基于大数据分析的犯罪模式挖掘与犯罪预测研究

This project aims to research on crime data analysis with violent terrorist crime in Xinjiang province as the background. Traditional postmortem analysis led policing typically employs limited crime data with low rate of solved criminal cases. Besides, the accuracy and time-efficiency of traditional crime analysis methods are not satisfied enough. Especially, traditional policing fails for violent terrorist crime, which has high real-time demand and requires warning and precaution mechanism. To this end, this project proposes crime pattern mining and crime forecasting using big data analytics. Leveraging techniques in intelligence collection, data fusion, data mining and social network analysis, multiple heterogeneous data sources can be fused and integrated to amend, expand and improve basic crime data, so that crime patterns can be fully identified, and further crime can be predicted in the right perspective. Specifically, we: (1) propose the framework of big data analytics oriented for crime pattern mining and crime forecasting, and research on data fusion methods; (2) research on crime spatial and temporal pattern, individual crime pattern and group crime pattern, as well as crime prediction modeling; (3) implement the big data crime analytics platform based on counter-terrorism intelligence information in Xinjiang, to replenish the efforts in counter-terrorism and safeguard stability. Through the big data crime analysis research, this project aims to achieve data-driven predictive policing to collaborate and complement traditional policing. Also, through the experimental deployment in Xinjiang, this project would reduce the crime rate in Xinjiang and even the national wide. Therefore, this project has profound influences in public safety and social stability, and thus has important theoretical significance and application value.

本课题以新疆暴力恐怖犯罪为背景研究犯罪分析问题。以事后分析为主的传统警务使用有限的犯罪数据、破案率低，分析方法缺乏准确性和时效性，尤其不能满足实时性要求较高、需要提前预警的暴力恐怖型犯罪。为此，本课题提出基于大数据的犯罪模式挖掘与犯罪预测，通过情报收集、数据融合、数据挖掘及社会网络分析等技术，融合异构数据源修正、扩展和完善犯罪数据，以客观全面地识别犯罪模式、预测未来犯罪。本课题：(1)提出基于大数据的犯罪模式挖掘与犯罪预测框架，研究数据融合方法；(2)研究犯罪时空模式、个体犯罪模式和群体犯罪模式的挖掘方法，以及犯罪预测等重要内容；(3)实现基于反恐怖情报信息的大数据犯罪分析平台，完善新疆地区的反恐维稳工作。本课题通过大数据犯罪分析，实现数据驱动的预测性警务以有效协同和补充传统警务；通过新疆的试点部署，降低新疆乃至全国的犯罪率，维护公共安全和社会安定，因此具有重要的理论意义和应用价值。

2011年，美国俄亥俄州警方通过分析异常用电数据发现大麻种植者。反恐维稳部门在暴力恐怖相关案件的侦破工作中发现，暴力恐怖分子制作刀具、炸弹等作案工具，开展地下讲经、隐蔽集会等非法活动，很可能会呈现出与平时不同的用电行为特征。本课题开展基于大数据分析的犯罪模式挖掘与犯罪预测问题研究，主要包括：1)基于半监督模型的用电异常分析，发现异常用电行为；2)针对单个居民用电量的短期预测；3)针对居民用电的用户画像；4)基于用电的用户身份重识别，建立用电数据到用户身份的映射模型；5)利用聚类方法分析居民的群体特征以及进行异常用户发现。.针对基于半监督模型的用电异常分析：通过分析用户的用电量分布特征(日峰值、平时段、与谷时段的用电量占比)、用电量波动特征(峰时段、平时段和谷时段的用电波动比例)，应用 LOF (Local Outlier Factor, 局部异常因子) 算法，找到异常用电行为。.针对单个居民用电量的短期预测：提出了一种端到端的结构来预测单个家庭的短期用电量，称为RCFNet (Residual Conventional Fusion Network，残差卷积融合网络)，综合考虑了用电的时间邻近性、周期性、趋势性以及假期因素等。通过多个用电数据集的实验验证了本模型优于其它几种典型预测模型。.针对居民用电进行用户画像的研究：进行了基于深度学习的电力用户属性预测与身份重识别，并用聚类方法对用户进行分组和异常分析。在用户属性预测上，在10个属性的预测正确率达到62%。在身份重识别模型中，发现身份可识别率最高达到79%。.我们使用的数据集包括由澳大利亚工业、创新和科学部发布的25户家庭用电数据；爱尔兰能源管理机构（CER）公布的含有家庭收入、电器使用、消费行为等属性的4232户居民用电数据；UK Power Networks领导的低碳伦敦项目5567个伦敦家庭的智能电表数据；中国某地公安、供电部门提供的170601个用户的1657910条用电数据等。.通过本项目的研究，基于“用电异常模式挖掘与预测分析”建立预防暴恐的“微线索”机制，充分发挥多学科合作研究的优势，完成多学科的交叉与融合，实现大数据驱动的管理与决策。