犯罪信息预测方法、装置和电子设备制造方法及图纸

本申请提供一种犯罪信息预测方法、装置和电子设备，在获取待研究区域中历史时段内的历史犯罪信息后，对历史犯罪信息进行预处理。将预处理后的历史犯罪信息输入预先训练得到的自编码器中的编码模型中，以对历史犯罪信息进行降维处理，将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到待研究区域中的犯罪率预测值。本方案通过利用编码模型对历史犯罪信息进行降维处理，从而降低数据复杂度，并结合增强型梯度提升模型进行预测，可在减小处理复杂度以降低时间成本的基础上，保障预测结果的准确性。

【技术实现步骤摘要】
犯罪信息预测方法、装置和电子设备
本申请涉及信息处理
，具体而言，涉及一种犯罪信息预测方法、装置和电子设备。
技术介绍
犯罪活动具有复杂性和多样性的特点，直接影响着社会安定和人民安全。目前，大量研究成果表明犯罪活动虽复杂多变，但基于犯罪行为发生的条件限制，必然与犯罪时间、犯罪空间、犯罪人等因素产生特定关系，通过对相关因素进行分析，不但可以总结犯罪规律，而且可以通过建立数据模型预测犯罪发生，达到主动响应，提早预防的效果。然而，犯罪数据往往具有样本信息复杂多变、样本量大等特点。传统的预测方法受限于犯罪数据的复杂性，例如决策树算法、Logistic回归算法以及GA-BP神经网络模型，在预测精度上存在一定的改进空间。由于处理的数据量巨大，在训练时间上同样存在一定的不足。整体而言，现有的犯罪预测方法存在时间成本高，预测精度较低的缺陷。
技术实现思路
本申请的目的包括，例如，提供了一种犯罪信息预测方法、装置和电子设备，其能够在减小处理复杂度以降低时间成本的基础上，保障预测结果的准确性。本申请的实施例可以这样实现：第一方面，本申请提供一种犯罪信息预测方法，所述方法包括：获取待研究区域中历史时段内的历史犯罪信息；对所述历史犯罪信息进行预处理；提取出预先训练得到的自编码器中的编码模型，将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理；将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到所述待研究区域中的犯罪率预测值。在可选的实施方式中，所述将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理的步骤，包括：对预处理后的历史犯罪信息进行独热编码，以生成对应的特征向量；将获得的特征向量输入所述编码模型以对所述特征向量进行降维处理，输出关键特征向量。在可选的实施方式中，所述增强型梯度提升模型为基于构建的损失函数并根据训练样本训练获得，所述损失函数包括损失项和正则项。在可选的实施方式中，所述损失函数构建如下：其中，L表示损失函数，l表示基于训练样本得到的预测值与真实值之间差距的损失项，Ω表示正则项，T表示增强型梯度提升模型中分支的个数，γ和λ为加权求和因子，w表示单一分支对应的权值，Gj表示损失函数对上一次训练预测值的一阶导数的求和，Hj表示损失函数对上一次训练预测值的二阶导数的求和。在可选的实施方式中，所述获取待研究区域中历史时段内的历史犯罪信息的步骤，包括：采集待研究区域中历史时段内的原始数据，所述原始数据至少包括案件ID、案件日期、案件位置信息、案件描述信息、案件管辖信息和罪犯位置信息；对所述原始数据按位置信息以及时间信息分别进行聚合处理，得到聚合统计结果；根据所述原始数据和聚合统计结果，得到所述历史犯罪信息。在可选的实施方式中，所述对所述历史犯罪信息进行预处理的步骤，包括：对所述历史犯罪信息中的重复数据进行合并处理；剔除合并处理后的历史犯罪信息中的异常数据。在可选的实施方式中，所述历史犯罪信息中包含多个数据组，每个数据组对应一个犯罪事件，每个数据组包含多个信息元素；所述对所述历史犯罪信息进行预处理的步骤，包括：针对每个数据组，在该数据组存在缺失的信息元素时，若缺失的信息元素的个数低于预设阈值，则根据除该数据组之外的其他数据组包含的信息元素对缺失的信息元素进行补齐；若缺失的信息元素的个数大于或等于所述预设阈值，则将所述数据组删除。在可选的实施方式中，所述历史犯罪信息包含多个信息元素，所述多个信息元素划分为多个数据类型；所述对所述历史犯罪信息进行预处理的步骤，包括：针对所述历史犯罪信息中的每个数据类型，将所属所述数据类型的多个信息元素进行归一化处理，以使各所述数据类型下的信息元素的取值处于设定范围内。第二方面，本申请提供一种犯罪信息预测装置，所述装置包括：获取模块，用于获取待研究区域中历史时段内的历史犯罪信息；第一处理模块，用于对所述历史犯罪信息进行预处理；第二处理模块，用于提取出预先训练得到的自编码器中的编码模型，将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理；输入模块，用于将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到所述待研究区域中的犯罪率预测值。第三方面，本申请提供一种电子设备，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，当电子设备运行时，处理器执行所述机器可执行指令，以执行前述实施方式中任意一项所述的方法步骤。本申请实施例的有益效果包括，例如：本申请提供一种犯罪信息预测方法、装置和电子设备，在获取待研究区域中历史时段内的历史犯罪信息后，对历史犯罪信息进行预处理。将预处理后的历史犯罪信息输入预先训练得到的自编码器中的编码模型中，以对历史犯罪信息进行降维处理，将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到待研究区域中的犯罪率预测值。本方案通过利用编码模型对历史犯罪信息进行降维处理，从而降低数据复杂度，并结合增强型梯度提升模型进行预测，可在减小处理复杂度以降低时间成本的基础上，保证预测结果的准确性。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本申请实施例提供的犯罪信息预测方法的流程图；图2为本申请实施例构建的自编码器的网络结构示意图；图3为图1中步骤S110包含的子步骤的流程图；图4为图1中步骤S120包含的子步骤的流程图；图5为图1中步骤S120包含的子步骤的另一流程图；图6为图1中步骤S130包含的子步骤的流程图；图7为本申请提供的构建的模型与多个常规算法得到的预测结果的比对示意图；图8为本申请实施例提供的电子设备的结构框图；图9为本申请实施例提供的犯罪信息预测装置的功能模块框图。图标：110-存储介质；120-处理器；130-犯罪信息预测装置；131-获取模块；132-第一处理模块；133-第二处理模块；134-输入模块；140-通信接口。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求本文档来自技高网...

