技术领域
[0001] 本申请涉及大数据侦察技术领域，尤其涉及一种案件分析方法、设备、存储介质及程序产品。
相关背景技术
[0002] 随着社会快速发展和科技进步，刑侦案件的发生向着专业化和复杂化的方向发展，为有效打击违法犯罪行为，会扩充案件样本，将发生的同类型的系列案件进行并案侦查，通过不同案件信息找出案件之间的共性和联系。
[0003] 但案件侦查的复杂度也在不断上升，需要多种技术人员协同配合调查取证，线索提取难度高，传统的人工侦察和案件串并需要消耗大量的人力物力，误差大、侦查周期长，导致无法准确、及时打击违法犯罪行为。
[0004] 上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
具体实施方式
[0056] 应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。
[0057] 为了更好地理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。
[0058] 本申请实施例的主要解决方案是：获取案件要素信息；将所述案件要素信息输入预先构建的用于查找串并案线索的扩样分析模型，通过所述扩样分析模型，对所述案件要素信息进行扩样分析，并输出案件扩样分析结果，所述案件扩样分析结果包括相关嫌疑人列表。
[0059]
[0060] 在现有技术中，通常通过分析比较不同案件现场的各种痕迹和物证进行并案侦查，找出不同案件之间的共性和联系，从而推断出这些案件可能是由同一犯罪分子或同一犯罪团伙所为。为了实现这一目标，通常采用以下方法进行案件的串并工作：
[0061] 1.利用现场手印串并案件。手印是犯罪现场中最常见、最稳定的痕迹之一。通过对不同案件现场提取的手印进行比对检验，如果认定现场手印为同一人的同一只手所留，就可以将相关的案件串并起来。这种方法具有很高的准确性和可靠性，因此在并案侦查中应用较为广泛。
[0062] 2.利用现场足迹串并案件。足迹也是犯罪现场中常见的痕迹之一，通过对不同案件现场留下的足迹进行比对检验，可以认定这些足迹是否同一人所留，从而为串并案件提供依据。与手印相比，足迹的稳定性和认定难度相对较低，因此在并案侦查中的应用相对较少。
[0063] 3.利用工具痕迹串并案件。工具痕迹是指罪犯使用工具破坏现场或利用现场工具实施犯罪时留下的痕迹。通过对现场工具痕迹的特点进行比较和分析，如果发现系列案件现场的工具痕迹均是同一工具所留，也可以为串并案件提供依据。这种方法的应用相对较少，但具有很高的准确性。
[0064] 4.利用枪弹痕迹串并案件。对于发生的枪击案件，如果对不同案件现场提取的弹头、弹壳的检验认定是由同一支枪所发射的，也可以此为依据进行串并案件。这种方法的难度在于弹头、弹壳等物证的提取和检验要求较高，需要专业的技术人员进行操作。
[0065] 5.利用现场遗留的微量物证串并案件。微量物证是指犯罪现场上遗留的微小物质，如毛发、纤维、油漆等。通过分析和检验现场上的微量物质，可以确定其来源和归属，从而为串并案件提供依据。这种方法的应用相对较少，但具有很高的准确性。
[0066] 6.利用DNA现场数据库串并法。将犯罪现场中遗留的有价值的各类生物检材DNA数据存放在数据库中，可以进行数据查询、比对，从而可以快速找到或排除犯罪嫌疑人，进行案件串并。这种方法的应用范围较广，且具有很高的准确性和可靠性。
[0067] 由于技术的发展，串并案侦查的复杂性也在日益增长，人工和传统方式的侦查已经无法满足现代案件侦查工作的需要。这些方式不仅需要消耗大量的人力物力，而且取证和侦查周期长，无法及时有效地侦破案件。在上述传统的串并案侦查中存在以下问题：
[0068] 1.嫌疑人现场手印、足迹、微量物、DNA提取需要多种技术人员配合支撑，如法医、痕检、技侦等。这些技术人员之间的协调和合作往往存在困难，导致取证时间过长或者证据提取不全面。此外，生物检验需要一定的时间，无法及时确认嫌疑人身份，延误了破案时间。
[0069] 2.根据工具痕迹和枪弹痕迹进行分析，可以为串并案提供依据，却不能识别嫌疑人身份，主要是根据现场遗留的工具痕迹和枪弹痕迹进行分析。然而，这些痕迹只能提供案件之间的相似性，无法确定嫌疑人的身份信息。同时，这种分析方式需要大量的时间和人力，无法实现自动化和智能化。
[0070] 3.需要多种方法同时应用，提高案件准确性侦查分析的时间较长。为了提高案件的准确性，通常需要多种侦查方法同时应用。这需要各方的协调和共享资源，增加了破案的时间和成本。此外，多种方法的应用也增加了错误的风险，导致案件的准确性下降。
[0071] 多发性系列案件因其发案率高、破案率低、线索提取难的特点，给侦查破案增加了难度。在多发性系列案件中，同一嫌疑对象所实施的行为通常具有共性特征，这一特征所产生的数据在案件独立分析时无法体现为有价值的信息。为了有效打击多发性系列案件，提高办案效率和公信力，利用大数据挖掘多发性系列案件之间的关联关系已成为一个重要的研究领域。
[0072] 本申请通过扩样分析的应用，以案件数据库为基础数据源，提取案发现场海量的电子数据，包括现场勘查、物证检验、监控视频等信息，利用大数据技术构建扩样分析模型，挖掘出现在多个案发现场的同一特征数据，这些数据包括作案手法、工具使用、时间地点等，通过分析案件发生的时间、地点、手段等限制条件，可以从杂乱的数据中缩小范围，发现案件事实，或者根据已经获得的数据进行推断，从而确定出案件线索，可以快速发现多发性系列案件之间的关联和共性特征，进而进行串并案分析，不仅能够提高破案效率，减少漏网之鱼的可能性，还能够缩短案件处理周期，减轻基层工作压力。此外，扩样分析还可以帮助提前预测和预警可能出现的犯罪行为，为预防犯罪工作提供有力支持。这种大数据的应用方式与传统案件侦查模式相比，更能够实现信息全面整合、关联线索碰撞，提高案件处理效率。
