基于GIS的案件预测建模与实现

在系列案件中,如果能预测案件发生的地点和时间,就可以合理安排警力,也可以采取富有针对性的案件侦破策略,提高刑事案件的侦破效率。探讨如何对这一问题进行数学建模,并基于ESR I公司的ArcEngine进行编程实现。

基于K-means算法的案件预测应用

公安部门大量案件物证信息堆积,相关部门只能进行基础性查询,案件物证信息使用职能单一。基于K-means算法案件信息分类、预测,可以为相关部门提供额外的信息汇总,有效打击犯罪。通过案件信息中案件类型、案件发生地域等特点,建立相应的模型。利用K-means算法简洁、高效、容易实施的特点,预测不同地域不同案件发生的概率。论文在传统的K-means算法缺陷及其论证上,借鉴其他改进算法,通过实验证明,该改进算法可以更为准确地为案件分类,进而反映案件真实的发生状况。

基于最优回归-灰色模型的走私案件预测研究

国家税收中关税占有很大比例,走私犯罪主要依靠逃避国家关税获取高额利润。以全国走私案件数为研究对象,采用回归模型对全国走私案件进行有效预测。验证结果表明:回归-灰色模型相比于单独应用回归模型方差和降低了87.67%,预测精度显著提高,预测结果具有波动性,更符合实际情况,能够为走私案件预测提供决策支持。

基于时间序列的网格化城市管理案件预测模型研究

针对传统或流行的基于时间序列的预测模型,探索出一种适用于网格化城市管理的成体系的案件预测方法。分别采用博克斯-詹金斯法、Auto-ARIMA以及LSTM模型,对近几年北京市6个城区各站点网格化管理问题案件数量进行预测,通过对比不同模型方法间准确度和实用性,以MAPE 为精度评价指标,分析各个模型应用在城市网格化问题预测方面优势与劣势。研究发现,Auto-ARIMA适合进行对网格化管理问题数量趋势预测,博克斯-詹金斯法在解决滞后性问题中预测准确率很高,但由于预测流程烦琐,因此实用性较差,LSTM预测效果相对准确且平稳,可以在样本输入量、参数以及自身架构上进行进一步优化。

浅谈人工智能之于律师行业的影响

人工智能的发展正对整个法律行业带来结构性的改变。不可否认,人工智能在法律检索、合同审阅以及案件预测方面都远胜于传统律师,但囿于其主体人格的争议、情感功能的缺失以及算法黑箱之诟病使之难以完全取代传统律师。因此可以预见的是,人工智能的发展将会导致承担重复性工作的初级律师的生存空间被大幅压缩,而与此同时,人工智能的发展会为律师事务所之间的竞争提供战略机遇。