[发明专利]基于分层岭回归算法的警情预测方法和预测系统

说明书

本发明公开了一种基于分层岭回归算法的警情预测方法和预测系统，其中警情预测方法包括：1、采集小区、社区、派出所的历史属性数据和小区的警情数量，对采集数据进行数据清洗，并将地址字段进行标准化处理；2、确定训练样本：3、基于分层岭回归模型建立警情预测模型，并采用训练样本对警情预测模型进行训练；4、获取待预测小区的属性数据，将其输入训练好的警情预测模型中，得到待预测小区的警情数量预测值。该方法从派出所、社区、小区三个层次来分析各层属性对小区警情数量的影响，能够实现小区警情数量的准确预测。

技术领域

本发明属于大数据分析技术领域，具体涉及一种采用大数据技术进行警情预测的方法和系统。

背景技术

巡防工作是人民警察的第一勤务，是公安机关的职责所在。在以往的基层实战中，大多高度依赖所队“指挥官”的个人经验预判警情多发区域，对这些区域加强巡防，巡防策略缺少科学决策。随着大数据技术的发展，越来越多的地方公安发挥自身的大数据资源优势，通过机器学习、云计算等手段辅助决策，预测警情多发区域，优化巡防策略。然而，当前警情预测方法大多从历史警情出发，通过时间序列等方法预测特定区域的未来警情。为了预测小区的警情，现有方法通常将每个小区作为独立的样本个体进行分析，没有考虑小区所在社区，及所属派出所等上级区划对小区的影响，预测结果准确度不高。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种警情预测方法，该方法从派出所、社区、小区三个层次来分析各层属性对小区警情数量的影响，能够实现小区警情数量的准确预测。

技术方案：本发明一方面公开了一种基于分层岭回归算法的警情预测方法，包括如下步骤：

(1)采集小区、社区、派出所的历史属性数据和小区的警情数量，对采集数据进行数据清洗，并将地址字段进行标准化处理；

(2)确定训练样本：步骤1处理后的数据按照时间区间分为N组，将每组数据的属性平均值和警情数量平均值作为训练样本，构成有N个样本的训练集；本发明中按照自然月为单位将采集的数据分为N组；

(3)基于分层岭回归模型建立警情预测模型，所述警情预测模型为：

SI＝α₀+α₁x₁+α₂x₂+…+α_lx_l

α_i＝β_i0+β_i1y₁+β_i2y₂+…+β_imy_m

β_ij＝γ_ij0+γ_ij1z₁+γ_ij2z₂+…+γ_ijnz_n

其中x₁,x₂,…,x_l为小区h的属性数据，y₁,y₂,…,y_m为小区h所属的社区c(h)的属性数据；z₁,z₂,…,z_n为社区c(h)所对应派出所的属性数据，SI为小区h的警情数量；l,m,n分别为小区、社区、派出所的属性数量；α_i，β_ij，γ_ijk为警情预测模型的回归系数；i＝0,1,…,l，j＝0,1,…,m，k＝0,1,…,n；

利用训练样本对警情预测模型进行训练，通过最小化损失函数来确定回归系数；所属损失函数L(α,β,γ)为：