[发明专利]基于时空数据和神经网络的犯罪案件数量预测方法

权利要求书

1.一种基于时空数据和神经网络的犯罪案件数量预测方法，其特征在于：该方法包括以下步骤：

(1)根据当地的巡逻或管理辖区的划分，将研究的地区进行地理空间分割，所述的巡逻或管理辖区称为“区域”，用M表示所述区域的个数；

(2)将每个所述区域内的犯罪记录数据划分为相同时间间隔的时间序列，并构建测试集和训练集，所述时间间隔由用户按需设定；

(3)为每个所述区域i构建一个BP神经网络模型。所述BP神经网络模型由一个输入层、一个隐藏层和一个输出层构成。其中，输入向量是由该所述区域i和它的m个邻近区域在时间段s及过去n个时间段(即s-1,s-2,…,s-n)的犯罪案件数量组成的，输出是该所述区域在时间段s+1的犯罪案件数量，隐藏层的节点数为c；

(4)分别使用训练集和测试集来训练和测试每个所述区域的BP神经网络模型；

(5)对于每个所述区域，使用所述步骤(4)中训练完成的所述该区域的BP神经网络模型来预测该所述区域在下一个时间段的犯罪案件数量。

2.如权利要求1所述的一种基于时空数据和神经网络的犯罪案件数量预测方法，其特征在于：所述步骤(3)中，所述区域i的m个邻近区域的定义方法为：

S3-1：构建基于距离的归一化空间权重矩阵W_d：

式中，其中的d_ij表示所述区域i和所述区域j之间的中心距离，C是常数，exp(·)表示以自然数e为底的指数函数；

S3-2：构建基于出租车流量的归一化空间权重矩阵W_t：

式中，其中的f_ij表示以所述区域i为出发点、以所述区域j为目标点的出租车总流量；

S3-3：构建归一化混合空间权重矩阵W：

式中，其中的和分别是所述基于距离的归一化空间权重矩阵W_d和所述基于出租车流量的归一化空间权重矩阵W_t的和a与b是权重参数且满足a+b＝1；

S3-4：所述区域i的m个邻近区域就是所述归一化混合空间权重矩阵W的第i行中前m个大的元素所对应的m个区域。

3.如权利要求1或2所述的一种基于时空数据和神经网络的犯罪案件数量预测方法，其特征在于：所述步骤3中，每个区域i的BP神经网络模型表示为：

式中，表示所述区域i和它的所述m个邻近区域的集合，z_j(s)表示区域j在时间段s的犯罪案件数量，表示输入节点和隐藏层节点之间的连接权值，α_k表示隐藏层节点和输出节点之间的连接权值，β_k表示隐藏层节点的阈值，隐藏层激活函数f为sigmoid函数，输出层激活函数F为线性函数。

4.如权利要求1或2所述的一种基于时空数据和神经网络的犯罪案件数量预测方法，其特征在于：在所述步骤(4)中，不断改变所述步骤(3)中的所述“m个邻近区域”、“过去n个时间段”和“隐藏层的节点数为c”中m、n和c的取值，使用训练集和测试集来训练和测试每个所述区域的BP神经网络模型，并计算测试集的平均绝对误差，从而确定m、n和c的较优值。