[0073] 需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、案件分析设备等。以下以案件分析设备为例，对本实施例及下述各实施例进行说明。
[0074] 基于此，本申请实施例提供了一种案件分析方法，参照图1，图1为本申请案件分析方法第一实施例的流程示意图。
[0075] 本实施例中，所述案件分析方法包括步骤S10～S20：
[0076] 步骤S10，获取案件要素信息；
[0077] 需要说明的是，所述案件要素信息指办案人员可以获取到的案件相关要素信息，除了可以包括案发时间、案发地方、涉案人员等基础信息，还可以包括车辆信息、事故图片等交通肇事案件或其他不同案件类型的相关信息，其具体的信息获取途径可以是勘察设备采集数据(如监控视频等)或人工录入数据(如现场勘察、物证检验等)后得到。以上仅是本实施例提供的案件要素信息可能包含的相关要素信息，本实施例对于案件要素信息的具体内容并不作具体限定。
[0078] 可以理解的是，在案件侦查过程中，系统首先需要收集案件的相关要素信息，作为后续扩样分析和办案案件分析的基础。
[0079] 步骤S20，将所述案件要素信息输入预先构建的用于查找串并案线索的扩样分析模型，通过所述扩样分析模型，对所述案件要素信息进行扩样分析，并输出案件扩样分析结果，所述案件扩样分析结果包括相关嫌疑人列表。
[0080] 需要说明的是，所述扩样分析模型可以包括数据输入、区域扩样分析、时间扩样分析、区域次数分析以及结果输出，用于查找串并案的线索。扩样分析是案件线索提取的一种大数据技术应用方法，指在案件要素信息的基础上，进行进一步扩充分析和推理的案件样本，以获得更多的案件细节和线索，从而找到不同案件之间的共性和联系。所述案件扩样分析结果指通过扩样分析得到的案件分析结果，包括但不限于可能的嫌疑人、可能的作案手段、预测发生的案件信息等。
[0081] 可以理解的是，系统将获取到的案件要素信息输入到预先构建的扩样分析模型中，扩样分析模型根据案件要素信息对案件进行扩样分析后输出案件扩样分析的结果，办案人员进行串并案分析，办案人员从而可以利用有限的案件要素信息中获取更多案件的细节和线索，缩小后续案件分析的范围，提高案件侦查的准确率和效率。相较于传统的案件分析方法而言，传统的案件分析方法依赖人工经验和直觉进行案件串并，容易受主观因素影响，而本实施例提出的案件分析方法基于大数据技术的扩样分析可以提供客观、科学的分析结果完成案件串并的过程，辅助办案人员进行决策。
[0082] 示例性地，所述扩样分析规则可以结合数据挖掘算法、机器学习模型和文本分析技术等一种或多种技术构建扩样分析模型，包括：
[0083] 1.数据挖掘算法：使用数据挖掘算法(如关联规则挖掘、聚类分析等)对案件要素信息进行分析，挖掘隐藏的关联关系和规律，提高扩样分析模型的准确率。
[0084] 2.机器学习模型：构建机器学习模型，通过训练模型学习案件要素信息与案件扩样分析结果之间的关系，可用于预测新案件的扩样分析结果，使扩样分析模型具备预测能力。
[0085] 3.文本分析技术：针对文本相关的案件要素信息，可以结合自然语言处理和文本分析技术，对案件要素信息进行语义解析和情感分析，可以从文本的文字描述中提取出更多的案件信息，从而获取更多的案件细节和线索。
[0086] 以上仅是本实施例提供的构建扩样分析模型的三种可行的实施方式，本实施例对于构建扩样分析模型的具体实施方式并不作具体限定。
[0087] 在一种可行的实施方式中，步骤S20之前可以包括步骤S201～S202：
[0088] 步骤S201，根据预设的案件关键要素，对案件记录数据库中同一案件类型的若干案件信息数据表进行数据关联，生成案件关联数据集；
[0089] 需要说明的是，所述案件关键要素指用于区分和识别不同案件类型的特征和属性。所述案件关联数据集包含了具有多个相同类型的案件相关信息的数据集合，并可以通过数据关联将相关案件的信息整合在一起，为后续的扩样分析提供更全面的案件数据基础。
[0090] 另外地，需要说明的是，所述案件记录数据库指存储了相同或不同类型的多个案件的相关信息的数据库。所述数据关联指将具有相同案件类型的案件信息连接在一起，建立案件之间的关联关系，例如，可以将若干案件信息数据表中除案件关键要素以及数据唯一标识之外的数据删除后，根据数据唯一标识将若干案件信息数据表关联起来，得到多个数据表关联的集合；也可以根据数据唯一标识的数据，将若干案件信息数据表中的案件关键要素的数据提取生成一个新的数据表；还可以是通过应用聚类分析算法，对案件记录数据库中的若干案件信息数据表进行聚类分析，得到不同类型的案件特征，从而将不同类型的案件划分为不同的簇群，得到多个不同簇群组合成的案件关联数据集。
[0091] 可以理解的是，通过对案件记录数据库中的数据进行关联，将具有相同案件类型的相关案件信息整合到案件关联数据集中，以便后续扩样分析使用。
[0092] 步骤S202，将预设的区域扩样分析规则、时间扩样分析规则、区域次数分析规则作为模型逻辑处理的规则，以及，将所述案件关联数据集作为模型逻辑处理的数据源，根据所述模型逻辑处理的规则和数据源进行模型构建，得到用于查找串并案线索的扩样分析模型。
