發(fā)布時間：2020-07-27 19:20

【摘要】：全球經濟、政治和文化正在飛速發(fā)展,犯罪是這些發(fā)展的障礙,危害著人們的財產安全,然而使用傳統預測方法無法對犯罪進行精確的預測,論文基于機器學習算法對犯罪進行了預測。犯罪預測是指通過對過去犯罪紀錄進行分析,從而對接下來一段時間內犯罪發(fā)生的熱點地區(qū)、數量、類型等進行預測。因此本文圍繞區(qū)域犯罪數量、犯罪熱點和犯罪類型進行了以下研究。論文引入循環(huán)神經網絡對區(qū)域犯罪數量進行預測,建立了基于LSTM算法的區(qū)域犯罪數量預測模型并提出了兩種實現方式:LSTM 一維時間序列和LSTM多維時間序列。對研究區(qū)域實施網格劃分操作,形成小的網格區(qū)域,然后選取目標網格,傳統時間序列算法ARIMA僅僅利用目標網格的歷史犯罪數據,而LSTM還利用了目標網格周圍網格的歷史犯罪數據,考慮了周圍網格犯罪數量對目標網格犯罪數量的影響。論文基于芝加哥歷史犯罪數據集進行了實驗,結果表明LSTM的均方根誤差比ARIMA低0.73,平均絕對百分比誤差比ARIMA低4.96%。進一步地,論文對LSTM進行了改進,將節(jié)假日、溫度、天氣因素納入模型,實驗結果表明改進模型的均方根誤差比未改進LSTM低0.57,平均絕對百分比誤差比未改進LSTM低2.62%。針對區(qū)域犯罪熱點預測,論文提出了一種將目標區(qū)域時間、空間均嵌入模型進行考慮的時空神經網絡。該模型引入時空窗口的概念,將預測某區(qū)域是否為熱點的問題,轉化為時空序列預測問題,基于時空累積影響來預測某區(qū)域是否為熱點。為了驗證論文算法的有效性,同時利用決策樹、隨機森林、邏輯回歸等六種經典的分類算法進行了預測。實驗結果表明,隨機森林在傳統算法中效果最佳。而論文提出的時空模型的準確率比隨機森林高5.5%,精確率比隨機森林高6.5%,召回率比隨機森林高6.9%,F1-score 比隨機森林高0.061。論文研究了犯罪類型預測的數據預處理過程,原始數據集中獨立坐標對過多導致無法建立模型。論文使用聚類算法將巨量獨立的經緯度坐標對應到20個不同的區(qū)域,同時將原始的多種犯罪類型合并為3種,然后調用sklearn庫中的分類器建模,最終可依據輸入的地點、時間輸出3種犯罪類型各自發(fā)生的概率。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：D917;TP181
【圖文】：

十分火熱的無人駕駛技術。神經網絡的發(fā)展歷史大一時期主要是對人體神經元相互作用的認知，相關以模擬任何計算函數，這一發(fā)現完成了人工神經數學語言來描述神經元之間的相關作甩，權值的思感知器，直至大多數學者認為簡單神經網絡只能在經歷了啟蒙時期后的數十年內，相關領域科研人員種被稱為Ｈｏｐｆｉｅｌｄ的網絡結構在被科研人員提出后到該領域中來進行鉆研，隨后許多學者發(fā)展了反向度網絡模型基本都是由其發(fā)展而來；逡逑具有劃時代意義的會議被召開：首屆國際神經網絡次國際學術會議。此后，神經網絡的發(fā)現呈現遍地絡被應用在傳統行業(yè)的方方面面，不斷取得前無點的發(fā)展進程如圖２－２所示。逡逑單層感知器逡逑

邐電子科技大學碩士學位論文天氣；犯罪數埵是指這個時間段發(fā)生在該網格的犯

本文編號：2772265