情报建模在公安情报工作中的应用

　中文摘要

本文以如何在公安工作中构建情报模型为主要研究内容，首先分析了情报建模对公安工作 的价值，探讨如何在公安信息化建设背景下通过情报建模增强情报产品的输出能力，其次在公安工作具体开展的案件信息情况、人员信息等应用领域探讨通过情报建模如何深层次挖掘、关联信息，进而辅助确定侦查范围，如何充分发挥情报资源的优势和效应，进行更多维度的情报资源整合，充分发挥情报资源的优势和效应，应当进行更多维度的整合情报资源与情报实时高效共享输出具有针对性、苗头性的高质量情报产品接着探究大数据背景下情报建模与人工智能相结合的发展方向以及犯罪新形势下如何发挥情报建模的战斗力。

关键词：情报模型 建模研究 高危人群 大数据 情报分析

　　一、引言

研究背景及意义：在社会信息快速发展的时代背景下，海量信息与信息处理能力不足的矛盾日益凸显，在前期的情报建模工作中，大量汇集的信息想要得到情报产品，主要依靠专职的情报分析员按照建模步骤进行假设、推理、调用各类信息资源、软件工具开展情报建模和分析，可是随着“信息爆炸”时代的到来，公安机关所面临的信息总量必然进一步增长，而且其增长速度在未来必然会大大超过分析员的数量的增长速度，这也成为了制约情报建模发展的瓶颈，为此公安机关必须大量引进数据挖掘、数据建模、机器学习等计算机技术来辅助情报民警进行建模，以确保信息量增长与建模速度增长的同步和平衡。本文对情报建模在大数据坏境下的公安工作应用情况进行研究，分析情报建模的优点和适用性，改进情报建模的途径，梳理情报建模在辅助公安情报决策和犯罪预防中存在的问题，探索情报建模的新模式，以期为提高我国情报建模理论和应用提供理论、方法，为奋战在一线的情报建模民警提供帮助，促进情报建模更好地服务于智慧公安的建设提供参考，具有重大的理论和现实意义。

国内外研究状况和发展趋势从本课题目前搜集到的资料来看，众多公安情报学领域的专家学者对情报建模进行了多方面的研究，这些研究以第五次信息革命浪潮为契机，研究数据、信息以及情报之间的关联关系，从情报分析的视角解析情报建模的原理，提出了计算型情报建模和新的情报分析模型——数据框架模型，以“任务”“方法”“数据”三要素为起点，情报模型构建为落脚点。

当前情报建模研究的趋势分为理论型研究和实证性研究，前者致力于通过数据分析与挖掘、数据可视化为情报建模提供理论支撑，后者通过研究软件工具为情报建模提供技术支撑。

论文的主要内容和方法本文主要围绕公安情报与建模相结合的必要性与理论可行性、情报建模在公安工作中优势、情报建模在具体开展公安工作中的应用领域、未来情报建模在公安情报工作中的发展发向四个方面展开论述。本文研究方法选用三种，第一种是以文献研究法方式从情报模型构建角度出发，了解近年来国内外情报建模相关理论研究，对以往理论研究结果进行比较和整理，并以此为基础，确立出本文所要的研究方向和分析的侧重点。第二种是运用案例分析法，选取近年来通过情报建模取得重大成就的实战案例，针对典型案例情况进行细致入微的深入分析。第三种是理论分析法，应用公安情报学、社会学、数据建模、模型构建、情报分析等方法，对情报建模在公安工作中的应用进行深入研究。

　二、公安情报与建模相结合的必要性与理论可行性

　　（一）建模概述

公安情报建模是指情报工作人员通过对各警种各部门上传的海量信息进行挖掘和统计分析，运用归纳思维和演绎推理，适当借助计算机技术来获得靠直观感觉和经验无法察觉的规律和特点，并将信息分析结果清晰化展示，达到便于观察的目的。

情报建模具有以下三个特性

1：被动性。情报建模的内容取决于某个时空范围内情报人员所能获得最大数据的集合，情报人员再依据所要完成的任务从数据中提取所需要的，既包括已经储存在信息系统中的案件、人员等信息，也包括未录入信息系统的纸质资料数据。

