1、案件分析模型与数学模型 本节将根据侦查中归纳出的几类典型的案件分析模型，讲述其模型的构造，并用数学模型来解释案件分析模型的意义，从而为下一步利用数据库及 SQL 查询语言实现案件分析模型铺垫基础。 一、 通过已知间接线索查找嫌疑线索的案件。 1、 已知多条间接线索，这些线索中可能拥有关系人线索。 比如：已知嫌疑人 Z 的好友 A 及 B 的线索，希望从中查找 Z 的线索。这实际上这时 B 的关系人可以看作 B 的一个集合 b B，同理， A 的关系人可以看作A 的一个集合 a A，这样 Z 可能就在 B 与 A 的交集中。如下图所示： 同理，当有更多同类间接线 索时，其关系如下： 2、 嫌疑线
2、索可能在一条已知线索的新增元素或新删元素中。 比如：嫌疑人可能拥有某线索，但作案后变换，但因某种原因可能会把新线索加在原线索的元素中。这时原线索集合为 A，则作案后改变元素的集合为 B，这时嫌疑线索就是 B 与 A 的补集的交集 BA 。如下图右边红色部分。 又比如：嫌疑人的关系人线索为 A，嫌疑人作案后，关系人可能因为敏感关系在其集合 A 中删除嫌疑人线索，所以嫌疑人作案后，关系人的线索集合为 B，则嫌疑线索就在 A 与 B 的补集的交集 AB 。如下图左边蓝色部分。 A B 二、 通过已知 (间接 )线索分析嫌疑人活动 规律的案件。 比如：知道嫌疑人线索后，可能需要掌握嫌疑人的活动规律，以
3、便进行有效的抓捕行动。这就需要分析嫌疑人经常出入的场所、活动的时间规律、以及出入某特定场所的时间规律和特定时间段内其经常出入的场所等。后两种情况只是前两种情况的特殊条件限定而已。 对于需要分析活动规律的线索对象，应当具备以下几个共同的属性：线索名称、出现时间、结束时间、出现场所。对于采集的线索数据，必须至少包含以上几项属性，其它项目则可过滤消除。对于以上项目中，有时结束时间可能在线索数据中会以出现时长的方式表达，这时就需要必要的数据变换。 同样，在线索数据中线索名称可能以不同的方式出现，可能出现在文件头部说明文本中，也可能只在文件名中出现。这时就需要系统去识别它，如果无法识别时必须提示用户指明
4、线索名称。 1、 分析嫌疑人活动场所规律 对于分析嫌疑人经常出入的场所，一般要以天数来表达，如果以出现的次数来计数的话，有可能某天嫌疑人在该场所多次出现，但其它时间没有出现，以此来断定其经常出入该场所的结论显然是错误的，因而必须以天数为计数。如下图所示： 上图可以看出场所 A，线索对象出现的次数为 8 次，但是实际出现的天数为5，对于在同一日期内多次出现的记录必 须过滤掉。同时从表中可以看出嫌疑人出入场所 A 的概率明显较大。因而抓捕计划首先应当针对场所 A 设计。 2、 分析嫌疑人活动时间规律 对于分析嫌疑人时间片的活动规律，同上理由，一般也要以天数来表达，如下图所示： 上图可以看出时间片
5、0-2，线索对象出现的次数为 8 次，但是实际出现的天数为 5，对于在同一日期内多次出现的记录必须过滤掉。同时从表中可以看出嫌疑人主要在夜间活动，晚上 22 到凌晨 6 时是其活动的高频时段。因而跟踪及抓捕计划首先应当针对夜间设计。 3、 分析多个已知线索的共同活动规律。 比如：有时获得了多条线索，需要判断哪 些线索属于同一个人所有，或者属于同一个团伙成员。这时就需要分析这些线索同时间同场所出现的频率是否较高来断定。 这时线索属性有 4 个：线索名称、场所名称、日期，时间片记录。对于每条线索而言，需要对每个场所分别记录其时间片字符串 (这里时间片将以 1 小时划分 )。实际上这时线索的记录从二
6、维扩展为三维，如下图所示： A、 B、 C 分别表示不同的场所。 02466 12 16 24ABCABC三、 对大量相关案情的数据进行嫌疑人线索挖掘的案件 要进行此类线索挖掘时，线索应当具备几个必备的属性：线索名称、出现场所、出现时间、结束时间 (非必备 )。由于收集的数据都符合这种共同 的属性，因而只要事先建立一个原始表，然后要导入数据时，重制该表结构，并根据所导入数据所归属的分析属性取个针对性的表名即可。 比如：在 T1 时间场所 IP1 发生一起案件，在 T2 时间场所 IP2 又发生一起案件，经案件侦察这两起案件可以并案处理。 T1 时间场所 IP1 的所有数据集合为 A，T2 时间
