基于机器学习算法的犯罪预警系统设计与实现

发布时间：2020-07-27 19:20

【摘要】：全球经济、政治和文化正在飞速发展,犯罪是这些发展的障碍,危害着人们的财产安全,然而使用传统预测方法无法对犯罪进行精确的预测,论文基于机器学习算法对犯罪进行了预测。犯罪预测是指通过对过去犯罪纪录进行分析,从而对接下来一段时间内犯罪发生的热点地区、数量、类型等进行预测。因此本文围绕区域犯罪数量、犯罪热点和犯罪类型进行了以下研究。论文引入循环神经网络对区域犯罪数量进行预测,建立了基于LSTM算法的区域犯罪数量预测模型并提出了两种实现方式:LSTM 一维时间序列和LSTM多维时间序列。对研究区域实施网格划分操作,形成小的网格区域,然后选取目标网格,传统时间序列算法ARIMA仅仅利用目标网格的历史犯罪数据,而LSTM还利用了目标网格周围网格的历史犯罪数据,考虑了周围网格犯罪数量对目标网格犯罪数量的影响。论文基于芝加哥历史犯罪数据集进行了实验,结果表明LSTM的均方根误差比ARIMA低0.73,平均绝对百分比误差比ARIMA低4.96%。进一步地,论文对LSTM进行了改进,将节假日、温度、天气因素纳入模型,实验结果表明改进模型的均方根误差比未改进LSTM低0.57,平均绝对百分比误差比未改进LSTM低2.62%。针对区域犯罪热点预测,论文提出了一种将目标区域时间、空间均嵌入模型进行考虑的时空神经网络。该模型引入时空窗口的概念,将预测某区域是否为热点的问题,转化为时空序列预测问题,基于时空累积影响来预测某区域是否为热点。为了验证论文算法的有效性,同时利用决策树、随机森林、逻辑回归等六种经典的分类算法进行了预测。实验结果表明,随机森林在传统算法中效果最佳。而论文提出的时空模型的准确率比随机森林高5.5%,精确率比随机森林高6.5%,召回率比随机森林高6.9%,F1-score 比随机森林高0.061。论文研究了犯罪类型预测的数据预处理过程,原始数据集中独立坐标对过多导致无法建立模型。论文使用聚类算法将巨量独立的经纬度坐标对应到20个不同的区域,同时将原始的多种犯罪类型合并为3种,然后调用sklearn库中的分类器建模,最终可依据输入的地点、时间输出3种犯罪类型各自发生的概率。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D917;TP181
【图文】：

十分火热的无人驾驶技术。神经网络的发展历史大一时期主要是对人体神经元相互作用的认知，相关以模拟任何计算函数，这一发现完成了人工神经数学语言来描述神经元之间的相关作甩，权值的思感知器，直至大多数学者认为简单神经网络只能在经历了启蒙时期后的数十年内，相关领域科研人员种被称为Ｈｏｐｆｉｅｌｄ的网络结构在被科研人员提出后到该领域中来进行钻研，随后许多学者发展了反向度网络模型基本都是由其发展而来；逡逑具有划时代意义的会议被召开：首届国际神经网络次国际学术会议。此后，神经网络的发现呈现遍地络被应用在传统行业的方方面面，不断取得前无点的发展进程如图２－２所示。逡逑单层感知器逡逑

逦电子科技大学硕士学位论文天气；犯罪数埵是指这个时间段发生在该网格的犯

本文编号：2772265