一种智能串并案分析方法及系统与流程

本发明涉及公安案件分析技术领域，具体而言，涉及一种智能串并案分析方法及系统。

背景技术：

当前，刑事犯罪斗争的形势十分严峻，刑事案件发案不断上升，犯罪活动的显著特点是流窜性和系列性案件比较突出。犯罪分子采用跨区域、跳跃式、大范围流窜的方法进行作案，犯罪手段日趋狡猾，暴力性更明显，时空跨度更大，且智能化、技术型团伙作案有向深层方向发展趋势。针对犯罪流窜性、系列性的特点，应强化串并案件工作，进行串并案件的侦查。

串并案分析是刑侦工作的一个重要的侦查手段，所谓的串并案分析是指通过对案件的作案手段、痕迹、物证等进行综合分析，将存在一定联系的案件结合到一起进行合并侦破的侦查方法。通过串并案可以获取更多的案件信息，对系列性、连续性、多发性以及职业性犯罪案件的侦破具有极大的作用。串并案件有利于加强跨地区刑侦合作，共享犯罪信息资源，有利于获取各种犯罪证据、深挖余罪、预防犯罪。串并案件的主要方法有：以案串案，以人串案，以物串案，以案件性质串案。

传统方法中通常需要侦查人员从以往的案件数据库中进行人工串并案分析，然而，由于犯罪案件的不断增加，公安信息系统里存储的案件数据量极其庞大，此外，一些无效的冗余信息也会出现，侦查人员想要从公安信息系统中通过人工的方式找到跟案件相关的案件，困难程度是可想而知的，这就导致了人力的增加，效率的下降。基于原有公安信息系统的串并案方法，往往会导致最终的串并案分析不够全面，且不够及时准确，例如应该进行串并的案件没有串并或及时串并，从而贻误了破案时机，严重的还会造成犯案人员连续作案，成为惯犯，给公民造成恐慌害怕，而严重影响社会的和谐稳定。

技术实现要素：

有鉴于此，本发明的目的在于提供一种智能串并案分析方法及系统，以解决现有技术中串并案分析时需要侦查人员从公安信息系统中人工分析查找导致的费时费力、效率低下的问题，能够提高串并案分析效率和准确率。

第一方面，本发明实施例提供了一种智能串并案分析方法，所述方法包括以下步骤：

基于公安刑侦数据库建立案件特征数据仓库；

基于所述案件特征数据仓库通过机器学习生成串并案分析模型；

利用所述串并案分析模型对未破案件进行分析，生成类案列表。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述方法还包括以下步骤：

基于公安前科人员数据库建立高危人群数据库。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述方法还包括以下步骤：

基于轨迹信息建立人员活动轨迹数据库。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述方法还包括以下步骤：

从所述高危人群数据库中调取高危人群数据；

从所述人员活动轨迹数据库中调取轨迹数据；

利用所述高危人群数据和所述轨迹数据对类案列表进行数据分析，生成串并案列表。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，

所述轨迹信息包括电子围栏轨迹、上网轨迹、住宿轨迹、消费轨迹、公共交通出行轨迹。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述机器学习具体包括以下步骤：

选择训练经验；

选择目标函数；

选择目标函数的表示形式；

选择函数逼近算法。

本发明实施例提供了一种智能串并案分析方法，通过建立基于公安刑侦数据库的案件特征数据仓库，作为数据支持。基于案件特征数据仓库通过机器学习，分析已破串并案件的特征，生成串并案分析模型，并可以在用户的实际使用中不断更新、完善，最后利用串并案分析模型对未破案件进行分析，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。从而解决了现有技术中串并案分析时需要侦查人员从公安信息系统中人工分析查找导致的费时费力、效率低下的问题，提高了串并案分析效率和准确率、降低遗漏率。

