一種顧及軌跡時空語義的犯罪團伙判別方法
【技術領域】
[0001] 本發(fā)明屬于刑偵與警務研判、警情數據挖掘、公共安全、犯罪地理學技術領域，尤 其涉及一種顧及軌跡時空語義的犯罪團伙判別方法。
【背景技術】
[0002] 當前城市內有組織團伙化犯罪的傾向突出，從各地破獲的"兩搶一盜"案件看，凡 大案、要案和系列案件多為犯罪團伙所為。犯罪組織存在時間越長，結構越嚴密，組織成員 越多，實施的犯罪行為也越多，危害性也越大，打擊的難度也就越大。因此，提早、快速、準 確辨識犯罪團伙成員，挖掘出潛在的犯罪團伙，對犯罪團伙打擊效果的提高具有重要價值。 然而，通過公安的審訊和共犯情況往往難以發(fā)現那些隱藏幕后或未被抓捕到的其他犯罪同 伙。
[0003] 當前，隨著傳感器技術、全球定位技術的飛速發(fā)展和各類社會數據的大規(guī)模涌現， 如公安的戶政數據、銀行的賬戶轉賬數據、電信運營商的通訊數據、社交網絡數據、卡口數 據、視頻監(jiān)控數據、GPS數據等，為犯罪團伙判斷和潛在團伙成員的挖掘迎來重要的技術契 機。但是，僅依靠人工分析海量多源異構的社會數據以識別犯罪團伙是不可能的，迫切需要 有高效智能化的大數據分析手段來識別犯罪團伙。
[0004] 目前，對犯罪成員關系及其關系親密度偵測的主要技術方法分為兩類，利用同時 被捕或在同一地區(qū)實施犯罪的犯罪人員形成的網絡進行識別；利用人員之間的通信或交易 形成的網絡來進行識別。如基于社交信息和成員位置駐留信息構建犯罪分子間的相似性網 絡，在該網絡上通過譜聚類識別犯罪團伙；利用一段時間內同時被捕的成員或在同一區(qū)域 實施相同犯罪人員構建網絡，利用k-core算法對多個犯罪團伙進行識別。
[0005] 從已有中國發(fā)明專利方面看，目前還未見涉及犯罪團伙成員和犯罪團伙辨識的專 利。經過檢索，僅有以下專利與本方案有一定的關聯(lián)性，中國專利號：CN104408149A，專利名 稱：基于社交網絡分析的犯罪嫌疑人挖掘關聯(lián)方法及系統(tǒng)，摘要：本發(fā)明涉及一種基于社 交網絡分析的犯罪嫌疑人挖掘關聯(lián)方法及系統(tǒng)，其特征在于包括：對用戶輸入數據進行預 處理，從輸入數據提取關鍵信息；構建社交網絡圖模型；設置參數；運行社團發(fā)現算法；輸 出發(fā)現的結果，列出犯罪嫌疑人員，本發(fā)明與現有技術相比，具有以下有益效果：能夠從給 定的犯罪嫌疑人社交圈內發(fā)現潛在的關聯(lián)犯罪嫌疑人，方法性能好，系統(tǒng)運行快，同時考慮 了真實場景的需求，在用戶指定的范圍進行分析，具有良好的擴展性。該專利力圖通過社交 網絡中人員之間的交流模式進行犯罪嫌疑人的查找，但不是對犯罪團伙或其成員的查找。
[0006] 目前來看，已有方法還存在如下不足：
[0007] 1)沒有考慮特定時間、事件、位置等關鍵時空節(jié)點，直接采用聯(lián)絡/交易頻繁度或 網絡集聚性等指標來標識人員間的犯罪團伙關系還不夠周全，因為僅僅親戚好友的關系往 往也能讓通信/交易網絡中的相關人員形成集聚狀態(tài)。
[0008] 2)以犯罪位置共現為基礎的犯罪團伙識別研究沒有考慮未留案底人員屬于犯罪 團伙的可能性。
[0009] 3)人員之間的聯(lián)系類型多樣，已有研究未考慮不同人員關聯(lián)類型對犯罪團伙成員 關系識別的重要程度，從而容易造成犯罪團伙成員關系的誤判和漏判。
[0010] 4)已有研究僅能判斷某成員屬于單個犯罪團伙，無法判斷從屬若干犯罪團伙的成 員，或從相關人員網絡中發(fā)現若干不屬于犯罪團伙的組織而加以剔除。
[0011] 從數據來源看，隨著技術的進步，目前除了有案底人員，還有大量其他可疑人員 現在也列入了警務跟蹤對象范圍，他們每天的社會移動數據和社會生活數據形成了大量的 人員軌跡數據，如何對這些軌跡數據進行挖掘從而提高犯罪團伙識別的準確率與覆蓋率是 當面面臨的重要挑戰(zhàn)之一。就目前來看，利用軌跡數據進行團伙成員判別的技術或研究還 未見報道。

【發(fā)明內容】

[0012] 本發(fā)明的發(fā)明目的在于針對現有技術中存在的（1)標識人員間的犯罪團伙關系 指標不周全、（2)沒有考慮未留案底人員屬于犯罪團伙的可能性、（3)易造成犯罪團伙成員 關系的誤判和漏判、（4)無法判斷從屬若干犯罪團伙的成員的問題，提供一種顧及軌跡時空 語義的犯罪團伙判別方法。
