的问题，本发明提供了一种系列犯罪案件地理目标预测方法。它可以取得比较好的预测效果，预测命中百分率至少高于原始CGT模型6％以上。

2.技术方案

为解决上述问题，本发明提供的技术方案为：

一种系列犯罪案件地理目标预测方法：

A、模型计算区域的确定

对连环案件进行区域划分后，依据犯罪分子有效案件点的分布确定模型计算区域；构建XY坐标系，确定每个案件发生的地点坐标(x，y)；

B、曼哈顿距离的计算

将地模型计算区域划分为有限的栅格，并确定模型计算区域内每个小栅格点与所有犯罪点或案件相关点间的曼哈顿距离；

C、构建距离递减函数f(d)

构建模型计算区域上的每一点对于每个犯罪地点的距离递减函数f(d)；

D、相关性因子的模糊化

将高相关性的因子通过模糊化提取出来作为模型修正参数加入到CGT的计算模型中从而得到改进CGT模型；

E、计算犯罪分子居住地概率

通过将模型计算区域每一点的所有距离递减函数值加权后相加，作为该点为犯罪分子居住地可能性的最后值。

优选地，所述的有效案件是指犯罪手法相似，作案对象相似，案件类型相似或作案地点相似，警察能够判断出属于连环案件的案件。

优选地，步骤C中的距离递减函数为：

当d<B时有：

当d≥B时有：

其中，φ是权重因数；B是缓冲区半径(现有有效案件的距离统计数据的正态分布构建中的期望值，即现有有效案件曼哈顿距离d的平均值)；h、g是经验指数。

优选地，步骤D高相关性的因子包括交通环境G、警务安保P和犯罪地点概率因子U，交通环境由道路条数来确定，设某一小网格区域内道路条数在0～10之间；小网格区域内的警务安保由警察和其他安保人员人数确定，设某一小网格区域内警察和其他安保人员人数在0～10之间；

选用三角形隶属函数实现交通环境的模糊化，具体公式如下所示：

上式中x是小网格区域内的道路条数；

选用三角形隶属函数实现警务安保的模糊化，具体公式如下所示：

上式中x是小网格区域内的警务安保人员的个数；

作案交通环境分为三个模糊集，作案交通环境G、警务安保P及犯罪地点概率因子U的模糊语言变量子集分别如下：

G：{SG(交通环境不便),MG(交通环境适中),LG(交通环境便利)}

P：{SP(警务安保差),MP(警务安保适中),LP(警务安保好)}

U：{VB(可能性很大),B(可能性大),M(可能性适中),S(可能性小),VS(可能性很小)}根据以上两个隶数函数，得到以下模糊规。

优选地，犯罪地点概率因子选用三角形隶属函数实现概率因子的模糊化，具体公式如下所示：

将所有格网点(i,j)通过模糊化后，可以得到格网点模糊系数h_ij＝u_ij。

优选地，通过模糊控制后，得到改进后的地理目标模型，如下所示：

式中，P'_ij是嫌疑人居住在网格点(i,j)的概率值，k是一个常数，用来放大整体的概率数值；h_ij是格网点模糊系数；f和g均为经验值常数；x_i、y_j分别是第i行，第j列对应格网点的坐标值；x_n、y_n是第n个案件点的坐标值。

3.有益效果

采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：

(1)本发明的一种系列犯罪案件地理目标预测方法，通过研究交通环境因素、警察因素、人口因素、被害人职业因素等因素与嫌疑人落脚点的相关性，发现地理警察因素、环境因素与嫌疑人落脚点具有较高的相关性，提高了犯罪地点预测的准确率；

(2)本发明的一种系列犯罪案件地理目标预测方法，将高相关性的因素通过模糊化提取出来作为模型修正参数加入到CGT的计算模型中，从而得到改进CGT模型，并取得了比较好的预测效果，预测命中百分率至少高于原始CGT模型6％以上；

