一种基于社会关系网络情感流动的服刑人员改造表现预测方法技术

本发明专利技术涉及一种基于社会关系网络情感流动的服刑人员改造表现预测方法，包括步骤如下：(1)数据预处理；(2)数学建模：建立用于预测服刑人员改造表现的外联耦合隐马尔可夫模型λ＝(A,B,π,R)；(3)模型学习：使用极大似然估计法来估计外联耦合隐马尔可夫模型的参数；(4)模型预测：使用维特比算法，通过得到学习得到的外联耦合隐马尔可夫模型，预测服刑人员改造表现。本发明专利技术充分考虑上一时段同监舍其他服刑人员的潜在情感状态对当前时段目标服刑人员的潜在情感状态的影响的同时，还加入了外界联系的影响，为预测目标服刑人员当前时段的改造表现，提高了预测模型的可靠性，为确定最终的监管等级或监管方式提供了数据支持。

A prediction method of the transformation performance of prisoners based on the emotional flow of social network

【技术实现步骤摘要】
一种基于社会关系网络情感流动的服刑人员改造表现预测方法
本专利技术涉及一种基于社会关系网络情感流动的服刑人员改造表现预测方法，属于监狱辅助管理的

技术介绍
监狱是我国的刑罚执行机关，承担着对服刑人员教育改造的职能。服刑人员作为其中的特殊的受教育群体，其教育改造质量的好坏是考察监狱工作一个重要方面，做好服刑人员教育改造工作对服刑人员回归社会、人格重塑、构建社会和谐具有重要意义。如果能让一名服刑人员悬崖勒马，回头是岸，将是一件利国利民的幸事，这不但洗礼了自己的精神灵魂，拯救了一个即将破碎的家庭，而且极大地维护了社会的和谐稳定。在当前形势下，根据不同的服刑人员实行因人施教，分类教育的方法，以创新的、独特的理念和系统、科学、完善的教育改造方法，推动服刑人员的教育改造工作始终处于良性的轨道，以达到监狱行刑目的和改造服刑人员质量的最优化。针对这一特点，如何准确预测服刑人员的改造表现，进而通过服刑人员的改造表现，安排合理的监管等级，制定具有针对性的监管方式就成为了亟待解决的问题。通过监狱调研发现，服刑人员在监狱的改造质量和行为表现，与服刑人员的情感变化，以及服刑人员---家属、服刑人员---服刑人员之间的情感交流有很大的关系。服刑人员的情感和行为是个人与社会信息的结合体，而且当个人信息能力较弱的时候，人们更加依赖于社会信息，当人处于不确定和不稳定的环境情况下，社会信息对于人的内心变化启动更加重要的作用。现阶段我们面临着一系列的技术问题，比如，如何整合一个监舍内所有服刑人员的相互影响以及有限的外界因素对服刑人员的影响；因为每位服刑人员的状态也并不是直接可观的，如何通过服刑人员的当前时段改造表现反映当前的状态并预测下一时段的改造表现，是我们急需解决的问题，而外联耦合隐马尔可夫模型以一种简约的方式把社会关系网络与状态依赖性联系起来，利用时间序列来估计系统中一位服刑人员对另一位服刑人员的状态的影响，预测监狱的社会网络中改造表现(情感流)的变化，构成一个可计算的整体。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于社会关系网络情感流动的服刑人员改造表现预测方法。专利技术概述：本专利提出一种利用外联耦合隐马尔可夫模型来预测监狱中服刑人员的改造表现的方法，通过分析服刑人员改造表现的影响因素，确定了服刑人员其同监舍内其他服刑人员的改造表现和外界事物的影响在其中起到了关键性的作用，因此，本专利技术利用外联耦合隐马尔可夫模型能够处理时域数据的特性，在其模型中加入其他服刑人员和外界事物的影响，明显的提高了服刑人员改造表现预测的准确率。本专利技术详细解释了以外联耦合隐马尔可夫模型为框架的预测模型的结构和预测算法，通过多个维度的信息，加强预测服刑人员改造表现模型的可靠性。术语解释：1.马尔可夫链(MarkovChain，MC)，是概率论和数理统计中具有马尔可夫性质(Markovproperty)且存在于离散的指数集(indexset)和状态空间(statespace)内的随机过程(stochasticprocess)。2.隐马尔可夫模型(hiddenMarkovmodel，HMM)，是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，处于生成模型。3.情感流，是指一个人对另一个人情绪、心理的影响，以及人与人之间的情感交流，即表示一个人的情感流动情况。