[0013] 為了實現上述目的，本發(fā)明采用的技術方案如下：
[0014] 一種顧及軌跡時空語義的犯罪團伙判別方法，包括以下步驟：
[0015] (1)重點人員軌跡點聚類：基于重點人員軌跡數據進行區(qū)域地理環(huán)境和空間鄰近 性的軌跡點聚類，即首先將空間劃分多個聚類簇，每個聚類簇代表重點人員達到的局部區(qū) 域；所述的區(qū)域地理環(huán)境和空間鄰近性的軌跡點聚類ω%表示為：
[0016]
[0017] 基于所述ωι]，采用DBSCAN密度聚類方法，即可得到各聚類簇；其中，11,為軌跡 點i和j，P表示1種1 .,之間的時空語義差異，d(l1,)為1滿1 ,的空間距離，δ為閾 值；
[0018] (2)重點人員軌跡時空相似性計算：包括兩重點人員的聚類簇正、反向物理時空 節(jié)點訪問頻度及兩重點人員的Ρ0Ι語義時空分布差異計算；
[0019] (3)重點人員通信時空頻度計算：包括兩重點人員在時段t內的通信總次數和特 定時空節(jié)點的通信頻度計算，所述兩重點人員特定時空節(jié)點的通信頻度計算公式為：
[0020]
[0021] 其中，R為特定時空節(jié)點集合，h^v為重點人員u和v在r時空節(jié)點通訊的時長；
[0022] (4)重點人員關聯(lián)網絡建模：通過表達重點人員之間的關聯(lián)強度WUiV，進而對重點 人員關聯(lián)強度Wu，v進行歸一化構建重點人員關聯(lián)網絡，所述的Wu，v為：
[0023]
[0024] aAα2+α3= 1
[0025] 其中，αρα2、α3為權重系數；σρσ2為高斯核函數的帶寬；cuv為兩重點人員u 和v間在時段t內的通信總次數；au，v表示兩重點人員在正向物理時空節(jié)點數或其附近匯合 的頻度；bu，v表示兩重點人員在反向物理時空節(jié)點或其附近匯合的頻度；du，v為兩重點人員 特定時空節(jié)點的通信頻度；APuv表示重點人員u和v的Ρ0Ι語義時空分布差異，△QUiV表 示重點人員u和v的時空分布差異，△ UiV為重點人員u和v的物理時空分布差異；
[0026] (5)基于社交網群落發(fā)現方法的犯罪團伙識別：通過對重點人員關聯(lián)網絡進行數 學建模，進而解算出模型中各人員隸屬的犯罪團伙概率，從而判別其所屬犯罪團伙。
[0027] 進一步地，上述步驟（1)所述軌跡點1JP1 ,的時空語義差異P^的表達式為：
[0028] pcosin(Θi;Θs)
[0029] 其中，Θ廊θ,分別為錨點i和j所在區(qū)域的潛在犯罪特征，當兩錨點所處社區(qū) 的潛在犯罪特征相同，Pu為〇,反之，Pu趨向于1，從而描述了兩區(qū)域的潛在犯罪特征相 似性。
[0030] 進一步地，上述步驟（4)所述兩重點人員在正向物理時空節(jié)點訪問頻度au,vS:
[0031]
[0032] 其中，P表示正向和反向時空節(jié)點集合，u和v表示兩重點人員，I[hPiU,hPiV]為兩 重點人員在P時空節(jié)點或其鄰近處共現的次數，hPiU為用戶u在位置p出現的次數，hPiV為 用戶v在位置P出現的次數。
[0033] 進一步地，所述步驟（2)或（4)重點人員u和v的Ρ0Ι語義時空分布差異ΔPuv表 示為：
[0034]
[0035] 其中，T表示各語義時段集合，ptiU和ptiV分別代表重點人員u和v在時段t時對 各類Ρ0Ι的訪問強度分布。
[0036] 進一步地，所述步驟（4)重點人員u和v的時空分布差異ΔQUiV表示為：
[0037]
[0038] 其中，qu和qj別為重點人員u和v在時空分布，q。和qt,v分別代表重點人員u 和v在語義時間t對聚類簇的訪問強度分布。
[0039] 進一步地，所述步驟（4)重點人員u和v的物理時空分布差異AQ'uv表示為：
[0040]
[0041] 其中，q'u和V^分別為重點人員u和v的物理時空分布模式，q'tjU^PqrtjV 分別代表重點人員u和v在物理時段t對聚類簇的訪問強度分布。
[0042] 進一步地，基于概率圖生成模型，對上述步驟（5)所述重點人員關聯(lián)網絡的生成 進行數學建模，進而解算出模型中各人員隸屬的犯罪團伙概率；其概率圖生成模型的描述 如下：
[0043] (1)對網絡中的每個節(jié)點/個體：從先驗概率Dirichlet(α)中采樣得到某團伙