[0093] 需要说明的是，所述扩样分析规则指预先设定的根据要素进行扩样分析的逻辑处理的规则，能够结合案件关联数据集针对案件要素信息进一步分析，得到更多相关的案件细节和线索。
[0094] 另外地，需要说明的是，所述区域扩样分析规则用于衡量特定区域对案件发生可能性的影响程度的分析规则。所述时间扩样分析规则用于衡量不同时间段对案件发生可能性的影响程度的分析规则。所述区域次数分析规则用于衡量嫌疑人在特定区域内出现频率对案件发生可能性的影响程度的分析规则。所述案件关联数据集用于建立扩样分析模型的案件相关数据集合。
[0095] 可以理解的是，为了给后续办案人员的案件分析提供高效、准确的案件扩样分析结果，利用大数据技术，将区域扩样分析规则、时间扩样分析规则和区域次数分析规则作为扩样分析模型这个大数据处理模型的分析规则，将案件关联数据集作为扩样分析模型进行扩样分析逻辑处理的一种数据源，构建得到扩样分析模型，以快速、准确地预测案件可能出现的区域、时间和嫌疑人数量等案件之间的关联线索和共性特征，提供科学的案件发生可能性评估，深入分析案件线索。
[0096] 本实施方式中，通过将案件记录数据库数据关联得到的案件关联数据集、大数据技术和扩样分析规则相结合，综合案件发生的时间、区域空间以及区域发生频率这些案件发生相关的影响程度，将案件关联数据作为数据源，为扩样分析模型提供了统一的数据源和分析的规则，可以有效地整合碎片化的案件相关数据表，提升扩样分析模型的数据分析能力以及数据质量和可靠性，能够提供更全面、更准确的案件扩样分析结果，并可以帮助提前预测和预警可能发生的案情，为办案人员提供更有价值的线索和决策支持，提高案件侦查效率。
[0097] 在一种可行的实施方式中，步骤S201之后还可以包括步骤A1～A2：
[0098] 步骤A1，将案件关联数据集中的案件相关数据构造成单变量散点图或箱型图，识别案件关联数据集中的异常值，即离群点；
[0099] 步骤A2，对离群点进行数据删除或平均值修补等修复处理，得到数据清理后的案件关联数据集。
[0100] 需要说明的是，所述单变量散点图或箱型图是用于可视化单个变量数据分布的图表类型，可以帮助观察数据的分布情况和识别异常值。所述异常值(即离群点)指与大多数数据明显不同的数值，可能是由于错误记录、测量误差等原因导致的异常数据。所述数据删除指针对无法修复的异常值进行删除的数据修复处理，以确保数据集的准确性。所述平均值修补指针对某些异常值或离群点采用该值所在变量的平均值进行修补的数据修复处理，使得数据更加符合整体分布。此外，还可以采取中位数修补或插值方法填补空缺或错误的数据，保持数据集的完整性。
[0101] 可以理解的是，通过可视化手段发现数据集中存在的异常值或离群点，针对识别出的离群点，进行删除或者采取适当的数据修复措施，以获得经过清理后的高质量数据集，为后续的扩样分析做准备。
[0102] 本实施方式中，通过可视化手段，发现数据集中存在的异常值或离群点，例如与大多数数据明显不同的数值，并针对识别出的异常值或离群点，可以选择进行删除或者采取平均值进行修补等适当的数据修复措施，以获得经过清理后的高质量数据集，可以帮助确保案件关联数据集的质量和准确性，减少异常数据对扩样分析结果的干扰，从而提高扩样分析模型的可靠性和分析结果的准确性。
[0103] 本实施例中，首先获取案件的要素信息，以得到进行案件串并所需的已有的要素信息；将获取到的案件要素信息输入到用于查找串并案线索的扩样分析模型中进行扩样分析，得到输出的案件扩样分析的结果，以发现案件之间的关联线索和共性特征，进而进行串并案分析。实现了扩样分析与办案逻辑相结合的案件分析，解决了现有技术中案件分析的准确率及效率低的问题，提高了案件分析的准确率和效率，缩短了案件侦查的周期。
[0104] 基于本申请第一实施例，在本申请第二实施例中，与上述第一实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，请参照图2，步骤S20可以包括步骤S203～S206：
[0105] 将所述案件要素信息输入所述扩样分析模型中进行如下处理：
[0106] 步骤S203，根据所述案件关联数据集和案件要素信息进行区域扩样分析，得到区域数据表；
[0107] 需要说明的是，所述区域扩样系数集用于反映不同区域对案件发生概率的影响程度，具体的区域扩样分析处理过程可以利用包含区域信息的案件关联数据集合进行大数据扩样分析处理，还可以是利用包含区域信息的案件关联数据集合结合空间统计分析方法进行扩样分析处理，空间统计分析方法包括空间自相关分析、地理加权回归等。
[0108] 可以理解的是，为了分析案件发生在不同区域的情况，并获得区域扩样系数，以揭示不同区域对案件发生的影响，根据案件关联数据集和案件要素信息进行区域扩样分析处理，得到区域数据表。
[0109] 步骤S204，根据所述案件关联数据集和案件要素信息进行时间扩样分析，得到时间数据表；
[0110] 需要说明的是，所述时间扩样系数集用于反映不同时间段对案件发生概率的影响程度，具体的时间扩样分析处理过程可以利用包含时间信息的案件关联数据集合进行大数据扩样分析处理，还可以是利用包含时间信息的案件关联数据集合结合时间序列分析方法或周期性分析方法等进行扩样分析处理。
[0111] 可以理解的是，为了分析案件发生在不同时段的情况，并获得时间扩样系数，以揭示不同时间对案件发生的影响，根据案件关联数据集和案件要素信息进行时间扩样分析处理，得到时间数据表。