(3)本发明的一种系列犯罪案件地理目标预测方法，通过确定模型计算区域不仅可以估测犯罪分子的活动范围使侦查范围大大减小，还能提高侦查人员预测犯罪嫌疑人居住的精度。

附图说明

图1为地理画像犯罪区域图；

图2为距离衰减模式曲线；

图3为本发明的搜索区域面积效用曲线；

图4为本发明的命中百分率效用曲线。

具体实施方式

为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。

对比例1

目前，国内外对犯罪分子最有可能的下次作案地点和居住地点预测主要有两种方法。一种是以形态学为基础的地理画像预测方法，主要是“圆圈假设”理论，如图1所示。地理画像犯罪区域图中几乎包含了系列案件发生的地点以及与案件相关地点。另一种是邻近度方法，即犯罪嫌疑人活动距离，通过模拟距离衰减曲线预测犯罪嫌疑人位置。大多数地理画像的研究和预测是以距离衰减曲线为基础的。世界上出现最早并且已经应用最成熟的是Rossmo的犯罪地理目标模型。该模型采用一个分段函数对犯罪嫌疑人活动距离的距离衰减曲线如图2所示进行模拟，将嫌疑人锁定在一个很小的区域范围内，从而大大减小了警务人员对犯罪嫌疑人搜寻排查的时间。通过在地图上进行描点定位，将犯罪嫌疑人作案地点进行标记并且排除异常点，求一点D(x₀,y₀)使得它到各个有效案发地点距离之和的平均值最小从而求出最小半径，公式如下：

其中，i＝1,2,3,……,n。

假设，A＝S_xx(x₀，y₀)；B＝S_xy(x₀，y₀)；C＝S_yy(x₀，y₀)。

因为故函数S有极小值。

令且求出极小值点(x^*,y^*)并计算出半径R的值，

其中，(x₀,y₀)为犯罪分子可能居住或逗留地点坐标，(x_i，y_i)为排除异常点之后的案发地点坐标。

以这个极小值点为圆心，R为半径作出案发区域的圆环，从而运用地理画像方法从宏观上对犯罪分子下一次作案地点进行刻画。

对比例2

基于CGT模型的犯罪嫌疑人居住地预测方法具体如下：

(1)模型计算区域的确定

依据犯罪分子有效案件(有效案件是指犯罪手法相似，作案对象相似，案件类型相似或作案地点相似等，警察能够判断出属于连环案件的)点的分布确定模型计算区域(地图)。计算区域范围的确定对犯罪嫌疑人居住地的预测具有重要意义。通过确定模型计算区域不仅可以估测犯罪分子的活动范围使侦查范围大大减小，还能提高侦查人员预测犯罪嫌疑人居住的精度。犯罪嫌疑人有效案件点可能是罪犯与被害人相遇的地点、作案实施地点(抢劫地点、偷窃地点、杀人现场、抛尸地点等)、犯罪嫌疑人临时逗留地点等。从有效案件点中获取x最大值x_max，x最小值x_min，y最大值y_max，y最小值y_min分别为：

x_high、x_min、y_high、y_min分别代表地图计算区域的最东部的x值、最西部的x值、最北部的y值、最南部的y值，m是犯罪地点的总数。

(2)曼哈顿距离的计算

将地图上的计算区域划分为有限的栅格，构建xy坐标系，确定网格原点对应为xy轴的原点，优选模型计算区域的中心作为原点，便于计算，处理速度快，节省运算处理时间，并确定模型计算区域中每个小栅格的中心点与所有犯罪点或案件相关点间的曼哈顿距离d。地图上任意一小栅格的中心点(x_i，y_j)与任意第n个犯罪点(x_n，y_n，n代表案件的编号)的曼哈顿距离d为：

d＝|x_i-x_n|+|y_i-y_n|

(3)构建距离递减函数f(d)

设计距离递减函数f(d)，其中曼哈顿距离d为独立变量。模型计算区域上的每一点对于每个犯罪地点或者犯罪相关地点都有一个这样的函数值，如果存在m个犯罪地点或者犯罪相关地点，则模型计算区域上每一点均有对应的m个数值(对应m个d，m个f(d))。

当d<B时有：

当d≥B时有：

其中，φ是权重因数；B是缓冲区半径(现有有效案件的距离统计数据的正态分布构建中的期望值，即现有有效案件曼哈顿距离d的平均值)；h、g是经验指数。

(4)通过将模型计算区域中每一点(任意一小栅格的中心点)的所有距离递减函数值加权后相加，作为该点为犯罪分子居住地可能性的最后值。，某一点的值越大表明该点包含犯罪分子居住地或逗留地的可能性越大。其中概率值最高点即为嫌疑人最可能的落脚地点具体函数如下：

其中，p_ij表示了小栅格中心点(x_i，y_j)是犯罪归属点的可能性；k是经验常数。某一个网格区域内，计算得到的概率p_ij最大，就是预测到的下一次犯罪发生(嫌疑人最可能的落脚地点)的地点。

