Arson is one of the most common crimes, and it has the characteristics of low cost and great harm. In addition to causing casualties and property damage, arson can often have huge social impacts and cause psychological panic in the public. Since arson is more harmful when conducted by a gang, how to effectively identify gang crimes in arson cases has become an important issue. In this paper, we propose a hybrid method that combines ensemble learning and intelligent optimization algorithms to solve this problem. First, we develop the recursive feature elimination (RFE)-based feature selection method to remove redundant features. Second, for the data imbalance problem, we determine the optimal processing algorithm from 18 candidate algorithms. Third, after trying a combination of multiple base classifiers, we obtain the optimal base classifier combination. Fourth, when integrating the prediction results of the base classifier, we propose a weighted ensemble strategy. Finally, we use the differential evolution (DE) algorithm to optimize the parameters of the base classifier and the weight of the combination, which further enhances the identification ability of the model. To verify the actual performance of the proposed method, we conducted experiments on the US National Fire Incident Reporting System (NFIRS) database. The results show that the proposed method is significantly superior to other popular machine learning methods, which proves that this method can provide a more reliable decision basis in the detection of arson cases.

纵火是最常见的犯罪之一，具有造价低，危害大的特点。纵火除了造成人员伤亡和财产损失外，还经常会产生巨大的社会影响，并在公众中引起心理恐慌。由于纵火在由帮派进行时更有害，因此如何有效地识别纵火案中的帮派犯罪已成为一个重要问题。在本文中，我们提出了一种结合了集成学习和智能优化算法的混合方法来解决这个问题。首先，我们开发了基于递归特征消除（RFE）的特征选择方法，以去除冗余特征。其次，针对数据不平衡问题，我们从18种候选算法中确定最佳处理算法。第三，尝试组合多个基本分类器后，我们获得最佳的基础分类器组合。第四，在整合基础分类器的预测结果时，我们提出了加权集成策略。最后，利用差分进化算法对分类器的参数和组合权重进行优化，进一步提高了模型的识别能力。为了验证所提出方法的实际性能，我们在美国国家火灾事故报告系统（NFIRS）数据库上进行了实验。结果表明，该方法明显优于其他流行的机器学习方法，证明该方法可以为纵火案件的检测提供更可靠的决策依据。最后，利用差分进化算法对基本分类器的参数和组合权重进行优化，进一步提高了模型的识别能力。为了验证所提出方法的实际性能，我们在美国国家火灾事故报告系统（NFIRS）数据库上进行了实验。结果表明，该方法明显优于其他流行的机器学习方法，证明该方法可以为纵火案件的检测提供更可靠的决策依据。最后，利用差分进化算法对基本分类器的参数和组合权重进行优化，进一步提高了模型的识别能力。为了验证所提出方法的实际性能，我们在美国国家火灾事故报告系统（NFIRS）数据库上进行了实验。结果表明，该方法明显优于其他流行的机器学习方法，证明该方法可以为纵火案件的检测提供更可靠的决策依据。我们在美国国家火灾事故报告系统（NFIRS）数据库上进行了实验。结果表明，该方法明显优于其他流行的机器学习方法，证明该方法可以为纵火案件的检测提供更可靠的决策依据。我们在美国国家火灾事故报告系统（NFIRS）数据库上进行了实验。结果表明，该方法明显优于其他流行的机器学习方法，证明该方法可以为纵火案件的检测提供更可靠的决策依据。