[0112] 步骤S205，根据所述案件关联数据集和案件要素信息进行区域次数分析，得到次数数据表；
[0113] 需要说明的是，所述区域次数系数集用于反映不同区域的犯罪活动水平，具体的区域次数分析处理过程可以利用案件关联数据集合进行大数据分析处理，统计得到案件要素信息在特定区域内相关案件的发生次数。
[0114] 可以理解的是，为了分析案件在不同区域的发生次数情况，以揭示各区域的案件发生频率，根据案件关联数据集和案件要素信息进行区域次数分析，得到次数数据表。
[0115] 步骤S206，根据所述区域数据表、时间数据表和次数数据表，获取并输出案件扩样分析结果。
[0116] 可以理解的是，为了给后续的案件分析提供全面的案件扩样分析结果，根据区域数据表、时间数据表和次数数据表，得到案件扩样分析结果，反映不同区域的案件活动水平，为办案人员提供定位案件发生热点的重要信息。
[0117] 在一种可行的实施方式中，所述案件要素信息至少包括案件位置点集和点位数据提取半径，步骤S23可以包括步骤S231～S233：
[0118] 步骤S231，根据预设的区域扩样倍数集、所述案件位置点集和点位数据提取半径进行计算，得到区域扩样范围集；
[0119] 需要说明的是，所述区域扩样倍数集指预先设定的用于扩大案件位置周围区域范围的倍数集合。所述案件位置点集指包含案件发生地点坐标的集合。所述点位数据提取半径指用于确定案件位置周围特定范围的半径距离。所述区域扩样范围集中包含一个或多个区域扩样范围，是以案件位置点集中每个案件位置点和点位数据提取半径计算得到的范围为基础范围，并基于区域扩样倍数集中设定的区域扩样倍数分别对该基础范围倍增计算得到的，符合办案逻辑中案件发生的空间变化规律。
[0120] 可以理解的是，为了确定多个案件位置点区域扩样的范围，通过预设的区域扩样倍数集，结合案件位置点集和点位数据提取半径，计算得到案件位置周围的特定区域扩样倍数的区域扩样范围集，得到不同粒度的区域扩样范围，以满足不同的侦查需求。
[0121] 步骤S232，根据所述区域扩样范围集，获取所述案件关联数据集中对应的区域嫌疑人信息；
[0122] 需要说明的是，所述区域嫌疑人信息指在案件关联数据集以及区域扩样范围集的特定区域范围内可能与案件相关的人员信息。
[0123] 步骤S233，根据所述区域扩样倍数集和区域嫌疑人信息进行计算，得到区域扩样系数集，并根据所述区域扩样系数集和区域嫌疑人信息，生成区域数据表。
[0124] 需要说明的是，所述区域扩样系数集指用于反映特定区域对案件发生概率的影响程度的系数集合。
[0125] 可以理解的是，根据区域扩样倍数集和区域嫌疑人信息进行计算，得到区域扩样系数集，再将区域扩样系数集和区域嫌疑人信息存储到区域数据表中，以反映该区域对案件发生概率的影响。
[0126] 本实施方式中，利用大数据技术的思想，以案件要素中的空间要素为案件扩样的纽带，通过统计分析的方式得出区域扩样系数集，量化反映不同案件位置点非固定的倍数扩增空间内案件发生概率的影响程度，提高了案件扩样分析的准确率和效率，为案件分析提供了准确、高效的决策依据。
[0127] 在一种可行的实施方式中，所述案件要素信息至少包括案件位置点集、点位数据提取半径、案件起始时间和案件截止时间，步骤S204可以包括步骤S2041～S2044：
[0128] 步骤S2041，根据所述案件位置点集和点位数据提取半径进行计算，得到扩样区域集；
[0129] 需要说明的是，所述案件起始时间和案件截止时间分别是案件扩样分析初步确定的时间范围。所述扩样区域集指时间扩样中根据多个案件位置点和位置点数据提取的半径进行计算得到的案件位置的范围。
[0130] 可以理解的是，为了确定案件周围的特定区域，以便后续步骤分析相关信息，根据案件位置点集和点位数据提取半径，计算得到案件周围的扩样区域集，以确定案件相关区域。
[0131] 步骤S2042，根据预设的扩样时间区间集、所述案件起始时间和案件截止时间进行计算，得到时间扩样范围集；
[0132] 需要说明的是，所述扩样时间区间集指用于时间扩样处理中特定时间点上下浮动的时间区间的集合，符合办案逻辑中案件发生的时间变化规律。
[0133] 可以理解的是，为了确定案件时间扩样处理的时间范围，基于预设的扩样时间区间集，根据案件起始时间和案件截止时间计算时间扩样范围集。
[0134] 步骤S2043，根据所述扩样区域集及时间扩样范围集，获取所述案件关联数据集中对应的时间段嫌疑人信息；
[0135] 需要说明的是，所述时间段嫌疑人信息指在案件关联数据集中，根据扩样区域集及时间扩样范围集对应时间段的嫌疑人信息。
[0136] 可以理解的是，为获取与案件发生时间段相关的嫌疑人信息，根据扩样区域集和时间扩样范围集，在案件关联数据集中获取对应时间段内的嫌疑人信息。
[0137] 步骤S2044，根据预设的时间扩样系数公式、所述时间扩样区间集和时间段嫌疑人信息进行计算，得到时间扩样系数集，并根据所述时间扩样系数集和时间段嫌疑人信息，生成时间数据表。
[0138] 需要说明的是，所述时间扩样系数公式是以时间扩样区间和时间段嫌疑人信息为计算公式的输入参数，计算输出时间扩样系数的数学公式。
[0139] 可以理解的是，为了量化分析特定时间段内嫌疑人信息对案件发生概率的影响，使用预设的时间扩样系数公式，根据时间扩样区间集和时间段嫌疑人信息计算时间扩样系数集，并将时间扩样系数集和时间段嫌疑人信息存储到时间数据表中，以反映该区域不同时间段对案件发生概率的影响。
