[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

说明书

本发明公开了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，其特征为实施步骤包括：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；基于交织时间序列构建训练集和测试集；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训练；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，选择更佳的预测结果输出。本发明可直接对不同间隔的时间序列进行分析而不需要重采样，能获得更好的预测效果。

技术领域

本发明涉及针对犯罪数据的数据分析及犯罪预测技术，具体涉及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。

背景技术

犯罪预测是关系到社会稳定和人民生活的重大问题。从普通人的角度来看，作为居民或旅游者，告诉他们一个定性的预测结果比定量的更具吸引力。他们更关心安全与否，会发生多少罪行。一个定性的预测结果似乎足以让人们远离危险。但实际上，问题是应该如何界定危险。作为一个游客，如果一个小男孩告诉你下一个街区是很危险的，也许你会联想到一个大狗或几个淘气的青少年。但是如果一个警官告诉你，你会毫不犹豫地换个地方。所以真正的问题是谁定义危险。现在从警察部署或决策者的角度来看，对定量预测结果的处理更加实际。定义盗窃罪危险的阈值可能需要超过十个案件发生，但枪击案件很可能一个就足够危险了。不同类型犯罪之间的关系，地理因素和经济因素都是需要考虑的重要决策条件。在所有的复杂因素中，定量预测是智能决策最关键的基础。

犯罪是一种人类社会活动，而犯罪预测属于社会事件预测的讨论。近年来的研究主要集中在预测大型社会事件的发生。有研究利用多示例学习方法预测在时间在拉丁美洲的美国骚乱事件的发生。有的研究利用在线数据预测在街头抗议美国在拉丁美洲。有的研究提出了一种多任务框架，美国在对拉美国家Twitter数据分析，提高了预测能力。有的研究抓取网络数据的犯罪事件，建立模糊规则分析句子支持预测。几乎最近的方法在犯罪预测问题上使用的社会媒体数据与自然语言处理(NLP)技术。但是他们都是定性研究，更关心的预测结果是否会发生，而不是定量犯罪预测。

预测是以时间为基础的，而犯罪预测是一种时间序列预测问题。在股票预测和财务数据分析等经典研究领域中，时间序列是指在时间上连续相等的点的序列。无论是时间序列或多元时间序列都需要相等的时间间隔。多条时间序列需要重采样。传统的时间序列分析模型，如广义自回归条件异方差(GARCH)，可以获得良好的序列的预测结果，但处理复杂的关系，效率低下。神经网络模型可以训练参数来学习不同的犯罪关系以及它的内在结构，但削弱序列之间的关系。而循环神经网络(又称递归神经网络，简称RNN)模型显示出其优势。

循环神经网络不仅适用于为序列数据，其神经网络的结构是适合学习其中的复杂关系。就像蝴蝶效应，小调整的积累会导致大的问题，这种在神经网络中的现象被称为消失梯度和爆炸梯度。为了解决这些问题，人们提出了长短期记忆(LSTM)，其结构中存在三个门，称为输入和输出门，忘记门，可防止反向传播误差消失或爆炸。还有一个叫门递归单元(GRU)的RNN模型重复单元，类似于LSTM，但只要两个门，更新门和重置门。神经网络的连接方式分为全部和局部两种，全部连接即每个结构单元之间是相互连通的，而局部连接即部分单元之间没有连通。但是，如何基于循环神经网络实现犯罪预测，已经成为一项亟待解决的关键技术问题。

发明内容

本发明要解决的技术问题是：针对现有技术的上述问题，提供一种可直接对不同间隔的时间序列进行分析而不需要重采样，能获得更好的预测效果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，本发明能够有效提高提高犯罪的定量预测的准确性，相比现有方法能够达到更好的效果。

为了解决上述技术问题，本发明采用的技术方案为：

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，实施步骤包括：