一种案件预测的装置及方法

摘要

本发明公开了一种案件预测的装置及方法，所述装置包括：确定单元，用于接收预测指令，并根据所述预测指令确定至少一个影响因素；根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；获取单元，用于获取所述至少一个影响因素的历史值；所述确定单元，还用于根据所述获取单元获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；预测单元，用于根据所述确定单元确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。本发明实现了提高案件数量预测的准确度的目的。

权利要求

1.一种案件预测的装置，其特征在于，包括：

确定单元，用于接收预测指令，并根据所述预测指令确定至少一个影响因素；根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；

获取单元，用于获取所述至少一个影响因素的历史值；

所述确定单元，还用于根据所述获取单元获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；

预测单元，用于根据所述确定单元确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量；

其中，所述确定单元，具体用于确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重；n为大于0的整数；

所述确定单元，具体用于根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式： 确定所述至少一个影响因素的影响权重；其中，j为大于0的整数，θj表示第j个影响因素的影响权重，α表示梯度, 表示第i个历史犯罪案件数量；hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值，n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数，∶＝表示进行迭代计算。

2.根据权利要求1所述的案件预测的装置，其特征在于，所述预测单元，具体用于根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，利用公式： 预测出犯罪案件数量；

其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

3.根据权利要求1所述的案件预测的装置，其特征在于，预测指令中携带有至少一个推测因素；

所述确定单元，具体用于获取n个历史犯罪案件数量；根据获取的所述n个历史犯罪案件数量，在所述至少一个推测因素中确定至少一个影响因素。

4.一种案件预测的方法，其特征在于，包括：

接收预测指令，并根据所述预测指令确定至少一个影响因素；

根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；

获取所述至少一个影响因素的历史值，并根据获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；n为大于0的整数；

根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量；

其中，所述根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重包括：确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；

根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重；

所述根据所述n个历史犯罪案件数量，至少一个影响因素的n历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重包括：根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式：确定所述至少一个影响因素的影响权重；其中，j为大

于0的整数，θj表示第j个影响因素的影响权重，α表示梯度, 表示第i个历史犯罪案件数量；hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值，n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数，∶＝表示进行迭代计算。

5.根据权利要求4所述的案件预测的方法，其特征在于，所述根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量包括：根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，利用公式： 预测出犯罪案件数量；其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

6.根据权利要求4所述的案件预测的方法，其特征在于，所述预测指令中携带有至少一个推测因素；

所述根据所述预测指令，确定至少一个影响因素包括：

获取n个历史犯罪案件数量；

根据获取的所述n个历史犯罪案件数量，在所述至少一个推测因素中确定至少一个影响因素。

说明书

一种案件预测的装置及方法

技术领域

[0001] 本发明涉及计算机技术领域，尤指一种案件预测的装置及方法。

背景技术

[0002] 随着科技的迅速发展，公安信息建设也随之快速发展。而案件数量的准确预测往往对警力的合理部署、总量需求、时段用警、岗位设置、专业要求、工种分配、区域调剂以及文员置换、辅警协助等等具有很高的指导意义。同时地方政府也可以根据案件数量的变化来揭示案件发生的深层原因，进而为政府的决策提供一个非常有价值的参考。

[0003] 目前在公安行业中，案件数量预测的主要方法是基于时间序列分析、空间定位分析进行的。即为根据历史案件数量，及案件的发生地点，预测出犯罪案件高发地在某一段时间的案件数量。但是，随着社会交通设施与信息化的迅速发展，人、财、物、信息流动性较大，跨地区、大范围的流窜作案日益凸显。由于上述方法仅是利用时间序列分析、空间定位分析进行预测的，并未考虑其他影响因素，因此上述预测案件数量的方法不够准确。

发明内容

[0004] 为了解决上述技术问题，本发明提供了一种案件预测的装置及方法，能够提高案件数量预测的准确度。

[0005] 为了达到本发明目的，本发明提供了一种案件预测的装置，包括：确定单元，用于接收预测指令，并根据所述预测指令确定至少一个影响因素；根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；获取单元，用于获取所述至少一个影响因素的历史值；所述确定单元，还用于根据所述获取单元获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；预测单元，用于根据所述确定单元确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。