[0140] 本实施方式中，利用大数据技术的思想，以案件要素中的时间要素为案件扩样的纽带，通过统计分析的方式得出时间扩样系数集，量化反映固定的位置区域以及非固定的区间扩增时间段范围内对案件发生概率的影响程度，提高了案件扩样分析的准确率和效率，为办案案件分析提供了准确、高效的决策依据。
[0141] 在一种可行的实施方式中，所述案件要素信息至少包括案件位置点集、点位数据提取半径、案件起始时间和案件截止时间，步骤S205可以包括步骤S2051～S2054：
[0142] 步骤S2051，根据所述案件位置点集和点位数据提取半径进行计算，得到扩样区域集；
[0143] 步骤S2052，根据预设的扩样时间区间集、所述案件起始时间和案件截止时间进行计算，得到时间扩样范围集；
[0144] 步骤S2053，根据所述扩样区域集及时间扩样范围集，计算所述案件关联数据集中对应的嫌疑人出现次数；
[0145] 步骤S2054，根据所述嫌疑人出现次数进行计算，得到区域次数系数集，并根据所述区域次数系数集和所述案件关联数据集中对应的嫌疑人信息，生成次数数据表。
[0146] 可以理解的是，为量化分析特定区域和时间内嫌疑人信息对案件发生概率的影响，利用扩样区域集和时间扩样范围集，统计案件关联数据集中在指定区域和时间范围内出现的嫌疑人次数，根据嫌疑人在指定区域和时间范围内出现的次数，进行相应的计算，得到区域次数系数集，并将区域次数系数集和案件关联数据集中对应的嫌疑人信息存储到次数数据表。
[0147] 本实施方式中，通过综合分析案件周围区域、时间范围内的嫌疑人信息及其案件发生的次数，得到区域次数系数集，量化反映非固定的区间扩增时间段范围内固定的位置区域案件发生密度，符合办案逻辑中案件发生概率的区域时间变化规律，可以全面理解案件涉案情况，提高案件扩样分析的准确率和效率。
[0148] 在一种可行的实施方式中，步骤S206可以包括步骤S2061～S2062：
[0149] 步骤S2061，根据预设的权重比例，将所述区域数据表、时间数据表以及次数数据表中同一嫌疑人的系数分别进行加权求和，得到综合系数集，所述综合系数集包括若干个嫌疑人的综合系数；
[0150] 需要说明的是，所述区域扩样系数集用于衡量特定区域对案件发生可能性的影响程度的系数集合。所述时间扩样系数集用于衡量不同时间段对案件发生可能性的影响程度的系数集合。所述区域次数系数集用于衡量嫌疑人在不同时间段以及特定区域内出现频率对案件发生可能性的影响程度的系数集合。
[0151] 可以理解的是，为了综合得到案件发生可能性的量化系数，根据预设的权重比例，将区域扩样系数集、时间扩样系数集和区域次数系数集中相同嫌疑人的系数分别进行加权计算，得到包含所有嫌疑人的综合系数的综合系数集。
[0152] 步骤S2062，根据所述综合系数集，筛选所述案件关联数据集中综合系数小于预设阈值的嫌疑人，生成相关嫌疑人列表；
[0153] 步骤S2063，根据所述相关嫌疑人列表，获取并输出案件扩样分析结果。
[0154] 为办案人员提供科学的案件发生可能性评估，帮助其深入分析案件线索，根据综合系数集，筛选案件关联数据集中综合系数小于预设阈值的嫌疑人，生成相关嫌疑人列表，得到案件扩样分析模型输出的案件扩样分析结果，为办案人员提供案件相关的嫌疑人信息。
[0155] 本实施方式中，综合案件发生的时间、区域空间以及区域发生频率这些案件发生相关的影响程度，计算得到更全面的案件可能性评估，结合了大数据技术的深度挖掘和分析，符合案件侦查逻辑的多维度分析模型，能够帮助办案人员进行更科学的案件串并以及办案案件分析，提高案件侦查效率。
[0156] 具体地，如图3所示，图3为本申请案件分析方法涉及的扩样分析的流程示意图。包括以下步骤：
[0157] S1关联所需数据：
[0158] 根据办案逻辑分析，确定案件分析所需数据表，这些数据表通常包括案件的基本信息、证人证言、物证、受害人信息、嫌疑人的基本信息和案件行为等。接下来，分析每个数据表中的要素，了解其含义和重要性，确定数据表的关键要素。在确定关键要素时，需要考虑到哪些要素对于案件的分析和解决是至关重要的，例如时间、地点、人物等。最后，根据关键要素来确定各个数据表之间的关系，通过关联不同数据表中的关键要素。
[0159] S2数据清洗：
[0160] 数据集中存在着异常值的数据，这些异常值可能是由于数据采集错误、记录错误或者非正常情况引起的。为了使数据分析结果更加准确和可靠，需要通过数据清洗来处理这些异常值。具体来说，异常值识别的过程可以通过单变量散点图或者箱型图等方式进行。在识别出异常值后，可以采用删除异常值或者使用平均值修补的方式来处理这些异常值，从而形成一个新的更加纯净的数据集。
[0161] S21异常值识别：异常值是指数据集中存在不合理的值，又称离群点，采用单变量散点图或者箱型图进行识别。
[0162] S22异常值处理：对异常值进行处理，可采用删除异常值、平均值修补两种方式进行处理。
[0163] S3扩样分析模型：
[0164] 扩样分析模型是指根据用户的输入和设定的扩样分析规则，构建一个用于查找串并案线索的大数据分析模型。该模型包括多个组成部分，包含数据输入、区域扩样分析、时间扩样分析、区域次数分析以及结果输出。
[0165] S31数据输入：
[0166] 用户需要输入要查询的位置点p1,p2,...,pi、数据查询起始ts和截止时间te、点位数据提取半径r以及查询的数据文件等信息。这些信息将作为扩样分析模型的输入参数，用于后续的数据查询和分析过程。