第二方面，本发明实施例提供了一种智能串并案分析系统，包括：

数据集成模块，用于基于公安刑侦数据库建立案件特征数据仓库；

机器学习模块，用于基于所述案件特征数据仓库通过机器学习生成串并案分析模型；

类案生成模块，用于利用所述串并案分析模型对未破案件进行分析，生成类案列表。

结合第二方面，发明实施例提供了第二方面的第一种可能的实施方式，其中，该智能串并案分析系统还包括：

轨迹分析模块，用于基于轨迹信息建立人员活动轨迹数据库；

高危人群生成模块，用于基于公安前科人员数据库建立高危人群数据库。

结合第二方面，发明实施例提供了第二方面的第二种可能的实施方式，其中，该智能串并案分析系统还包括：

数据接入模块，用于从所述人员活动轨迹数据库、所述高危人群数据库中分别调取人员轨迹数据、高危人群数据；

分析模块，用于利用所述高危人群数据和所述轨迹数据对类案列表进行数据分析，生成串并案列表。

结合第二方面，发明实施例提供了第二方面的第三种可能的实施方式，其中，

所述轨迹信息包括电子围栏轨迹、上网轨迹、住宿轨迹、消费轨迹、公共交通出行轨迹。

本发明实施例提供了一种智能串并案分析系统，包括数据集成模块、机器学习模块和类案生成模块，其中，数据集成模块用于基于公安刑侦数据库建立案件特征数据仓库，机器学习模块用于基于案件特征数据仓库通过机器学习生成串并案分析模型，类案生成模块用于利用串并案分

析模型对未破案件进行分析，生成类案列表。通过建立案件特征数据仓库，作为数据支持，然后基于案件特征数据仓库通过机器学习，分析已破串并案件的特征，生成串并案分析模型，并可以在用户的实际使用中不断更新、完善，最后利用串并案分析模型对未破案件进行分析，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。从而解决了现有技术中串并案分析时需要侦查人员从公安信息系统中人工分析查找导致的费时费力、效率低下的问题，提高了串并案分析效率和准确率。

本发明的其他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。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例所提供的一种智能串并案分析方法的流程图；

图2示出了本发明实施例所提供的一种智能串并案分析方法中机器学习的流程图；

图3示出了本发明实施例所提供的一种智能串并案分析系统的结构框架图。

图示说明：

301-数据集成模块，302-机器学习模块，303-类案生成模块

304-轨迹分析模块，305-高危人群生成模块

306-数据接入模块，307-分析模块

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

串并案分析是案件侦破过程中的一个重要环节，对系列性案件、多发性案件、职业性犯罪进行串联合并，能够减少重复侦查，节约侦查的人力、物力、财力资源。把个案中的线索、证据叠加在一起，串联出一条完整的线索链，合并组织侦查，可以实现侦破一起案件而破获全部被串并的的所有案件。串并案侦查工作模式由发现串并案案源、确认并案、开展侦查三阶段组成。对于同一个犯罪主体来说，在其连续作案的过程中，其作案方法、手段会表现出相对稳定性。作案方法、手段的相对稳定性，能够反映出其所在各个案件的内在联系，代表着其的犯罪活动规律与特点。发现、认识这一规律的过程就是侦查部门串联并案的过程，即对一系列案件做同一性认定的过程，是发现串并案源与确定并案案件的基础。

目前，现有串并案分析技术，是通过人为指定案件特点，在多个数据库中逐步搜集类似案件信息，人工对类似案件信息进行整合，然后对大量的类似案件，依次进行案件信息分析和轨迹分析来判断。也就是说，现有的公安串并案工作主要依赖重复性人工分析，效率低下。这种串并案分析模式工作量大，人工分析成本高、耗时久、效率低，难于应对信息化时代的发展要求。此外，这种传统串并案分析模式影响到破案的速度和效率的同时，随着分析人员的工作量加大，分析人员的疲劳程度增加，分析的准确性也会受到影响，往往会导致分析不够全面、串并案不及时，应串并案件未能串并或串并不及时串并，从而贻误破案时机，致使系列案件、刑事案件连续发生，导致严重后果。

基于此，本发明实施例提供的一种智能串并案分析方法及系统，可以解决现有串并案分析模式中人工分析导致的费时费力、效率低下的问题，能够提高串并案分析效率和准确率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种串并案分析方法进行详细介绍，

