基于時空序列模型的犯罪預測與分析研究
發(fā)布時間：2021-03-20 21:56
犯罪預測是指運用科學方法對現(xiàn)有的歷史犯罪數(shù)據(jù)與可能對犯罪產(chǎn)生影響的各種相關(guān)數(shù)據(jù)的分析與研究,對未來特定時空范圍內(nèi)可能出現(xiàn)的犯罪現(xiàn)象的狀態(tài)與發(fā)展趨勢預先推測或測定,高精度的犯罪預測可以為犯罪預防戰(zhàn)略和戰(zhàn)術(shù)措施的制定提供重要的科學保證。本文結(jié)合出租車數(shù)據(jù)提出了一種空間權(quán)重矩陣構(gòu)建方法。在此基礎(chǔ)上,采用時空自回歸移動平均模型進行犯罪預測。此外,時空自回歸移動平均模型無法擬合犯罪時空序列中的非線性特征,本文提出了一種基于神經(jīng)網(wǎng)絡(luò)的犯罪時空預測模型。本文的主要工作如下。（1）隨著交通的發(fā)展和人類出行活動的頻繁,區(qū)域之間的鄰近關(guān)系不僅僅是空間位置上的鄰近了。本文結(jié)合出租車出行數(shù)據(jù)與地圖結(jié)構(gòu)信息設(shè)計一種空間權(quán)重矩陣構(gòu)建方法,該方法對區(qū)域之間的距離關(guān)系進行重新定義,以更好地體現(xiàn)出犯罪在空間上的鄰近傳播性質(zhì)。（2）基于所設(shè)計的空間權(quán)重矩陣,使用STARMA模型進行犯罪預測。實驗驗證了算法的有效性。（3）由于時空自回歸移動平均模型屬于線性模型,無法捕捉到犯罪時空序列中的非線性特征。本文結(jié)合所設(shè)計的空間權(quán)重矩陣,提出了一種基于神經(jīng)網(wǎng)絡(luò)的犯罪時空預測模型。實驗表明該模型能夠在一定程度上提高犯罪預測的準確度。最...
【文章來源】：浙江工業(yè)大學浙江省
【文章頁數(shù)】：60 頁
【學位級別】：碩士
【部分圖文】：
芝加哥犯罪區(qū)域社區(qū)分布圖
基于時空序列模型的犯罪預測與分析研究13)()()()(10)(10)(ZWtZktktWtqknhhkhpkmhhkhkk（2-17）上式中，p表示模型的時間延遲階數(shù)；E}{表示數(shù)學期望運算符；km與kn表示空間延遲階數(shù)；khkh與表示模型系數(shù)；)(t表示模型殘差函數(shù)，時間與空間延遲階數(shù)從時空數(shù)據(jù)的偏自相關(guān)函數(shù)與自相關(guān)函數(shù)是否拖尾或截斷進行判斷。2.3BP神經(jīng)網(wǎng)絡(luò)模型BP（backpropagation）神經(jīng)網(wǎng)絡(luò)是在1986年由Rumelhart和McClelland為首的科學家提出的概念，相較傳統(tǒng)的線性模型，BP神經(jīng)網(wǎng)絡(luò)可以捕捉輸入數(shù)據(jù)中的非線性特征進行預測，是一種可以學習到非線性特征的多層前饋神經(jīng)網(wǎng)絡(luò)模型。模型內(nèi)的各個神經(jīng)元節(jié)點按照與人腦中神經(jīng)元相同的方式連接，隱層神經(jīng)元的權(quán)值系數(shù)按照誤差逆向傳播算法通過多層前饋神經(jīng)網(wǎng)絡(luò)學習，對于原始未加工的且不可直接描述的特征擬合尤其有效，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[54]。使用BP神經(jīng)網(wǎng)絡(luò)模型來進行犯罪時空預測任務(wù)，是對不同時間延遲階數(shù)的犯罪時間序列進行擬合與預測。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型輸入層輸入包含了犯罪時間序列的n個延遲數(shù)據(jù)，輸出層的輸出為單一區(qū)域的犯罪時間序列預測值，網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。圖2-2BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)圖Figure2-2.NetworkstructurediagramofBPneuralnetwork
浙江工業(yè)大學碩士學位論文16圖3-1混合-鄰接空間權(quán)重矩陣結(jié)構(gòu)圖Figure3-1.Structurechartofmixed-adjacentspaceweightmatrix表3-1芝加哥部分社區(qū)鄰接關(guān)系Table3-1.RelationshipinsomeneighborhoodsinChicago社區(qū)編號一階空間鄰域二階空間鄰域127734132141377356121416345677127131416212242356131416771712152021225346714162122281213152023247763457281314162122247775682224341416202123272832872428325622232729313334910111276109111276131415161711101215913141617192076121011131415162459171920217613241214135610151677
【參考文獻】：
期刊論文
[1]基于長短期記憶模型的入室盜竊犯罪預測研究[J]. 沈寒蕾,張虎,張耀峰,張志剛,朱艷敏,蔡黎. 統(tǒng)計與信息論壇. 2019(11)
[2]淺談數(shù)據(jù)挖掘中數(shù)據(jù)預處理的研究與實現(xiàn)[J]. 李果. 計算機產(chǎn)品與流通. 2019(10)
[3]地理空間關(guān)聯(lián)模式的統(tǒng)計挖掘方法研究[J]. 何占軍. 測繪學報. 2019(08)
[4]基于隨機森林的犯罪預測模型[J]. 盧睿,李林瑛. 中國刑警學院學報. 2019(03)
[5]地理數(shù)據(jù)關(guān)聯(lián)研究進展[J]. 劉朋飛,崔鐵軍. 天津師范大學學報(自然科學版). 2019(03)
