基于时空序列模型的犯罪预测与分析研究
发布时间：2021-03-20 21:56
犯罪预测是指运用科学方法对现有的历史犯罪数据与可能对犯罪产生影响的各种相关数据的分析与研究,对未来特定时空范围内可能出现的犯罪现象的状态与发展趋势预先推测或测定,高精度的犯罪预测可以为犯罪预防战略和战术措施的制定提供重要的科学保证。本文结合出租车数据提出了一种空间权重矩阵构建方法。在此基础上,采用时空自回归移动平均模型进行犯罪预测。此外,时空自回归移动平均模型无法拟合犯罪时空序列中的非线性特征,本文提出了一种基于神经网络的犯罪时空预测模型。本文的主要工作如下。（1）随着交通的发展和人类出行活动的频繁,区域之间的邻近关系不仅仅是空间位置上的邻近了。本文结合出租车出行数据与地图结构信息设计一种空间权重矩阵构建方法,该方法对区域之间的距离关系进行重新定义,以更好地体现出犯罪在空间上的邻近传播性质。（2）基于所设计的空间权重矩阵,使用STARMA模型进行犯罪预测。实验验证了算法的有效性。（3）由于时空自回归移动平均模型属于线性模型,无法捕捉到犯罪时空序列中的非线性特征。本文结合所设计的空间权重矩阵,提出了一种基于神经网络的犯罪时空预测模型。实验表明该模型能够在一定程度上提高犯罪预测的准确度。最...
【文章来源】：浙江工业大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
芝加哥犯罪区域社区分布图
基于时空序列模型的犯罪预测与分析研究13)()()()(10)(10)(ZWtZktktWtqknhhkhpkmhhkhkk（2-17）上式中，p表示模型的时间延迟阶数；E}{表示数学期望运算符；km与kn表示空间延迟阶数；khkh与表示模型系数；)(t表示模型残差函数，时间与空间延迟阶数从时空数据的偏自相关函数与自相关函数是否拖尾或截断进行判断。2.3BP神经网络模型BP（backpropagation）神经网络是在1986年由Rumelhart和McClelland为首的科学家提出的概念，相较传统的线性模型，BP神经网络可以捕捉输入数据中的非线性特征进行预测，是一种可以学习到非线性特征的多层前馈神经网络模型。模型内的各个神经元节点按照与人脑中神经元相同的方式连接，隐层神经元的权值系数按照误差逆向传播算法通过多层前馈神经网络学习，对于原始未加工的且不可直接描述的特征拟合尤其有效，是目前应用最广泛的神经网络[54]。使用BP神经网络模型来进行犯罪时空预测任务，是对不同时间延迟阶数的犯罪时间序列进行拟合与预测。构建的BP神经网络模型输入层输入包含了犯罪时间序列的n个延迟数据，输出层的输出为单一区域的犯罪时间序列预测值，网络结构如图2-2所示。图2-2BP神经网络的网络结构图Figure2-2.NetworkstructurediagramofBPneuralnetwork
浙江工业大学硕士学位论文16图3-1混合-邻接空间权重矩阵结构图Figure3-1.Structurechartofmixed-adjacentspaceweightmatrix表3-1芝加哥部分社区邻接关系Table3-1.RelationshipinsomeneighborhoodsinChicago社区编号一阶空间邻域二阶空间邻域127734132141377356121416345677127131416212242356131416771712152021225346714162122281213152023247763457281314162122247775682224341416202123272832872428325622232729313334910111276109111276131415161711101215913141617192076121011131415162459171920217613241214135610151677
【参考文献】：
期刊论文
[1]基于长短期记忆模型的入室盗窃犯罪预测研究[J]. 沈寒蕾,张虎,张耀峰,张志刚,朱艳敏,蔡黎. 统计与信息论坛. 2019(11)
[2]浅谈数据挖掘中数据预处理的研究与实现[J]. 李果. 计算机产品与流通. 2019(10)
[3]地理空间关联模式的统计挖掘方法研究[J]. 何占军. 测绘学报. 2019(08)
[4]基于随机森林的犯罪预测模型[J]. 卢睿,李林瑛. 中国刑警学院学报. 2019(03)
[5]地理数据关联研究进展[J]. 刘朋飞,崔铁军. 天津师范大学学报(自然科学版). 2019(03)
[6]犯罪时间序列预测分析方法研究——以CrimeStat软件为例[J]. 钟飚,袁梦佳. 中国人民公安大学学报(自然科学版). 2019(02)
[7]基于时空自回归移动平均模型的风电出力序列模拟[J]. 邹金,朱继忠,赖旭,谢平平,禤培正. 电力系统自动化. 2019(03)
