一种目标戒毒者复吸概率分析模型，其通过收集可能引起戒毒者复吸的诱因事件，构建复吸诱因事件集，并以复吸诱因事件集为依据，通过贝叶斯网络、联合树推理算法建立复吸概率初始分析模型；优选可再通过多次引入新的复吸诱因事件集至贝叶斯神经网络，以获得修正后验概率，对复吸概率初始分析模型中的先验概率进行修正，建立复吸概率修正分析模型。其能够帮助监管者对目标戒毒者的复吸行为进行预测，同时能从目标戒毒者复吸的诱因事件集中，判别引起复吸行为的高、低关联性的诱因事件，从而便于监管者对各诱因事件合理地进行关注。监管者对各诱因事件合理地进行关注。监管者对各诱因事件合理地进行关注。
【技术实现步骤摘要】
目标戒毒者复吸概率分析模型
[0001]本专利技术涉及计算机应用
，尤其涉及一种目标戒毒者复吸概率分析模型。
技术介绍
[0002]由于毒品对人体的身体以及精神的强烈伤害，会造成戒毒者靠自身难以自我戒断，故在漫长的脱毒周期中，往往会因为瘾性发作而出现复吸现象。
[0003]为尽可能地避免戒毒者复吸，公安机关或社区矫正机构的监管者会推戒毒者采取必要的管理、控制措施，如对戒毒者一一建档进行规范管控、对其采取定期或不定期的谈话见面、尿检情况管控、掌握心理状态、对接触人员进行信息收集、掌握其活动地点和活动规律、结合群众举报或者对各种娱乐场所的重点排查等一系列管理机制，以防止戒毒者再次复吸；但是，因瘾性难以抗拒、或犯意未消的戒毒者，往往会难以抵制诱惑而重新复吸以及再次进行涉毒犯罪，并且此类再犯人群还会采取更为隐蔽的手段以干扰、阻碍、对抗监管者的管控、抓捕工作。故对此类具有更高复吸、再犯罪的戒毒者的管控，是需要耗费较大的人力物力来完成，以尽可能减少戒毒者的重新陷入困境，并减少潜在涉毒犯罪分子对社会的危害。
[0004]而公安机关在以往的办案过程中，对此类更高复吸、再犯罪的强制戒毒者的判别，多依赖缉毒警察自身的经验水平以及大量的主观推理判断，来判断哪些人员具有更高的复吸、再犯罪概率，并对其重点监测、管控、抓捕，该过程在耗费较大的人力的同时，主观因素介入较大，并且高度依赖经验，同时效率较低，故目前已有利用大数据技术协助公安机关办案人员对戒毒者进行数据采集，并预测戒毒者的复吸概率；但是，在复杂的大数据前，如何判断各个诱因事件与戒毒者复吸之间的关联概率，并如何利用这些诱因事件构建模型，以通过模型来实现更准确地对戒毒者的复吸概率的预测，是一种亟需解决的技术问题。
技术实现思路
[0005]本专利技术的目的在于提供一种目标戒毒者复吸概率分析模型，能够帮助监管者对目标戒毒者的复吸行为进行预测，同时能从目标戒毒者复吸的诱因事件集中，以概率判别引起复吸行为的高、低关联性的诱因事件，从而便于监管者对各诱因事件合理地进行关注。
[0006]为实现上述目的，本专利技术采用以下技术手段加以实施：一种目标戒毒者复吸概率分析模型，其包括以下步骤：S1：收集复吸概率与构建复吸诱因事件集，具体包括以下步骤：S11：采集可能或已引起复吸的戒毒者的原因，作为诱因事件，构建复吸诱因事件集；S12：记录目标戒毒者是否具有诱因事件行为和复吸行为，并建立关联，计算诱因事件与复吸行为之间的实际概率，作为第1轮复吸概率；S13：每经过一预设时间周期，记录新的目标戒毒者是否具有诱因事件行为和复吸行为，计算诱因事件与复吸行为之间的实际概率，作为第n轮复吸概率；
S2：建立复吸概率分析模型的过程，具体包括以下步骤：S21：将所述的复吸诱因事件集的各个诱因事件分别作为贝叶斯网络的逻辑节点，并将有激发关系的各个诱因事件进行父子节点分级；S22：为每个逻辑节点添加先验概率，具有多个父逻辑节点的子逻辑节点使用多条件的先验概率表示；S23：对各先验概率进行初始赋值；S24：运用联合树推理算法将贝叶斯网络各个逻辑节点转化为联合树，通过定义在联合树上的消息传递过程，计算后验概率；S25：调整所述的先验概率的初始赋值使后验概率趋近于所述实际概率，获得复吸概率分析模型。
[0007]进一步的，所述的S24中通过以下方式，将贝叶斯网络各个逻辑节点转化为联合树：（1）构建Moral图：将所述的贝叶斯网络中同子节点的父节点两两相连，同时去掉每一条连接边的箭头。
[0008]（2）构建三角化图：对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，对Moral图的三角化；（3）构建区分团节点：在三角化图中，确定团节点，每个团节点都是无向图的子图。
[0009]（4）构建联合树：建立的联合树必须包含所有团节点，交集作为连接两个团节点的分隔节点。
[0010]进一步的，所述的S1中还包括以下步骤：S26：可选择地以部分或全部历史采集到的各目标戒毒者为样本，导入复吸概率分析模型中，一一计算后验概率作为各样本复吸概率，并调节先验概率，校验至样本复吸概率处于置信区间内。
[0011]进一步的，所述的进行先验概率初始赋值为缉毒学科教科书的诱因事件经验概率值或诱因事件与复吸行为之间的实际概率。
