[0056] 若在預測指令中解析出推測因素，即為，預測指令中攜帶有至少一個推測因素時， 則說明用戶需要案件預測的裝置在推測因素中，確定出至少一個影響因素。此時，案件預測 的裝置確定至少一個影響因素包括：獲取η個歷史犯罪案件數(shù)量；根據(jù)獲取的η個歷史犯 罪案件數(shù)量，在至少一個推測因素中確定至少一個影響因素。
[0057] 其中，η為大于0的整數(shù)。
[0058] 也就是說，用戶可以預先推測出至少一個與犯罪案件數(shù)量有關的推測因素，并將 推測出的至少一個與犯罪案件數(shù)量有關的推測因素攜帶至預測指令中，發(fā)送至案件預測的 裝置。案件預測的裝置在接收到預測指令后，可以解析出其內(nèi)攜帶的多個與犯罪案件數(shù)量 有關的推測因素，并獲取η個歷史犯罪案件數(shù)量，在獲取了 η個歷史犯罪案件數(shù)量后，可以 根據(jù)多元線性回歸分析方法中的逐步線性回歸（stepwise)方法，從推測因素中確定出至 少一個與犯罪案件數(shù)據(jù)量相關的影響因素。即為，對η個歷史犯罪案件數(shù)量進行歸一化處 理，進而可以從推測因素中確定出至少一個與犯罪案件數(shù)據(jù)量相關的影響因素。
[0059] 在本發(fā)明實施例中，推測因素為用戶預測的用于預測犯罪案件數(shù)量的因素。影響 因素是案件預測的裝置在推測因素中，確定出的用于預測犯罪案件數(shù)量的因素。
[0060] 其中，案件預測的裝置獲取η個歷史犯罪案件數(shù)量的方法可以是從存儲了歷史犯 罪案件數(shù)量的數(shù)據(jù)庫中獲取，也可以是通過用戶發(fā)送η個歷史犯罪案件數(shù)量，進而獲取η個 歷史犯罪案件數(shù)量。
[0061] 進一步的，步驟201中，如何確定影響因素的方法包括：案件預測的裝置在 多元線性回歸分析方法中的逐步線性回歸（stepwise)方法中所使用的回歸方程為：
[0062] 其中，y與he (X)均表示預測的犯罪案件數(shù)量，Θ。表示系統(tǒng)常量，Θ i表示影響因 素 X1的影響權(quán)重，X1表示第i個影響因素，η為影響因素的個數(shù)，ε表示隨機誤差。
[0063] 在步驟201中的多元線性回歸分析方法中的逐步線性回歸（stepwise)方法即為 現(xiàn)有技術(shù)中的多元線性回歸分析方法中的逐步線性回歸（stepwise)方法，在此不再贅述。
[0064] 示例性的，用戶可以預先推測出的推測因素為：人均國內(nèi)生產(chǎn)總值（⑶P，Gross Domestic Product)，受教育水平，城市化水平，基尼系數(shù)，人口數(shù)量，是否結(jié)婚。并將推測出 的推測因素攜帶至預測指令中，發(fā)送至案件預測的裝置。此時，案件預測的裝置在接收到預 測指令后，對預測指令進行解析，進而可以解析出用戶預先推測的推測因素。在解析出推測 因素后，可以獲取η個歷史犯罪案件數(shù)量，在獲取了 η個歷史犯罪案件數(shù)量后，可以利用多 元線性回歸分析方法中的逐步線性回歸（stepwise)方法，在推測因素人均國內(nèi)生產(chǎn)總值， 受教育水平，城市化水平，基尼系數(shù)，人口數(shù)量，是否結(jié)婚中，將人均國內(nèi)生產(chǎn)總值，受教育 水平，城市化水平，基尼系數(shù)，人口數(shù)量五個推測因素確定為與犯罪案件數(shù)量相關的影響因 素。
[0065] 其中，人均國內(nèi)生產(chǎn)總值可以按照人均國內(nèi)生產(chǎn)總值指數(shù)計算。城市化水平可以 按照城鎮(zhèn)人口占總?cè)丝诘谋壤嬎?。受教育水平可以按照?00000人口中大學生的數(shù)量 進行計算。基尼系數(shù)可以根據(jù)本國統(tǒng)計年鑒中的收入分組數(shù)據(jù)進行計算。
[0066] 步驟202、根據(jù)所述至少一個影響因素，確定至少一個影響因素的影響權(quán)重。
[0067] 其中，影響因素的影響權(quán)重可以是周期性更新的。在此次進行案件數(shù)量的預測時， 若沒有達到其更新的周期，且至少一個影響因素的影響權(quán)重已經(jīng)計算出時，案件預測的裝 置無需重新計算各個影響因素的影響權(quán)重，只需根據(jù)至少一個影響因素，在存儲各個影響 因素的影響權(quán)重的存儲空間中，獲取各個影響因素的影響權(quán)重。
