【技术实现步骤摘要】
本申请涉及大数据分析的领域，尤其是涉及一种涉事人员重犯风险分析方法、系统和终端。
技术介绍
1、目前，很多的涉事案件都是涉事人员再次涉事造成的，监测部门无法对每个涉事人员进行后续监控。不同涉事人员经过被教育之后，再涉事的风险不同，如何筛选出再涉事风险高的特定人员成为一种亟待解决的问题。
技术实现思路
1、为了筛选出再涉事风险高的特定人员，本申请提供一种涉事人员重犯风险分析方法、系统和终端。
2、本申请目的一是提供一种涉事人员重犯风险分析方法。
3、本申请的上述申请目的一是通过以下技术方案得以实现的：
4、一种涉事人员重犯风险分析方法，包括；
5、获取特定人员的个人信息；
6、根据所述个人信息构建重犯人员特征数据集、未重犯人员特征数据集和待预测人员特征数据集；
7、根据所述重犯人员特征数据集和未重犯人员特征数据集构建预测模型；
8、根据所述预测模型对待预测人员特征数据集内的特定人员进行预测，得到每个特定人员模型联合预测风险值，所述模型联合预测风险值为预测人员特征数据集内的特定人员在多个预测模型中重犯风险的综合分数；
9、根据所述个人信息确定地区重犯风险调节系数；
10、根据所述模型联合预测风险值和地区重犯风险调节系数确定每个特定人员的重犯风险值。
11、通过采用上述技术方案，通过获取所有特定人员的个人信息，个人信息能够反应出特定人员的涉案习惯、交友圈和异常性，根据个
12、本申请在一较佳示例中可以进一步配置为：所述根据所述个人信息构建重犯人员特征数据集，包括；
13、调取所述特定人员的案件数量；
14、根据所述案件数量确定重犯特定人员；
15、调取所述重犯特定人员的重新犯案时间和重犯前回归社会时间；
16、调取所述重犯特定人员在重犯前回归社会时间到重新犯案时间的重犯人员个人信息，并根据所述重犯人员个人信息构建重犯人员特征数据集。
17、本申请在一较佳示例中可以进一步配置为：一个所述重犯特定人员包括多条重犯人员个人信息。
18、本申请在一较佳示例中可以进一步配置为：所述根据所述个人信息构建未重犯人员特征数据集，包括；
19、根据所述重新犯案时间和重犯前回归社会时间确定重犯特定人员每次重新犯案与上次犯案后回归社会的时间差天数；
20、将多个所述时间差天数进行排列，得到第一排列结果；
21、计算所述第一排列结果的第一中位数值和第一标准差值；
22、根据所述第一中位数值和第一标准差值确定重犯天数阈值；
23、调取所述案件数量为1的特定人员；
24、调取所述案件数量为1的特定人员的犯案后回归社会时间，并计算所述犯案后回归社会时间距离当前时间的第一时间值；
25、筛选所述第一时间值大于重犯天数阈值的案件数量为1的特定人员，得到第一筛选结果，所述第一筛选结果中的特定人员为未重犯特定人员；
26、调取所述第一筛选结果中未重犯特定人员在犯案后回归社会时间到当前时间的未重犯人员个人信息，并根据所述未重犯人员个人信息构建未重犯人员特征数据集。
27、本申请在一较佳示例中可以进一步配置为：所述根据所述个人信息构建待预测人员特征数据集，包括；
28、调取所述特定人员的最后犯案时间和最后回归社会时间，并计算所述最后回归社会时间距离当前时间的第二时间值；
29、筛选所述第二时间值小于重犯天数阈值的特定人员，得到第二筛选结果，所述第二筛选结果中的特定人员为待预测特定人员。
30、调取所述第二筛选结果中待预测特定人员在犯案后回归社会时间到当前时间的待预测人员个人信息，并根据所述待预测人员个人信息构建待预测人员特征数据集。
31、本申请在一较佳示例中可以进一步配置为：所述根据所述重犯人员特征数据集和未重犯人员特征数据集构建预测模型，包括；
32、将所述重犯人员特征数据集和未重犯人员特征数据集进行合并，得到数据集s1；
33、对所述数据集s1进行比例抽样，将数据集s1内抽取的样本构建测试数据集，将数据集s1内剩余的样本构建训练数据集；
34、基于预设构建模型，对所述训练数据集进行建模，得到预测模型。
35、本申请在一较佳示例中可以进一步配置为：所述根据所述预测模型对待预测人员特征数据集内的特定人员进行预测，得到每个模型联合预测风险值，包括；
36、将所述测试数据集内的重犯特定人员的数据和未重犯特定人员的数据带入预测模型内进行召回评估，得到召回率值；