[0006] 可选地，所述确定单元，具体用于确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重；n为大于0的整数。

[0007] 可选地，所述确定单元，具体用于根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式： 确定所述至少一个影响因素的影响权重；其中，j为大于0的整数，θj表示第j个影响因素的影响权重，α表示梯度，表示第i个历史犯罪案件数量；hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值，n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数。

[0008] 可选地，所述预测单元，具体用于根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，利用公式： 预测出犯罪案件数量；其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

[0009] 可选地，预测指令中携带有至少一个推测因素；所述确定单元，具体用于获取n个历史犯罪案件数量；根据获取的所述n个历史犯罪案件数量，在所述至少一个推测因素中确定至少一个影响因素。

[0010] 进一步地，本发明提供了一种案件预测的方法，包括：接收预测指令，并根据所述预测指令确定至少一个影响因素；根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；获取所述至少一个影响因素的历史值，并根据获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；n为大于0的整数；根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。

[0011] 可选地，所述根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重包括：确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重。

[0012] 可选地，所述根据所述n个历史犯罪案件数量，至少一个影响因素的n历史值，利用批处理梯度下降法，确定所述至少一个影响因素的影响权重包括：根据所述n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式：确定所述至少一个影响因素的影响权重；其中，j为大于0的整数，θj表示第j个影响因素的影响权重，α表示梯度， 表示第i个历史犯罪案件数量；hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值，n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数。

[0013] 可选地，所述根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量包括：根据确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，利用公式： 预测出犯罪案件数量；其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

[0014] 可选地，所述预测指令中携带有至少一个推测因素；所述根据所述预测指令，确定至少一个影响因素包括：获取n个历史犯罪案件数量；根据获取的所述n个历史犯罪案件数量，在所述至少一个推测因素中确定至少一个影响因素。

[0015] 与现有技术相比，本发明包括确定单元，用于接收预测指令，并根据所述预测指令确定至少一个影响因素；根据所述至少一个影响因素，确定所述至少一个影响因素的影响权重；获取单元，用于获取所述至少一个影响因素的历史值；所述确定单元，还用于根据所述获取单元获取的所述至少一个影响因素的历史值，利用时间序列模型，确定出所述至少一个影响因素的预测值；预测单元，用于根据所述确定单元确定出的所述至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。这样，案件预测的装置在进行犯罪案件数据的预测时，先确定出影响因素，进而确定出影响因素的影响权重，并根据时间序列模型的方法获取影响因素的预测值，从而可以根据影响因素的影响权重及影响因素的预测值进行犯罪案件数量的预测。即为，案件预测的装置是根据犯罪案件的影响因素进行犯罪案件的预测的，而不仅仅是基于时间序列分析预测犯罪案件的数量，因此，本发明提高了案件数量预测的准确度。

[0016] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

[0017] 附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

[0018] 图1为本发明实施例提供的一种案件预测的装置的结构示意图；

[0019] 图2为本发明实施例提供的一种案件预测的方法的流程示意图。

具体实施方式

[0020] 为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

[0021] 在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0022] 本发明实施例提供了一种案件预测的装置，如图1所示，包括：

[0023] 确定单元101，用于确定至少一个影响因素；确定至少一个影响因素的影响权重。

[0024] 具体的，用户在需要预测犯罪案件数量时，案件预测的装置的确定单元101可以接收到用户发送的预测指令，并解析预测指令，若没有在预测指令中解析出推测因素，则确定单元101可以将自身存储的至少一个影响因素，确定为预测案件数量时所需的影响因素。

[0025] 若在预测指令中解析出推测因素，即为，预测指令中携带有至少一个推测因素时，则说明用户需要案件预测的装置在推测因素中，确定出至少一个影响因素。此时，确定单元101确定至少一个影响因素具体包括：