[0167] S32区域扩样分析：
[0168] 以用户输入的点pi为圆心，r为半径，按照一定的搜索范围扩展来搜索相关嫌疑人信息。具体来说，可以通过以ni*0.1*r的方式扩展区域搜索范围，其中ni∈[1,2,3,...,10]，从而获取更加全面的嫌疑人信息。在数据文件中提取符合条件的嫌疑人信息后，需要计算嫌疑人区域扩样系数ai＝n1/ni，并将对应的嫌疑人和区域扩样系数写入该点位对应的区域数据表中。重复上述过程直至所有的位置点计算完成。
[0169] S33时间扩样分析：
[0170] 以用户输入的点pi为圆心，r为半径，根据一定的时间搜索范围扩展来搜索相关嫌疑人信息。具体来说，可以通过在数据查询起始时间ts±Δti和截止时间te±Δti之间的时间段内进行搜索，其中Δti＝[3,5,7,10]表示不同的扩样时间范围。在数据文件中提取符合条件的嫌疑人信息后，需要计算嫌疑人时间扩样系数βi＝Δt1/Δti，并将对应的嫌疑人和时间扩样系数写入该点位对应的时间数据表中。重复上述过程直至所有的位置点计算完成。
[0171] S34区域次数分析：
[0172] 以用户输入的点pi为圆心，r为半径，根据一定的时间搜索范围扩展来搜索相关嫌疑人信息。具体来说，可以在数据查询起始ts±Δti和截止时间te±Δti之间的时间段内进行搜索。在数据文件中提取符合条件的嫌疑人信息后，需要计算嫌疑人的出现次数系数εi，并将对应的嫌疑人和出现次数系数写入该点位对应的次数数据表中。重复上述过程直至所有的位置点计算完成。
[0173] S35结果输出：
[0174] 最后，将嫌疑人区域数据表、时间数据表以及次数数据表中的系数进行加权求和，得到每个嫌疑人的综合得分σi＝αi+βi+εi。筛选出综合得分σi大于指定阈值的嫌疑人信息作为结果输出，用于案件串并等案件分析工作。
[0175] 作为一种可行的实施方式，以交通肇事案件为例，可以包括以下步骤：
[0176] S1关联所需数据：根据办案逻辑分析，第一步要确定案件分析所需数据表，针对不同案件类型，所需数据表会有所不同。
[0177] 针对交通肇事案件，可能需要车辆信息表、驾驶员信息表、事故现场照片等数据表。对于数据表中的每一个要素，需要明确其含义和作用。例如，在车辆信息表中，车辆识别代码(VIN码)是一个唯一的车辆标识，可以确定一辆车的身份；发动机号码也是一个唯一的标识，用于确定车辆的发动机。这些关键要素可以用于确定嫌疑车辆和驾驶员。
[0178] 在确定了数据表的关键要素后，需要通过这些关键要素来确定各个数据表之间的关系。例如，在交通肇事案件中，可以将事故现场照片与车辆信息表和驾驶员信息表进行关联，以确定肇事车辆和驾驶员的身份。
[0179] 如图4所示，图4为本申请案件分析方法涉及的数据库中数据表格关联的流程示意图。以下面的数据表为例进行说明：
[0180] (1)读取数据库中存储的各类数据表格。这些表格包括人员信息表、车辆信息表、旅馆住宿表、铁路乘车表、电子眼表、网吧信息表、社会数据手机基站表等。这些数据表包含了各种相关信息，如人员的姓名、身份证号码等，车辆的信息如车型、车牌号码等。
[0181] (2)确定要素：数据表格中的列名。如身份证号、车牌号、铁路车次、旅店名称、网吧名称、手机46码等。其中要素中包含有关键要素，如身份证号、车牌号、手机号码等能够唯一确定嫌疑对象的要素，可以理解为数据表中的主键。以案发时间、地点、火车车次、旅店位置、手机基站位置等为中心扩展的范围区域。
[0182] (3)对应关系：以电子眼表格为对象，车牌照号码为要素，以案发时间和地点为中心，扩展时间搜索范围(案发前后1小时内(自定义))，扩展地点搜索范围(该电子眼位置为中心半径5公里(自定义)范围内)，将该范围区域定义为点位，提取该点位内全部电子眼抓取的车牌照数据，并以车牌照号码为关键要素，关联人员信息表、车辆信息表和电子眼表，该车牌照号码对应驾驶人信息表的车牌照号码，驾驶人信息表中的车牌照号码可以确定关键要素驾驶人身份证号码。
[0183] S2数据清洗：数据清洗是数据预处理的关键步骤之一，它能够有效地清除数据集中的异常值，从而提高数据分析的准确性。在进行数据清洗时，需要识别和处理数据集中的异常值，这些异常值可能是由于数据采集或处理过程中出现的问题而产生的。在具体的数据清洗过程中，通常包括以下两个步骤：
[0184] S21异常值识别：在这个步骤中，需要找出数据集中的异常值。这些异常值通常是指那些远离数据集中其他数据点的数据点，也称为离群点。为了识别这些异常值，可以使用单变量散点图或箱型图等方法来对数据进行可视化。通过观察这些图形，可以快速地发现哪些数据点是异常值。
[0185] S22异常值处理：一旦识别出异常值，可以对其进行处理以还原数据集的准确性。处理异常值的方法主要有两种：删除异常值和用平均值修补异常值。对于一些远离数据集其他数据点的异常值，可以直接将它们删除，从而减少其对数据分析的影响。而对于一些较为集中的异常值，可以使用平均值修补的方法来处理它们，即用该变量的平均值来代替异常值。
[0186] 通过以上两个步骤完成数据清洗的过程，从而得到一个更加准确和可靠的数据集。在进行数据分析时，使用这个清洗后的数据集能够更加准确地反映数据的实际情况，为后续的数据分析提供更好的支持。
[0187]身份证号 姓名 年龄 性别 民族 籍贯
001 张三 19 男 a A省
002 李四 21 男 a A省
001 王五 ‑2 男 a A省
... ... ... ... ... ...
