一种基于动态犯罪网络的事件场景建模方法

摘要

本发明公开了一种基于动态犯罪网络的事件场景建模方法，首先对犯罪事件中的空间特征组进行处理；接着使用效用函数将犯罪网络节点中包含的个人信息归纳到犯罪网络的分析，并且将一个犯罪活动抽象为交易利益最大化的模型；最终在约束条件下求出最优解。本发明确保了犯罪事件与不同犯罪类型和犯罪地点之间的动态交互性，保护了犯罪事件在动态变化的犯罪场景中的多变性。

说明书

技术领域

本发明属于犯罪学技术领域，具体涉及一种事件场景建模方法。

背景技术

现有的对犯罪事件的场景建模方法可以归纳为两种主要的方式。第一种方法是基于时空犯罪热点数据来从时间、空间特征维度来对犯罪事件进行抽象和建模，这些工作可以利用GIS技术获得时间序列模型，或者通过数学方法搭建密度转移模型。这种方法增加了主体对环境信息的反馈功能，与以往的模型相比，反馈功能的实现有利于实现系统的动态性和预测的可靠性。虽然对某一个城市效果较好，但忽视了犯罪活动的空间扩散效应，同时对数据要求严格。

第二种方法是基于犯罪网络结构之间的关系从而对犯罪活动中的各个参与者进行抽象建模。一般研究的对象是犯罪分子或者受害者这种实体，有基于代理技术，基于图论或者仿真等技术。针对一些具体的犯罪场景比如毒品交易网络，来研究犯罪组织内部的结构。通过研究在外界破坏了网络中的节点之后网络的承受能力和恢复能力。利用不同的破坏策略和恢复策略对网络进行攻击，从而揭示犯罪网络在破坏和复原之间的动态过程。

现有的犯罪场景建模方法虽然可以利用提取的犯罪特征融合犯罪主体与环境的交互性来建模犯罪网络，但是存在以下两点不足：第一，在数据层面，尽管将一堆异构数据丢入到深度学习模型中，或许能够得到不错的预测效果，但是特征之间的交互性、可解释性都会丢失，并且换一个数据集，其结果将不确定。同时在分析大规模异构数据的时候如何降低特征的高维性也是一个难题。第二，在方法层面，用提取的特征做回归分析或者在时空维度上预测犯罪率，现有的模型都做了很强的参数化假设，这样就会导致丢失犯罪事件与不同犯罪类型和犯罪地点之间的动态交互性，并且依赖于当前静态的历史数据，而忽略了一个犯罪事件在动态变化的犯罪场景中的多变性。

发明内容

为了克服现有技术的不足，本发明提供了一种基于动态犯罪网络的事件场景建模方法，首先对犯罪事件中的空间特征组进行处理；接着使用效用函数将犯罪网络节点中包含的个人信息归纳到犯罪网络的分析，并且将一个犯罪活动抽象为交易利益最大化的模型；最终在约束条件下求出最优解。本发明确保了犯罪事件与不同犯罪类型和犯罪地点之间的动态交互性，保护了犯罪事件在动态变化的犯罪场景中的多变性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：定义一次犯罪活动收益的效用函数为：

U＝Ip-Cq-W

其中U表示一次犯罪活动实施的最终收益，I乘以p是组织一次犯罪活动的预期收入，I表示收益，p是开展犯罪活动的概率；C乘以q是贿赂的预期成本，用于收买犯罪成员的沉默，防止计划犯罪的信息泄露，其中C是愿意支付的最大贿赂，q是泄露的可能性；W是从收益中支付给这些成员的薪资；

步骤2：采用效用函数U建立犯罪网络G(N，E)；

将犯罪受害者和犯罪分子分别作为节点，犯罪个体之间的交易作为边，利用PageRank算法搭建犯罪网络；其中N是节点的集合，E是连接犯罪个体的边的集合，得到效用函数U更一般的描述形式为：

其中Pr(.)表示实施犯罪计划的概率，T

步骤3：将步骤2得到的效用函数U分三部分分别进行表示：

其中，Pr(A

步骤4：利用效用函数U的最大值确定本次犯罪组织活动收益的下界；

其中T

进一步得到：

表示给犯罪参与者个体支付的最大单位费用；

步骤5：效用函数U的最大值描述为：

约束条件表示为：

∑

其中，X

在上述约束条件下求解效用函数U，最终获取从犯罪组织者s到犯罪个体参与者d之间的最佳关联集合，得到一条最终犯罪收益最高的路径。

本发明的有益效果如下：

1、本发明方法提取了犯罪特征之间的交互性、可解释性，增强了结果的确定性，同时在分析大规模异构数据的时候能够降低特征的高维性。

2、本发明在方法层面，确保了犯罪事件与不同犯罪类型和犯罪地点之间的动态交互性，保护了犯罪事件在动态变化的犯罪场景中的多变性。

附图说明

图1为本发明方法中基于动态犯罪网络的事件场景活动示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明利用以下原理：利用一种新的时空文本数据统计建模框架，演示了其在犯罪网络生成中的应用，同时利用提取的犯罪特征融合犯罪主体与环境的交互性来建模犯罪网络；在犯罪网络中建立模型关联集中在犯罪实体之间的关系上，将节点中包含的个人信息归纳到犯罪网络的分析中。并且将一个犯罪活动抽象为交易利益最大化的模型，最终将一个犯罪事件嵌入到复杂的动态犯罪网络中。

如图1所示，一种基于动态犯罪网络的事件场景建模方法，包括以下步骤：

步骤1：犯罪主体间交互建模主要使用效用函数将犯罪网络节点中包含的个人信息归纳到犯罪网络的分析中，并且将一个犯罪活动抽象为交易利益最大化的模型，因此定义一次犯罪活动收益的效用函数为：

U＝Ip-Cq-W

其中U表示一次犯罪活动实施的最终收益，I乘以p是组织一次犯罪活动的预期收入，I表示收益，p是开展犯罪活动的概率；C乘以q是贿赂的预期成本，用于收买犯罪成员的沉默，防止计划犯罪的信息泄露，其中C是愿意支付的最大贿赂，q是泄露的可能性；W是从收益中支付给这些成员的薪资；

步骤2：采用效用函数U建立犯罪网络G(N，E)；

将犯罪受害者和犯罪分子分别作为节点，犯罪个体之间的交易作为边，利用PageRank算法搭建犯罪网络；其中N是节点的集合，E是连接犯罪个体的边的集合，得到效用函数U更一般的描述形式为：

其中Pr(.)表示实施犯罪计划的概率，T

步骤3：将步骤2得到的效用函数U分三部分分别进行表示：

其中，Pr(A

步骤4：利用效用函数U的最大值确定本次犯罪组织活动收益的下界；

其中T

进一步得到：

表示给犯罪参与者个体支付的最大单位费用；

步骤5：效用函数U的最大值描述为：

约束条件表示为：

∑

其中，X

在上述约束条件下求解效用函数U，最终获取从犯罪组织者s到犯罪个体参与者d之间的最佳关联集合，得到一条最终犯罪收益最高的路径。这样可以寻找到一个犯罪事件从组织者到参与者再到受害者，基于最佳路径对应犯罪节点的“搭配”下，该犯罪事件最有可能发生，利用有限的警力去最有效的破坏关键节点从而降低城市犯罪率。

由于被拐儿童之间一般是彼此不认识的，并且他们有独立的生活状态。例如一个被拐儿童在被拐前处于Activity