图1为本发明实施例提供的一种智能串并案分析方法的流程图。

参照图1，该方法包括如下步骤：

步骤S102，基于公安刑侦数据库建立案件特征数据仓库。

具体地，建立基于大数据的案件特征数据仓库，将公安刑侦数据库的数据通过数据仓库技术(Extract-Transform-Load，简称ETL)抽取到案件特征数据仓库中，作为数据支持。数据仓库(Data Warehouse)是一个面向主题的(Subject Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合，用于支持管理决策(Decision Making Support)。

ETL用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。ETL作为构建数据仓库的重要的一个环节，从数据源抽取出所需的数据。具体的，将分布的、异构数据源中的数据，如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。ETL原来主要用于构建数据仓库和商业智能项目，现在也越来越多地应用于一般信息系统数据的迁移、交换和同步。

其中，数据抽取是从源数据源系统抽取目标数据源系统需要的数据。通过接口提取源数据，例如JDBC(Java Data Base Connectivity，Java数据库连接)、专用数据库接口和平面文件提取器，并参照源数据来决定数据的提取及其提取方式；

数据转换将从源数据源获取的数据按照业务需求，转换成目标数据源要求的形式，并对错误、不一致的数据进行清洗和加工；也就是说，开发者将提取的数据，按照业务需要转换为目标数据结构，并实现汇总；

数据加载将转换后的数据装载到目的数据源。加载经转换和汇总的数据到目标数据仓库中，可实现SQL(Structured Query Language，结构化查询语言)或批量加载。ETL常用在数据仓库，但其对象并不限于数据仓库。

在ETL的以上3个环节中，数据抽取直接面对各种分散、异构的数据源，如何保证稳定高效的从这些数据源中提取正确的数据，是ETL设计和实施过程中需要考虑的关键问题之一。数据抽取是根据实际场景来的，一般情况下，首次是全量抽取，后续会根据实际需求来做增量抽取。在集成端进行数据的初始化时，一般需要将数据源端的全部数据装载进来，这时需要进行全量抽取。全量抽取类似于数据迁移或数据复制，它将数据源中的表或视图的数据全部从数据库中抽取出来，转换成自己的ETL工具(如Oracle的Oracle Warehouse Builder，SQL Server的Integration Services)可以识别的格式，再进行后续的加载操作。全量抽取可以使用数据复制、导入或者备份的方式完成，实现机制比较简单。全量抽取完成后，后续的抽取操作只需抽取自上次抽取以来表中新增或修改的数据，这就是增量抽取。目前增量数据抽取中常用的捕获变化数据的方法有：触发器、时间戳、全表对比、日志对比等。ETL实施过程中究竟选择哪种增量抽取机制，要根据实际的数据源系统环境进行决策，需要综合考虑源系统数据库的类型、抽取的数据量(决定对性能要求的苛刻程度)、对源业务系统和数据库的控制能力以及实现难度等各种因素，甚至结合各种不同的增量机制以针对环境不同的数据源系统进行ETL实施。

进一步的是，本实施例中ETL从公安刑侦数据库中抽取的数据包括案件类别(杀人、抢劫、盗窃等)、案件状态(立案、已破案件、未破案件等)、案件特征(现场痕迹、物品等)、人员特征(体貌特征等)，形成案件特征数据仓库。首次使用采用全量抽取方式，当有新的案件产生，需要进行增量抽取，增量抽取方式是以时间或以某个特征来索引来判断所需增量的数据，也就是以时间戳为主，配合其他方式进行增量抽取。

步骤S104，基于案件特征数据仓库通过机器学习生成串并案分析模型。

具体地，基于案件特征数据仓库，通过机器学习，分析已破串并案件的特征，该特征包括：作案手段、作案特点、作案时间、选择地点等特征，生成基于不同作案特征的串并案分析模型，并可以在用户的实际使用中不断更新、完善。也就是说，通过对案件特征数据仓库中的已破案件信息进行机器学习，形成精准、高效、可自动学习完善的串并案分析模型。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习的目的就是让机器具有类似于人类的学习、认识、理解事物的能力。

进一步地是，机器学习包括如图2所示的步骤：

S202：选择训练经验。

具体地，给学习机器提供的训练经验的选择对于系统的成败有着重要的影响。一般来讲，训练经验应该能够直接或者间接的对系统的决策做出一定的反馈，训练经验应该能够在很大程度上控制训练样例的序列；此外，训练经验还应该可以尽可能的对训练样本和测试样本的空间概率分布做出很好的估计。

