基于深度学习的社区治安风险预测模型研究
发布时间：2021-12-09 22:36
社区是若干社会群体或聚居在某个区域内的人所组成的社会共同体,是与人们息息相关的生活基本单元。因此社区治安稳定与否是局部反应社会治安是否稳定的一面镜子,社区的治安稳定直接影响（反映）了整体社会治安稳定水平,因此能否及时有效评估社区治安风险度,对社区治安风险进行风险评估,提升社区治安稳定有着重要的意义。目前基层警力严重不足,很多公安工作处于被动状态,为了更好的维护社区治安稳定,通过开展社区治安风险精准预测,为优化警力分配提供决策支持,提高公安机关打击违法犯罪快速反应能力。本文基于目前社区治安状况,分析、提取影响社区治安风险的关键因素,挖掘各个因素之间的关系,进而对社区治安案件进行精准预测,最终对社区治安风险度做出评估预警。本文主要工作内容如下:（1）基于相关因素分析理论,甄选影响社区治安风险的特征因素。本文通过对所采集数据进行分析、预处理,利用相关分析初步筛选出影响社区治安风险的时间序列特征因素,并剔除在短时间内对社区治安风险影响小甚至不会产生变化的特征因素,为构建社区治安案件预测模型奠定基础。（2）基于多通道的卷积神经网络,提出社区治安案件预测模型。该预测模型对传统的卷积神经网络进行改进...
【文章来源】：中国人民公安大学北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
卷积神经网络架构示意图
卷积神经网络常见的是由卷积层、汇聚层和全连接层交叉组成,利用反向传播算法进行训练。卷积神经网络的局部连接性和权重享性,使得卷积神经网络在一定程度上的平移、缩放和旋转保持不变,这也符合人的视觉特点,和前馈神经网络相比,其参数更少。卷积神经网络有三个优势：参数共享、稀疏交互与等变表示。卷积核有长宽深三个维度,卷积核的长宽都是指定的,长×宽就是卷积核的尺寸；卷积核的深度与当前图像的深度相同,指定卷积核时,只需指定长和宽两个参数,在输入层如果原始图像是灰度图像,则其特征的深度为1,卷积核的深度就是1。如果图像是RGB图像,则feature map的深度为3,卷积核深度为3。随着网络的加深,feature map的长宽尺寸缩小,feature map的数量增加。全连接层,在卷积神经网络最后一层加一个flatten层,将之前所得到的feature map 降维,然后用一个全连接层输出最后的结果,如果是分类的话,一般会利用Softmax激活函数,最后就可以输出相应的分类结果。
集成学习是一种机器学习范式。在集成学习中我们会训练多个模型来解决相同的问题,并且将它们结合起来以获得更好的结果。这需要假设：当弱模型被正确组合时,我们可以得到更精确更鲁棒的模型。在集成学习理论中,我们将单一模型称为模型,这些模型可用作设计更复杂模型的构件。在大多数情况下,这些基本模型本身的性能并不是非常好,这要么是因为它们具有较高的偏置（例如,低自由度模型）,要么是因为他们的方差太大导致鲁棒性不强。集成方法的思想是通过将这些单一模型的偏置和或方差结合起来,从而创建一个集成模型,从而获得更好的性能。每个单一模型在不同的任务上结果表现都不相同,很难有一个通用的模型在每个任务上表现都很好,因此综合预测模型的目的是结合多个单一模型,通过分配权重的策略,将多个模型结合成一个综合模型。权重策略主要是指对于表现更好的模型,给与更高的权重,即在不同的特征条件下,更多相信在该条件下表现更好的模型,从而充分利用不同模型的优势,最终得到的结果比单一模型更准确。集成模型的结构如图3所示。Bootstraping中包括Bagging与Boosting应用。Bootstraping是对训练每次有放回的抽样。
【参考文献】：
期刊论文
[1]基于深度学习的网络流量异常预测方法[J]. 黎佳玥,赵波,李想,刘会,刘一凡,邹建文. 计算机工程与应用. 2020(06)
