研究背景

对刑满释放、涉毒等重点人员进行监控并发现其潜在的犯罪行为，是公安预警工作中的重要内容。然而，通过视频监控只能确定目标的当前位置，无法判断其下一步行进路线，且犯罪人具有反侦查意识，极易避开公安监控点，从而导致目标丢失。

现有研究局限

  • 多聚焦于犯罪人的出行模式和目的地选择偏好
  • 对犯罪出行路线的分析预警研究尚显不足
  • 难以支撑重点人员向敏感区域靠近时的路线预判

研究目标

  • 从犯罪人的隐蔽性认知出发分析出行路线
  • 构建兼顾暴露风险和通行成本的路线分析模型
  • 为公安预警工作提供精细化技术支撑

隐蔽性认知下的出行原则

暴露风险最低原则

犯罪人主要基于巡逻警察、监控、人流等各种城市感知元素的分布，衡量道路给自身带来的暴露风险。

危险感知元素：

巡逻警察 监控 派出所

安全感知元素：

公园 商超 人流密集区

通行成本最低原则

犯罪人在选择路线时，除了考虑低暴露风险，还会选择通行成本较低的道路，通常从选择度高低、路程长短等角度衡量道路的通行成本。

选择度：

空间系统中某一元素作为两个节点之间最短拓扑距离的频率，反映了空间被穿行的可能性。

路程：

较短的路程帮助犯罪人尽可能减少在公共区域的停留，尽快到达目的地实施违法犯罪。

研究方法

1 道路的犯罪选择度计算

道路的犯罪选择度是指犯罪人在一定的感知范围内，通过评估"暴露风险最低"和"通行成本最低"，选择某条道路出行的频率。

计算公式：

W(R) = ∑(αⱼ⋅Nⱼ)  (j=1→n)

M(Rₓ, r) = ∑∑[OD(Rₓ, R_y, R_z)⋅W(R_z)P(R_z)/totalweight(R_y)]  (R_y, R_z ∈ R_r)

其中：Nⱼ表示影响犯罪出行的城市感知元素；αⱼ表示Nⱼ的风险感知权重；R_r为犯罪人感知半径r中除已走过道路外其他道路的集合。

2 犯罪出行路线计算

在局部道路最优的基础上，对A*算法进行改进，分析犯罪人的整体最优犯罪出行路线。

代价函数

采用已通行的路线长度作为代价函数：

∑ len(Rᵢ) (i=1→n)

启发式函数

采用感知范围内的道路犯罪选择度作为启发式函数：

1/Max[M(R_{n+1}), M(R_{n+2}), ..., M(R_{n+m})]

犯罪出行路线计算函数：

F = ∑ len(Rᵢ) + 1/Max[M(R_{n+1}), M(R_{n+2}), ..., M(R_{n+m})]  (i=1→n)

实验与分析

城市道路的犯罪选择度分布

以X市为例，分析其城市道路的犯罪选择度分布，从而为识别城市的潜在犯罪出行道路提供辅助决策。

X市道路暴露风险分布

图1 X市道路暴露风险分布

X市道路的犯罪选择度分布

图2 X市道路的犯罪选择度分布

实验数据

  • 危险感知元素：派出所、巡逻警察、检查卡口和监控位置数据
  • 安全感知元素：公园、广场以及大型商超位置数据
  • 基于专家打分确定不同元素的风险感知权重
  • 犯罪人的感知范围设定为100m

面向个体的犯罪出行路线分析

以X市某次重大事件的安保活动为背景，针对某一重点监控人员的犯罪预防案例进行分析。

犯罪出行路线

图3 犯罪出行路线

表1 三条路线的指标对比

方法及结果 路线长度/km 道路的犯罪选择度 危险感知元素/个 安全感知元素/个
最短路径方法(C) 3.1 总和:186
平均值:0.06		 派出所:1
巡逻警察:5
检查卡口:3
监控:8		 公园、广场:3
大型商超:4
吸引点算法(D) 5.9 总和:1534
平均值:0.26		 派出所:2
巡逻警察:5
检查卡口:0
监控:14		 公园、广场:3
大型商超:7
本文方法(B) 4.3 总和:602
平均值:0.14		 派出所:1
巡逻警察:3
检查卡口:0
监控:8		 公园、广场:6
大型商超:9
三条路线的犯罪选择度、城市感知元素分布

图4 三条路线的犯罪选择度、城市感知元素分布

实验结果分析

最短路径方法(C)：长度最短，但道路的犯罪选择度总和、平均值均最低。优先选择主干道、快速路通行，没有考虑暴露风险，不满足隐蔽性认知下的暴露风险最低原则。

吸引点算法(D)：犯罪选择度总和、平均值均最高。仅考虑吸引点，即选择安全感知元素多、防范薄弱的道路通行，但通行路线长度较大，增加了通行成本。

本文方法(B)：同时考虑暴露风险最低和通行成本最低，路线长度、犯罪选择度均居中。避开巡逻警察、检查卡口等危险感知元素，选择安全感知元素多、通行成本低的道路通过，更符合犯罪人的实际出行状态。

研究结论

主要贡献

  • 将犯罪人的出行规律总结为隐蔽性认知，采用选择度模型和启发式算法平衡了犯罪人出行时的距离成本和暴露风险
  • 通过地理信息、时空分析的方式量化、实现犯罪出行路线分析
  • 分析城市道路的暴露风险和犯罪选择度可以为公安的整体巡逻、安保资源调配提供参考

实践意义

  • 本文方法计算的犯罪出行路线更符合犯罪人的隐蔽性认知和出行规律
  • 能够为个体犯罪防控提供精细化技术指导
  • 增强公安部门对特定犯罪人预防、处置工作的能力

未来展望

  • 研究不同犯罪类型的出行路线间的异同
  • 探索混合出行方式给犯罪出行路线带来的变化
  • 优化模型参数以提高预测准确性