S204：选择目标函数。

具体地，在给定训练样本和训练经验之后，机器学习问题就简化为一个寻找理想目标函数F(x)的问题。

S206：选择目标函数的表示形式。

具体地，事实上，通过对样本的学习和训练来得到理想的目标函数F(x)是非常困难的，通常我们都希望能够得到一个近似的目标函数来尽量近似逼近理想的目标函数。这里的近似逼近，可以采用二次多项式函数、神经网络等方法来实现。

S208：选择函数逼近算法。

具体地，为了得到近似目标函数，我们根据选择的初始近似目标函数对训练样本的输入进行估计，从而得到训练样本的估计输出，之后，利用估计输出与实际输出之间的误差来进行反馈，通常是进行权值调整。接着，对系统的输入进行重新估计，得到新的输出估计值，重新计算估计值与实际值之间的误差，再次对系统进行反馈，调整权重，依次重复执行直到所有训练样本的总误差小于设定的阈值或者训练次数大于设定的次数。

步骤S106，利用串并案分析模型对未破案件进行分析，生成类案列表。

具体地，利用串并案分析模型对案件特征数据仓库中的未破案件进行分析，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。需要说明的是，串并案分析模型可以自动分析未破案件特征，进行归类分析，生成类案列表，也可以通过外部(侦查人员、情报分析人员、案件组长等一线侦破人员)的检索(如案件特征)操作，生成类案列表。

进一步的是，在使用串并案分析模型分析未破案件，并给出类案列表时，根据外部(侦查人员、情报分析人员、案件组长等一线侦破人员)的实际操作情况，对类案列表的串并分析，分析正确的，由机器学习记录串并案分析模型；分析出现偏差的，由机器学习，不断改进，完善，不断优化串并案分析模型中各个维度的权重比，使该串并案模型进一步接近实际应用。

本发明实施例的智能串并案分析方法，通过建立基于大数据的案件特征数据仓库，将公安刑侦数据库的数据通过ETL的数据抽取，形成案件特征数据仓库中，作为数据支持。基于案件特征数据仓库通过机器学习，分析已破串并案件的特征，生成基于不同作案特征的串并案分析模型，最后利用串并案分析模型对未破案件进行分析，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。该串并案分析模型可以在实际使用过程中通过自动学习不断更新、完善，进一步接近现实应用，帮助公安刑侦人员快速、有效的推荐出可能的串并案，解决了现有技术中串并案分析时需要侦查人员从公安信息系统中人工分析查找导致的费时费力、效率低下的问题，能够提高串并案分析效率和准确率。

上述方法，为了进一步的提高串并案的准确率，还包括以下步骤：

步骤S108，基于公安前科人员数据库建立高危人群数据库。

具体地，通过对公安前科人员信息进行聚类分析，形成高危人群数据库，可以对串并案件推荐出可能作案的高危人群。进一步的是，公安前科人员数据库包括抢劫人员数据库、吸毒人员数据库、盗窃人员数据库等。

聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法，它们讨论的对象是大量的样品，要求能合理地按各自的特性来进行合理的分类，没有任何模式可供参考或依循，即是在没有先验知识的情况下进行的。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析的目标就是在相似的基础上收集数据来分类。聚类源于很多领域，包括数学，计算机科学，统计学，生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。聚类分析常用的计算方法主要包括如下几种：分裂法(partitioning methods)，层次法(hierarchical methods)，基于密度的方法(density-based methods)，基于网格的方法(grid-based methods)，基于模型的方法(model-based methods)。

本实施例中聚类分析采用基于算法模型，根据实际场景选用其中的一类。

需要说明的是，公安前科人员数据库包含于案件特征数据仓库中。

步骤S110，基于轨迹信息建立人员活动轨迹数据库。

具体地，构建基于大数据的人员活动轨迹数据库，将公安可以掌握的人员的轨迹信息通过ETL数据抽取到人员活动轨迹数据库。其中，公安可以掌握的人员包括前科人员、涉案人员、嫌疑人员。

