伴随着互联网和电子商务的发展,快递服务作为一种新型服务业出现在大众视野,快递员的数量大规模增长的同时,随之而来的有关快递员利用其职务之便入室抢劫等违法犯罪行为也频频发生。因此,通过对快递员的行为特征数据分析,得到影响其违法犯罪行为的因素,并做到针对性的预警及建议是很有必要的。聚类分析作为数据挖掘中的基础方法,是一种无监督式的学习方法。在对快递员的行为特征分析时,本文选择k-means算法进行聚类分析,进一步通过算法的优化和朴素贝叶斯分类算法,实现了对快递员群体的违法犯罪行为倾向的判别。本文的主要研究工作如下:(1)基于快递员的特征行为数据,主要从其基本信息、特征行为信息和工作满意度信息三方面出发,进行深入分析,得出初步的分析结论。(2)由于传统的k-means算法有一定的局限性,对初始聚类中心敏感,并且本文充分考虑到各个特征属性的重要性程度的不同,将客观性的权重计算方法熵权法做优化,提出了一种改进的基于熵权法的遗传k-means算法,对快递员数据集进行初步的聚类分析。(3)运用朴素贝叶斯分类算法对有关快递员的违法犯罪数据集做进一步分析,将加权的遗传k-means算法得到的三个簇类进行分类,针对违法犯罪倾向高的群组和个体做出预警以及建议。本文采用UCI数据库的公开数据集,对加权的遗传k-means算法做仿真实验,通过与k-means算法、遗传的k-means算法的对比,验证了本文算法在特征属性和聚类类别较少的前提下,具有相对较好的聚类准确率。最后对聚类得到的三个簇类进行朴素贝叶斯分类,针对违法犯罪倾向较高的群组从快递员自身、快递公司和快递行业三方面做出相应的预警、建议和措施。