2：主观能动性：情报建模是一种有意识有目的的活动，这个过程既包含着情报分析员的感性认识也包含着大量的数学运算，不同的情报分析员在相同的数据库中选取数据不同，选用的建模工具不同 ，搭建模型就会不同，这极大考验情报分析员的“内功”。

3：局限性。从战略宏观角度来看，当前国际形势风云变换，科技发展突飞猛进，从战术微观角度来看，犯罪分子的犯罪手段层出不穷，若依靠历史数据进行建模，会出现参考价值较弱和误判的情况，建模得出的结论并不能保证百分之百的准确，错误率会保持在一定的程度内。

情报建模分类

基于建模所用工具、软件、平台不同，分为公安情报平台建模和公开软件建模目前，从公安部到各级公安机关都有自己权属的大数据平台和警务云平台，里面由管理员事先建立好一部典型模型，情报分析员并不需要掌握较高的计算机技巧，只需经过简单的培训懂得操作流程，便可结合自己办案经验，通过鼠标操作便可得到所需要的模型。以山西省公安厅为例，2020年山西省公安厅与人民数据、云时代举行大数据战略 合作签约仪式，此次合作内容之一就是为山西省情报中心探索搭建情报应用模型的新技术新路径，将大数据思维和技术赋能情报建模工作，实现建模的精确化、科学化、智能化。

公开软件建模较为常用软件如下：

1：Excel，优点是较为常用，操作较为简单，通过函数和图表能够完成基本的数据分析和可视化。

2：SPSS：SPSS是专业的统计软件，数据分析手段专业化，统计模型和可视化模型丰富。

3：XMIND：基层情报工作较为常用的思维导图软件，和Excel、SPSS不同，XMIND并不用于进行数据分析，而是服务于绘制思维导图，常常用于情报计划、决策

4：IBM-I2：IBM-I2具备强大的数据图示化能力，可以体现人与人，人与事，事与事之间的关系，是一款性能非常强大的情报分析软件，但是该软件操作较为复杂，需要经过系统的学习才能熟练使用。

基于建模侧重点的不同，情报建模可分为基于关系的情报建模、基于内容的情报建模和关系+内容的综合情报建模三类。

基于内容的情报建模一般是最大限度地利用已掌握的信息内容，提取出有用的信息后，建立模型关联或延伸出相应的事实。

以最常用的流程模型为例，情报民警在搜集到情报后，根据案情的需要按照“什么人在什么时间什么地方做了什么事”的思维逻辑从搜集到的材料中提取相应的要素，借助图形来表示要素的转移、变化规律。

基于关系的情报建模一般是用来分析人与人、人与组织、组织与组织之间的关系

以最常用的矩阵+关联图模型为例，

图例解释：

黑圆：已确认的关系（表示有可靠的情报信息显示两者之间有确认的某种关系

白圆：表示两者的关系不能确认

（➕）：已确认的某组织的参与人

（➖）：尚未确认某人参与某组织

矩阵建立完毕后，根据矩阵模型建立关系图模型，用来说明实体要素之间关系，关系图模型中用圆圈代表人物，方框代表公司、帮派、社团等组织，圆圈与圆圈，方框与方框、圆圈与方框之间的关系通过线条来表示，实现表示关系已经证实，虚线为未被证实的关系。

（二）建模针对公安情报工作的系统框架

情报建模有着自身的前提和假定，即情报建模的底层逻辑，也可以称作建模所要遵守的法则，各式各样的模型都是建立在这些逻辑之上，拿破仑有句名言，这个世界上有两种决定性的力量，刀枪和思想，从最长久的效果来看，思想决定刀枪。在公安情报工作中，“刀枪”就是各式各样的模型，“思想”就是我们建模所需要遵循的根本逻辑以及建模所要应用的根本法则，也是建模的系统框架。

1：独木难撑法则——单条信息/数据无法自证其相关性和使用价值。

信息/数据的相关性和意义是由情报工作人员同时占有的其他信息决定的，只有一条以上的信息存在时，才能进行建模进和计算分析。只有多条信息存在时，才能彼此相互印证其使用价值。

2：假设法则——假设是建模的前提。

任何成功的情报模型均出自正确的假设，假设是情报建模和简单的信息整理的分水岭，缺乏了假设和构想，建模就只能停留在简单的信息罗列和文字堆积的肤浅层面，信息再多也不会构建一个有用的模型，正是假设，构建了模型，实现了信息到情报的跳跃。

