[发明专利]一种基于深度时空残差神经网络的短时犯罪预测方法

权利要求书

1.一种基于深度时空残差神经网络的短时犯罪预测方法，其特征在于，该方法包含以下步骤：

(1)将预测区域按经纬度划分为I×J个大小相同的网格单元。

(2)获取预测区域的历史犯罪数据，并按一小时时间间隔将历史犯罪数据根据犯罪地点投影到每个所述网格单元中，并统计生成所述预测区域在每个时间段t的犯罪时空矩阵X_t，对所述犯罪时空矩阵X_t做积分处理得到积分犯罪时空矩阵Y_t，然后将所述积分犯罪时空矩阵r_t进行归一化处理，生成归一化犯罪时空矩阵Y_t，scaled；其中，对所述犯罪时空矩阵X_t做积分处理得到积分犯罪时空矩阵Y_t具体如下：

其中，k＝t-(t mod24)。

(3)根据归一化犯罪时空矩阵Y_t，scaled针对临近相似性、日周期性和周周期性提取时间特征，分别生成临近时间矩阵Y_h、日周期时间矩阵Y_d、周周期时间矩阵Y_w，并构建三个共享的模块、用于融合三个共享的模块输出的融合层和输出层作为犯罪预测模型。三个共享的模块均由堆叠的3D卷积层、多层残差单元和一个“重新校准”(Rc)模块组成。以在t时间段构建的临近时间矩阵Y_h、日周期时间矩阵Y_d和周周期时间矩阵Y_w分别作为三个模块的输入，t+1时段的犯罪时空矩阵Y_t+1作为犯罪预测模型的预测目标，利用获取的预测区域的历史犯罪数据进行训练，获得训练好的犯罪预测模型并利用训练好的犯罪预测模型对待预测时间段进行犯罪预测。

2.根据权利要求1所述的短时犯罪预测方法，其特征在于，所述步骤(2)中，犯罪数据预处理的步骤如下：

(2.1)获取预测区域的历史犯罪数据，并按一小时时间间隔进行划分；对于每个时间段t，将历史犯罪数据根据经纬度投影到每个所述网格单元中，并统计生成所述预测区域在所述时间段t内的犯罪时空矩阵X_t：

其中，表示所述网格单元(i，j)在所述时间段t的犯罪数量；

(2.2)将所述步骤(2.1)中生成的犯罪时空矩阵X_t做积分处理得到积分犯罪时空矩阵Y_t。

(2.3)将所述步骤(2.2)积分犯罪时空矩阵Y_t做归一化处理并生成归一化犯罪时空矩阵Y_t，scaled。所述归一化处理公式如下：

其中，和分别表示所述网格单元(i，j)在所述时间段t的犯罪数量积分后的值和其归一化后的值，和分别表示所述预测区域在所述时间段t中犯罪数量积分后值的最大值和最小值。

3.根据权利要求1所述的短时犯罪预测方法，其特征在于，所述步骤(3)中根据犯罪时空矩阵Y_t针对临近相似性、日周期性和周周期性提取时间特征，分别生成临近时间矩阵Y_h、日周期时间矩阵Y_d、周周期时间矩阵Y_w，具体表示如下：

其中，l_h、l_d、l_w为正整数，分别表示在t时间段，临近相似性、日周期性、周周期性的长度，T＝24表示犯罪数据日周期时间特征的周期，d＝1表示固定时间一天，w＝7表示固定时间一周。

4.根据权利要求1所述的短时犯罪预测方法，其特征在于，所述步骤(3)中融合层融合结果表示为Y_f，具体为：

其中：是矩阵的Hadamard乘积，W_fh，W_fd，W_fw分别表示在临近相似性，日周期性，周周期性三个特征中学习到的权重矩阵，分别表示临近相似性，日周期性，周周期性三个共享模块中输出的时间矩阵。