[0012]可选择的，以上述方式构建的模型中，还包括以下步骤：S3：修正复吸概率分析模型，具体包括以下步骤：S31：可选择地以部分或全部历史采集到的各目标戒毒者为样本，导入复吸概率分析模型中，一一计算后验概率作为各样本复吸概率；S32：将部分或全部样本复吸概率导入至贝叶斯神经网络，计算得到各诱因事件的校验后验概率；S33：可选择地以所述的校验后验概率，对贝叶斯网络中各节点的赋值进行替换修正；S34：运用联合树推理算法将贝叶斯网络各个逻辑节点转化为联合树，通过定义在联合树上的消息传递过程，计算修正后验概率；S35：根据修正后验概率调整所述的贝叶斯网络中各节点的赋值，至修正后验概率与部分或全部样本复吸概率之间的差异处于置信区间内，获得修正的复吸概率分析模型。
[0013]进一步的，所述的贝叶斯神经网络为tensorflow贝叶斯神经网络。
[0014]可选择的，以上述方式构建的模型中，所述的S1中还包括以下步骤S14：每经过一
预设时间周期或发现戒毒者有复吸或涉毒事件，采集S11中复吸诱因事件集未列入的可能或已引起复吸的戒毒者的新诱因事件，补充至所述的复吸诱因事件集。
[0015]本专利技术至少具有以下有益之处：1. 本专利技术的复吸概率分析模型，通过获取目标戒毒者收集复吸概率与构建复吸诱因事件集，结合贝叶斯网络、联合树推理算法构建复吸概率分析模型，并以经验赋值、人工调整、贝叶斯深度学习工具对先验概率进行调整，能够满足不同情况、不同范围、不同样本量下的分析预测；2. 利用贝叶斯网络、联合树推算算法的结合形成的模型，能够使各诱因事件的独立性和关联性能够得到区分，能够对各个诱因事件的发生的概率充分计算，具备较强的鲁棒性；再以通过定义在联合树上的消息传递过程计算后验概率，对其中的引起复吸的高概率节点的传递过程进行更合理的选择、调整，使模型的分析过程更贴近于引起戒毒者复吸的真实诱因事件；3. 通过结合置信区间的测定，能够为复吸概率分析模型获得的后验概率，也就是目标戒毒者的复吸概率进行测算校验，避免经验赋值存在的思维定式、人工调整存在的思虑偏颇对分析模型的构建产生影响；4. 利用贝叶斯深度学习工具对复吸概率分析模型进行修正，在大量的数据样本的支持下，获取到大量校验后验概率呈正态分布，能够为贝叶斯网络的各节点，也就是各诱因事件提供具有高置信度的概率赋值；同时，监管者能依赖各诱因事件的概率赋值，判断何种诱因事件为引起复吸的重要事件，故能够便于监管者合理地分配时间、精力与资源。
附图说明
[0016]图1是实施例1建立贝叶斯网络图；图2是实施例1贝叶斯网络转化的三角化图；图3是实施例2建立贝叶斯网络图；图4是实施例2贝叶斯网络转化的三角化本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标戒毒者复吸概率分析模型，其特征在于以下步骤：S1：收集复吸概率与构建复吸诱因事件集，具体包括以下步骤：S11：采集可能或已引起复吸的戒毒者的原因，作为诱因事件，构建复吸诱因事件集；S12：记录目标戒毒者是否具有诱因事件行为和复吸行为，并建立关联，计算诱因事件与复吸行为之间的实际概率，作为第1轮复吸概率；S13：每经过一预设时间周期，记录新的目标戒毒者是否具有诱因事件行为和复吸行为，计算诱因事件与复吸行为之间的实际概率，作为第n轮复吸概率；S2：建立复吸概率分析模型的过程，具体包括以下步骤：S21：将所述的复吸诱因事件集的各个诱因事件分别作为贝叶斯网络的逻辑节点，并将有激发关系的各个诱因事件进行父子节点分级；S22：为每个逻辑节点添加先验概率，具有多个父逻辑节点的子逻辑节点使用多条件的先验概率表示；S23：对各先验概率进行初始赋值；S24：运用联合树推理算法将贝叶斯网络各个逻辑节点转化为联合树，通过定义在联合树上的消息传递过程，计算后验概率；S25：调整所述的先验概率的初始赋值使后验概率趋近于所述实际概率，获得复吸概率分析模型。2.如权利要求1所述的目标戒毒者复吸概率分析模型，其特征在于，所述的S24中通过以下方式，将贝叶斯网络各个逻辑节点转化为联合树：（1）构建Moral图：将所述的贝叶斯网络中同子节点的父节点两两相连，同时去掉每一条连接边的箭头；（2）构建三角化图：对包含4个及以上节点数的环，增加一条无向边将环中两个非相邻节点连接起来，对Moral图的三角化；（3）构建区分团节点：在三角化图中，确定团节点，每个团节点都是无向图的子图；（4）构建联合树：建立的联合树必须包含所有团节点，交集作为连接两个团节点的分隔节点。3.如权利要求1所述的目标戒毒者复吸概率分析模型，其特征在于，...
【专利技术属性】
技术研发人员：李一帆，蔡学凯，李宏凯，
申请(专利权)人：广东正全科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。