3：贝叶斯定律法则——如果一系列证据都支持某一假设，且这些证据对该假设的支持程度相同，则随着证据数量的增加，该假设的发生概率呈减速上升态势，且无限趋近于100％。

4：六度分离定律法则——大世界，小模型

六度分离是一种社会学理论，该理论认为，地球上任何两个人都可以最多通过5个人建立联系。将该理论应用到情报建模中即为可以通过有限的几个节点找到所需要的任意信息片段，情报建模的一个重要任务是通过一个信息片段寻找另一个信息片段，或者将看似不相关的信息片段进行连线。由于世界的普遍联系，两个信息片段之间必然可以通过有限的几个节点建立联系，

5：信息筛选法则——工作量和筛选目的相匹配

情报建模的一项工作是从海量的信息中筛选有价值的信息片段，在筛选过程中就必须设定筛选条件，过滤信息，当筛选规则设定的较为宽松时，稍微有疑点的地方就要引起情报建模人员的注意，这样会减少遗漏的可能性，但同时又会增加工作量，把大量貌似有用的信息筛选进来，反之，当筛选规则较为严格时，情报建模人员工作量会减少，但这同时会把更多的有价值的对象排除在外，因此，信息筛选宽松和严格就像天平两侧，砝码在情报建模人员手中，这需要具体模型具体分析，尽可能达到一种信息筛选和工作量平衡的状态。

（三）情报建模在公安情报分析中的应用价值

1：情报建模体现了数学方法的应用。情报分析离不开情报分析员的直觉，但并不是以纯粹的经验和感觉为依据，而是对复杂、大量的公安业务数据抽丝剥茧，通过数学方法建模可以揭示出许多依靠人脑判断无法发现的规律和特点，通过现有的强大的计算机计算软件，情报分析员只要掌握建模原理和建模方法就可以灵活处理数据，得到想要的情报产品。

　三、情报建模在公安工作中的优势

　　（一）情报建模有利于情报搜集成果可视化

例如利用SWOT法进行情报分析矩阵建模可以辅助公安工作中全局性、高层次的宏观谋划，在公安情报中，SWOT建模是指将情报民警所要研究对象密切关联的各种主要的内部优势因素、劣势因素以及外部机会因素、威胁因素，通过调查分析并依照一定的次序按矩阵的形式排列起来，然后运用系统分析的思想把各种因素相互匹配加以分析，从中得出结论，为提高公安机关在某项工作的工作效率提出建议。

SWOT建模如图所示

（二）情报建模增强情报分析科学性

在公安情报工作中，情报人员通过专业的分析，向决策者提供各种可能假设的发生概率，这种精确定量的概率估算就是通过采用正规的情报建模对信息进行加工和处理，不仅可以精算计算出各种假设的发生概率，而且可以把大量的信息通过计算和可视化融合成高质量的情报结论，可以说情报建模是情报分析人员必不可少的一把“利器”。

　（三）情报建模提高公安情报工作效率

目前，“信息爆炸”对于公安民警来说已是深有体会，今天的违法犯罪分子行踪无论多么隐蔽，也不可避免地会在成千上万的公安、通讯、银行等数据库中留下数据，信息超载与分析能力不足的矛盾造成了当前公安工作中的一系列问题。

　四、情报建模在具体开展公安工作中的应用领域

　　（一）情报建模中人员信息情况分析应用

高危人群建模,主要是收集那些具有犯罪可能性人的高危特征及特征值,对识别和管控高危人群给予指导性意见,使公安部门决策判断更加有效准确。

本文采用的高危人群建模方法为朴素贝叶斯分类建模，主要步骤为抽取某一人口数据库，设定评估指标，确定高危等级，

为提高高危人群建模准确度，需要根据常识或者建模经验过滤噪声数据，在数据预处理阶段删除部分信息, 减少基础数据量，例如，10岁以下的儿童和70周岁的老年基本没有再违法犯罪的可能性，这部分人员的数据可以过滤掉，再例如从事公务员、国企等职业的人群，受教育程度较高，也不具备再次违法犯罪可能性，因此，也可以考虑作为噪声数据过滤掉，以上例子仅作为一种假设，在实际工作中不一定完全适用，同时，过滤噪声数据时不一定为满足单一条件，更普遍的情况是同时满足几种条件

