一种城市环境下多时间段稀疏犯罪发生地点的预测方法技术

本发明专利技术公开了一种城市环境下多时间段稀疏犯罪发生地点的预测方法。所述方法包括城市空间和犯罪记录建模、门控循环网络

【技术实现步骤摘要】
一种城市环境下多时间段稀疏犯罪发生地点的预测方法


[0001]本专利技术涉及智慧城市及其安全领域，尤其涉及一种城市环境下多时间段稀疏犯罪发生地点的预测方法。

技术介绍

[0002]随着城市化进程快速推进，城市环境愈发复杂，犯罪研究是社会保障领域的一门重要学科。为了预防和制止犯罪，对犯罪准确预测的需求日益增加，虽然已经有很多算法来进行犯罪预测，但在预测多个时间段的稀疏类型犯罪的发生方面仍然存在挑战。
[0003]首先，一些犯罪类型非常罕见，只有少量的犯罪记录可以用于建模训练和预测。如盗窃、攻击等对社会危害不大的犯罪类型占比相对较高，而危险武器、公共和平侵犯等对社会危害较大的犯罪类型发生频率相对较低。也就是说，预测一些重要的犯罪类型可能会面临数据稀疏问题，它们的记录是不连续的和零星的。
[0004]此外，对多个连续时间段的后续犯罪的时间和地点进行预测的能力也是很重要的。一方面，有些方法在不知道确切时间的情况下，只能预测下一个可能的犯罪地点，因为它们不能明确地处理不连续的、零星的输入，而且犯罪记录的时间间隔不规律，使得预测毫无价值。另一方面，预测多个时间段而不是一个时间段是必要和有意义的。例如，一些重大事件可能会持续许多天，需要预防犯罪，并根据多日预测提前部署防御，而不是仅仅一天。虽然一些模型可以输出多天的预测，但零散的输入数据并没有被显式地处理。由于大多数序列模型假设输入序列的时间间隔是固定的，而下一次预测的时间也是按这个时间间隔计算的固定时间，所以当序列偶尔被观测到时，建模现实世界的多维时间序列是特别具有挑战性的。

