[发明专利]基于F函数和改进KD树的犯罪大数据点模式分析方法

权利要求书

1.一种基于F函数和改进KD树的犯罪大数据点模式分析方法，其特征在于，包括以下步骤：

步骤1：生成随机点集；

输入所有待处理的犯罪事件点，即坐标，设定每个事件点的研究区域半径，基于每一事件点在研究区域内生成随机点集，基于随机点集建立KD树；

步骤2：搜索最邻近点；

在KD树中搜索每个点的最邻近随机点，计算最邻近随机点到事件点之间的距离d_min，直到所有输入的点都计算完毕，得到所有点的最邻近距离；

步骤3：计算F函数；

将得到的所有点的最邻近距离按照大小排序，计算最邻近距离的变程R和组距D，其中R＝max(d_min)-min(d_min)，根据组距上限值累积计数点的数量，并计算累积频率F(d)；

步骤4：进行显著性检验并得到分析结果；

若计算结果满足显著性检验指标，输出F(d)关于距离d的曲线图，判断点数据的空间分布模式；对于F函数来说，如果F函数值开始时增加得较慢，但到距离d较大时，F函数开始快速增加，则判断点事件在空间中趋于聚集分布；如果F函数值开始时增加得较快，距离d较大时增加得较慢，则点事件在空间中趋向分散分布。

2.根据权利要求1所述的基于F函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤1中所述建立KD树，首先计算每一个簇中所有数据的每一维方差，然后选取方差最大的那一维中所有数据的中位数作为分割超面，即根结点，最后确定左子树右子树，递归进行，直到叶子结点。

3.根据权利要求1所述的基于F函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤2中，采用多线程并行搜索在KD树中搜索最邻近点。

4.根据权利要求1所述的基于F函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤3中，用最邻近距离的累积频率分布F(d)描述邻近测度，通过随机点和点事件间的分散程度来描述分布模式；

其中，d_min(p_i,S)表示从随机选择的p_i点到研究区域的点模式S的最邻近距离，m表示随机点的个数，d是距离。

5.根据权利要求1-4任意一项所述的基于F函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤4中，使用蒙特卡洛随机模拟的方法，若随机模拟分布函数大于上界U(d)的概率和小于下界L(d)的概率符合则计算结果满足显著性检验指标。