下表是描述高危人群建模分类过程的数据样本数据，包括20条样本数据，每条数据包含6种属性：犯罪史、年龄、居住情况、就业情况、性别、高危等级。前五种属性是人员基本属性，通过人口数据库或者实地走访调查获得，最后一种属性是得到的该人员的高危等级，高危等级的划分依据本地情报部门研讨论证确定，确保具有普适性，本文仅讨论理论方法，表1中的数据完全随机构建，分类结果可能与实际情况不吻合。

在计算不同高危属性条件概率之前需要讲所有的连续属性进行离散化处理，以表1中的数据为例，要将年龄这一连续属性转换为序数离散属性，[20, 30) 岁设为青年, [30, 60) 岁设为中壮年, 60岁及以上设为老年。

在连续属性离散化和数据归约完成后, 计算高危等级为1的条件概率。如表所示, 所有高危等级为1的数据共4条, 所以P (高危等级=1) =4/20=1/5, 显然P (高危等级=2) =4/20, P (高危等级=3) =7/20。在高危等级为1的条件下, 违反治安管理处罚法的数据有3条, 则P (犯罪史=违反治安管理处罚法|高危等级=1) =3/4

所有初始条件概率如表3所示

根据基础数据计算不同高危人员的条件概率后，即可判断待分类人员的高危属性，例如判定人员A的属性信息为“未成年时期违法被定罪，28岁，单租，无业”，分别计算三种类别的条件概率，判定概率较大的类别：

P(高危等级=0|A)=P(犯罪史=未成年时期违法被定罪|高危等级=0)* P（年龄层=青年|高危等级=0）*P（居住情况=单租|高危等级=0）*P（就业情况=无业|高危等级=0）=0P(高危等级=1|A)=P(犯罪史=未成年时期违法被定罪|高危等级=1)* P（年龄层=青年|高危等级=1）*P（居住情况=单租|高危等级=1）*P（就业情况=无业|高危等级=1）=1/256≈0.0039P(高危等级=2|A)=P(犯罪史=未成年时期违法被定罪|高危等级=2)* P（年龄层=青年|高危等级=2）*P（居住情况=单租|高危等级=2）*P（就业情况=无业|高危等级=2）=0P(高危等级=3|A)=P(犯罪史=未成年时期违法被定罪|高危等级=3)* P（年龄层=青年|高危等级=3）*P（居住情况=单租|高危等级=3）*P（就业情况=无业|高危等级=3）=0P(高危等级=4|A)=P(犯罪史=未成年时期违法被定罪|高危等级=4)* P（年龄层=青年|高危等级=4）*P（居住情况=单租|高危等级=4）*P（就业情况=无业|高危等级=4）=0

（二）情报建模中案件案情情况分析应用

数据碰撞就是从涉案的“人员信息、作案时间、作案场所、被害人情况、被物品情况、作案手段、作案特点、作案工具、作案原因”等信息化要素中, 抽取不同的数据项为碰撞条件, 利用相应软件、锁定嫌疑目标的过程。

数据碰撞的建模原理和应用方法并不复杂, 主要就是抽取数据项即设定数据条件, 在相关的数据集和数据库之间进行碰撞, 产生数据交集之后, 进行人工甄别和进一步查证的过程。数据碰撞建模的关键是如何设定数据条件, 抽取哪些数据集进行碰撞，这需要情报建模人员透过纷繁复杂的案件材料对案例模型进行要素分解与重组, 即在案情分析和有限信息的基础上, 完成对案例模型的构建和信息化侦查要素的抽取;需要情报建模人员根据侦查假设的模糊求证建立碰撞的数据模型, 即抽取数据项、设定数据条件进行碰撞, 在完善和优化数据模型的基础上, 不断拓展要素集、关联数据项、挖掘信息链, 进而丰富信息、打破瓶颈、缩小范围、推进侦查。数据碰撞模型通常采用公式判别碰撞法，这种方法自动化程度较高，以简单的公式逻辑运算和电子数据表格软件排序功能为基础，

