公安情报分析中的数据挖掘应用研究

摘　要：摘要：数据挖掘是一个知识发现的过程，具体是指通过各种算法在现有信息当中发现规律或找到有用信息。公安部门的情报分析工作从本质上来讲也是一个数据挖掘的过程，数据挖掘技术的应用使公安情报分析工作更加准确、高效。本文先对数据挖掘进行介绍，然后讲数据挖掘在公安情报分析中的具体应用。

关键词：关键词：数据挖掘；公安情报分析；决策树；关联规则

中图分类号：TP39    文献标识码：A     文章编号：

1. 引言
　 信息时代，人们在日常的生活工作中每天都要面对浩如烟海的信息，如何从这些信息中找到对自己有用的那些，是大家共同面对的问题。公安部门由于其工作的特殊性，更是经常要对海量的情报信息进行分析，并且随着公安信息化的推进，公安部门搜集积累信息的能力越来越强，不仅信息规模膨胀，复杂度也大大增加，仅靠传统的人工分析已经远远不够。数据挖掘的应用可以为我们提供强大的帮助，能够让公安人员从纷繁芜杂的情报当中找到真正有用的信息。
2. 数据挖掘简介
　 由于人们对于信息的重视程度越来越高，数据挖掘已经在社会各个领域得到广泛应用，小到一些类似炒股软件等个人投资方面的统计参考，大到国家对各种社会资源的审计分析，无不包含着对数据挖掘的应用，目前一些比较有实力的企事业单位已经拥有了自己的数据挖掘系统。因此我们有必要对数据挖掘的定义、数据挖掘的过程、数据挖掘的功能进行大概的了解。
2.1数据挖掘的定义
　 数据挖掘就是从大量的、无规律的数据中，找到其中潜在的规律或者隐含的知识的过程。通过数据挖掘，我们可以找到对我们有用的信息。数据挖掘是一门综合性的技术，包含的不仅仅是各种数据挖掘算法，还有统计学、数据库、人工智能、机器学习等多个领域的理论技术。数据挖掘利用各种分析工具在海量数据信息中发现模型和数据间的关系，使用这些模型和关系可以帮助决策者寻找数据间的潜在关联，还可以为决策者进行未来趋势的预测。
2.2数据挖掘的工作步骤
　 完整的数据挖掘工作主要有四个步骤：数据获取、预处理、数据挖掘、结果展示。数据获取就是对数据挖掘的数据源进行搜集整理，这是数据挖掘工作的基础。预处理是在数据挖掘之前做的准备工作，为数据挖掘提供符合要求的数据，包括数据清洗、数据集成、数据选择和数据变换等。数据挖掘就是对经过预处理的数据通过各种数据挖掘算法进行挖掘，找到有用信息。结果展示，就是将数据挖掘得到的结果通过可视化的方法展示给用户。一般为了提高结果的可靠性与可信度，会用多种算法对数据源进行挖掘，将不同的结果进行对比，供用户参考。
2.3数据挖掘的功能
　 数据挖掘的功能主要表现为五点：趋势和行为预测、关联分析、聚类分析、概念描述、偏差检测。趋势和行为预测是指通过对某一事件或行为的以往数据信息进行挖掘，可以对未来趋势做出预测，一些证券类软件都属此类应用，比如炒股软件。关联分析是指在数据库中对两个或多个变量的取值进行挖掘，找到它们之间隐藏的关联。关联分析最有名的案例就是超市中尿布与啤酒的摆放，有一个超市通过关联分析发现尿布与啤酒的销量存在关联，因此将尿布与啤酒及一些佐酒食品摆放得很近，进一步提高了销售成绩。聚类分析是指将数据库中的记录划分为一系列有意义的子集，增强人们对客观现实的认识，以便进行下一步的概念描述和偏差分析。概念描述是指对某类对象的实质进行描述，概括这类对象的有关特征。描述可分为特征性描述与区别性描述，特征性描述是对该类对象的共同特征的描述，区别性描述是对该类不同对象之间区别的描述。偏差检测是指寻找观测结果与参照值之间有意义的差别，如分类中的反常实例、不满足规则的特例、观测结果与模型预测值的偏差等。
3. 数据挖掘在公安情报分析中的应用
　 数据挖掘与公安情报分析工作其实从本质上来讲基本是一样的，因此在现有的公安情报分析基础上建立数据挖掘系统是一件相当容易的事，最重要的改变其实就是数据挖掘算法的运用。数据挖掘有各种不同的算法，每一种算法都会适应某种数据类型，但还没有可以适应所有数据类型的算法。在实际应用当中，由于数据类型的多样性，需要我们根据具体情况进行综合考虑，采用多种算法对数据进行挖掘。算法是数据挖掘的灵魂，只有合适的算法才能达到最佳挖掘效果，为了追求挖掘目标的准确性与可靠性，我们可以对现有算法进行改进，甚至创造新的算法。目前在公安情报中使用较多的挖掘算法主要有两种，决策树算法与关联规则算法。
