استخراج الگوهای جرائم مواد مخدر و شناسایی افراد در معرض خطر با استفاده از تکنیکهای داده کاوی
Publish place: Social Welfare Quarterly، Vol: 22، Issue: 84
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 62
This Paper With 30 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_REFA-22-84_001
تاریخ نمایه سازی: 13 آذر 1402
Abstract:
مقدمه: رشد فناوری اطلاعات در سازمانها، منبع عظیمی از دادههای ذخیره شده در حوزه جرائم مرتبط با مواد مخدر را فراهم آورده است. تحلیل این دادهها و کشف الگوهای پنهان موجود در آن به کمک داده کاوی میتواند به کشف و پیشگیری از وقوع جرائم در این حوزه کمک نماید. هدف این مقاله بکارگیری تکنیکهای دادهکاوی جهت شناسایی افراد مستعد به قاچاق مواد مخدر در استان سیستان و بلوچستان و نیز کشف الگوهای جرم است.
روش : پژوهش حاضر بر روی دادههای ۴۶۷ مجرم حوزه مواد مخدر در استان سیستان و بلوچستان که در طی سالهای ۱۳۹۲ الی ۱۳۹۹ مرتکب جرم قاچاق مواد مخدر شدهاند با نمونه گیری در دسترس انجام گرفته است. برای انجام این تحقیق از متدولوژی استاندارد CRISP-DM و الگوریتمهای طبقهبندی ماشین بردار پشتیبان، بیزین ساده، رگرسیون لجستیک، درخت تصمیم و نزدیکترین همسایه و برای استخراج الگوهای جرائم از الگوریتم الگوکاوی اپریوری استفاده شده است.
یافته ها: الگوریتم الگوکاوی بالغ بر ۲۰ الگوی جرم با دقت بالای ۸۰ درصد استخراج کرده است. به علاوه نتایج نشان میدهد در میان الگوریتمهای طبقهبندی، طبقهبند نزدیکترین همسایه قادر است با دقت ۸۴ درصد افراد در معرض خطر را شناسایی کند.
نتیجه گیری: با بکارگیری مدل ساخته شده با این الگوریتم میتوان سامانهای برای شناسایی افراد مستعد به قاچاق مواد مخدر طراحی کرد. نتایج حاصل از پیشبینیهای انجام گرفته توسط سامانه مذکور و کشف الگوهای پنهان موجود در دادهها می توانند کمک شایانی به پلیس، دستگاههای قضایی و مددکارهای اجتماعی در شناسایی افراد در معرض خطر و کاهش جرائم مرتبط با قاچاق مواد مخدر نمایند.
Keywords:
Drug offenses , Data mining , Support vector machine (SVM) , Crime patterns , Crime prediction , جرائم مواد مخدر , داده کاوی , طبقه بند نزدیکترین همسایه , الگوهای جرم
Authors
Ahmad Bakhtiyari Shahri
Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
Samira Noferesti
Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran.
Nosrat Eftekhari
Faculty of Electrical and Computer Engineering, Chabahar International University, Chabahar, Iran
Nadia Jahantigh
Department of Information Technology, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchistan, Zahedan, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :