利用時(shí)空數(shù)據(jù)對(duì)犯罪現(xiàn)狀進(jìn)行分析和對(duì)犯罪趨勢(shì)進(jìn)行預(yù)測(cè),在公安部門對(duì)于犯罪分子等重點(diǎn)人員的排查工作中一直占有重要地位。隨著信息化的發(fā)展,通過移動(dòng)終端、監(jiān)控設(shè)備等傳感器,采集人們的移動(dòng)時(shí)空數(shù)據(jù),從中分析辨別犯罪分子等重點(diǎn)人員,成為近年來(lái)公安部門關(guān)注的熱點(diǎn)。隨著采集數(shù)據(jù)的爆炸式增長(zhǎng),傳統(tǒng)的使用GIS進(jìn)行排查的方式已捉襟見肘。本文根據(jù)某市公安部門采集到的移動(dòng)終端聯(lián)網(wǎng)時(shí)空數(shù)據(jù),以及公安部門提供的重點(diǎn)人員移動(dòng)終端MAC地址,設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)重點(diǎn)人員分類模型。本文的主要工作如下:1.對(duì)原始采集數(shù)據(jù)進(jìn)行多種形式的清洗,提取本文關(guān)注的時(shí)空數(shù)據(jù)字段。2.原始數(shù)據(jù)特征維度很高,為了對(duì)原始數(shù)據(jù)進(jìn)行特征降維,本文從不同的角度提出了 TSG和STPS兩種時(shí)空特征提取算法。其中TSG算法對(duì)時(shí)間和空間進(jìn)行統(tǒng)一劃分,將時(shí)空信息劃分后的統(tǒng)計(jì)數(shù)據(jù)作為特征;STPS算法從上班族工作日作息時(shí)間的角度出發(fā),將時(shí)空占比信息和日�；顒�(dòng)相似度作為特征。這兩種算法都大大減少了原始數(shù)據(jù)集的特征維度,同時(shí),彌補(bǔ)了數(shù)據(jù)采集過程中某些AP設(shè)備重復(fù)采集和漏采的缺陷。3.通過兩階段集成學(xué)習(xí),持續(xù)改進(jìn)本文分類模型的性能。第一個(gè)階段中,首先根據(jù)本文關(guān)注的分類模型性能指標(biāo),確定適合TSG和STPS算法生成的訓(xùn)練集的分類算法,然后使用集成學(xué)習(xí)方法中的Bagging算法,對(duì)分類模型進(jìn)行集成學(xué)習(xí),得到更高性能的分類器。第二個(gè)階段,使用廣義上的集成學(xué)習(xí)方法,將TSG分類模型和STPS分類模型按照指定的規(guī)則組合,進(jìn)一步提高分類器的性能。實(shí)驗(yàn)結(jié)果表明本文實(shí)現(xiàn)的重點(diǎn)人員分類模型在公安部門識(shí)別重點(diǎn)人員工作中的有效性。本文的分類模型已經(jīng)在某市公安部門的人員分析系統(tǒng)中得到應(yīng)用。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP311.13;D631.1
【部分圖文】：

能夠表達(dá)更多的信息，進(jìn)而增加樣本的多樣性，但是并非特征越多越好，對(duì)于某??個(gè)分類器而言，當(dāng)特征數(shù)量超過一個(gè)臨界值時(shí)，分類器的性能將受到重要影響，??該情況可以用圖２．１［２４］表示。??〇?ｉ?？?）?＊￣＊?＊?Ｉ?＇?＇?＾?ｒ?．?＿ｒ?．．１?＊?１?ｒ—ｔ?｜??ｑ?？?Ｄｉｍｅｎｓ３〇：ｎ？ｌ：ｓｉｙ?｛ｎｕｍｂｅｒ?ｏｆ?ｆｅａｔｕｒｅｓ）??ＯｐｔｉｍａＳ?ｎｕｍｂｅｒ?ｏｆ?ｆｅａｔｕｒｅｓ??圖２．１維度災(zāi)難??為了得到盡量高性能的分類器，需要選擇合適的特征維度，但是由于數(shù)據(jù)集??的內(nèi)容和各個(gè)分類器的實(shí)現(xiàn)方法不同，并沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)來(lái)確定特征的數(shù)??量，但根據(jù)圖２．１可以看到，過多的特征對(duì)于分類模型的訓(xùn)練是不利的，因此對(duì)??于明顯高維的數(shù)據(jù)，需要使用某些方法進(jìn)行特征降維。??所謂特征降維，是指從一個(gè)高維的特征集合得到一個(gè)低維特征集合的過程，??大量研宄表明，特征降維可以消除特征集合中冗余和無(wú)關(guān)的特征，提高機(jī)器學(xué)習(xí)??７??