[8]基于时空序列混合模型的犯罪情报预测分析[J]. 刘美霖,高见,黄鸿志,袁得嵛. 情报杂志. 2018(09)
[9]基于环境犯罪学的犯罪预测模型的建立[J]. 李雨聪,刘硕,王方明. 情报杂志. 2018(02)
[10]网约车新政下治安管理问题探究[J]. 张毅航. 江苏警官学院学报. 2017(03)
硕士论文
[1]基于数据挖掘的社区犯罪率分析与预测研究[D]. 安思敏.北京交通大学 2017
本文编号：3091736
【文章来源】：浙江工业大学浙江省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
芝加哥犯罪区域社区分布图
基于时空序列模型的犯罪预测与分析研究13)()()()(10)(10)(ZWtZktktWtqknhhkhpkmhhkhkk（2-17）上式中，p表示模型的时间延迟阶数；E}{表示数学期望运算符；km与kn表示空间延迟阶数；khkh与表示模型系数；)(t表示模型残差函数，时间与空间延迟阶数从时空数据的偏自相关函数与自相关函数是否拖尾或截断进行判断。2.3BP神经网络模型BP（backpropagation）神经网络是在1986年由Rumelhart和McClelland为首的科学家提出的概念，相较传统的线性模型，BP神经网络可以捕捉输入数据中的非线性特征进行预测，是一种可以学习到非线性特征的多层前馈神经网络模型。模型内的各个神经元节点按照与人脑中神经元相同的方式连接，隐层神经元的权值系数按照误差逆向传播算法通过多层前馈神经网络学习，对于原始未加工的且不可直接描述的特征拟合尤其有效，是目前应用最广泛的神经网络[54]。使用BP神经网络模型来进行犯罪时空预测任务，是对不同时间延迟阶数的犯罪时间序列进行拟合与预测。构建的BP神经网络模型输入层输入包含了犯罪时间序列的n个延迟数据，输出层的输出为单一区域的犯罪时间序列预测值，网络结构如图2-2所示。图2-2BP神经网络的网络结构图Figure2-2.NetworkstructurediagramofBPneuralnetwork
浙江工业大学硕士学位论文16图3-1混合-邻接空间权重矩阵结构图Figure3-1.Structurechartofmixed-adjacentspaceweightmatrix表3-1芝加哥部分社区邻接关系Table3-1.RelationshipinsomeneighborhoodsinChicago社区编号一阶空间邻域二阶空间邻域127734132141377356121416345677127131416212242356131416771712152021225346714162122281213152023247763457281314162122247775682224341416202123272832872428325622232729313334910111276109111276131415161711101215913141617192076121011131415162459171920217613241214135610151677
【参考文献】：
期刊论文
[1]基于长短期记忆模型的入室盗窃犯罪预测研究[J]. 沈寒蕾,张虎,张耀峰,张志刚,朱艳敏,蔡黎. 统计与信息论坛. 2019(11)
[2]浅谈数据挖掘中数据预处理的研究与实现[J]. 李果. 计算机产品与流通. 2019(10)
[3]地理空间关联模式的统计挖掘方法研究[J]. 何占军. 测绘学报. 2019(08)
[4]基于随机森林的犯罪预测模型[J]. 卢睿,李林瑛. 中国刑警学院学报. 2019(03)
[5]地理数据关联研究进展[J]. 刘朋飞,崔铁军. 天津师范大学学报(自然科学版). 2019(03)
[6]犯罪时间序列预测分析方法研究——以CrimeStat软件为例[J]. 钟飚,袁梦佳. 中国人民公安大学学报(自然科学版). 2019(02)
[7]基于时空自回归移动平均模型的风电出力序列模拟[J]. 邹金,朱继忠,赖旭,谢平平,禤培正. 电力系统自动化. 2019(03)
[8]基于时空序列混合模型的犯罪情报预测分析[J]. 刘美霖,高见,黄鸿志,袁得嵛. 情报杂志. 2018(09)
[9]基于环境犯罪学的犯罪预测模型的建立[J]. 李雨聪,刘硕,王方明. 情报杂志. 2018(02)
[10]网约车新政下治安管理问题探究[J]. 张毅航. 江苏警官学院学报. 2017(03)
硕士论文
[1]基于数据挖掘的社区犯罪率分析与预测研究[D]. 安思敏.北京交通大学 2017
本文编号：3091736
本文链接：https://www.wllwen.com/falvlunwen/fanzuizhian/3091736.html
