當(dāng)前,我國正面臨著嚴(yán)峻的社會(huì)安全形勢(shì)。針對(duì)社會(huì)安全事件進(jìn)行客觀、有效、及時(shí)的風(fēng)險(xiǎn)分析十分必要。定性的風(fēng)險(xiǎn)分析方法消耗成本高且難以驗(yàn)證,傳統(tǒng)的半定量和定量風(fēng)險(xiǎn)分析方法模式固定、靈活性不足,難以刻畫動(dòng)態(tài)變化的、不確定性高的、突發(fā)性高的社會(huì)安全風(fēng)險(xiǎn)的問題,本文以盜竊犯罪和恐怖襲擊事件作為常規(guī)社會(huì)安全事件和非常規(guī)突發(fā)事件的典型代表事件,提出了基于機(jī)器學(xué)習(xí)的社會(huì)安全風(fēng)險(xiǎn)分析方法,主要內(nèi)容如下:（1）針對(duì)常規(guī)社會(huì)安全事件的風(fēng)險(xiǎn)源及影響因素的分析。以發(fā)生概率高、潛在后果損失有限的盜竊犯罪為研究對(duì)象,利用實(shí)際盜竊犯罪數(shù)據(jù),選取作案時(shí)間、作案地點(diǎn)、作案手段和損失金額作為特征,基于多種機(jī)器學(xué)習(xí)算法預(yù)測(cè)盜竊人員的身份類型（初犯\累犯\慣犯）。結(jié)果表明,隨機(jī)森林性能最優(yōu),在訓(xùn)練集上進(jìn)行10-折交叉驗(yàn)證,F1-micro為0.70,測(cè)試集上對(duì)初犯、累犯和慣犯預(yù)測(cè)的F1分別達(dá)到了0.73、0.75和0.76。選取性別、年齡、文化程度等靜態(tài)屬性和當(dāng)月網(wǎng)吧上網(wǎng)次數(shù)、住店次數(shù)、被盤查次數(shù)等動(dòng)態(tài)軌跡為特征,對(duì)盜竊前科人員進(jìn)行分類預(yù)測(cè),結(jié)果表明,隨機(jī)森林性能最優(yōu),F1-micro最高達(dá)到了0.88,特征重要度排序表明,當(dāng)月... 

【文章來源】：中國人民公安大學(xué)北京市

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

k近鄰算法分類示例圖

.1.4 邏輯回歸邏輯回歸又被稱為邏輯斯蒂回歸（Logistic Regression）[53]，常被用于二分類任務(wù)核心思想是將式（2-7）帶入 Sigmiod 函數(shù)中，輸出值類別的近似概率預(yù)測(cè)，通常會(huì)于 0.5 的輸出值記為0，大于0.5 的值記為1.邏輯回歸的計(jì)算公式如下：1( )1zf ze =+(公式2-1中，0 1 1 2 2+ +n nz = ω + ω x ω x …+ωx圖 2-2 為 Sigmoid 函數(shù)的曲線圖，從中可以發(fā)現(xiàn)，Sigmoid 函數(shù)單調(diào)可微，是一個(gè)可導(dǎo)的凸函數(shù)，具有很好的數(shù)學(xué)性質(zhì)。且在 z 接近 0 時(shí)變化很“陡”，一定程度上近位越階函數(shù)，收斂很快，因此，邏輯回歸在分類任務(wù)上往往表現(xiàn)出很不錯(cuò)的準(zhǔn)確性度。根據(jù)統(tǒng)計(jì)，邏輯回歸是kaggle 競(jìng)賽中使用次數(shù)最多的分類算法。

portVectorMachines,SVM)[54]可用于分類和回歸任務(wù)個(gè)最優(yōu)超平面對(duì)樣本進(jìn)行劃分。，如圖 2-3 的二維平面所示，紅圈內(nèi)的點(diǎn)為離分隔向量(support vector)，支持向量到超平面的距離之和稱要找到這么一個(gè)超平面，使得間隔最大。圖中有 3 角星，其中藍(lán)色的直線使得間隔最大，因此藍(lán)線為最

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的長短期記憶網(wǎng)絡(luò)氣溫預(yù)測(cè)[J]. 陶曄,杜景林.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(03)
[2]不平衡數(shù)據(jù)分類方法綜述[J]. 李艷霞,柴毅,胡友強(qiáng),尹宏鵬.  控制與決策. 2019(04)
[3]故障類型及影響分析法在場(chǎng)內(nèi)機(jī)動(dòng)車輛上的應(yīng)用探討[J]. 尉文峰,陳衛(wèi),宋梁君.  中國設(shè)備工程. 2018(24)
[4]多發(fā)性侵財(cái)類犯罪偵查對(duì)策研究——以西寧市為重點(diǎn)[J]. 陳瑜.  青海社會(huì)科學(xué). 2018(06)
[5]航天工程風(fēng)險(xiǎn)分析方法綜述[J]. 劉曉,麥強(qiáng),金光遠(yuǎn),于國娟.  國防科技工業(yè). 2018(05)
[6]情報(bào)視角下暴力恐怖活動(dòng)多元社會(huì)網(wǎng)絡(luò)測(cè)度研究[J]. 胡成,李明星,古麗燕,閆國疆.  情報(bào)雜志. 2018(03)
[7]歐洲恐怖主義的新態(tài)勢(shì)及原因分析——基于聚類分析法[J]. 李益斌.  情報(bào)雜志. 2018(03)
[8]基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的恐怖襲擊風(fēng)險(xiǎn)預(yù)警系統(tǒng)[J]. 項(xiàng)寅.  災(zāi)害學(xué). 2018(01)
[9]基于支持向量機(jī)的嫌疑人特征預(yù)測(cè)[J]. 李榮崗,孫春華,姬建睿.  計(jì)算機(jī)工程. 2017(11)
[10]基于RUSBoost和積矩系數(shù)的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[J]. 尹化榮,陳莉,張永新,陳丹丹.  計(jì)算機(jī)應(yīng)用研究. 2018(09)



本文編號(hào)：3010981