[2]基于机器学习的犯罪预测综述[J]. 何巍. 科学技术与工程. 2019(36)
[3]基于大数据的案事件预测、预警、预防方法的研究[J]. 张力,李永超. 智能建筑与智慧城市. 2019(09)
[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]基于特征和项目近邻的混合推荐算法研究[J]. 苏晓云,祝永志. 计算机技术与发展. 2019(09)
[6]卷积神经网络在目标检测中的应用综述[J]. 于进勇,丁鹏程,王超. 计算机科学. 2018(S2)
[7]基于机器学习的犯罪人惯犯身份预测分析和识别[J]. 陈鹏,曾昭龙,胡啸峰,张学军. 中国刑警学院学报. 2018(05)
[8]基于深度森林算法的电力系统短期负荷预测[J]. 陈吕鹏,殷林飞,余涛,王克英. 电力建设. 2018(11)
[9]基于人工神经网络模型的抢劫犯罪微观研究[J]. 邱明月,王新猛,唐松泽. 信息技术与信息化. 2018(10)
[10]基于长短记忆型卷积神经网络的犯罪地理位置预测方法[J]. 肖延辉,王欣,冯文刚,田华伟,吴绍忠,李丽华. 数据分析与知识发现. 2018(10)
博士论文
[1]基于深度学习的交通时间预测模型与方法研究[D]. 冉祥栋.北京科技大学 2019
[2]基于深度学习的图像描述算法研究[D]. 朱欣鑫.北京邮电大学 2019
硕士论文
[1]基于机器学习的轨迹预测方法研究[D]. 苏璐敏.北京邮电大学 2019
[2]基于深度学习的分类预测算法研究及实现[D]. 高旭旭.北京邮电大学 2019
[3]基于空时特征融合和深度学习的视频行为识别方法研究[D]. 李晓宇.西安电子科技大学 2019
[4]基于Spark的犯罪预警分析系统的设计与实现[D]. 兰见春.江西财经大学 2018
[5]基于关联规则的交通事故风险因素挖掘及预测模型构建[D]. 叶颖婕.北京工业大学 2018
[6]基于随机森林的城市犯罪空间分布密度建模与影响因素探析[D]. 崔用祥.华东师范大学 2018
[7]基于大规模快递数据的时序分析研究与实现[D]. 李帅.北京邮电大学 2018
[8]社区风险防控云平台领域分析设计与实现[D]. 宋瑞欣.天津大学 2018
[9]警务大数据系统与犯罪预测软件研究开发[D]. 王姗.西安理工大学 2017
[10]盗窃犯罪的时空变化与分析[D]. 李冬艳.中国人民公安大学 2017
本文编号：3531433
【文章来源】：中国人民公安大学北京市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
卷积神经网络架构示意图
卷积神经网络常见的是由卷积层、汇聚层和全连接层交叉组成,利用反向传播算法进行训练。卷积神经网络的局部连接性和权重享性,使得卷积神经网络在一定程度上的平移、缩放和旋转保持不变,这也符合人的视觉特点,和前馈神经网络相比,其参数更少。卷积神经网络有三个优势：参数共享、稀疏交互与等变表示。卷积核有长宽深三个维度,卷积核的长宽都是指定的,长×宽就是卷积核的尺寸；卷积核的深度与当前图像的深度相同,指定卷积核时,只需指定长和宽两个参数,在输入层如果原始图像是灰度图像,则其特征的深度为1,卷积核的深度就是1。如果图像是RGB图像,则feature map的深度为3,卷积核深度为3。随着网络的加深,feature map的长宽尺寸缩小,feature map的数量增加。全连接层,在卷积神经网络最后一层加一个flatten层,将之前所得到的feature map 降维,然后用一个全连接层输出最后的结果,如果是分类的话,一般会利用Softmax激活函数,最后就可以输出相应的分类结果。
