[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

说明书

一种基于时空数据和神经网络的犯罪案件数量预测方法，首先，在传统的距离计算基础上，利用出租车流量数据，重新计算区域之间的邻近关系；然后，考虑犯罪在时间和空间上均具有邻近传播的性质，以区域及其邻近区域在当前及过去一段时间的犯罪案件数量作为输入，以该区域在下一个时间段的犯罪案件数量作为输出，为每个区域构建一个BP神经网络模型；通过训练每个区域的BP神经网络和计算测试集的平均绝对误差，确定较优的邻近区域的范围、过去时间段的范围及神经网络隐藏层的节点数。本发明模型合理，使用犯罪记录数据和出租车流量数据并从时空角度进行分析，提高了犯罪案件数量预测的准确度，为优化部署每个区域的巡逻警力提供指导。

技术领域

本发明涉及犯罪预测领域，尤其是一种基于时空数据和神经网络的犯罪案件数量预测方法。

背景技术

犯罪预测是指运用科学方法，依据现有的犯罪数据和资料以及对可能影响犯罪的各种相关因素的分析、研究，对在未来特定时空范围内可能出现的犯罪现象的状况、结构、发展趋势等所作的判断，是制定犯罪预防战略和战术措施的重要科学依据。一直以来，业界和学术界都在从不同的角度研究犯罪预测问题。其中，犯罪案件数量预测，即根据犯罪记录数据及其他可用数据预测某地域在未来指定时间段内的犯罪案件数量，可以为优化部署巡逻警力提供指导，越来越受到青睐。

目前，犯罪案件数量预测的研究主要从以下三个方面着手：(1)利用犯罪行为的分布在时间上的规律性，根据某区域过去一段时间的犯罪数量来预测该区域在下一个时段内的犯罪数量，常用的预测方法有时间序列分析(如ARMA模型、SARIMA模型)、统计回归算法等。(2)利用犯罪行为的分布在空间上的规律性，根据某区域的邻近区域的犯罪情况，并结合各区域内的人口结构、经济水平、教育程度等特征数据来预测该区域的犯罪数量。近年来，随着大数据技术的发展，各区域内的特征数据还增加了人类活动数据，比如出租车流量、各类场所的人流量，相关的研究成果可参阅文献[1]：Wang H,Kifer D,Graif C,etal.Crime Rate Inference with Big Data[C]//Proceedings of the 22nd ACMInternational Conference on Knowledge Discovery and Data Mining.ACM,2016:635-644.(即Wang H,Kifer D,Graif C等.基于大数据的犯罪率预测[C]//第22届ACM国际知识发现与数据挖掘会议,2016:635-644.)，文献[2]：Wang H,Li Z.Region RepresentationLearning via Mobility Flow[C]//Proceedings of the 26th ACM InternationalConference on Information and Knowledge Management.ACM,2017:237-246.(即WangH,Li Z.基于活动流的区域表示学习[C]//第26届ACM国际知识与信息管理会议,2017:237-246.)，以及文献[3]：Kadar C,Iria J,Pletikosa I.Exploring Foursquare-derivedfeatures for crime prediction in New York City[C]//Urban Computing Workshop–KDD,2016.(即Kadar C,Iria J,Pletikosa I.探究Foursquare提供的特征数据对犯罪预测的影响—以纽约为例[C]//第22届ACM国际知识发现与数据挖掘会议的泛在计算研讨会,2016)。(3)同时从时间和空间角度进行分析，即根据某区域及邻近区域过去一段时间的犯罪数量预测该区域在下一个时段内的犯罪数量。较新的研究成果可参阅文献[4]：刘美霖,高见,黄鸿志等.基于时空序列混合模型的犯罪情报预测分析[J].情报杂志,2018,37(9):27-37.。

上述研究成果为犯罪案件数量预测提供了有力的理论支撑。然而，它们或是从单一的时间或者空间角度进行分析，或是仅使用比较单一的数据源，即历史犯罪记录数据，没有挖掘其他时空数据对犯罪的影响。故如何使用多种数据源并从时空角度进行犯罪案件数量预测以提高预测准确度是一个非常有意义的问题。