基于深度时空三维卷积神经网络的短时犯罪预测研究  

A Forecast Research of Short-Time Crime Based on Deep Spatial-Temporal Three-Dimensional Convolutional Neural Network

作　　者：王勋 董齐芬[1] 李玉 WANG Xun;DONG Qifen;LI Yu

机构地区：[1]浙江警察学院 [2]哈行科技网络有限公司

出　　处：《浙江警察学院学报》2023年第1期90-103,共14页Journal of Zhejiang Police College

基　　金：浙江省自然科学基金项目“基于数据挖掘的犯罪时空特征分析与犯罪预测研究”(LQ18G010001)。

摘　　要：细粒度时空尺度下的犯罪预测对理解犯罪发生、指导安全防范、部署治安巡逻警力等工作具有重要意义。针对现阶段时空细粒度条件下的犯罪预测面临犯罪数据稀疏,时空特征难以充分捕获的问题,采用深度时空三维卷积神经网络(ST-3DNet)对时空特征进行充分捕捉,构建出适用于犯罪数据的时空细粒度预测模型。基于美国洛杉矶真实犯罪数据集做了大量实验,结果表明:(1)随滤波器个数、时间特征长度和ResUnit层数的改变,ST-3DNet的预测RMSE值在0.308—0.342之间波动,MAE值在0.083—0.136之间波动,且RMSE和MAE值大多是反相关的;(2)ST-3DNet和深度时空残差网络(ST-ResNet)进行对照,ST-3DNet预测MAE值明显优于ST-ResNet, RMSE最小值也优于ST-ResNet,而ST-ResNet则在预测性能稳定性上更有优势,其受参数变化的影响较小,鲁棒性较优;(3)通过提升周周期组件网络深度和减少网格空白区域,可使ST-3DNet在预测性能优于同参数配置的ST-ResNet的前提下,预测性能稳定性明显提升,达到甚至优于ST-ResNet的预测性能稳定性水平。

关 键 词：犯罪预测 三维卷积神经网络 时空特征 洛杉矶 

分 类 号：D918.2[政治法律—法学]