[6]犯罪時間序列預測分析方法研究——以CrimeStat軟件為例[J]. 鐘飚,袁夢佳. 中國人民公安大學學報(自然科學版). 2019(02)
[7]基于時空自回歸移動平均模型的風電出力序列模擬[J]. 鄒金,朱繼忠,賴旭,謝平平,禤培正. 電力系統(tǒng)自動化. 2019(03)
[8]基于時空序列混合模型的犯罪情報預測分析[J]. 劉美霖,高見,黃鴻志,袁得崳. 情報雜志. 2018(09)
[9]基于環(huán)境犯罪學的犯罪預測模型的建立[J]. 李雨聰,劉碩,王方明. 情報雜志. 2018(02)
[10]網(wǎng)約車新政下治安管理問題探究[J]. 張毅航. 江蘇警官學院學報. 2017(03)
碩士論文
[1]基于數(shù)據(jù)挖掘的社區(qū)犯罪率分析與預測研究[D]. 安思敏.北京交通大學 2017
本文編號：3091736
【文章來源】：浙江工業(yè)大學浙江省
【文章頁數(shù)】：60 頁
【學位級別】：碩士
【部分圖文】：
芝加哥犯罪區(qū)域社區(qū)分布圖
基于時空序列模型的犯罪預測與分析研究13)()()()(10)(10)(ZWtZktktWtqknhhkhpkmhhkhkk（2-17）上式中，p表示模型的時間延遲階數(shù)；E}{表示數(shù)學期望運算符；km與kn表示空間延遲階數(shù)；khkh與表示模型系數(shù)；)(t表示模型殘差函數(shù)，時間與空間延遲階數(shù)從時空數(shù)據(jù)的偏自相關(guān)函數(shù)與自相關(guān)函數(shù)是否拖尾或截斷進行判斷。2.3BP神經(jīng)網(wǎng)絡(luò)模型BP（backpropagation）神經(jīng)網(wǎng)絡(luò)是在1986年由Rumelhart和McClelland為首的科學家提出的概念，相較傳統(tǒng)的線性模型，BP神經(jīng)網(wǎng)絡(luò)可以捕捉輸入數(shù)據(jù)中的非線性特征進行預測，是一種可以學習到非線性特征的多層前饋神經(jīng)網(wǎng)絡(luò)模型。模型內(nèi)的各個神經(jīng)元節(jié)點按照與人腦中神經(jīng)元相同的方式連接，隱層神經(jīng)元的權(quán)值系數(shù)按照誤差逆向傳播算法通過多層前饋神經(jīng)網(wǎng)絡(luò)學習，對于原始未加工的且不可直接描述的特征擬合尤其有效，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[54]。使用BP神經(jīng)網(wǎng)絡(luò)模型來進行犯罪時空預測任務(wù)，是對不同時間延遲階數(shù)的犯罪時間序列進行擬合與預測。構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型輸入層輸入包含了犯罪時間序列的n個延遲數(shù)據(jù)，輸出層的輸出為單一區(qū)域的犯罪時間序列預測值，網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。圖2-2BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)圖Figure2-2.NetworkstructurediagramofBPneuralnetwork
浙江工業(yè)大學碩士學位論文16圖3-1混合-鄰接空間權(quán)重矩陣結(jié)構(gòu)圖Figure3-1.Structurechartofmixed-adjacentspaceweightmatrix表3-1芝加哥部分社區(qū)鄰接關(guān)系Table3-1.RelationshipinsomeneighborhoodsinChicago社區(qū)編號一階空間鄰域二階空間鄰域127734132141377356121416345677127131416212242356131416771712152021225346714162122281213152023247763457281314162122247775682224341416202123272832872428325622232729313334910111276109111276131415161711101215913141617192076121011131415162459171920217613241214135610151677
【參考文獻】：
期刊論文
[1]基于長短期記憶模型的入室盜竊犯罪預測研究[J]. 沈寒蕾,張虎,張耀峰,張志剛,朱艷敏,蔡黎. 統(tǒng)計與信息論壇. 2019(11)
[2]淺談數(shù)據(jù)挖掘中數(shù)據(jù)預處理的研究與實現(xiàn)[J]. 李果. 計算機產(chǎn)品與流通. 2019(10)
[3]地理空間關(guān)聯(lián)模式的統(tǒng)計挖掘方法研究[J]. 何占軍. 測繪學報. 2019(08)
[4]基于隨機森林的犯罪預測模型[J]. 盧睿,李林瑛. 中國刑警學院學報. 2019(03)
[5]地理數(shù)據(jù)關(guān)聯(lián)研究進展[J]. 劉朋飛,崔鐵軍. 天津師范大學學報(自然科學版). 2019(03)
[6]犯罪時間序列預測分析方法研究——以CrimeStat軟件為例[J]. 鐘飚,袁夢佳. 中國人民公安大學學報(自然科學版). 2019(02)
[7]基于時空自回歸移動平均模型的風電出力序列模擬[J]. 鄒金,朱繼忠,賴旭,謝平平,禤培正. 電力系統(tǒng)自動化. 2019(03)
[8]基于時空序列混合模型的犯罪情報預測分析[J]. 劉美霖,高見,黃鴻志,袁得崳. 情報雜志. 2018(09)
[9]基于環(huán)境犯罪學的犯罪預測模型的建立[J]. 李雨聰,劉碩,王方明. 情報雜志. 2018(02)
[10]網(wǎng)約車新政下治安管理問題探究[J]. 張毅航. 江蘇警官學院學報. 2017(03)
碩士論文
[1]基于數(shù)據(jù)挖掘的社區(qū)犯罪率分析與預測研究[D]. 安思敏.北京交通大學 2017
本文編號：3091736
本文鏈接：http://sikaile.net/falvlunwen/fanzuizhian/3091736.html