[0026] 确定单元101，具体用于获取n个历史犯罪案件数量；根据获取的n个历史犯罪案件数量，确定至少一个影响因素。

[0027] 其中，n为大于0的整数。

[0028] 也就是说，用户可以预先推测出至少一个与犯罪案件数量有关的推测因素，并将推测出的至少一个与犯罪案件数量有关的推测因素携带至预测指令中，发送至案件预测的装置的确定单元101。确定单元101在接收到预测指令后，可以解析出其内携带的多个与犯罪案件数量有关的推测因素，并获取n个历史犯罪案件数量，在获取了n个历史犯罪案件数量后，可以根据多元线性回归分析方法中的逐步线性回归(stepwise)方法，从推测因素中确定出至少一个与犯罪案件数据量相关的影响因素。即为，对n个历史犯罪案件数量进行归一化处理，进而可以从推测因素中确定出至少一个与犯罪案件数据量相关的影响因素。

[0029] 在本发明实施例中，推测因素为用户预测的用于预测犯罪案件数量的因素。影响因素是案件预测的装置在推测因素中，确定出的用于预测犯罪案件数量的因素。

[0030] 其中，案件预测的装置获取n个历史犯罪案件数量的方法可以是从存储了历史犯罪案件数量的数据库中获取，也可以是通过用户发送n个历史犯罪案件数量，进而获取n个历史犯罪案件数量。

[0031] 进一步的，确定单元101在多元线性回归分析方法中的逐步线性回归(stepwise)方法中所使用的回归方程为：

[0032] 其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，n为影响因素的个数，ε表示随机误差。

[0033] 进一步的，影响因素的影响权重可以是周期性更新的。在此次进行案件数量的预测时，若没有达到其更新的周期，且至少一个影响因素的影响权重已经计算出时，确定单元101无需重新计算各个影响因素的影响权重，只需根据至少一个影响因素，在存储各个影响因素的影响权重的存储空间中，获取各个影响因素的影响权重。

[0034] 若在此次进行案件数量的预测时达到影响因素的影响权重的更新周期，或是至少一个影响因素的影响权重并未计算出时，确定单元101确定至少一个影响因素的影响权重具体包括：

[0035] 确定单元101，具体用于确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定至少一个影响因素的影响权重。

[0036] 其中，n为大于0的整数。

[0037] 进一步的，确定单元101在确定出至少一个影响因素后，根据至少一个影响因素，从存储影响因素的历史值的存储空间中获取各个影响因素的n个历史值。若存储空间中没有记录至少一个影响因素的n个历史值，此时确定单元101可以通过用户根据实际需求设置至少一个影响因素的n个历史值，并将通过用户设置的至少一个影响因素的n个历史值，确定为至少一个影响因素的n个历史值。在确定出至少一个影响因素的n个历史值后，利用确定出的至少一个影响因素的n个历史值，n个历史犯罪案件数量，通过批处理梯度下降法，可以确定出至少一个影响因素的影响权重。

[0038] 进一步的，确定单元101，确定n个历史犯罪案件数量，至少一个影响因素的n个历史值；根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定至少一个影响因素的影响权重具体包括：

[0039] 确定单元101，具体用于根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式： 确定至少一个影响因素的影响权重。

[0040] 其中，j为大于0的整数，θj表示第j个影响因素的影响权重，α表示梯度， 表示第i个历史犯罪案件数量。hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值，n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数。∶＝表示进行迭代计算。

[0041] 在确定单元101中的α可以是根据实际需求预先设置的。

[0042] 获取单元102，用于获取至少一个影响因素的历史值。

[0043] 具体的，获取单元102可以从存储影响因素的历史值的存储空间中获取所需的影响因素的历史值。案件预测的装置可以获取影响因素的多个历史值，例如获取影响因素的20个历史值。获取单元102具体获取影响因素的几个历史值根据实际需求而定，本发明对此不作限制。

[0044] 确定单元101，还用于根据获取单元102获取的至少一个影响因素的历史值，利用时间序列模型，确定出至少一个影响因素的预测值。

[0045] 具体的，由于在进行犯罪案件数量的预测时，需要使用影响因素的预测值。因此，确定单元101需要先确定出至少一个影响因素的预测值。在获取单元102获取至少一个影响因素的历史值后，确定单元101根据获取单元102获取的至少一个影响因素的历史值，通过时间序列模型可以确定出至少一个影响因素的预测值。