数据碰撞建模步骤如图所示

常用数据库如图所示

以通过身份证号碰撞比对为例，某市接连发生数起犯罪案疑人均假冒“法师”谎称被害人家中风水不对，让被害人花钱购买镇宅宝改变风水，并且在看风水过程中骗取、偷取被害人财物，被害人皆反应犯罪嫌疑人口一致，人数在3~4位，情报民警进行串并案件，根据接处警平台“案件类别”，以“诈骗案”、“诈骗手段”为筛选条件，“迷信诈骗”为关键词，进行搜索，发现近两个月同类案件共有15起。民警初步研判为来自同一某一地区的流窜作案、团伙作案，按照这一思路情报民警按照身份证编码规则，从18位变为具体到区县的6位户籍区划码，将前6位身份证相同的人群作为比对条件，调取案发时间段的旅馆住宿人员、出入城车辆车主信息、火车站来往人员信息进行数据碰撞，成功地比对发现上述时间内出现频率最高的户籍区划是xx市xx县。随后情报民警通过警综平台发现共计十多名该户籍区划人员进入所在市旅馆，民警随后将该团伙一网打尽，犯罪嫌疑人对所犯罪行供认不讳。

对上述案例进行总结，数据碰撞建模就是依据人员信息和轨迹碰撞，通过查询目标人物入住旅馆的时间和旅馆名称等信息，将入住时间和地点连线，刻画出目标人物的住宿轨迹，根据案发的时空关系，分析判断目标对象活动轨迹和发案轨迹之间的对应关系，并结合目标任务入住的时间和籍贯等信息，在数据库进行碰撞比对，摸排出有作案嫌疑的人员，进一步破获案件。

数据碰撞建模所依据的原理就是“人过留痕，雁过留声”，建模的目的就是根据已有的数据库找到痕迹，进而找到犯罪嫌疑人。数据碰撞建模常用碰撞模型如下：

一是案件信息与入住高危人员信息比对碰撞。案件信息是指通过梳理、串并案，找到相似的作案手法、作案工具相似的系列案件。在实际工作中，情报大数据平台会发布高危地区人员信息，对于辖区内发生的案件，根据作案要素的高危特征，确定出高危地区人群，再通过旅馆信息系统进行查询比对，排查出案发时段入住本地旅馆的相关高危人群，将发案轨迹与人员活动轨迹进行数据碰撞，找出可疑人员，确认作案对象，捉获破案。

二是案件信息与入住反常人员信息的比对碰撞。入住反常人员是指不按照正常住宿的住宿人员，通常表现为昼伏夜出。

三是犯罪嫌疑人供述的的轨迹与入住信息的比对碰撞。犯罪嫌疑人被抓获后，为逃避打击，往往会故意隐瞒真实活动情况和与之关系密切的人员，在此情况下，通过查询犯罪嫌疑人在不同时间、不同地点的住宿情况和同行入住人员，查清活动轨迹和同行人员，揭破谎言，完善案件证据链。

上述数据碰撞建模也可以对网吧活动人员、暂住人口、往来车辆等开展工作，情报建模人员根据不同案件特有的时空信息，刻画犯罪嫌疑人的活动轨迹，来挖掘案件信息与犯罪嫌疑人轨迹的相互关联性，揭开人与案之间的相互关系。

（三）情报建模中其他专题分析应用

风险识别模型

风险＝风险事件几率×风险事件危害性

上述公式实际上是提供估测风险的方法，在风险识别模型中，风险几率通常分为基本确定、较大可能、有可能、可能性较小、不可能五个等级，用定值赋值法通常采用数值1、0.8、0.5、0.2、0来表明这五个等级，危险性通常分为极高、高、中、低、极低5个级别，用区间数值法，满分 0~10分为极低危险性，10~30分为低危险性，30~60分为中危险性，60~80分为高危险性，80~100分为极高危险性。

通过计算，风险识别模型分为高风险组（80~100），中风险组（50~80），低风险组（10~50），无风险组（0~10）。

风险识别建模的目的是尽力精确地判断不同风险潜在的违法犯罪风险，通过情报搜集得来的信息就行赋值进行定量计算，分析这些行业、地点、场所等不同对象的信息要素和基本特征，在此基础上预测建模对象的风险，根据风险计算值对高风险对象进行重点关注，并且采用相应措施，中等风险对象进行一般关注，对低风险对象备案但并不关注，对超低风险对象则可以忽略，实现情报主导警务的精确打击，精准决策。在风险识别建模中，难点在于识别风险嫌疑特征和确定风险概率等级，通常采用迹象归纳法对要建立风险识别的某一案件的犯罪活动各种迹象进行归纳，该方法是一项日常性操作，需要情报民警在日常工作中例行地开展迹象归纳，不断积累，形成某一类犯罪活动的疑似现象检查表。该表应根据犯罪手段的发展而不断更新。在赋值过程中，则需要参考大量的历史数据，由情报中心集体讨论以确保赋值的准确性。

