人和同户人所有车辆。
（5）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。 四、详细设计方案
根据需求分析，实现业务应用功能总体设计思路为：对数据进行汇集、整合、建模，运用数据挖掘算法发现和揭示数据中隐含的关联关系，并使用图形方式展示。项目总体逻辑架构图如下：
图1：总体逻辑架构图
1、数据获取：对数据挖掘的数据源进行搜集整理。 根据业务需求，搜集案件、嫌疑人、嫌疑人活动轨迹信息，获取数据源连接和访问权限，对数据结构进行分析，完成找到数据的工作。根据需求和数据源状况，确定数据更新方法、更新策略，选择ETL工具，本项目选择IBM Datastage。
6 / 14
数据源名称 刑事案件信息 刑事案件现场勘验信息 违法犯罪人员（本地） 违法犯罪人员（全国） 户籍人口 实有人口 出租车轨迹以及乘客照片 卡口过车信息 电子警察抓拍信息 电子围栏和话单 网吧上网记录 旅馆住宿记录 社保卡消费记录 公交（公共自行车）刷卡记录 重点人员本地金融活动记录 违法犯罪人员室外活动轨迹 来源 本地业务系统 本地业务系统 本地业务系统 公安部下发 本地业务系统 本地业务系统 社会资源 本地业务系统 本地业务系统 本地业务系统 本地业务系统 本地业务系统 社会资源 社会资源 公安部下发 本地业务系统 ETL策略 立案时间、每日、增量 勘验时间、每日、增量 录入时间、每日、增量 每月、批量 录入（修改）时间、每日、增量 录入（修改）时间、每日、增量 乘车时间、每日、增量 过车时间、每日、增量 抓怕时间、每日、增量 经过（通话）时间、每日、增量 下网时间、每日、增量 入住时间、每日、增量 刷卡时间、每日、增量 刷卡时间、每日、增量 刷卡时间、每日、增量 经过时间、每日、增量 表1：数据源表
备注 用于挖掘案件特征 用于挖掘案件特征 按身份证去重，用于挖掘高危人群特征 按身份证去重，用于挖掘高危人群特征 用于确定违法犯罪人员同户人 用于确定违法犯罪人员同住人 照片比对确定身份,发现轨迹 发现轨迹 发现轨迹 发现轨迹 发现轨迹 发现轨迹 发现轨迹 发现轨迹 发现轨迹 图像挖掘、图片比对确定身份，发现轨迹 7 / 14
2、预处理：为数据挖掘提供符合要求数据，包括数据清洗、转换（标准化）、装载、建模。
采用数据抽取工具（ETL），对收集的数据进行抽取、清洗、转换及装载，实现数据的整合、去重，向多维数据仓库提供高质量的数据。
图2：ETL过程
在此基础上对数据进行关联、建模，为情报分析研判提供可用的数据。根据业务特性，确定案件、犯罪人员以及犯罪人员活动轨迹三个主题，区分维度数据表和事实数据表，建立数据仓库模型。下图为案件事实表以及相关维度表数据结构示例。
8 / 14
图3：数据结构实例（案件表）
3、数据挖掘：使用挖掘算法进行挖掘，找出有用的信息。
（1）运用聚类分析方法，对某地近十年来的已破刑事案件进行分析，构建刑事案件空间向量矩阵，矩阵的行为一起刑事案件的一个空间向量，矩阵的列为作案手段、选择处所、选择时间、作案特点等特征。采用聚类操作后，如果多个案件的多个或全部属性都有相似性，就可以认为这是一串案件，并形成一套分类规则，即案件串并模板。下图展示了部分串并案模板。
9 / 14
图4：案件串并模板示例
图5：案件串并模板示例
（2）运用关联规则分析方法，对某地近十年来的已破刑事案件特征（I1:作案手段、I2:作案特点、I3:案件类型、I4:选择处所）和犯罪分子特征（I5:户籍地行政区划）进行关联，构建数据库事务集合D。运用Apriori算法，扫描事务数据库，产生候选项集，设置min_sup=50,逐步迭代，产生频繁k项集Lk以及支持度计数，k≥2且必须要包含I5:户籍地行政区划；设置min_conf=80%,由频繁k项集Lk产生并输出强关联规则，得出高危人群数据库。表2展示了运用关联规则分析方法分析的高危人群部分数据样本。
10 / 14
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库数据挖掘技术在案件串并和嫌疑人排查中的应用(2)在线全文阅读。
相关推荐：