[0046] 其中，时间序列模型是现有技术中已知的一种获取预测值的方法，本发明对此不再赘述。

[0047] 预测单元103，用于根据确定单元101确定出的所述至少一个影响因素的影响权重及至少一个影响因素的预测值，预测出犯罪案件数量。

[0048] 具体的，预测单元103在确定单元101确定出各个影响因素的影响权重及预测值后，可以直接将各个影响因素的影响权重及预测值分别计算出乘积，获取各个影响因素对应的犯罪案件数量，进而将各个影响因素的犯罪案件数量进行求和运算，预测出总的犯罪案件数量。

[0049] 进一步的，预测单元103，具体用于根据确定出的至少一个影响因素的影响权重及至少一个影响因素的预测值，利用公式： 预测出犯罪案件数量。

[0050] 其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

[0051] 在预测单元103中，θ0可以是用户根据实际需求预先设置的。

[0052] 本发明实施例提供了一种案件预测的装置，包括根据历史犯罪案件数量，确定出至少一个影响因素；确定至少一个影响因素的影响权重；根据历史犯罪案件数量，利用时间序列模型，确定出至少一个影响因素的预测值；根据确定出的至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。这样，案件预测的装置在进行犯罪案件数据的预测时，先确定出影响因素，进而确定出影响因素的影响权重，并根据时间序列模型的方法获取影响因素的预测值，从而可以根据影响因素的影响权重及影响因素的预测值进行犯罪案件数量的预测。即为，案件预测的装置是根据犯罪案件的影响因素进行犯罪案件的预测的，而不仅仅是基于时间序列分析预测犯罪案件的数量，因此，本发明提高了案件数量预测的准确度。

[0053] 本发明实施例提供了一种案件预测的方法，如图2所示，包括：

[0054] 步骤201、接收预测指令，并根据预测指令确定至少一个影响因素。

[0055] 具体的，用户在需要预测犯罪案件数量时，案件预测的装置可以接收到用户发送的预测指令，此时案件预测的装置可以解析预测指令，若没有在预测指令中解析出推测因素，则案件预测的装置可以将自身存储的至少一个影响因素，确定为预测案件数量时所需的影响因素。

[0056] 若在预测指令中解析出推测因素，即为，预测指令中携带有至少一个推测因素时，则说明用户需要案件预测的装置在推测因素中，确定出至少一个影响因素。此时，案件预测的装置确定至少一个影响因素包括：获取n个历史犯罪案件数量；根据获取的n个历史犯罪案件数量，在至少一个推测因素中确定至少一个影响因素。

[0057] 其中，n为大于0的整数。

[0058] 也就是说，用户可以预先推测出至少一个与犯罪案件数量有关的推测因素，并将推测出的至少一个与犯罪案件数量有关的推测因素携带至预测指令中，发送至案件预测的装置。案件预测的装置在接收到预测指令后，可以解析出其内携带的多个与犯罪案件数量有关的推测因素，并获取n个历史犯罪案件数量，在获取了n个历史犯罪案件数量后，可以根据多元线性回归分析方法中的逐步线性回归(stepwise)方法，从推测因素中确定出至少一个与犯罪案件数据量相关的影响因素。即为，对n个历史犯罪案件数量进行归一化处理，进而可以从推测因素中确定出至少一个与犯罪案件数据量相关的影响因素。

[0059] 在本发明实施例中，推测因素为用户预测的用于预测犯罪案件数量的因素。影响因素是案件预测的装置在推测因素中，确定出的用于预测犯罪案件数量的因素。

[0060] 其中，案件预测的装置获取n个历史犯罪案件数量的方法可以是从存储了历史犯罪案件数量的数据库中获取，也可以是通过用户发送n个历史犯罪案件数量，进而获取n个历史犯罪案件数量。

[0061] 进一步的，步骤201中，如何确定影响因素的方法包括：案件预测的装置在多元线性回归分析方法中的逐步线性回归(stepwise)方法中所使用的回归方程为：

