[发明专利]基于交织时间序列局部连接循环神经网络的犯罪预测方法

权利要求书

1.一种基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于实施步骤包括：

1)将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；

2)基于交织时间序列构建训练集和测试集；

3)分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，并通过训练集完成对局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的训练；

4)将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，分别得到不同的犯罪预测结果，且选择更佳的犯罪预测结果输出。

2.根据权利要求1所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征在于，步骤3)中分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的详细步骤包括：

3.1)建立LSTM循环神经网络模型以及GRU循环神经网络模型；

3.2)分别将LSTM循环神经网络模型以及GRU循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，且对N种时间序列构建N个独立的隐藏层，在输出层之前建立汇总层，最终构建得到局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型。

3.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.1)中LSTM循环神经网络模型的函数表达式如式(1)所示；

式(1)中，f_t为遗忘门，σ为Sigma函数，W_fh和W_fx为权值，h_t-1为上一个短期状态值，x_t为输入的犯罪次数，b_f为偏置值，i_t为输入门，W_i为权值，b_i为偏置值，为长期状态估计值，W_c为权值，b_c为偏置值，c_t为长期状态，c_t-1为上一个长期状态，o_t为输出门，W_o为权值，b_o为偏置值，h_t为短期状态。

4.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.1)中GRU循环神经网络模型的函数表达式如式(2)所示；

式(2)中，z_t为更新门，σ为Sigma函数，W_x为权值，h_t-1为上一个状态，U_x为权值，x_t为输入的犯罪次数，r_t为复位门，W_r为权值，U_r为权值，为状态估计值，U为权值，h_t为状态。

5.根据权利要求2所述的基于交织时间序列局部连接循环神经网络的犯罪预测方法，其特征为，步骤3.2)中建立的汇总层的函数表达式如式(3)所示；

h_intergrate＝W_h1×h_t1+W_h2×h_t2+…+W_hk×h_tk (3)

式(3)中，h_intergrate为汇总状态值，W_h1为权值，h_t1为时间序列t1的状态值，W_h2为权值，h_t2为时间序列t2的状态值，W_hk为权值，h_tk为时间序列tk的状态值。