犯罪预测模型的训练方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种犯罪预测模型的训练方法、装置及电子设备，涉及犯罪预测技术领域，包括获取目标区域在预设时间段内的历史犯罪数据；将该历史犯罪数据转化为视频流；对于视频流中的每一图像帧，提取该图像帧的时空特征信息；以该视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。本发明专利技术实施例通过提取历史犯罪数据在不同时间深度的时间特征，以及通过多层卷积捕捉不同距离的空间依赖得到对应的空间特征，并对二者加以融合得到时空特征信息，基于该时空特征信息对神经网络进行训练得到的犯罪预测模型，可以在更细粒度的时间和空间上进行犯罪预测，提高犯罪预测的准确性。

【技术实现步骤摘要】
犯罪预测模型的训练方法、装置及电子设备
本专利技术涉及犯罪预测
，尤其是涉及一种犯罪预测模型的训练方法、装置及电子设备。
技术介绍
随着公共组织和警察部门收集与存储犯罪事件的详细数据的能力不断提高，每天可以收集大量具有时空信息的数据，这为应用数据分析方法提取与犯罪事件有关的预测模型提供了机会，使警察部门能够更好地制定有效的预防犯罪战略。伴随而来的一个挑战是准确有效地分析大型犯罪数据集，其中，利用深度学习技术可以快速高效地发现海量犯罪数据中的隐藏的模式，提高犯罪预测的准确性。目前，现有的犯罪时空预测模型，通常是将时间、空间离散，当做独立变量参与建模，忽略了时空数据本身复杂的自相关性；并且，由于细粒度犯罪数据的高度稀疏性使模型表现降低，现有模型对犯罪预测的时空粒度较大，其中，时间粒度通常为月，空间粒度通常达十几平方公里的网格，导致时空相关性捕获不足。整体而言，现有犯罪时空预测模型对犯罪预测的时空粒度较大，犯罪预测的准确度较低。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种犯罪预测模型的训练方法、装置及电子设备，可以在更细粒度的时间和空间上进行犯罪预测，并提高犯罪预测的准确性。第一方面，本专利技术实施例提供了一种犯罪预测模型的训练方法，包括：获取目标区域在预设时间段内的历史犯罪数据；将该历史犯罪数据转化为视频流；该视频流中任一时刻的图像帧的像素分布，对应该目标区域在该时刻的历史犯罪数据的分布；对于该视频流中的每一图像帧，提取该图像帧的时空特征信息；该时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；以该视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。在本专利技术较佳的实施例中，上述以该视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型的步骤，包括：以该视频流中各图像帧的时空特征信息为训练集合，确定当前训练的时空特征信息；该当前训练的时空特征信息对应t时刻图像帧的时空特征信息；对于每一个该当前训练的时空特征信息，均执行以下训练操作：将该当前训练的时空特征信息输入预设的神经网络中，输出t+1时刻的预测特征矩阵；该预测特征矩阵对应该目标区域在t+1时刻的预测犯罪数据的分布；基于t+1时刻的该预测特征矩阵、该目标区域在t+1时刻的实际犯罪数据和预设的损失函数，计算当前训练的时空特征信息的损失值；根据该损失值调整该神经网络的参数；当该训练操作满足预设的训练结束条件时，将当前训练得到的该神经网络确定为训练好的犯罪预测模型。在本专利技术较佳的实施例中，上述对于该视频流中的每一图像帧，提取该图像帧的时空特征信息的步骤，包括：对于该视频流中t时刻的图像帧，按下述方式提取该图像帧的时空特征信息：基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵；该时间特征矩阵融合了预设多个时间深度的时间特征；基于预设的第二神经网络，提取该时间特征矩阵的空间特征，得到该图像帧的时空融合特征信息。在本专利技术较佳的实施例中，上述基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵的步骤，包括：对于预设多个时间深度中的每个时间深度，根据预设对应的子神经网络提取该图像帧在该时间深度的时间特征；该子神经网络包括至少一层卷积神经网络和至少一层预激活残差神经网络；通过预设的连接层网络，融合各个该子神经网络提取的时间特征，得到该图像帧的时间特征矩阵。在本专利技术较佳的实施例中，上述基于预设的第二神经网络，提取该时间特征矩阵的空间特征，得到该图像帧的时空融合特征信息的步骤，包括：将该时间特征矩阵输入预设的多层预激活残差神经网络以及一层卷积神经网络，输出该图像帧的时空融合特征信息。在本专利技术较佳的实施例中，上述将该历史犯罪数据转化为视频流的步骤，包括：按预设网格间距将该目标区域结构化为方形网格，按预设时间间隔将该预设时间段划分为多个时间段；将每个该时间段的历史犯罪数据投影到该方形网格中，得到各个网格区域在各个该时间段内的犯罪数据；对于每一个该时间段，构建对应的时空矩阵，该时空矩阵中的数值为对应空间区域在该时间段内的犯罪数量；根据该时空矩阵生成对应的图像帧，该图像帧中的像素分布对应该时空矩阵中的数值分布；根据该图像帧得到视频流。在本专利技术较佳的实施例中，上述方法还包括：获取该目标区域在该预设时间段内影响犯罪的外部因素数据；根据该历史犯罪数据和该外部因素数据，共同转化得到该视频流。在本专利技术较佳的实施例中，上述多个时间深度包括：小时深度、日深度、周深度和月深度。第二方面，本专利技术实施例还提供了一种犯罪预测模型的训练装置，包括：数据获取模块，用于获取目标区域在预设时间段内的历史犯罪数据；数据转化模块，用于将该历史犯罪数据转化为视频流；该视频流中任一时刻的图像帧的像素分布，对应该目标区域在该时刻的历史犯罪数据的分布；特征提取模块，用于对于该视频流中的每一图像帧，提取该图像帧的时空特征信息；该时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；训练模块，用于以该视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器存储有能够被该处理器执行的计算机可执行指令，该处理器执行该计算机可执行指令以实现上述犯罪预测模型的训练方法。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种犯罪预测模型的训练方法、装置及电子设备，获取目标区域在预设时间段内的历史犯罪数据；将该历史犯罪数据转化为视频流；该视频流中任一时刻的图像帧的像素分布，对应该目标区域在该时刻的历史犯罪数据的分布；对于该视频流中的每一图像帧，提取该图像帧的时空特征信息；该时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；以该视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。该方式中，通过提取历史犯罪数据在不同时间深度的时间特征，以及通过多层卷积捕捉不同距离的空间依赖得到对应的空间特征，并对二者加以融合得到时空特征信息，基于该时空特征信息对神经网络进行训练得到的犯罪预测模型，可以在更细粒度的时间和空间上进行犯罪预测，并提高犯罪预测的准确性。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本本文档来自技高网...