[0062] 其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，n为影响因素的个数，ε表示随机误差。

[0063] 在步骤201中的多元线性回归分析方法中的逐步线性回归(stepwise)方法即为现有技术中的多元线性回归分析方法中的逐步线性回归(stepwise)方法，在此不再赘述。

[0064] 示例性的，用户可以预先推测出的推测因素为：人均国内生产总值(GDP，Gross Domestic Product)，受教育水平，城市化水平，基尼系数，人口数量，是否结婚。并将推测出的推测因素携带至预测指令中，发送至案件预测的装置。此时，案件预测的装置在接收到预测指令后，对预测指令进行解析，进而可以解析出用户预先推测的推测因素。在解析出推测因素后，可以获取n个历史犯罪案件数量，在获取了n个历史犯罪案件数量后，可以利用多元线性回归分析方法中的逐步线性回归(stepwise)方法，在推测因素人均国内生产总值，受教育水平，城市化水平，基尼系数，人口数量，是否结婚中，将人均国内生产总值，受教育水平，城市化水平，基尼系数，人口数量五个推测因素确定为与犯罪案件数量相关的影响因素。

[0065] 其中，人均国内生产总值可以按照人均国内生产总值指数计算。城市化水平可以按照城镇人口占总人口的比例计算。受教育水平可以按照每100000人口中大学生的数量进行计算。基尼系数可以根据本国统计年鉴中的收入分组数据进行计算。

[0066] 步骤202、根据所述至少一个影响因素，确定至少一个影响因素的影响权重。

[0067] 其中，影响因素的影响权重可以是周期性更新的。在此次进行案件数量的预测时，若没有达到其更新的周期，且至少一个影响因素的影响权重已经计算出时，案件预测的装置无需重新计算各个影响因素的影响权重，只需根据至少一个影响因素，在存储各个影响因素的影响权重的存储空间中，获取各个影响因素的影响权重。

[0068] 若在此次进行案件数量的预测时达到影响因素的影响权重的更新周期，或是至少一个影响因素的影响权重并未计算出时，案件预测的装置需通过计算确定出至少一个影响因素的影响权重。此时，案件预测的装置根据至少一个影响因素，确定至少一个影响因素的影响权重包括：确定n个历史犯罪案件数量，至少一个影响因素的n个历史值。根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定至少一个影响因素的影响权重。

[0069] 其中，案件预测的装置在确定出至少一个影响因素后，根据至少一个影响因素，从存储影响因素的历史值的存储空间中获取各个影响因素的n个历史值。若存储空间中没有记录至少一个影响因素的n个历史值，此时案件预测的装置可以通过用户根据实际需求设置至少一个影响因素的n个历史值，并将通过用户设置的至少一个影响因素的n个历史值，确定为至少一个影响因素的n个历史值。在确定出至少一个影响因素的n个历史值后，利用确定出的至少一个影响因素的n个历史值，n个历史犯罪案件数量，通过批处理梯度下降法，可以确定出至少一个影响因素的影响权重。

[0070] 进一步的，案件预测的装置根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用批处理梯度下降法，确定至少一个影响因素的影响权重包括：

[0071] 案件预测的装置根据n个历史犯罪案件数量，至少一个影响因素的n个历史值，利用公式： 确定至少一个影响因素的影响权重。

[0072] 其中，j表示第j个影响因素，θj表示第j个影响因素的影响权重，α表示梯度， 表示第i个历史犯罪案件数量。hθ(x(i))表示第i个预测的犯罪案件数量， 表示第j个影响因素的第i个历史值。n表示历史犯罪案件数量的个数，并表示影响因素的历史值的个数，i为大于0，且小于等于n的整数。∶＝表示进行迭代计算。

[0073] 具体的，案件预测的装置在获取了至少一个影响因素的历史值及n个历史犯罪案件数量后，将其带入公式 进行迭代计算，直到θj收敛，即可计算出θj。

[0074] 在步骤202中的α可以是根据实际需求预先设置的。

[0075] 如上例所述，案件预测的装置分别通过x1，x2，x3，x4，x5表示为确定出的人均国内生产总值，受教育水平，城市化水平，基尼系数，人口数量五个影响因素，案件预测的装置可以在确定出上述五个影响因素后，需进一步获取各个影响因素的影响权重。为了获取各个影响因素的影响权重，案件预测的装置需获取n个历史犯罪案件数量，及上述5个影响因素的n个历史值。此时，案件预测的装置可以在存储历史犯罪案件数量的数据库中，获取所需的n个历史犯罪案件数量。并在存储影响因素的历史值的存储空间中分别获取上述5个影响因素的n个历史值。案件预测的装置获取的数据如下表1所示。