集成学习是一种机器学习范式。在集成学习中我们会训练多个模型来解决相同的问题,并且将它们结合起来以获得更好的结果。这需要假设：当弱模型被正确组合时,我们可以得到更精确更鲁棒的模型。在集成学习理论中,我们将单一模型称为模型,这些模型可用作设计更复杂模型的构件。在大多数情况下,这些基本模型本身的性能并不是非常好,这要么是因为它们具有较高的偏置（例如,低自由度模型）,要么是因为他们的方差太大导致鲁棒性不强。集成方法的思想是通过将这些单一模型的偏置和或方差结合起来,从而创建一个集成模型,从而获得更好的性能。每个单一模型在不同的任务上结果表现都不相同,很难有一个通用的模型在每个任务上表现都很好,因此综合预测模型的目的是结合多个单一模型,通过分配权重的策略,将多个模型结合成一个综合模型。权重策略主要是指对于表现更好的模型,给与更高的权重,即在不同的特征条件下,更多相信在该条件下表现更好的模型,从而充分利用不同模型的优势,最终得到的结果比单一模型更准确。集成模型的结构如图3所示。Bootstraping中包括Bagging与Boosting应用。Bootstraping是对训练每次有放回的抽样。
【参考文献】：
期刊论文
[1]基于深度学习的网络流量异常预测方法[J]. 黎佳玥,赵波,李想,刘会,刘一凡,邹建文. 计算机工程与应用. 2020(06)
[2]基于机器学习的犯罪预测综述[J]. 何巍. 科学技术与工程. 2019(36)
[3]基于大数据的案事件预测、预警、预防方法的研究[J]. 张力,李永超. 智能建筑与智慧城市. 2019(09)
[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]基于特征和项目近邻的混合推荐算法研究[J]. 苏晓云,祝永志. 计算机技术与发展. 2019(09)
[6]卷积神经网络在目标检测中的应用综述[J]. 于进勇,丁鹏程,王超. 计算机科学. 2018(S2)
[7]基于机器学习的犯罪人惯犯身份预测分析和识别[J]. 陈鹏,曾昭龙,胡啸峰,张学军. 中国刑警学院学报. 2018(05)
[8]基于深度森林算法的电力系统短期负荷预测[J]. 陈吕鹏,殷林飞,余涛,王克英. 电力建设. 2018(11)
[9]基于人工神经网络模型的抢劫犯罪微观研究[J]. 邱明月,王新猛,唐松泽. 信息技术与信息化. 2018(10)
[10]基于长短记忆型卷积神经网络的犯罪地理位置预测方法[J]. 肖延辉,王欣,冯文刚,田华伟,吴绍忠,李丽华. 数据分析与知识发现. 2018(10)
博士论文
[1]基于深度学习的交通时间预测模型与方法研究[D]. 冉祥栋.北京科技大学 2019
[2]基于深度学习的图像描述算法研究[D]. 朱欣鑫.北京邮电大学 2019
硕士论文
[1]基于机器学习的轨迹预测方法研究[D]. 苏璐敏.北京邮电大学 2019
[2]基于深度学习的分类预测算法研究及实现[D]. 高旭旭.北京邮电大学 2019
[3]基于空时特征融合和深度学习的视频行为识别方法研究[D]. 李晓宇.西安电子科技大学 2019
[4]基于Spark的犯罪预警分析系统的设计与实现[D]. 兰见春.江西财经大学 2018
[5]基于关联规则的交通事故风险因素挖掘及预测模型构建[D]. 叶颖婕.北京工业大学 2018
[6]基于随机森林的城市犯罪空间分布密度建模与影响因素探析[D]. 崔用祥.华东师范大学 2018
[7]基于大规模快递数据的时序分析研究与实现[D]. 李帅.北京邮电大学 2018
[8]社区风险防控云平台领域分析设计与实现[D]. 宋瑞欣.天津大学 2018
[9]警务大数据系统与犯罪预测软件研究开发[D]. 王姗.西安理工大学 2017
[10]盗窃犯罪的时空变化与分析[D]. 李冬艳.中国人民公安大学 2017
本文编号：3531433
本文链接：https://www.wllwen.com/falvlunwen/fanzuizhian/3531433.html