習(xí)）和ｗｅａｋｌｙｌｅａｍａｂｌｅ?（弱可學(xué)習(xí)）概念。隨后，ＳｃｈａｐｉｒｅＲＥ［４１ｋｉＥ明了將多個(gè)弱??學(xué)習(xí)器集成可以得到一個(gè)強(qiáng)學(xué)習(xí)器。集成學(xué)習(xí)的基本思想是使用多個(gè)基分類器組??合成一個(gè)分類器，如圖２．２所不。??〔Ｃｌａｓｓｉｆｉｅｒ?〕??／ｔｖ??〔Ｃｌａｓｓｉｆｉｅｒ」〕?〔Ｃｌａｓｓｉｆｉｅｒ＿Ｎ〕??圖２．２集成學(xué)習(xí)的基本思想??集成學(xué)習(xí)是機(jī)器學(xué)習(xí)中的重要方法，它對(duì)分類器泛化能力的提升和預(yù)測(cè)精度??的提高具有重要作用［３２］。集成學(xué)習(xí)可以分為狹義和廣義兩種［４２］。狹義的集成學(xué)習(xí)??是指對(duì)于同一個(gè)問題，從訓(xùn)練集中隨機(jī)選取多個(gè)子集，使用相同的分類算法進(jìn)行??學(xué)習(xí)，以提高分類器的泛化能力。而廣義的集成學(xué)習(xí)是指使用多個(gè)學(xué)習(xí)機(jī)共同解??決同一個(gè)問題。??集成學(xué)習(xí)主要包括３個(gè)步驟：生成訓(xùn)練子集，訓(xùn)練基分類器，集成生成結(jié)果。??集成學(xué)習(xí)方法中有代表性的是Ｂａｇｇｉｎｇ［４３４Ｐ?Ｂｏｏｓｔｉｎｇ，它們也是最常用的方法［４４］。??２．３．１?Ｂａｇｇｉｎｇ??Ｂａｇｇｉｎｇ是由Ｌｅｏ?Ｂｒｅｉｍａｎ在１９９４年提出的集成學(xué)習(xí)方法，其全稱是ｂｏｏｔｓｔｒａｐ??ａｇｇｒｅｇａｔｉｎｇ，其中ｂｏｏｔｓｔｒａｐ稱為自助法，米用有放回的隨機(jī)取樣方法生成訓(xùn)練子??集

本文研宄的數(shù)據(jù)主要來(lái)源于某市公安部門部署的數(shù)據(jù)采集接收系統(tǒng)。該系統(tǒng)??接收來(lái)自前端設(shè)備、ＷＩＦＩ廠商后臺(tái)、ＷＩＦＩ嗅探后臺(tái)、ＩＤＣ?（互聯(lián)網(wǎng)數(shù)據(jù)中心）、??網(wǎng)站、網(wǎng)吧和其他渠道的采集數(shù)據(jù)，如圖３．１所示。??數(shù)據(jù)釆集接收系統(tǒng)??Ｉ?ｉ??前端設(shè)備?ＷＩＦＩ?ＩＤＣ?其他??嗅探后臺(tái)??資）０泰??ＷＩＦＴ?網(wǎng)站?網(wǎng)１１巴??廠商后臺(tái)??圖３．１數(shù)據(jù)采集接收系統(tǒng)??圖３．１中的前端設(shè)備、ＷＩＦＩ廠商后臺(tái)、ＷｆｆＩ嗅探后臺(tái)等數(shù)據(jù)采集設(shè)備稱為??１５??
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 趙建軍;陳濱;楊利斌;姚躍亭;;一種基于字符串模型的軌跡相似度計(jì)算[J];科學(xué)技術(shù)與工程;2013年01期

2 張培晶;謝曉專;宋蕾;;PGIS在犯罪分析中的應(yīng)用[J];中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

3 冀素琴;石洪波;衛(wèi)潔;;基于Map Reduce的Bagging貝葉斯文本分類[J];計(jì)算機(jī)工程;2012年16期

4 耿莎莎;張旺鋒;劉勇;李甜甜;馬彥強(qiáng);;基于GIS的城市犯罪行為空間分布特征及預(yù)警分析[J];地理科學(xué)進(jìn)展;2011年10期

相關(guān)碩士學(xué)位論文 前1條

1 宮文娟;無(wú)線網(wǎng)絡(luò)中的軌跡模式變化分析及其應(yīng)用[D];上海交通大學(xué);2014年

本文編號(hào)：2849089