[0188] 对上述表格的年龄统计其分布的均值μ和方差σ如下：
[0189]
[0190] ci表示第i个记录的年龄值，N表示记录的总数量。接下来根据标准差去除数据中的异常离散点，即仅保留年龄在区间[μ‑σ,μ+σ]内的数据。如表格中存在身份证号重复值“001”以及年龄异常值“‑2”，可以直接采用删除的方式对该条数据进行处理。
[0191] S3扩样分析模型：该扩样分析模型是一种基于用户输入和设定规则的大数据处理模型，旨在查找并输出串并案线索。该模型包括五个部分：S31数据输入、S32区域扩样分析、S33时间扩样分析、S34区域次数分析和S35分析结果输出。
[0192] S31数据输入：用户需要输入要查询的位置点p1,p2,...,pi，以及数据查询的起始时间ts和截止时间te。此外，用户还需要输入点位数据提取的半径r以及要查询的数据文件。这些数据为后续的分析提供了基础。
[0193] S32区域扩样分析：在区域扩样分析阶段，以用户输入的点pi为中心，以r为半径，按照ni*0.1*r的方式扩展区域搜索范围，其中ni∈[1,1.5,2,2.5,3]。然后，在数据文件中提取符合这些条件的所有嫌疑人信息，并计算每个嫌疑人区域扩样系数ai＝n1÷ni。最后，将对应的嫌疑人和区域扩样系数写入该点位对应的区域数据表。重复上述过程，直到所有的位置点计算完成。
[0194] 如图5所示，图5为本申请案件分析方法涉及的区域扩样分析的示意图。其中点p表示用户输入的位置，r为半径。首先，以p为中心，r为半径进行搜索，找到嫌疑人A，其嫌疑人区域扩样系数为aA＝n1/ni＝1。然后，以p为中心，1.5r为半径进行搜索，找到嫌疑人B，其嫌疑人区域扩样系数为aB＝n1/ni≈0.667。接下来，以p为中心，2r为半径进行搜索，找到嫌疑人C，其嫌疑人区域扩样系数为ac＝n1/ni＝0.5。
[0195] S33时间扩样分析：在时间扩样分析阶段，以用户输入的点pi为中心，以r为半径，数据查询的起始时间ts±Δti和截止时间te±Δti来扩展时间的搜索范围，其中Δti＝[3,5,7,10]。这表示扩样时间范围是3分钟、5分钟、7分钟和10分钟。然后在数据文件中提取符合这些条件的所有嫌疑人信息，计算每个嫌疑人时间扩样系数βi＝Δt1/Δti，并将对应的嫌疑人和时间扩样系数写入该点位对应的时间数据表。重复上述过程，直到所有的位置点计算完成。
[0196] 当Δti＝3时，检索到嫌疑人A，其嫌疑人时间扩样系数为βA＝Δt1/Δti＝1。当Δti＝5时，检索到嫌疑人B，其嫌疑人时间扩样系数为βB＝Δt1/Δti＝0.6。
[0197] S34区域次数分析：在区域次数分析阶段，以用户输入的点pi为中心，以r为半径，数据查询的起始时间ts±Δti和截止时间te±Δti来扩展时间的搜索范围。然后在数据文件中提取符合这些条件的所有嫌疑人信息，计算每个嫌疑人的出现次数系数εi，并将对应的嫌疑人和出现次数系数写入该点位对应的次数数据表。重复上述过程，直到所有的位置点计算完成。例如，如果嫌疑人A在用户输入的位置点中出现3次，则其出现次数系数εA＝3。
[0198] S35结果输出：将嫌疑人区域数据表、时间数据表以及次数数据表中的系数进行加权处理。具体来说，每个嫌疑人的综合评价系数σA＝αA+βA+εA＝1+1+3＝5。此时得到的σA小于指定的阈值10，那么可以认为嫌疑人A不是可疑人员。
[0199] 本实施方式中，主要基于大数据技术，通过关联所需数据，进行数据清洗以及扩样分析模型的构建，以提升串并案侦查的效率和准确度。在确定案件分析所需数据表后，需要对每个要素进行深入理解，明确数据表的关键要素，并以此为基础建立各数据表间的关联。数据清洗过程中，需识别并处理数据集中的异常值，从而形成新的有效数据集。在扩样分析模型构建阶段，需根据用户输入和预设的规则进行扩样分析模型的构建，用于寻找串并案线索。充分利用了案件数据库作为基础数据源，通过提取案发现场海量的电子数据，结合大数据技术构建扩样关联分析模型，深度挖掘多个案发现场的同一特征数据。这种方法为侦查串并案多发性系列案件提供了强有力的帮助，使得串并案侦查工作更加高效、精准。
[0200] 需要说明的是，上述示例实施方式仅用于理解本申请，并不构成对本申请案件分析方法的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。
[0201] 本实施例中，通过结合大数据技术和办案逻辑掌握案件发生的规律，综合考量不同区域、时间对案件发生的影响以及活动水平，为办案人员提供全面的案件扩样分析结果，从而有效开展案件分析和办案工作。
[0202] 本申请还提供一种案件分析装置，请参照图6，所述案件分析装置包括：
[0203] 信息获取模块10，用于获取案件要素信息；
[0204] 扩样分析模块20，用于将所述案件要素信息输入预先构建的用于查找串并案线索的扩样分析模型，通过所述扩样分析模型，对所述案件要素信息进行扩样分析，并输出案件扩样分析结果，所述案件扩样分析结果包括相关嫌疑人列表。
[0205] 可选地，所述扩样分析模块20还用于：
[0206] 根据预设的案件关键要素，对案件记录数据库中同一案件类型的若干案件信息数据表进行数据关联，生成案件关联数据集；
[0207] 将预设的区域扩样分析规则、时间扩样分析规则、区域次数分析规则作为模型逻辑处理的规则，以及，将所述案件关联数据集作为模型逻辑处理的数据源，根据所述模型逻辑处理的规则和数据源进行模型构建，得到用于查找串并案线索的扩样分析模型。
[0208] 可选地，所述扩样分析模块20还用于：
[0209] 将所述案件要素信息输入所述扩样分析模型中进行如下处理：
[0210] 根据所述案件关联数据集和案件要素信息进行区域扩样分析，得到区域数据表；
[0211] 根据所述案件关联数据集和案件要素信息进行时间扩样分析，得到时间数据表；
[0212] 根据所述案件关联数据集和案件要素信息进行区域次数分析，得到次数数据表；
[0213] 根据所述区域数据表、时间数据表和次数数据表，获取并输出案件扩样分析结果。
[0214] 可选地，所述扩样分析模块20还用于：
[0215] 根据预设的区域扩样倍数集、所述案件位置点集和点位数据提取半径进行计算，得到区域扩样范围集；
[0216] 根据所述区域扩样范围集，获取所述案件关联数据集中对应的区域嫌疑人信息；
[0217] 根据所述区域扩样倍数集和区域嫌疑人信息进行计算，得到区域扩样系数集，并根据所述区域扩样系数集和区域嫌疑人信息，生成区域数据表。
[0218] 可选地，所述扩样分析模块20还用于：
[0219] 根据所述案件位置点集和点位数据提取半径进行计算，得到扩样区域集；
[0220] 根据预设的扩样时间区间集、所述案件起始时间和案件截止时间进行计算，得到时间扩样范围集；
[0221] 根据所述扩样区域集及时间扩样范围集，获取所述案件关联数据集中对应的时间段嫌疑人信息；
[0222] 根据预设的时间扩样系数公式、所述时间扩样区间集和时间段嫌疑人信息进行计算，得到时间扩样系数集，并根据所述时间扩样系数集和时间段嫌疑人信息，生成时间数据表。
[0223] 可选地，所述扩样分析模块20还用于：
[0224] 根据所述案件位置点集和点位数据提取半径进行计算，得到扩样区域集；
[0225] 根据预设的扩样时间区间集、所述案件起始时间和案件截止时间进行计算，得到时间扩样范围集；