本专利技术的技术方案为：一种基于社会关系网络情感流动的服刑人员改造表现预测方法，包括步骤如下：(1)数据预处理：为了控制计算量，对服刑人员以一个监舍为单位进行数据整理，得到监舍中每一位服刑人员在一定时间段内的情感状态变化情况，同时整合其监舍内的其他服刑人员的情感状态变化情况和本人的近期对外联系情况，得到服刑人员每一时间段内情感状态对应的改造表现；(2)数学建模：建立用于预测服刑人员改造表现的外联耦合隐马尔可夫模型，外联耦合隐马尔可夫模型由潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R决定；外联耦合隐马尔可夫模型λ＝(A，B，π，R)；(3)模型学习：使用极大似然估计法来估计外联耦合隐马尔可夫模型的参数，由此得到学习得到的外联耦合隐马尔可夫模型；(4)模型预测：使用维特比算法，通过得到学习得到的外联耦合隐马尔可夫模型，预测服刑人员改造表现。根据本专利技术优选的，所述步骤(2)中，数学建模，包括：设Q是一位服刑人员可能的潜在情感状态的集合，V是该服刑人员所有可能的改造表现的观测结果集合，如公式(I)、(II)所示：Q＝{q1，q2，q3，…，qN}(I)V＝{v1，v2，v3，…，vM}(II)式(I)、(II)中，qN表示该服刑人员的第N种可能的潜在情感状态，N表示可能的潜在情感状态数，vM表示该服刑人员第M种可能的改造表现的观测结果，M表示可能的改造表现的观测结果数；设I是长度为T的状态序列，隐藏的马尔可夫链随机生成的状态的序列，称为状态序列(statesequence)；O是对应的观测序列，每个状态生成一个观测，由此产生的观测的随机序列称为观测序列(observationsequence)，如公式(III)、(IV)所示：I＝(i1，i2，i3，…，iT)(III)O＝(o1，o2，o3，…，oT)(IV)式(III)、(IV)中，iT表示某一时段随机生成的状态，oT表示对应状态生成的观测；外联耦合隐马尔可夫模型由潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R决定，潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A和强度矩阵R决定状态序列，观测概率矩阵B决定观测序列，外联耦合隐马尔可夫模型λ如公式(V)所示：λ＝(A，B，π，R)(V)潜在情感状态转移概率矩阵A包括不同服刑人员之间连续时段的情感状态转移，同一服刑人员连续时间的情感状态转移和外部事务与服刑人员之间的情感转移；潜在情感状态转移概率矩阵A与服刑人员潜在情感状态的初始状态概率向量π确定了隐藏的马尔可夫链，生成不可观测的状态序列；服刑人员改造表现的观测概率矩阵B确定了如何从状态生成观测，与状态序列综合确定了如何生成观测矩阵；强度矩阵R刻画了服刑人员之间的影响强度，目标服刑人在时段t的状态分布是监舍内所有服刑人员的影响的加权组合，权重即为每一位服刑人员对目标服刑人员的影响强度，由于强度矩阵R刻画了任意两位服刑人员之间的影响强度，也称为影响矩阵；初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R分别如公式(VI)、(VII)、(VIII)、(IX)所示：A＝[aij]N×N＝[P(it+1＝qj|it＝qi)]N×N，i＝1，2，…，N；j＝1，2，…，N(VI)B＝[bj(k)]N×M＝[P(ot＝vk|it＝qj)]N×M，k＝1，2，…，M；j＝1，2，…，N(VII)π＝(π本文档来自技高网...

【技术保护点】
1.一种基于社会关系网络情感流动的服刑人员改造表现预测方法，其特征在于，包括步骤如下：/n(1)数据预处理：对服刑人员以一个监舍为单位进行数据整理，得到监舍中每一位服刑人员在一定时间段内的情感状态变化情况，同时整合其监舍内的其他服刑人员的情感状态变化情况和本人的近期对外联系情况，得到服刑人员每一时间段内情感状态对应的改造表现；/n(2)数学建模：建立用于预测服刑人员改造表现的外联耦合隐马尔可夫模型，外联耦合隐马尔可夫模型由潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R决定；外联耦合隐马尔可夫模型λ＝(A，B，π，R)；/n(3)模型学习：使用极大似然估计法来估计外联耦合隐马尔可夫模型的参数，由此得到学习得到的外联耦合隐马尔可夫模型；/n(4)模型预测：使用维特比算法，通过得到学习得到的外联耦合隐马尔可夫模型，预测服刑人员改造表现。/n