实施例1

地理画像领域取得了一些研究与应用成果，但是也存在着少许不足：CGT模型仅基于案件点时空信息进行预测，忽略了交通环境、警务监督等对嫌疑人选择落脚点的影响，缺乏对嫌疑人落脚点选择机理研究，导致模型在预测中存在预测精度不理想、或预测失败的问题。

通过研究交通环境因子与嫌疑人落脚点的相关性，发现交通环境因素、警察因素与嫌疑人落脚点具有较高的相关性。因此，本专利将高相关性的因子通过模糊化提取出来作为模型修正参数加入到CGT的计算模型中从而得到改进CGT模型，以期获得更好的预测效果，具体如下。

交通环境可以由道路条数来确定，可设某一局部地区(小网格区域内)道路条数在0～10之间；警务安保可由警察和其他安保人员人数确定(小网格区域内)，可设某一局部地区(小网格区域内)警察和其他安保人员人数在0～10之间；

选用三角形隶属函数实现交通环境的模糊化，具体公式如下所示：

上式中x是小网格区域内的道路条数；

选用三角形隶属函数实现警务安保的模糊化，具体公式如下所示：

上式中x是小网格区域内的警务安保人员的个数；

作案交通环境分为三个模糊集，作案交通环境G、警务安保P及犯罪地点概率因子U的模糊语言变量子集分别如下：

G：{SG(交通环境不便),MG(交通环境适中),LG(交通环境便利)}

P：{SP(警务安保差),MP(警务安保适中),LP(警务安保好)}

U：{VB(可能性很大),B(可能性大),M(可能性适中),S(可能性小),VS(可能性很小)}

根据以上两个隶数函数，得到以下模糊规则表：

表1模糊规则表

犯罪地点概率因子，是指嫌疑人最可能的落脚地点的概率因子。

犯罪地点概率因子，选用三角形隶属函数实现概率因子的模糊化，具体公式如下所示：

将所有格网点(i,j)通过模糊化后，可以得到格网点模糊系数h_ij＝u_ij(可变的概率因子)。

通过模糊控制后，由以上公式可以得到改进后的地理目标模型，如下所示：

式中，P'_ij是嫌疑人居住在网格点(i,j)的概率值，k是一个常数，用来放大整体的概率数值；h_ij是格网点模糊系数；f和g均为经验值常数；x_i、y_j分别是第i行，第j列对应格网点的坐标值；x_n、y_n是第n个案件点的坐标值。

实施例2

以某连环案件为例，从以往发生的有效案件中提取出那些作案手法相似，作案对象相似，案件类型相似或作案地点相似，警察能够判断出属于连环案件的案件。为判定下一次犯罪发生地，对犯罪分子所在地区进行预估，在警用综合平台上应用本实施例的系列犯罪案件地理目标预测方法，从警用综合平台上调取出一个犯罪分子尚未归案的连环案件，对以往的作案地点进行统计(此处，共计8个)，在这8各作案地点，划定模型计算区域，并在警用平台上调取出该区域内的警用安保和交通环境，本实施例中将交通环境简化未道路数量，在该区域内构建XY坐标系，并以区域中心作为原点，将模型计算区域划分成10个小格栅，计算每个格栅的曼哈顿距离，运用实施例1的计算方法，对每个格栅的犯罪发生概率进行预测，对比找出嫌疑人最可能的落脚地点对应的小格栅。

CGT模型与改进CGT模型预测范围内嫌疑人的面积误差效用曲线，图3为搜索区域面积效用曲线，图4为命中百分率效用曲线。

图3中，可以看出改进的CGT模型比原始CGT模型预测效果要好。改进后模型曲线在原始模型曲线之上，以6km²时的搜索区域为例，原始CGT模型中有73％左右的样本在6km²搜索区域内，而改进的CGT模型有88％左右的样本在6km²搜索区域内，从而说明改进后的模型比原始模型效果好。

图4中，可以看出改进的CGT模型比原始CGT模型预测效果要好。改进后模型曲线在原始模型曲线之下，以50％的命中百分率为例，原始CGT模型中命中百分率低于50％的样本有72％左右，而改进的CGT模型中命中百分率低于50％的样本有60％左右，从而说明改进后的模型比原始模型效果好。

将交通环境因素、警务监督因素通过模糊化提取出来作为模型修正参数加入到CGT的计算模型中从而得到改进CGT模型。通过实例应用表明，改进CGT模型比原始CGT模型取得了较好的预测效果，命中百分率至少高于原始CGT模型6％以上，对公安机关提高破案效率具有重要意义。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。