37、将所述待预测人员特征数据集内的特定人员带入预测模型内得到重犯风险分数值；
38、根据所述召回率值和重犯风险分数值确定犯案人员的模型联合预测风险值。
39、本申请在一较佳示例中可以进一步配置为：所述根据所述个人信息确定地区重犯风险调节系数，包括；
40、调取每个所述特定人员的常住地区；
41、基于预设区域划分规则，对所有所述常住地区进行区域划分，得到划分结果；
42、统计所述划分结果中的各个区域的区域案件总数量和各个区域的特定人员重犯的区域案件数量；
43、根据所述区域案件总数量和区域案件数量计算各个区域的重犯概率值；
44、将多个所述重犯概率值进行排列，得到第二排列结果；
45、计算所述第二排列结果的第二中位数值和第二标准差值；
46、根据所述第二中位数值和第二标准差值计算地区重犯风险调节系数。
47、本申请目的二是提供一种涉事人员重犯风险分析系统。
48、本申请的上述申请目的二是通过以下技术方案得以实现的：
49、一种涉事人员重犯风险分析系统，包括；
50、获取模块，用于获取特定人员的个人信息；
51、构建模块，用于根据所述个人信息构建重犯人员特征数据集、未重犯人员特征数据集和待预测人员特征数据集；
52、建模模块，用于根据所述重犯人员特征数据集和未重犯人员特征数据集构建预测模型；
53、预测模块，用于根据所述预测模型对待预测人员特征数据集内的特定人员进行预测，得到每个特定人员模型联合预测风险值；
54、第一确定模块，用于根据所述个人信息确定地区重犯风险调节系数；
55、第二确定模块，根据所述模型本文档来自技高网...
【技术保护点】
1.一种涉事人员重犯风险分析方法，其特征在于：包括；
2.根据权利要求1所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建重犯人员特征数据集，包括；
3.根据权利要求2所述的一种涉事人员重犯风险分析方法，其特征在于：一个所述重犯特定人员包括多条重犯人员个人信息。
4.根据权利要求2所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建未重犯人员特征数据集，包括；
5.根据权利要求4所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建待预测人员特征数据集，包括；
6.根据权利要求1所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述重犯人员特征数据集和未重犯人员特征数据集构建预测模型，包括；
7.根据权利要求1所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述预测模型对待预测人员特征数据集内的特定人员进行预测，得到每个模型联合预测风险值，包括；
8.根据权利要求1所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述
9.一种涉事人员重犯风险分析系统，其特征在于：包括；
10.一种终端，其特征在于：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
...【技术特征摘要】
1.一种涉事人员重犯风险分析方法，其特征在于：包括；
2.根据权利要求1所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建重犯人员特征数据集，包括；
3.根据权利要求2所述的一种涉事人员重犯风险分析方法，其特征在于：一个所述重犯特定人员包括多条重犯人员个人信息。
4.根据权利要求2所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建未重犯人员特征数据集，包括；
5.根据权利要求4所述的一种涉事人员重犯风险分析方法，其特征在于：所述根据所述个人信息构建待预测人员特征数据集，包括；
6.根据权利要求1所述的一种涉事人员...
【专利技术属性】
技术研发人员：胡大明，徐涛，吴楠，蒋修强，卢小军，王金涛，王方舟，
申请(专利权)人：北京码牛科技股份有限公司，
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。