以某市毒品加工厂风险识别建模为例

某市公安局巡逻民警在一次巡逻中发现，该市郊区一个较大的独栋院落内架有独立的变压器和较粗电线，围墙上有疑似高压电线，房屋四周散布着残留的少量不明液体和塑料瓶，屋内散发出白色烟尘并且有刺激性气味，巡逻民警还发现多辆越野车，巡逻民警迅速将该情况汇报至情报中心，情报搜集组迅速将该情况报告至研判小组，研判小组随即建立毒品加工厂风险识别模型。

该毒品加工厂风险识别模型将迹象分为五类13个要素，总分为100分，情报民警通过先期巡逻民警汇报之后，通过查证其余迹象，得出该毒品加工厂风险识别矩阵如下：

该毒品加工厂的风险系数为93.8，属于高风险，应当重点关注。

五、未来情报建模在公安情报工作中的发展发向

　　（一）大数据与情报建模深度融合的发展方向

当前，公安信息化建设已经取得了阶段性成果，各地公安机关已经构建起高效运行的警务信息平台和情报平台，已经形成以设区的市级公安机关为主的纵向贯通市局-分局-派出所、横向集成刑侦-经侦-禁毒等警种、互联互通、高度共享的信息网络平台，大数据与情报建模融合发展已经成为公安情报部门工作的的重要内容，情报工作以科技建模为主导，有效辅助了决策和工作部署，但是目前也存在一些问题的不足。

一是情报民警建模意识薄弱。目前，情报民警对模型掌握度不够，不能对一堆数据资料、一起案件、一种社会现象产生充分的联想，意识不到这些信息的价值所在，此外情报民警不善于学习使用功能先进的情报建模系统和大数据分析研判工具，情报民警大数据应用水平不高，导致是情报模型应用程度低，利用率不高。随着各地情报大数据平台建设的大力推进，大数据建模工作成效日益凸显，但是大量情报模型处于分散、闲置的状态，在实际工作中，情报模型“不会用”、“不能用”、“不管用”的问题普遍存在。

二是非结构化数据建模能力远低于数据建模。结构化数据是按照特定格式整理的数据，而非结构化数据如视频、声纹、图片等，各种数据格式之间互不兼容，目前全球数据以几何级数增长的，其中75%为非结构化数据，未来非结构化数据会变的越来越重要，二者相辅相成，形成情报建模的两个重要方面

三是缺乏群体性事件预警模型，群体性突发事件成因复杂，关系到广大人民群众的切身利益，关系到党和XX的公信力，目前已有的公安预警系统一般是接处警系统的一个模块，该模块仅仅是统计，即针对以往本地群体性事件

一是要厘清大数据视角下公安情报建模框架，利用大数据挖掘技术突破传统情报建模框架，建立综合利用多种数据源的建模策略，满足现代科技建模的多样性需求。

二是要加强情报人员大数据运用能力，开展专业培训，从原理到各种技术方法的分析进行讲解，开发情报民警的大数据思维和大数据分析的手段和能力。

三是要重视群体性事件的大数据，包括舆情社情、重点人口信息、情报民警应当根据这些信息，建立相关模型，分析信息间的关联关系

（二）犯罪组织化、专业化背景下情报建模的发展方向

当前有组织犯罪不断增多，主要体现在黑社会性质组织犯罪、拐卖妇女儿童有组织化、电信诈骗跨国组织化，在构建有组织犯罪模型中，应当着重从犯罪组织概况（组织的名称、分支；组织成员的数量、组织的结构、地域性、凝聚力；势力范围、主业、发展组织方式）、组织成员（骨干、成员背景、违法犯罪背景）、涉毒涉黑情况、犯罪组织的经营情况（投资、消费、处置犯罪收益的方式）四大要素构造所需模型。