[0076]

[0077] 表1

[0078] 其中， 表示第i个历史犯罪案件数量。 表示人均国内生产总值的第i个历史值， 表示受教育水平的第i个历史值， 城市化水平的第i个历史值， 基尼系数的第i个历史值， 人口数量的第i个历史值。i＝1，2，……n。

[0079] 案件预测的装置在获取了所需的n个历史犯罪案件数量及上述5个影响因素的n个历史值后，可以利用公式 分别确定出5个影响因素的影响权重。

[0080] 步骤203、获取至少一个影响因素的历史值，并根据获取的至少一个影响因素的历史值，利用时间序列模型，确定出至少一个影响因素的预测值。

[0081] 其中，n为大于0的整数。

[0082] 具体的，由于在进行犯罪案件数量的预测时，需要使用影响因素的预测值。因此，案件预测的装置需要先确定出至少一个影响因素的预测值。此时，案件预测的装置可以先分别获取至少一个影响因素的历史值，根据获取的至少一个影响因素的历史值，通过时间序列模型可以确定出至少一个影响因素的预测值。

[0083] 其中，时间序列模型是现有技术中已知的一种获取预测值的方法，本发明对此不再赘述。

[0084] 进一步的，案件预测的装置可以从存储影响因素的历史值的存储空间中获取所需的影响因素的历史值。案件预测的装置可以获取影响因素的多个历史值，例如获取影响因素的20个历史值。案件预测的装置具体获取影响因素的几个历史值根据实际需求而定，本发明对此不作限制。

[0085] 步骤204、根据确定出的至少一个影响因素的影响权重及至少一个影响因素的预测值，预测出犯罪案件数量。

[0086] 具体的，案件预测的装置在确定出各个影响因素的影响权重及预测值后，可以直接将各个影响因素的影响权重及预测值分别计算出乘积，获取各个影响因素对应的犯罪案件数量，进而将各个影响因素的犯罪案件数量进行求和运算，计算出总的犯罪案件数量。

[0087] 进一步的，考虑到可能存在的误差情况，案件预测的装置根据确定出的至少一个影响因素的影响权重及至少一个影响因素的预测值，利用公式：预测出犯罪案件数量。

[0088] 其中，y与hθ(x)均表示预测的犯罪案件数量，θ0表示系统常量，θj表示影响因素xj的影响权重，xj表示第j个影响因素，m为影响因素的个数，ε表示随机误差。

[0089] 在本步骤中，θ0可以是用户根据实际需求预先设置的。

[0090] 在本步骤中，至少一个影响因素有m个，此时，xj中的j的值不同则xj表示不同的影响因素。

[0091] 需要说明的是，在本发明实施例中，影响因素的历史值及预测值均是指量化后的值。

[0092] 本发明实施例提供了一种案件预测的方法，包括根据历史犯罪案件数量，确定出至少一个影响因素；确定至少一个影响因素的影响权重；根据历史犯罪案件数量，利用时间序列模型，确定出至少一个影响因素的预测值；根据确定出的至少一个影响因素的影响权重及所述至少一个影响因素的预测值，预测出犯罪案件数量。这样，案件预测的装置在进行犯罪案件数据的预测时，先确定出影响因素，进而确定出影响因素的影响权重，并根据时间序列模型的方法获取影响因素的预测值，从而实现了根据影响因素的影响权重及影响因素的预测值进行犯罪案件数量的预测。即为，案件预测的装置是根据犯罪案件的影响因素进行犯罪案件的预测的，而不仅仅是基于时间序列分析预测犯罪案件的数量，因此，本发明提高了案件数量预测的准确度。

[0093] 虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。