【技术特征摘要】
1.一种基于社会关系网络情感流动的服刑人员改造表现预测方法，其特征在于，包括步骤如下：
(1)数据预处理：对服刑人员以一个监舍为单位进行数据整理，得到监舍中每一位服刑人员在一定时间段内的情感状态变化情况，同时整合其监舍内的其他服刑人员的情感状态变化情况和本人的近期对外联系情况，得到服刑人员每一时间段内情感状态对应的改造表现；
(2)数学建模：建立用于预测服刑人员改造表现的外联耦合隐马尔可夫模型，外联耦合隐马尔可夫模型由潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R决定；外联耦合隐马尔可夫模型λ＝(A，B，π，R)；
(3)模型学习：使用极大似然估计法来估计外联耦合隐马尔可夫模型的参数，由此得到学习得到的外联耦合隐马尔可夫模型；
(4)模型预测：使用维特比算法，通过得到学习得到的外联耦合隐马尔可夫模型，预测服刑人员改造表现。


2.根据权利要求1所述的一种基于社会关系网络情感流动的服刑人员改造表现预测方法，其特征在于，所述步骤(2)中，数学建模，包括：
设Q是一位服刑人员可能的潜在情感状态的集合，V是该服刑人员所有可能的改造表现的观测结果集合，如公式(I)、(II)所示：
Q＝{q1，q2，q3，…，qN}(I)
V＝{v1，v2，v3，…，vM}(II)
式(I)、(II)中，qN表示该服刑人员的第N种可能的潜在情感状态，N表示可能的潜在情感状态数，vM表示该服刑人员第M种可能的改造表现的观测结果，M表示可能的改造表现的观测结果数；
设I是长度为T的状态序列，隐藏的马尔可夫链随机生成的状态的序列，称为状态序列；O是对应的观测序列，每个状态生成一个观测，由此产生的观测的随机序列称为观测序列，如公式(III)、(IV)所示：
I＝(i1，i2，i3，…，iT)(III)
O＝(o1，o2，o3，…，oT)(IV)
式(III)、(IV)中，iT表示某一时段随机生成的状态，oT表示对应状态生成的观测；
外联耦合隐马尔可夫模型由潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R决定，潜在情感状态的初始状态概率向量π、潜在情感状态转移概率矩阵A和强度矩阵R决定状态序列，观测概率矩阵B决定观测序列，外联耦合隐马尔可夫模型λ如公式(V)所示：
λ＝(A，B，π，R)(V)
初始状态概率向量π、潜在情感状态转移概率矩阵A、观测概率矩阵B和强度矩阵R分别如公式(VI)、(VII)、(VIII)、(IX)所示：
A＝[aij]N×N＝[P(it+1＝qj|it＝qi)]N×N，i＝1，2，…，N；j＝1，2，…，N(VI)
B＝[bj(k)]N×M＝[P(ot＝vk|it＝qj)]N×M，k＝1，2，…，M；j＝1，2，…，N(VII)
π＝(πi)＝(P(i1＝qi))(VIII)
R＝[αxy]S×S(IX)
式(VI)、(VII)、(VIII)、(IX)中，aij是在时段t处于状态qi的条件下，在时段t+1转移到状态qj的概率；bj(k)是在时段t处于状态qj的条件下，生成观测vk的概率；πi是在时段t处于状态qi的概率；S表示一个监舍内有S位服刑人员；αxy表示服刑人员y对服刑人员x的影响强度；
外联耦合隐马尔可夫模型的总体的状态转移概率分布如公式(X)所示：



式(X)中，表示服刑人员x在时段t+1所处的潜在情感状态；表示同一监舍内所有服刑人员在时段t所处的潜在情感状态；表示服刑人员x在时段t所接受的外界事物的潜在情感状态；表示服刑人员x在时段t处于同监舍的其他服刑人员和其外界事务潜在的情感状态的共同影响下，在时段t+1转移到状态qj的概率；α表示同意监舍内所有服刑人员的潜在情感状态对指定服刑人员的影响强度系数；β...

【专利技术属性】
技术研发人员：李玉军，张文真，贲晛烨，刘治，杨阳，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37