【技术保护点】
1.一种犯罪信息预测方法，其特征在于，所述方法包括：/n获取待研究区域中历史时段内的历史犯罪信息；/n对所述历史犯罪信息进行预处理；/n提取出预先训练得到的自编码器中的编码模型，将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理；/n将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到所述待研究区域中的犯罪率预测值。/n

【技术特征摘要】
1.一种犯罪信息预测方法，其特征在于，所述方法包括：
获取待研究区域中历史时段内的历史犯罪信息；
对所述历史犯罪信息进行预处理；
提取出预先训练得到的自编码器中的编码模型，将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理；
将降维处理后的历史犯罪信息输入预先训练得到的增强型梯度提升模型，得到所述待研究区域中的犯罪率预测值。


2.根据权利要求1所述的犯罪信息预测方法，其特征在于，所述将预处理后的历史犯罪信息输入所述编码模型以对所述历史犯罪信息进行降维处理的步骤，包括：
对预处理后的历史犯罪信息进行独热编码，以生成对应的特征向量；
将获得的特征向量输入所述编码模型以对所述特征向量进行降维处理，输出关键特征向量。


3.根据权利要求1所述的犯罪信息预测方法，其特征在于，所述增强型梯度提升模型为基于构建的损失函数并根据训练样本训练获得，所述损失函数包括损失项和正则项。


4.根据权利要求3所述的犯罪信息预测方法，其特征在于，所述损失函数构建如下：









其中，L表示损失函数，l表示基于训练样本得到的预测值与真实值之间差距的损失项，Ω表示正则项，T表示增强型梯度提升模型中分支的个数，γ和λ为加权求和因子，w表示单一分支对应的权值，Gj表示损失函数对上一次训练预测值的一阶导数的求和，Hj表示损失函数对上一次训练预测值的二阶导数的求和。


5.根据权利要求1所述的犯罪信息预测方法，其特征在于，所述获取待研究区域中历史时段内的历史犯罪信息的步骤，包括：
采集待研究区域中历史时段内的原始数据，所述原始数据至少包括案件ID、案件日期、案件位置信息、案件描述信息、案件管辖信息和罪犯位置信息；
对所述原始数据按位置信息以及时间信息分别进行聚合处理，得到聚合统计结果；
根据所述原始数据和聚合统计结果，得到所述历史犯罪信息。...

【专利技术属性】
技术研发人员：朱小波，栗赫遥，刘伟，
申请(专利权)人：朱小波，
类型：发明
国别省市：上海;31