發(fā)布時間：2021-12-09 22:36

　　社區(qū)是若干社會群體或聚居在某個區(qū)域內(nèi)的人所組成的社會共同體,是與人們息息相關(guān)的生活基本單元。因此社區(qū)治安穩(wěn)定與否是局部反應(yīng)社會治安是否穩(wěn)定的一面鏡子,社區(qū)的治安穩(wěn)定直接影響（反映）了整體社會治安穩(wěn)定水平,因此能否及時有效評估社區(qū)治安風(fēng)險度,對社區(qū)治安風(fēng)險進(jìn)行風(fēng)險評估,提升社區(qū)治安穩(wěn)定有著重要的意義。目前基層警力嚴(yán)重不足,很多公安工作處于被動狀態(tài),為了更好的維護(hù)社區(qū)治安穩(wěn)定,通過開展社區(qū)治安風(fēng)險精準(zhǔn)預(yù)測,為優(yōu)化警力分配提供決策支持,提高公安機(jī)關(guān)打擊違法犯罪快速反應(yīng)能力。本文基于目前社區(qū)治安狀況,分析、提取影響社區(qū)治安風(fēng)險的關(guān)鍵因素,挖掘各個因素之間的關(guān)系,進(jìn)而對社區(qū)治安案件進(jìn)行精準(zhǔn)預(yù)測,最終對社區(qū)治安風(fēng)險度做出評估預(yù)警。本文主要工作內(nèi)容如下:（1）基于相關(guān)因素分析理論,甄選影響社區(qū)治安風(fēng)險的特征因素。本文通過對所采集數(shù)據(jù)進(jìn)行分析、預(yù)處理,利用相關(guān)分析初步篩選出影響社區(qū)治安風(fēng)險的時間序列特征因素,并剔除在短時間內(nèi)對社區(qū)治安風(fēng)險影響小甚至不會產(chǎn)生變化的特征因素,為構(gòu)建社區(qū)治安案件預(yù)測模型奠定基礎(chǔ)。（2）基于多通道的卷積神經(jīng)網(wǎng)絡(luò),提出社區(qū)治安案件預(yù)測模型。該預(yù)測模型對傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)... 

【文章來源】：中國人民公安大學(xué)北京市

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

卷積神經(jīng)網(wǎng)絡(luò)常見的是由卷積層、匯聚層和全連接層交叉組成,利用反向傳播算法進(jìn)行訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)的局部連接性和權(quán)重享性,使得卷積神經(jīng)網(wǎng)絡(luò)在一定程度上的平移、縮放和旋轉(zhuǎn)保持不變,這也符合人的視覺特點,和前饋神經(jīng)網(wǎng)絡(luò)相比,其參數(shù)更少。卷積神經(jīng)網(wǎng)絡(luò)有三個優(yōu)勢：參數(shù)共享、稀疏交互與等變表示。卷積核有長寬深三個維度,卷積核的長寬都是指定的,長×寬就是卷積核的尺寸；卷積核的深度與當(dāng)前圖像的深度相同,指定卷積核時,只需指定長和寬兩個參數(shù),在輸入層如果原始圖像是灰度圖像,則其特征的深度為1,卷積核的深度就是1。如果圖像是RGB圖像,則feature map的深度為3,卷積核深度為3。隨著網(wǎng)絡(luò)的加深,feature map的長寬尺寸縮小,feature map的數(shù)量增加。全連接層,在卷積神經(jīng)網(wǎng)絡(luò)最后一層加一個flatten層,將之前所得到的feature map 降維,然后用一個全連接層輸出最后的結(jié)果,如果是分類的話,一般會利用Softmax激活函數(shù),最后就可以輸出相應(yīng)的分類結(jié)果。