进一步的是，轨迹信息包括电子围栏轨迹、上网轨迹、住宿轨迹、消费轨迹、公共交通出行轨迹。需要说明的是，轨迹信息不限于上述几种轨迹，还包括话单轨迹、车辆轨迹、铁路轨迹、公交轨迹、地铁轨迹、民航轨迹、银行轨迹等。其中，电子围栏指的是手机电子围栏，又称为无线数据采集终端，属于公共安全卡口型设备，公安系统专用产品。针对公安及安全保卫部门的迫切需要而开发生产的新一代电子追踪控制装备，利用先进的无线移动网络和电子信息技术能够对特定的区域或指定的人员进行精确管控。电子围栏由基站和后台软件两大部分组成。基站设备有两种，一种是固定式基站，用于长期固定安装在某些室外环境场所(公共场所、旅游景点、重要设施、交通路口)对特定区域出入的手机进行监测，另外一个是移动式基站设备，可以部署在旅馆、网吧、KTV、洗浴中心等室内场点，以及公交车、大巴车厢等移动空间，方便灵活。后台软件安装在总控中心，根据基站采集的信息，通过数据分析和数据挖掘技术，可以结合身份证、车牌号等有关资料，为工作人员提供监测数据。

电子围栏可以通过无线信号查找手机的数量，通过基站能识别出每个手机距离及轨迹。上网轨迹、住宿轨迹基于身份证登记获得，消费轨迹基于银行卡信息获得，公共交通出行轨迹包括基于视频监控，通过车辆视频检测算法获取目标初始信息，采用均值漂移算法结合卡尔曼滤波算法实现目标的视频跟踪，再对其轨迹进行统计分析，获取目标实际行驶方向的轨迹特征。

需要说明的是，S108，S110仅为描述方便，并不代表先后顺序。

步骤S112，从高危人群数据库中调取高危人群数据，从人员活动轨迹数据库中调取轨迹数据，利用高危人群数据和轨迹数据对类案列表进行数据分析，生成串并案列表。

具体地，串并案分析模型接入高危人群数据库，从高危人群数据库中调取高危人群数据；串并案分析模型接入人员活动轨迹数据库，从人员活动轨迹数据库中调取轨迹数据。

需要说明的是，以上调取高危人群数据与调取轨迹数据之间并没有特定的先后顺序，二者可以以任意顺序进行，也可以同时进行。

利用高危人群数据和轨迹数据对类案列表进行数据分析，生成串并案列表，进一步提高串并案的准确率。

本发明实施例还提供了一种智能串并案分析系统，图3为本发明实施例所提供的一种智能串并案分析系统的结构框架图。

如图3所示，该智能串并案分析系统包括数据集成模块301、机器学习模块302和类案生成模块303，数据集成模块301与机器学习模块302相连，机器学习模块302与类案生成模块303相连。

其中，数据集成模块301用于基于公安刑侦数据库建立案件特征数据仓库，机器学习模块302用于基于案件特征数据仓库通过机器学习生成串并案分析模型，类案生成模块303用于利用串并案分析模型对未破案件进行分析，生成类案列表。

该智能串并案分析系统的具体工作过程如下：

数据集成模块301建立基于大数据的案件特征数据仓库，将公安刑侦数据库的数据通过ETL抽取到案件特征数据仓库中，作为数据支持。

机器学习模块302，通过对案件特征数据仓库中的已破案件信息进行机器学习，形成精准、高效、可自动学习完善的串并案分析模型。也就是说，机器学习模块302基于案件特征数据仓库通过机器学习，分析已破串并案件的特征，该特征包括：作案手段、作案特点、作案时间、选择地点等特征，生成基于不同作案特征的串并案分析模型，并可以在用户的实际使用中不断更新、完善。机器学习模块302进行机器学习的步骤如图2所示，在此不再赘述。