技术实现思路

[0005]专利技术目的：针对以上现有技术存在的问题，本专利技术提出了一种城市环境下多时间段稀疏犯罪发生地点的预测方法，着重解决城市环境下连续多个时间段罕见的犯罪地点进行预测，保障城市安全的问题。
[0006]技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种城市环境下多时间段稀疏犯罪发生地点的预测方法，该方法包括以下步骤：
[0007](1)建立城市环境下多时间段的稀疏犯罪发生地点的预测模型，所述犯罪发生地点预测模型包括城市空间和犯罪记录建模、门控循环网络
‑
神经常微分方程
‑
贝叶斯(后称GRU
‑
ODE
‑
Bayes)犯罪地点预测模型、数据增强模块、邻近重复增强模块；城市空间和犯罪记录建模来抽象数据输入到模型，GRU
‑
ODE
‑
Bayes犯罪地点预测模型通过输入城市网格犯罪特征来预测犯罪地点，数据增强模块通过利用高相关性的犯罪类型的犯罪记录和相似城市地区的犯罪记录进行补充训练数据，邻近重复增强模块从附近区域的犯罪事件中提取上下文来增强短期连续预测。
[0008](2)对于不同的犯罪类型使用损失函数进行犯罪发生地点预测模型训练，得到训
练好的犯罪发生地点预测模型。
[0009](3)利用训练好的犯罪发生地点预测模型对犯罪发生地点进行预测。
[0010]进一步的，其特征在于在步骤(1)中，所述的城市空间和犯罪记录建模描述如下：
[0011]抽象地理城市空间为n个正方形网格对于在时间j第i个的网格的嵌入是对所有该区域嵌入信息的连接其中v
i
是环境嵌入，包括但不限于每个类别兴趣点的数量、建筑的功能、人员的流动强度等；l
i
是位置嵌入，将网格的经纬度进行编码嵌入；是动态犯罪嵌入，通过划分时间段计算每个时间段网格内发生的犯罪事件数量，可以得到一天的周期特征d
day
、一周的周期特征d
week
、一个月的周期特征d
month
，拼接得到动态犯罪嵌入犯罪记录可表示为e
c
＝(i,j)，其含义为在网格i中发生在j时间段的类型为c的一起犯罪事件，则按照时间排序的犯罪事件列表可表示为对于一个犯罪事件e
c
＝(i,j)，使用相应的网格嵌入来表示它。
[0012]进一步的，步骤(1)中所述的GRU
‑
ODE
‑
Bayes犯罪地点预测模型描述如下：
[0013]GRU
‑
ODE
‑
Bayes犯罪地点预测模型包含两个部分，一个预测风险网格嵌入的GRU
‑
ODE模块，一个利用零星的观测记录对模型进行修正的Bayes Update模块。对类型为c的犯罪进行预测，将犯罪列表E
c
输入到模型，对于第一个记录是模型从时间j1开始，在时间j1最初预测的风险网格嵌入为在第k+1个记录的时间j
k+1
之前，由GRU
‑
ODE模块对下一个时间点的风险网格嵌入进行预测，计算如下：
[0014][0015]当一个真实的犯罪记录被获取，预测的嵌入将被GRU
‑
Bayes更新，计算如下:
[0016][0017]计算所有网格嵌入与预测风险网格嵌入的差值，差值最小的网格为t
k
时刻的预测风险网格。
[0018]进一步的，步骤(1)中所述的数据增强模块采用两种数据增强策略：跨类型迁移和跨网格迁移；
[0019]跨类型迁移数据增强基于两种高度相关的犯罪类型c
a
和c
b
，c
b
可能在c
a
发生的很短时间内发生，通过计算犯罪类型间的共现率来衡量两种犯罪类型之间的关系，共现率定义为在一段时间内同一网格内不同犯罪类型发生的频率Δt(超参数)，可计算如下：
[0020][0021][0022][0023]对于补充犯罪类型c
a
，选择另一个相关分数最高的犯罪类型c
b
，将E
b
加入E
a
，使E
a
更长。训练时，对E
b
样本的损失给出一个权重，即co
‑
occ(c
a
,c
b
)。
[0024]跨网格迁移数据增强基于两个特征相似的网格更有可能发生相同的犯罪事件，通过计算网格之间的相似度得分，并为每个网格g
i
找到m(一个超参数)个最相似的网格。将这些网格中的犯罪事件添加到E
c
中。网格g
a
和g
b
之间的相似度得分取网格的环境嵌入v
i
和v
j
的皮尔逊相关系数，其中计算如下：
[0025][0026]对于网格g
a
的事件e
c
＝(a,j)，若g
a
是g
b
最相似的网格，则向E
c
中添加事件e
c
＝(a,j)。
[0027]进一步的，在步骤(1)中，邻近重复增强模块描述如下：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市环境下多时间段稀疏犯罪发生地点的预测方法，其特征在于，该方法包括以下步骤：(1)建立城市环境下稀疏犯罪发生地点预测模型，所述犯罪发生地点预测模型包括城市空间和犯罪记录建模、门控循环网络
‑
神经常微分方程
‑
贝叶斯GRU
‑
ODE
‑
Bayes犯罪地点预测模型、数据增强模块、邻近重复增强模块；城市空间和犯罪记录建模来抽象数据输入到模型，GRU
‑
ODE
‑
Bayes犯罪地点预测模型通过输入城市网格犯罪特征来预测犯罪地点，数据增强模块通过利用高相关性的犯罪类型的犯罪记录和相似城市地区的犯罪记录进行补充训练数据，邻近重复增强模块从附近区域的犯罪事件中提取上下文来增强短期连续预测；(2)对于不同的犯罪类型使用损失函数进行犯罪发生地点预测模型训练，得到训练好的犯罪发生地点预测模型；(3)利用训练好的犯罪发生地点预测模型对犯罪发生地点进行预测。2.根据权利要求1所述的一种城市环境下多时间段稀疏犯罪发生地点的预测方法，其特征在于，步骤(1)中，城市空间和犯罪记录建模描述如下：抽象地理城市空间为n个正方形网格对于在时间j第i个的网格的嵌入是对所有该区域嵌入信息的连接其中v
i
是环境嵌入，包括但不限于每个类别兴趣点的数量、建筑的功能、人员的流动强度等；l
i
是位置嵌入，将网格的经纬度进行编码嵌入；是动态犯罪嵌入，通过划分时间段计算每个时间段网格内发生的犯罪事件数量，得到一天的周期特征d
day
、一周的周期特征d
week
、一个月的周期特征d
month
，拼接得到动态犯罪嵌入犯罪记录表示为e
c
＝(i,j)，其含义为在网格i中发生在j时间段的类型为c的一起犯罪事件，则按照时间排序的犯罪事件列表，表示为对于一个犯罪事件e
c
＝(i,j)，使用相应的网格嵌入来表示它。3.根据权利要求1所述的一种城市环境下多时间段稀疏犯罪发生地点的预测方法，其特征在于，步骤(1)中，GRU
‑
ODE
‑
Bayes犯罪地点预测模型描述如下：GRU
‑
ODE
‑
Bayes犯罪地点预测模型包含两个部分，一个预测风险网格嵌入的GRU
‑
ODE模块，一个利用零星的观测记录对模型进行修正的Bayes Update模块；对类型为c的犯罪进行预测，将犯罪列表E
c
输入到模型，对于第一个记录是模型从时间j1开始，在时间j1最初预测的风险网格嵌入为在第k+1个记录的时间j
k+1
之前，由GRU
‑
ODE模块对下一个时间点的风险网格嵌入进行预测，计算如下：当一个真实的犯罪记录被获取，预测的嵌入将被GRU
‑
Bayes更新，计算如下:
计算所有网格嵌入与预测风险网格嵌入的差值，差值最小的网格为t
k
时刻的预测风险网格。4.根据权利要求1所述的一种城市环境下多时间段稀疏犯罪发生地点的预测方法，其特征在于，步骤(1)中，数据增强模块采用两种数据增强策略：跨类型迁移和跨网格迁移；跨类型迁移数据增强基于两种高度相关的犯罪类型c
a
和c
b
，c
b
可能在c
a
发生的很短时间内发生，通过计算犯罪类型间的共现率来衡量两种犯罪类型之间的关系，共现率定义为在一段时间内同一网格内不同犯罪类型发生的频率Δt(，Δt为超参数，计算如下：一段时间内同一网格内不同犯罪类型发生的频率Δt(，Δt为超参数，计算如下：一段时间内同一网格内不同犯罪类型发生的频率Δt(，Δt为超参数，计算如下：对于补充犯罪类型c
a
，选择另一个相关分数最高的犯罪类型c
b
，将E
b
...

【专利技术属性】
技术研发人员：金嘉晖，唐俊，张斌杰，张竞慧，罗军舟，
申请(专利权)人：东南大学，
类型：发明
国别省市：