集成學(xué)習(xí)是一種機(jī)器學(xué)習(xí)范式。在集成學(xué)習(xí)中我們會訓(xùn)練多個模型來解決相同的問題,并且將它們結(jié)合起來以獲得更好的結(jié)果。這需要假設(shè)：當(dāng)弱模型被正確組合時,我們可以得到更精確更魯棒的模型。在集成學(xué)習(xí)理論中,我們將單一模型稱為模型,這些模型可用作設(shè)計更復(fù)雜模型的構(gòu)件。在大多數(shù)情況下,這些基本模型本身的性能并不是非常好,這要么是因為它們具有較高的偏置（例如,低自由度模型）,要么是因為他們的方差太大導(dǎo)致魯棒性不強(qiáng)。集成方法的思想是通過將這些單一模型的偏置和或方差結(jié)合起來,從而創(chuàng)建一個集成模型,從而獲得更好的性能。每個單一模型在不同的任務(wù)上結(jié)果表現(xiàn)都不相同,很難有一個通用的模型在每個任務(wù)上表現(xiàn)都很好,因此綜合預(yù)測模型的目的是結(jié)合多個單一模型,通過分配權(quán)重的策略,將多個模型結(jié)合成一個綜合模型。權(quán)重策略主要是指對于表現(xiàn)更好的模型,給與更高的權(quán)重,即在不同的特征條件下,更多相信在該條件下表現(xiàn)更好的模型,從而充分利用不同模型的優(yōu)勢,最終得到的結(jié)果比單一模型更準(zhǔn)確。集成模型的結(jié)構(gòu)如圖3所示。Bootstraping中包括Bagging與Boosting應(yīng)用。Bootstraping是對訓(xùn)練每次有放回的抽樣。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量異常預(yù)測方法[J]. 黎佳玥,趙波,李想,劉會,劉一凡,鄒建文.  計算機(jī)工程與應(yīng)用. 2020(06)
[2]基于機(jī)器學(xué)習(xí)的犯罪預(yù)測綜述[J]. 何巍.  科學(xué)技術(shù)與工程. 2019(36)
[3]基于大數(shù)據(jù)的案事件預(yù)測、預(yù)警、預(yù)防方法的研究[J]. 張力,李永超.  智能建筑與智慧城市. 2019(09)
[4]基于隨機(jī)森林的犯罪預(yù)測模型[J]. 盧睿,李林瑛.  中國刑警學(xué)院學(xué)報. 2019(03)
[5]基于特征和項目近鄰的混合推薦算法研究[J]. 蘇曉云,祝永志.  計算機(jī)技術(shù)與發(fā)展. 2019(09)
[6]卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測中的應(yīng)用綜述[J]. 于進(jìn)勇,丁鵬程,王超.  計算機(jī)科學(xué). 2018(S2)
[7]基于機(jī)器學(xué)習(xí)的犯罪人慣犯身份預(yù)測分析和識別[J]. 陳鵬,曾昭龍,胡嘯峰,張學(xué)軍.  中國刑警學(xué)院學(xué)報. 2018(05)
[8]基于深度森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 陳呂鵬,殷林飛,余濤,王克英.  電力建設(shè). 2018(11)
[9]基于人工神經(jīng)網(wǎng)絡(luò)模型的搶劫犯罪微觀研究[J]. 邱明月,王新猛,唐松澤.  信息技術(shù)與信息化. 2018(10)
[10]基于長短記憶型卷積神經(jīng)網(wǎng)絡(luò)的犯罪地理位置預(yù)測方法[J]. 肖延輝,王欣,馮文剛,田華偉,吳紹忠,李麗華.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2018(10)

博士論文
[1]基于深度學(xué)習(xí)的交通時間預(yù)測模型與方法研究[D]. 冉祥棟.北京科技大學(xué) 2019
[2]基于深度學(xué)習(xí)的圖像描述算法研究[D]. 朱欣鑫.北京郵電大學(xué) 2019

碩士論文
[1]基于機(jī)器學(xué)習(xí)的軌跡預(yù)測方法研究[D]. 蘇璐敏.北京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的分類預(yù)測算法研究及實現(xiàn)[D]. 高旭旭.北京郵電大學(xué) 2019
[3]基于空時特征融合和深度學(xué)習(xí)的視頻行為識別方法研究[D]. 李曉宇.西安電子科技大學(xué) 2019
[4]基于Spark的犯罪預(yù)警分析系統(tǒng)的設(shè)計與實現(xiàn)[D]. 蘭見春.江西財經(jīng)大學(xué) 2018
[5]基于關(guān)聯(lián)規(guī)則的交通事故風(fēng)險因素挖掘及預(yù)測模型構(gòu)建[D]. 葉穎婕.北京工業(yè)大學(xué) 2018
[6]基于隨機(jī)森林的城市犯罪空間分布密度建模與影響因素探析[D]. 崔用祥.華東師范大學(xué) 2018
[7]基于大規(guī)�？爝f數(shù)據(jù)的時序分析研究與實現(xiàn)[D]. 李帥.北京郵電大學(xué) 2018
[8]社區(qū)風(fēng)險防控云平臺領(lǐng)域分析設(shè)計與實現(xiàn)[D]. 宋瑞欣.天津大學(xué) 2018
[9]警務(wù)大數(shù)據(jù)系統(tǒng)與犯罪預(yù)測軟件研究開發(fā)[D]. 王姍.西安理工大學(xué) 2017
[10]盜竊犯罪的時空變化與分析[D]. 李冬艷.中國人民公安大學(xué) 2017



本文編號：3531433