（三）情报建模在情报主导警务理念下的广泛实战化

情报主导警务这一全球性警务改革浪潮，已经成为世界流行的警务理念和警务模式，谁能率先实现情报生产方式的变革，谁就能占领公安工作改革的制高点，情报生产的重要途径便是情报建模，通过大数据赋能，借助日新月异的计算机技术改进原有的利用情报信息的方式，提高情报分析效率，通过人工智能技术构造打击犯罪的情报模型上，进而实现“情报主导警务微行动”，形成精确指挥、精密防范的工作体制，不断增强警务工作的针对性、有效性、预见性。

结语

在信息技术日新月异的现代社会，公安机关加快实施科技强警战略，强力推进智慧公安建设，这无疑是一场深层次的大改革、大发展，强化情报建模的实战应用，运用现代科技的理论和方法对高发性、群体性、突发性犯罪进行科学预测，更好地使之服务于公安中心工作。

致谢

行文至此，意味着我的大学生活即将落幕，始于2018年金秋，终于2023年盛夏，感谢中国刑警学院，把我从一个懵懂的少年培养成一名合格的预备警官，这四年，是我人生中最美好的回忆。

在本文的撰写过程中，老师作为我的指导老师，悉心指导我完成论文，老师严谨的治学态度，精益求精的工作作风对我影响深远，在此，谨向老师表示崇高的敬意和真诚的感谢！

感谢我的爸爸妈妈，他们是我的依靠，养育之恩，无以为报，唯有努力学习，认真工作，不辜负父母对我的殷切期望。

在今后的从警路上，我一定不负学院栽培，不负恩师教诲，为成为警队栋梁之才而奋斗终生！

参考文献

[1]罗立群,李广建,徐敏.面向计算的情报分析模型研究[J].情报科学,2023,39(10):185-193.DOI:10.13833/j.issn.1007-7634.2023.10.026.

[2]商明杰.大数据环境下的警务应急指挥情报分析模型构建研究[J].广州市公安管理干部学院学报,2023,31(02):3-8.

[3]鞠一铭.我国公安情报分析模型的构建——以SECI模型为模板[J].山西省政法管理干部学院学报,2023,34(01):109-112.

[4]于洋,李永江.基于IBM-I2系统的实证性情报建模分析研究[J].湖南警察学院学报,2023,33(01):80-89.

[5]陈增辉,董兆林.基于思维导图的情报体系建模方法研究[J].情报理论与实践,2020,43(02):35-39.DOI:10.16353/j.cnki.1000-7490.2020.02.006.

[6]韩旭,熊鑫.大数据背景下的犯罪情报研判——以PGIS平台为中心的情报体系构建[J].犯罪研究,2019(03):2-15.

[7]朱厚田. 论抢劫案件侦查中情报分析模型的构建[D].中国人民公安大学,2019.

[8]姜楠. 公安合成作战机制中情报分析工作研究[D].中国人民公安大学,2018.

[9]彭知辉.论公安情报分析与大数据分析的融合[J].情报理论与实践,2017,40(10):36-40+73.DOI:10.16353/j.cnki.1000-7490.2017.10.007.

[10]张明旺.基于大数据的公安情报工作研究[J].现代计算机(专业版),2017(07):34-37.

[11]许正. 大湄公河次区域安全机制构建研究[D].苏州大学,2017.

[12]陈鹏,瞿珂,胡啸峰.犯罪情报分析中的数据挖掘应用[J].计算机系统应用,2017,26(02):249-253.DOI:10.15888/j.cnki.csa.005609.

[13]胡军军,潘毅佳,王鹏鹏.基于概念建模的情报分析方法[J].指挥控制与仿真,2016,38(05):32-35.

[14]张明旺.大数据环境下情报主导警务模式研究[J].北京警察学院学报,2016(03):49-53.DOI:10.16478/j.cnki.jbjpc.20160606.016.

[15]李俊莉, 大数据视角公安情报分析研究. 河南省,河南警察学院,2015-11-01.

[16]张浩鑫.实现情报研判建模智能化、流程化、平台化、标准化的初步思考[J]中国刑警学院学报,2012(03):18-20.DOI:10.14060/j.cnki.zgxjxyxb.2012.03.022

情报建模在公安情报工作中的应用

价格 ¥9.90 发布时间 2022年12月12日

下载查看全文内容

已付费？登录 或 刷新