[0068] 若在此次進行案件數(shù)量的預測時達到影響因素的影響權(quán)重的更新周期，或是至少 一個影響因素的影響權(quán)重并未計算出時，案件預測的裝置需通過計算確定出至少一個影響 因素的影響權(quán)重。此時，案件預測的裝置根據(jù)至少一個影響因素，確定至少一個影響因素的 影響權(quán)重包括：確定η個歷史犯罪案件數(shù)量，至少一個影響因素的η個歷史值。根據(jù)η個歷 史犯罪案件數(shù)量，至少一個影響因素的η個歷史值，利用批處理梯度下降法，確定至少一個 影響因素的影響權(quán)重。
[0069] 其中，案件預測的裝置在確定出至少一個影響因素后，根據(jù)至少一個影響因素，從 存儲影響因素的歷史值的存儲空間中獲取各個影響因素的η個歷史值。若存儲空間中沒有 記錄至少一個影響因素的η個歷史值，此時案件預測的裝置可以通過用戶根據(jù)實際需求設 置至少一個影響因素的η個歷史值，并將通過用戶設置的至少一個影響因素的η個歷史值， 確定為至少一個影響因素的η個歷史值。在確定出至少一個影響因素的η個歷史值后，利 用確定出的至少一個影響因素的η個歷史值，η個歷史犯罪案件數(shù)量，通過批處理梯度下降 法，可以確定出至少一個影響因素的影響權(quán)重。
[0070] 進一步的，案件預測的裝置根據(jù)η個歷史犯罪案件數(shù)量，至少一個影響因素的η個 歷史值，利用批處理梯度下降法，確定至少一個影響因素的影響權(quán)重包括：
[0071] 案件預測的裝置根據(jù)η個歷史犯罪案件數(shù)量，至少一個影響因素的η個歷史值，利 用公式，確定至少一個影響因素的影響權(quán) 重。
[0072] 其中，j表示第j個影響因素 ，Θ j表示影響因素 j的影響權(quán)重，α表示梯度，；表 示第i個歷史犯罪案件數(shù)量。he (X1)表示第i個預測的犯罪案件數(shù)量，表示影響因素 j 的第i個歷史值。η表示歷史犯罪案件數(shù)量的個數(shù)，并表示影響因素的歷史值的個數(shù)，i為 大于0,且小于等于η的整數(shù)。：=表示進行迭代計算。
[0073] 具體的，案件預測的裝置在獲取了至少一個影響因素的歷史值及η個歷史犯罪案 件數(shù)量后，將其帶入公式
，進行迭代計算， 直到S1收斂，即可計算出Θ 1<3
[0074] 在步驟202中的α可以是根據(jù)實際需求預先設置的。
[0075] 如上例所述，案件預測的裝置分別通過X1, x2, X；?，x4, X5表示為確定出的人均國內(nèi) 生產(chǎn)總值，受教育水平，城市化水平，基尼系數(shù)，人口數(shù)量五個影響因素，案件預測的裝置可 以在確定出上述五個影響因素后，需進一步獲取各個影響因素的影響權(quán)重。為了獲取各個 影響因素的影響權(quán)重，案件預測的裝置需獲取η個歷史犯罪案件數(shù)量，及上述5個影響因素 的η個歷史值。此時，案件預測的裝置可以在存儲歷史犯罪案件數(shù)量的數(shù)據(jù)庫中，獲取所需 的η個歷史犯罪案件數(shù)量。并在存儲影響因素的歷史值的存儲空間中分別獲取上述5個影 響因素的η個歷史值。案件預測的裝置獲取的數(shù)據(jù)如下表1所示。
[0077] 表 1
[0078] 其中，表示第i個歷史犯罪案件數(shù)量。xi表示人均國內(nèi)生產(chǎn)總值的第i個歷史 值，X12表示受教育水平的第i個歷史值，x|j.城市化水平的第i個歷史值，xi基尼系數(shù)的第 i個歷史值，X15.人口數(shù)量的第i個歷史值。i = 1，2，......η。
[0079] 案件預測的裝置在獲取了所需的η個歷史犯罪案件數(shù)量及上述5個影響因素的η 個歷史值后，可以利用公式分別確定出5 個影響因素的影響權(quán)重。
[0080] 步驟203、獲取至少一個影響因素的歷史值，并根據(jù)獲取的至少一個影響因素的歷 史值，利用時間序列模型，確定出至少一個影響因素的預測值。
[0081] 其中，η為大于0的整數(shù)。
[0082] 具體的，由于在進行犯罪案件數(shù)量的預測時，需要使用影響因素的預測值。因此， 案件預測的裝置需要先確定出至少一個影響因素的預測值。此時，案件預測的裝置可以先 分別獲取至少一個影響因素的歷史值，根據(jù)獲取的至少一個影響因素的歷史值，通過時間 序列模型可以確定出至少一個影響因素的預測值。
[0083] 其中，時間序列模型是現(xiàn)有技術(shù)中已知的一種獲取預測值的方法，本發(fā)明對此不 再贅述。
[0084] 進一步的，案件預測的裝置可以從存儲影響因素的歷史值的存儲空間中獲取所需 的影響因素的歷史值。案件預測的裝置可以獲取影