基于自动车牌识别数据的团伙犯罪时空关联车辆发现方法

自动车牌识别(ANPR)数据是当前公安工作中获取车辆轨迹的主要来源之一,基于ANPR数据发现涉案车辆的时空关联车辆,对于团伙犯罪防控具有重要意义。在实际工作中发现,团伙车辆会存在主观避嫌意图,导致出现故意远距离跟随等与传统伴随关系不同的时空关联模式,而现有方法难以有效识别,为此,本文基于车牌自动识别(ANPR)数据,提出了团伙犯罪的时空关联车辆发现方法。①通过分析团伙车辆的跟随策略,梳理出“近距离跟随模式”、“故意远距离跟随模式”、“另择路线前往模式”3种车辆时空关联模式;②基于ANPR数据构建关联车辆数据模型,并提出车辆关联的时空约束参数;在此基础上,提出了时空关联车辆的发现方法;③以B城市为例,采用团伙犯罪车辆的相关ANPR数据进行试验与分析,基于团伙案件历史数据对时空约束参数阈值进行定量评估。在此基础上,对某典型案件进行时空关联车辆分析,将本文方法与频繁序列挖掘、计算伴随概率2种方法对比,本文方法有效率平均可达87.59%,优于对比方法,试验结果表明,本文方法能够有效发现故意远距离跟随、另择路线前往等传统方法难以发现的时空关联车辆,能够为公安部门开展团伙犯罪防控工作提供新思路和技术支持。

顾及隐蔽性认知的犯罪出行路线分析方法

及时发现重点监控人员的潜在犯罪出行路线是公安预警工作的重要研究内容。现有研究多聚焦于犯罪人的出行模式和目的地选择偏好,而对犯罪出行路线的分析预警研究尚显不足,针对这一问题,提出一种顾及隐蔽性认知的犯罪出行路线时空分析方法。本文基于犯罪心理学和理性选择理论,将隐蔽性认知下的犯罪出行规律归纳为“暴露风险最低原则”和“通行成本最低原则”。首先计算犯罪人感知范围内的城市感知元素给犯罪出行带来的暴露风险,将其引入选择度模型,提出“道路的犯罪选择度”,以衡量犯罪人感知范围内的局部最优道路;其次,分别采用“已通行的路线长度”作为代价函数、感知范围内的“道路犯罪选择度”作为启发式函数,通过改进的启发式算法计算最优犯罪出行路线;最后,从犯罪防控角度,依次进行了城市道路选择度分布、重点人员犯罪出行路线分析实验,通过与现有方法所得路线、实际犯罪出行路线对比,验证了本文方法分析得到的犯罪出行路线更具合理性。研究结论为公安的预警工作提供了一定的决策支撑,需把握重点人员犯罪出行时对通行距离和暴露风险的平衡,根据城市感知元素和路网分布进行资源调配,以及时、准确地进行犯罪防控、拦截。