[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在审

专利信息
申请号: 202110916670.8 申请日: 2021-08-11
公开(公告)号: CN113762599A 公开(公告)日: 2021-12-07
发明(设计)人: 方路平;李玉;董齐芬 申请(专利权)人: 浙江工业大学;浙江警察学院
主分类号: G06Q10/04 分类号: G06Q10/04;G06N3/04;G06N3/08
代理公司: 杭州求是专利事务所有限公司 33200 代理人: 邱启旺
地址: 310014 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 深度 时空 神经网络 犯罪 预测 方法
【说明书】:

发明公开了一种基于深度时空残差神经网络的短时犯罪预测方法,包括以下步骤:(1)对所研究城市进行网格划分;(2)将所研究城市的历史犯罪数据生成犯罪时空矩阵,并对数据进行预处理;(3)构建一种基于深度时空残差神经网络的短时犯罪预测模型:基于犯罪时空矩阵提取犯罪时间特征,将犯罪时间特征输入犯罪预测模型进行犯罪预测,得到下一时刻的犯罪预测结果,并根据损失函数的结果不断优化模型参数,得到训练好的犯罪预测模型。本发明模型结构合理,通过对犯罪数据进行时空相关性分析,并在细粒度时间和空间上进行犯罪预测,提高了犯罪预测的准确性。

技术领域

本发明涉及犯罪预测领域,尤其是一种基于深度时空残差神经网络的短时犯罪预测方法。

背景技术

犯罪预测是指,运用科学的方法,对历史犯罪记录以及对可能影响犯罪的相关因素进行分析、研究,在一定时空范围内对未来发生犯罪的总体状况、结构、发展趋势等做出科学的推测。一直以来都有很多学者对犯罪预测问题进行研究,其中,犯罪案件数量预测,即根据犯罪记录数据及其它可用数据预测某区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。

目前犯罪案件数量预测已有一些成果。比如,利用犯罪数据在时间分布上的规律性,即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。或是结合时间与空间信息对犯罪进行预测分析,可参考文献[1]: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.。以上均为在时空粗粒度(即时间通常划分为一个月或是一年,所研究区域范围通常为整个城市或者更大区域)下的犯罪预测研究方法,时空粗粒度是对犯罪的长期趋势进行有效把握,但对微观的巡逻指挥等方面的针对性较弱。

时空细粒度(即时间通常划分到天甚至小时,所研究区域范围通常为城市划分的密集区域)下的时间和空间划分较为密集,对微观的巡逻指挥更加方便灵活,有利于集中警力。在时空细粒度下鲜少有对短时犯罪预测的研究。

发明内容

本发明的目的是为了克服当前大多数犯罪预测研究中存在时空粒度较大、在时空细粒度下对犯罪时空特征捕捉不充分等难点,通过改进短时交通流预测的ST-3DNet算法,提供一种基于深度时空残差神经网络的短时犯罪预测方法,在细粒度时间和空间上进行犯罪预测,以达到提高犯罪预测准确度的目的。

本发明解决其技术问题所采用的技术方案是:

一种基于深度时空残差神经网络的短时犯罪预测方法,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Xt,对所述犯罪时空矩阵Xt做积分处理得到积分犯罪时空矩阵Yt,然后将所述积分犯罪时空矩阵Yt进行归一化处理,生成归一化犯罪时空矩阵Yt,scaled;其中,对所述犯罪时空矩阵xt做积分处理得到积分犯罪时空矩阵Yt具体如下:

其中,k=t-(t mod 24)。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学;浙江警察学院,未经浙江工业大学;浙江警察学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110916670.8/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top