[0226] 根据所述扩样区域集及时间扩样范围集，计算所述案件关联数据集中对应嫌疑人的出现次数；
[0227] 根据所述案件关联数据集中对应嫌疑人的出现次数进行计算，得到区域次数系数集，并根据所述区域次数系数集和所述案件关联数据集中对应的嫌疑人信息，生成次数数据表。
[0228] 可选地，所述扩样分析模块20还用于：
[0229] 根据预设的权重比例，将所述区域数据表、时间数据表以及次数数据表中同一嫌疑人的系数分别进行加权求和，得到综合系数集，所述综合系数集包括若干个嫌疑人的综合系数；
[0230] 根据所述综合系数集，筛选所述案件关联数据集中综合系数小于预设阈值的嫌疑人，生成相关嫌疑人列表；
[0231] 根据所述相关嫌疑人列表，获取并输出案件扩样分析结果。
[0232] 本申请提供的案件分析装置，采用上述实施例中的案件分析方法，能够解决现有技术中案件分析的准确率及效率低的技术问题。与现有技术相比，本申请提供的案件分析装置的有益效果与上述实施例提供的案件分析方法的有益效果相同，且所述案件分析装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0233] 本申请提供一种案件分析设备，案件分析设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述第一实施例中的案件分析方法。
[0234] 下面参考图7，其示出了适于用来实现本申请实施例的案件分析设备的结构示意图。本申请实施例中的案件分析设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant：个人数字助理)、PAD(Portable Application Description：平板电脑)、PMP(Portable Media Player：便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的案件分析设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
[0235] 如图7所示，案件分析设备可以包括处理装置1001(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM：Read Only Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM：Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有案件分析设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器(LCD：Liquid Crystal Display)、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许案件分析设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的案件分析设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0236] 特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。
[0237] 本申请提供的案件分析设备，采用上述实施例中的案件分析方法，能解决现有技术中案件分析的准确率及效率低的技术问题。与现有技术相比，本申请提供的案件分析设备的有益效果与上述实施例提供的案件分析方法的有益效果相同，且该案件分析设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
[0238] 应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0239] 以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
[0240] 本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令(即计算机程序)，计算机可读程序指令用于执行上述实施例中的案件分析方法。
[0241] 本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM：Random Access Memory)、只读存储器(ROM：Read Only Memory)、可擦式可编程只读存储器(EPROM：Erasable Programmable Read Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM：CD‑Read Only Memory)、光存储器件、磁存储器件，或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency：射频)等等，或者上述的任意合适的组合。
[0242] 上述计算机可读存储介质可以是案件分析设备中所包含的；也可以是单独存在，而未装配入案件分析设备中。
[0243] 上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被案件分析设备执行时，使得案件分析设备：获取案件要素信息；将所述案件要素信息输入预先构建的用于查找串并案线索的扩样分析模型，通过所述扩样分析模型，对所述案件要素信息进行扩样分析，并输出案件扩样分析结果，所述案件扩样分析结果包括相关嫌疑人列表。
[0244] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN：
Local Area Network)或广域网(WAN：Wide Area Network)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0245] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框，以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0246] 描述本申请实施例中所涉及的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0247] 本申请提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述案件分析方法的计算机可读程序指令(即计算机程序)，能够解决现有技术中案件分析的准确率及效率低的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的案件分析方法的有益效果相同，在此不作赘述。
[0248] 本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的案件分析方法的步骤。
[0249] 本申请提供的计算机程序产品能够解决现有技术中案件分析的准确率及效率低的技术问题。与现有技术相比，本申请提供的计算机程序产品的有益效果与上述实施例提供的案件分析方法的有益效果相同，在此不作赘述。
[0250] 以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。