【技术保护点】
1.一种犯罪预测模型的训练方法，其特征在于，包括：/n获取目标区域在预设时间段内的历史犯罪数据；/n将所述历史犯罪数据转化为视频流；所述视频流中任一时刻的图像帧的像素分布，对应所述目标区域在该时刻的历史犯罪数据的分布；/n对于所述视频流中的每一图像帧，提取该图像帧的时空特征信息；所述时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；/n以所述视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。/n

【技术特征摘要】
1.一种犯罪预测模型的训练方法，其特征在于，包括：
获取目标区域在预设时间段内的历史犯罪数据；
将所述历史犯罪数据转化为视频流；所述视频流中任一时刻的图像帧的像素分布，对应所述目标区域在该时刻的历史犯罪数据的分布；
对于所述视频流中的每一图像帧，提取该图像帧的时空特征信息；所述时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；
以所述视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。


2.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述以所述视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型的步骤，包括：
以所述视频流中各图像帧的时空特征信息为训练集合，确定当前训练的时空特征信息；所述当前训练的时空特征信息对应t时刻图像帧的时空特征信息；
对于每一个所述当前训练的时空特征信息，均执行以下训练操作：将所述当前训练的时空特征信息输入预设的神经网络中，输出t+1时刻的预测特征矩阵；所述预测特征矩阵对应所述目标区域在t+1时刻的预测犯罪数据的分布；
基于t+1时刻的所述预测特征矩阵、所述目标区域在t+1时刻的实际犯罪数据和预设的损失函数，计算当前训练的时空特征信息的损失值；根据所述损失值调整所述神经网络的参数；
当所述训练操作满足预设的训练结束条件时，将当前训练得到的所述神经网络确定为训练好的犯罪预测模型。


3.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述对于所述视频流中的每一图像帧，提取该图像帧的时空特征信息的步骤，包括：
对于所述视频流中t时刻的图像帧，按下述方式提取该图像帧的时空特征信息：
基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵；所述时间特征矩阵融合了预设多个时间深度的时间特征；
基于预设的第二神经网络，提取所述时间特征矩阵的空间特征，得到该图像帧的时空融合特征信息。


4.根据权利要求3所述的犯罪预测模型的训练方法，其特征在于，所述基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵的步骤，包括：
对于预设多个时间深度中的每个时间深度，根据预设对应的子神经网络提取该图像帧在所述时间深度的时间特征；所述子神经网络包括至少一层卷积神经网络和至少一层预激活残差神经网络；
...

【专利技术属性】
技术研发人员：赵晓凡，刘美霖，邵翀，陈丽，王大为，杜彦辉，曹金璇，
申请(专利权)人：中国人民公安大学，
类型：发明
国别省市：北京;11