3.1决策树算法的应用
　 决策树算法是利用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。树的每个内部节点表示在一个属性上的测试，每个分枝表示一个测试输出，而每个树叶节点代表类或类分布。在树构造（归纳）时，需要使用剪枝来检测和剪去训练数据中的噪声和孤立点，从而提高在未知数据上分类的准确性。
　 决策树算法的最经典应用是在群体性事件的分析上。通过决策树算法对群体性事件进行分类与预测，我们可以分三个步骤进行：数据预处理、构造决策树、决策树分析。数据预处理我们前面已经讲过，就是数据挖掘之前的准备工作，在这里具体是指从公安信息系统中获取相关数据，并对记录当中的敏感属性进行选择，形成数据挖掘的数据源。数据可以仅包含用于描述群体性事件的部分项目内容，这样构造出的决策树比较简单直观。构造决策树，根据决策树算法，决策树的每个内部节点（非叶）表示一个属性上的测试，每个叶节点表示一个类别，在这里类别为群体性事件的表现形式，由于涉事主体在属性中具有最高信息增益，它被选为测试属性。创建一个节点，用涉事主体标记，并对于每个属性值，引出一个分枝。所有样本根据上面描述的决策树算法划分，最终形成决策树。决策树分析，我们可以对群体性事件的很多苗头信息提取相关的属性，根据决策树模型对它最有可能的表现形式进行判断，公安机关就可以根据判断结果提前做好防范工作，最大可能地防止群体性事件的发生及其造成的恶劣影响。
3.2关联规则算法的应用
　 关联规则指的是数据库中两个或多个变量的取值之间暗含的某种规律性。支持度是对关联规则重要性的衡量，置信度是对关联规则准确度的衡量。以挖掘关联规则为目的的挖掘过程一般都包含两个阶段，第一阶段必须先从资料集合中找出所有的高频项目组，即 找到那些项目组，它们出现的频率相对于所有记录而言，达到或超过所设定的最小支持度。第二阶段再由这些高频项目组中产生关联规则，保证应用该规则所求得结果可以达到最小置信度。
　 关联规则在公安情报分析中的最典型应用是对犯罪行为规律性的挖掘，犯罪行为分析是一门综合性的学科，包含了心理学、行为学、法学等多种理论知识，数据挖掘中的关联规则算法正适用于对犯罪规律性的挖掘。挖掘过程可以选择全国违法犯罪信息数据库或特定违法犯罪信息数据库、侦查情报资料数据库为挖掘对象，结合挖掘任务，改进挖掘算法，很有可能发现犯罪活动中作案手法、地点、受害对象、时间等某些方面的关联规律性，从而揭示有实际意义的犯罪活动规律，为日后制定科学的侦查策略以及防范打击犯罪活动提供指导。
　 关联规则还可以应用在预警机制当中，尤其是对新型犯罪发展趋势进行预测。随着社会的发展，各种新型犯罪不断出现，虽然新型犯罪与传统犯罪有所区别，但主要区别在于犯罪领域与犯罪手法的不同，两者在案发整体趋势上还是存在着一定的相似性。我们可以将传统犯罪趋势做为研究对像，通过数据挖掘，找到其内在的规律，提前遏制或在其达到顶点前针对性地制定相应防控机制，抑制新型犯罪的增长。
4. 结语
　 公安情报分析工作中，不仅对情报数量要求最大化，对时效的要求也是极高的，数据挖掘可以为我们在有限时间内得到可靠情报且及时做出决策，提供强有力的支持与帮助。同时数据挖掘做为一种对信息进行挖掘分析的手段，与公安部门的情报分析工作有着天衣无缝般的契合度，因此公安部门可以很方便地将数据挖掘运用到情报分析工作当中。数据挖掘在公安情报分析工作中的应用已经成为必然趋势，而且随着数据挖掘技术的不断发展与各种新的数据挖掘算法的不断出现，将会在公安情报分析工作当中发挥更大的作用。
参考文献：
[1]王燕，徐宏斌. 数据挖掘决策树在公安情报分析中的应用研究[J].现代计算机，2012，03：17-19.
[2]刘秀如. 基于粗糙集理论在公安工作中的研究[J].信息网络安全，2011，06：77-79.
[3]卜庆珍. 数据挖掘技术在情报分析与服务中的应用研究[J].科技情报开发与经济，2009，08：71-73.
[4]庄海燕，陈文静. 数据挖掘中关联规则在公安信息中的应用[J].信息与电脑，2010，04：196.
[5]李静. 数据挖掘技术在公安技侦工作中的应用[J].企业科技与发展，2011，08：22-23.