类案生成模块303利用机器学习模块302生成的串并案分析模型对未破案件进行分析，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。需要说明的是，类案生成模块303可以利用串并案模型自动分析未破案件特征，进行归类，生成类案列表，也可以接收外部(侦查人员、情报分析人员、案件组长等一线侦破人员)的检索(如案件特征)信号，生成类案列表。进一步的是，类案生成模块303在使用串并案分析模型分析未破案件并给出类案列表时，根据外部(侦查人员、情报分析人员、案件组长等一线侦破人员)的实际操作信号，将分析结果反馈给机器学习模块302，例如接收外部操作信号对类案列表的串并分析正确的，将此结果正反馈至机器学习模块302由其记录并更新串并案分析模型；分析出现偏差的，将此偏差结果负反馈至机器学习模块302，继续机器学习优化串并案分析模型中各个维度的权重比，使该串并案模型进一步接近实际应用。

本发明实施例提供了一种智能串并案分析系统，包括数据集成模块、机器学习模块和类案生成模块；通过数据集成模块建立基于公安刑侦数据库的案件特征数据仓库，机器学习模块基于案件特征数据仓库通过机器学习已破案件的特征生成串并案分析模型，类案生成模块利用串并案分析模型对未破案件进行分析归类，生成类案列表。在作案特征具有相同点、相似点的未破案件，就会作为类案出现在该类案列表中。该系统凭借大数据分析技术对公安行业进行分析，深度挖掘公安业务逻辑，将公安刑侦数据库通过ETL导入，形成完整的案件特征数据仓库，建立一套基于公安行业的串并案分析模型，从而解决信息孤岛，深度挖掘数据间的深层联系，为用户提供有用的决策信息。解决了现有技术中串并案分析时需要侦查人员从公安信息系统中人工分析查找导致的费时费力、效率低下的问题，能够提高串并案分析效率和准确率。

进一步的是，该智能串并案分析系统还包括轨迹分析模块304和高危人群生成模块305。

轨迹分析模块304用于基于轨迹信息建立人员活动轨迹数据库，高危人群生成模块305用于基于公安前科人员数据库建立高危人群数据库。

具体的是，轨迹分析模块304通过ETL抽取轨迹信息建立人员活动轨迹数据库，轨迹信息包括电子围栏轨迹、上网轨迹、住宿轨迹、消费轨迹、公共交通出行轨迹。高危人群生成模块305基于公安前科人员数据库，对已破案件以及相关的违法犯罪人员进行聚类分析，深度挖掘案件特征与犯罪人员特征的关系，构建出高危人群数据库。

需要说明的是，轨迹分析模块304和高危人群生成模块305均与数据集成模块301相连，数据集成模块301还用于将分散的轨迹信息以及前科人员数据库中的人员信息进行抽取、集成在一起，轨迹分析模块304基于集成后的轨迹信息建立人员活动轨迹数据库，高危人群生成模块305用于基于公安前科人员数据库中的集成的相关人员信息建立高危人群数据库。

进一步的是，该智能串并案分析系统还包括数据接入模块306。轨迹模块304、高危人群生成模块305均与数据接入模块306相连。数据接入的方式包括两种，一种是对接数据库的方式，另一种通过导入的方式，例如excel表格。

优选的是，数据接入模块306包括数据接入端口，通过数据对接的方式接入高危人群数据库或人员活动轨迹数据库。数据接入模块306用于从人员活动轨迹数据库、高危人群数据库中分别调取人员轨迹数据、高危人群数据。

具体的是，数据接入模块306从由高危人群生成模块305建立的高危人群数据库中调取高危人群数据，从由轨迹分析模块304建立的人员活动轨迹数据库中调取轨迹数据。

进一步的是，该智能串并案分析系统还包括分析模块307。数据接入模块306与分析模块307相连，分析模块307与类案生成模块303相连。

分析模块307用于利用高危人群数据和轨迹数据对类案列表进行数据分析，生成串并案列表。

具体地是，分析模块307利用数据接入模块306从高危人群数据库中调取的高危人群数据以及从人员活动轨迹数据库中调取的轨迹数据，对类案生成模块303生成的类案列表进行数据分析(对类案列表生成可能作案的高危人群，并结合轨迹数据进行人员、案发地点轨迹分析)，为公安分析人员提供高质量的串并案推荐信息，生成串并案列表，进一步减少公安情报分析人员的工作量。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。