7、场所 IP2 的所有数据集合为 B，那么嫌疑人线索就可能在集合 A 与 B 的交集中。如下图所示： 又比如：在 T1 时间场所 IP1 发生一起案件，经侦察断定该案为流窜作案，也就是嫌疑人只有在 T1 时间段内在本场所出现，而其它时间段不出现在场所 IP1中。这时因为集合 A 的数据较多，难以排查。考虑到流窜作案的情况，可以 IP1在 T1 之前一定时间段的数据集合作为 B，同时 IP1 在 T1 之后一定时间段的数据集合作为 C。那么，嫌疑人的线索就可能在 A B C 中，如下图所示： A B 当然有时案情要更加复杂，比如对 A 地来说案件属于流窜案件，但对于 D地的案件来说则可以与 A 地
8、并案，则此时的关系图则如下： 总之，根据案情的不同其集合间的关系是复杂的，变动的。因而对以上各数学模型所提炼的关联分析模型必须灵活的，可以多条件关系的。但是，推敲以上各交集关系时，不难发现这种关系中可以选择 一个集合 (必须是嫌疑目标可能包含的集合，如以上 A 或 D 集合 )为初始集合，对其它线索条件关系，若其与 A 为交集关系时，则删除 A 中不在该集合 (比如 X)中的线索。 四、 利用嫌疑人已知线索的数据集合来查找其他团伙成员线索的案件 这与第一大点的情况有所不同，前面是利用已知线索的联系人集合进行分析。而有时只知道其中某个嫌疑人的线索，但重点要查找其团伙成员，而其联系人往往众多 (几
9、百人的情况常见 )，因而单从联系人集合中分析难以奏效。这时如果能够得到已知线索经常出现的场所的数据集合 (如第三大点的情况，所以数据来存入第三种模型的数据库 表中 )。这时解决问题的思路是：首先罗列出已知线索出现的所有时间段，以所在场所各时间段前后一定时间 (一般 10 分钟 )的所有线索数据为集合，这些集合的交集中除已知线索外的其它线索就可能是嫌疑人的其他线索或同伙的线索。但是往往其它线索不会都出现在已知线索出现的时间段前后，常常是只在其中某几个时间段的前后时间中出现。所以必须能对已知线索的所有时间段进行排列组合，自动以最多组合到任两个组合的顺序来分别进行查询分析。如下图所示： 图中表示已知
10、线索有 6 次出现的时间段，而其它线索 b 只有在其中 T2、 T4和 T6 中出现，然而我 们事先并不知 b 在哪些时间段中，因而必须对 6 个时间段进行全排列组合，并从选取 6 个组合到选取 2 个组合进行的各种组合分别进行交集运算，只有到选取 3 个进行组合，并选上 T2、 T4 和 T6 这一对组合时，才有线索 b 的分析结果。 所以本分析模型实际上是第一种模型与第三种模型的组合。所以在设计时可以对各种组合的交集条件写入到第三种模型中进行分析计算，而不必再进行类似的计算。 五、 利用案发前后活动规律反常来挖掘嫌疑线索 比如：某场所发生了一些案件，侦察中没有得到任何相关线索，也没有任何可
11、以串并的案件，嫌疑人可以描述的特性很少，或许只 能根据其中的某个细节判定嫌疑人为本地人，且为发案场所附近的居民。那么案件除了传统的排查外，在数据层面能贡献什么呢。这时如果能够获取案发地一定范围的可能反映嫌疑人的线索数据时，我们如何对该数据进行分析呢？除了本地人的刻画，嫌疑人的其他属性都未知。那么怎样才能界定本地人呢？一般要说在案发前在案发地出现天数概率为 60%以上者，也就是一个月 (30 天 )中至少应当出现 18 天以上的人才能界定为本地人。那么就应当利用这个概率对数据进行分析，从而过滤掉那些非本地人的数据。但是并不本地人都是我们关注的对象，且这个人群数量也出于 侦察能力的范围。 比如上图中 A 是一个数据庞大的集合，而本地人集合 B 依旧是一个数据量很大的集合。那么如何对 B 进行下一步分析呢？按照常理，一旦发生大案件后，嫌疑人会潜逃，那么也就是说如果也获取了案发地在案发后一定天数的线索数据C 时，对于 B 中所在 C 中的线索数据如果出现频率 20%(也就是 10 天里出现天数小于 2 天者 )，表示案发后规律反常者，而排除掉 B 中依然符合本地人规律的人群。现在也许所剩余的人数不会太多，可以用侦察的力量加以排查甄别。 这里所涉及的对象出现频率的问题在第二点中关于活动规律分析中已经做了详细的说 明，不再赘述。只是这里要针对所有出现的线索进行一次规律分析统计而已。
