針對關于潛在犯罪人員的預測、挖掘效果不佳，利用犯罪人員、交通出行和住宿消費等數據，在Spark分布式運算框架下，基于FP-growth的時空關聯規則方法，分析犯罪人員數據和其他數據之間的關聯規則，挖掘出潛在的犯罪人員。首次提出將關聯規則算法用于普通出行消費數據實現潛在犯罪人員的預測。該方法已成功應用于X市警務系統，通過實踐檢驗證明該方法在發現潛在犯罪人員方面的有效性。

　　目前，國內外犯罪形勢日益嚴峻，犯罪類型多樣，犯罪人員數量增加，危害著人民生命財產安全和社會穩定。公安機關維護公共安全、打擊犯罪的任務越來越重，執法要求越來越高。不斷產生的犯罪數據要求分析人員挖掘犯罪數據潛藏的規律、分析犯罪數據之間的隱含關系，并且預測犯罪的發生、挖掘潛在的犯罪人員，從而提高公安執法的效率、預防犯罪的發生。

?

　　關聯規則挖掘（ARM）是數據挖掘領域的一個研究熱點，作為數據挖掘中的經典算法之一，被廣泛運用到犯罪學研究中。關聯規則可以從大量數據和數據項之間的關聯規則中挖掘犯罪的相關證據，進一步挖掘不同犯罪之間的犯罪規律、趨勢和聯系，向警方提供案件偵查和犯罪預防。在探究過去犯罪成因、確定主要嫌疑人、更好地理解系列犯罪方面，關聯規則挖掘都能起到很好的效果。不同的關聯規則挖掘算法在犯罪分析和犯罪預測領域起著重要作用。在國外的關聯規則犯罪挖掘研究中，Ng V 等通過引入時間關聯規則，提出一種增量算法，以解決關聯規則中包含時間表達式的時間序列處理問題，用于發現香港地區犯罪模式［1］。Buczak 研究了模糊關聯規則挖掘在社區犯罪模式中的應用，加速了當地執法工作［2］。Tan 首先分析了FP-Growth 算法在計算機犯罪取證中的作用，指出了FP-Growth 算法能夠及時發現最新犯罪和嚴重犯罪的缺陷，并對FP-Growth 算法和測試進行了一些改進。最后指出了未來的研究方向：多維證據的提取與關聯［3］。Joshi 提出FP-Tree 相似算法，用于挖掘經常性犯罪集合，并與Apriori 算法相比較，發現該算法更有效［4］。D. Usha 將Apriori 算法與其他Apriori、Fp-Growth 算法在真實和合成的犯罪數據集中進行測試，發現每種算法都有自身的優勢，以便研究人員了解頻繁模式挖掘算法在各個領域的應用［5］ ［6］。Shekhar 在犯罪模式分析（PCA）的基礎上探討了空間頻繁模式挖掘（SFPM），并在空間犯罪數據集上驗證了該挖掘方法［7］。Isafiade 重新探討了犯罪模式挖掘的頻繁模式增長模型，提出了一種基于四分位數（floor-ceil）函數的描述性統計方法，用于最小支持閾值（MST）選擇。修改后的頻繁模式增長（RFPG）模型進一步提出了一種模式，用于識別微妙犯罪模式序列的元組或犯罪活動中反復出現的趨勢［8］。Asmai基于地理和人口因素，利用關聯規則挖掘為犯罪人員制作犯罪映射模型。它檢查了特定地點的犯罪發生情況，可以用來分析相對較高的未來犯罪地點，可以改進犯罪預防實施［9］。國內利用關聯規則算法進行犯罪挖掘的研究也做了大量工作。以模糊集、Rough 集理論為基礎，林和、虞龍江等利用關聯規則挖掘對犯罪人員數據庫進行定量分析、推斷并提取規則，為犯罪預防提供理論指導［10］ ［11］。在犯罪畫像、犯罪取證分析方面，關聯規則挖掘引起廣泛關注，得到廣泛應用［12］ ［13］ ［14］。此外，關聯規則挖掘被大量運用在犯罪偵查［15］、犯罪嫌疑人分析［16］、犯罪行為分析［17］、重新犯罪［18］ ［19］等犯罪研究領域。基于犯罪數據的時間和空間屬性，許多研究提出改進的關聯規則挖掘算法，如時空關聯規則［20］ ［21］、聚類關聯規則［22］、基于數據立方體的關聯規則［23］，其他改進的算法如增量關聯規則［24］、改進的Apriori、

　　FP-growth 算法也在財產犯罪分析等領域取得不錯效果［25］。