基于节假日因素的多尺度犯罪时序预测方法研究
发布时间：2021-09-28 11:35
时序分析方法目前虽被广泛应用于各类犯罪的预测预警之中,但少有研究对各类时序分析方法的预测尺度以及节假日因素对犯罪的影响加以考虑。基于Prophet算法将节假日因素完整地纳入时序分析模型中对现有的犯罪预测模型进行多重优化,并比较Prophet和传统时序分析模型ARIMA对盗窃和诈骗两类典型犯罪在多时间尺度上的预测效果,从而进一步丰富犯罪预测方法的体系。研究结果发现ARIMA模型具有良好的短期预测性能,其对盗窃案件的预测准确率达到88. 99%,比Prophet模型高出4. 86%;加入节假日因素的Prophet模型在各时间尺度上均衡性更强,且对两类犯罪的长期预测准确率均高于ARIMA模型,达到了83. 69%和82. 49%。Prophet和ARIMA模型在多尺度时序上的良好组合可有效提升犯罪预测的准确率。
【文章来源】：中国人民公安大学学报(自然科学版). 2020,26(03)
【文章页数】：7 页
【部分图文】：
2004～2014年盗窃案件和诈骗案件趋势分析
为分析犯罪案件数据的规律，减少由于统计错误出现的误差，首先对预测方法进行3次优化，方案优化的流程见图2。第1组方案为Prophet和ARI-MA的原始模型，此为对照组;第2组方案是利用Prophet内建的holiday函数添加节假日变量，内建函数包含的节假日信息为:元旦、春节、清明节、劳动节、端午节、中秋节以及国庆节。但是我们发现每个节日只设定在一天之内，这不符合我国节假日的放假周期为3天或7天的国情，因此我们建立了2004～2014年每年的节假日列表，并将该列表导入Prophet的holiday函数形成第3组优化。第4组优化是在处理数据的过程中，发现每月1日的发案量远高于本月其他日期，经于公安部门实地考察后判定每月1日的案件数量存在一定的统计错误，因此将每月1号的案件数量处理为异常值。以盗窃案为例对4组优化的效果进行比较，同时区分Prophet的加法模型和乘法模型，在表1可以看出第4组方案具有最好的预测效果。2.2 Prophet和ARIMA模型的预测结果分析
从表2中可以看出:(1)对于短期预测特别是未来一周的预测，ARIMA模型对盗窃案件预测的准确率更高，对于长期预测如未来一年的预测，Prophet模型在这两类案件中都更具优势;(2)对于诈骗案件而言，Prophet的加法模型一直是最优的预测模型，对于盗窃案件而言，预测未来一周和一月都应选择ARIMA模型;(3) ARIMA模型具有良好的短期预测性能，其对盗窃案件的预测准确率达到88.99%，比Prophet模型高出4.86%;加入节假日因素的Prophet模型在各时间尺度上均衡性更强，且对两类犯罪的长期预测准确率均高于ARIMA模型，达到83.69%和82.49%。从上述对预测结果的分析中可以看出，模型选择主要以预测周期的长短为依据，为了进一步探究模型的效果是否与案件类型有关，表3选取了5类案件均以年为周期进行预测，可以发现即使是盗窃—盗窃自行车、抢劫—入室抢劫，这些属于同一类的案件其最优模型也是不同的;发案量越大，Prophet模型越优于ARIMA模型。综上所述，模型的预测效果与案件类别之间不存在明显的关系，而与预测周期的尺度及发案数量存在一定关系。
【参考文献】：
期刊论文
[1]Prophet时序预测模型在电离层TEC异常探测中的应用[J]. 翟笃林,张学民,熊攀,宋锐. 地震. 2019(02)
[2]基于Prophet框架的银行网点备付金预测方法[J]. 李丽萍,段桂华,王建新. 中南大学学报(自然科学版). 2019(01)
[3]犯罪量动态优化组合预测方法[J]. 李明,薛安荣,王富强,吴正寅. 计算机工程. 2011(17)
本文编号：3411823
【文章来源】：中国人民公安大学学报(自然科学版). 2020,26(03)
【文章页数】：7 页
【部分图文】：
2004～2014年盗窃案件和诈骗案件趋势分析
为分析犯罪案件数据的规律，减少由于统计错误出现的误差，首先对预测方法进行3次优化，方案优化的流程见图2。第1组方案为Prophet和ARI-MA的原始模型，此为对照组;第2组方案是利用Prophet内建的holiday函数添加节假日变量，内建函数包含的节假日信息为:元旦、春节、清明节、劳动节、端午节、中秋节以及国庆节。但是我们发现每个节日只设定在一天之内，这不符合我国节假日的放假周期为3天或7天的国情，因此我们建立了2004～2014年每年的节假日列表，并将该列表导入Prophet的holiday函数形成第3组优化。第4组优化是在处理数据的过程中，发现每月1日的发案量远高于本月其他日期，经于公安部门实地考察后判定每月1日的案件数量存在一定的统计错误，因此将每月1号的案件数量处理为异常值。以盗窃案为例对4组优化的效果进行比较，同时区分Prophet的加法模型和乘法模型，在表1可以看出第4组方案具有最好的预测效果。2.2 Prophet和ARIMA模型的预测结果分析
从表2中可以看出:(1)对于短期预测特别是未来一周的预测，ARIMA模型对盗窃案件预测的准确率更高，对于长期预测如未来一年的预测，Prophet模型在这两类案件中都更具优势;(2)对于诈骗案件而言，Prophet的加法模型一直是最优的预测模型，对于盗窃案件而言，预测未来一周和一月都应选择ARIMA模型;(3) ARIMA模型具有良好的短期预测性能，其对盗窃案件的预测准确率达到88.99%，比Prophet模型高出4.86%;加入节假日因素的Prophet模型在各时间尺度上均衡性更强，且对两类犯罪的长期预测准确率均高于ARIMA模型，达到83.69%和82.49%。从上述对预测结果的分析中可以看出，模型选择主要以预测周期的长短为依据，为了进一步探究模型的效果是否与案件类型有关，表3选取了5类案件均以年为周期进行预测，可以发现即使是盗窃—盗窃自行车、抢劫—入室抢劫，这些属于同一类的案件其最优模型也是不同的;发案量越大，Prophet模型越优于ARIMA模型。综上所述，模型的预测效果与案件类别之间不存在明显的关系，而与预测周期的尺度及发案数量存在一定关系。
【参考文献】：
期刊论文
[1]Prophet时序预测模型在电离层TEC异常探测中的应用[J]. 翟笃林,张学民,熊攀,宋锐. 地震. 2019(02)
[2]基于Prophet框架的银行网点备付金预测方法[J]. 李丽萍,段桂华,王建新. 中南大学学报(自然科学版). 2019(01)
[3]犯罪量动态优化组合预测方法[J]. 李明,薛安荣,王富强,吴正寅. 计算机工程. 2011(17)
本文编号：3411823
本文链接：https://www.wllwen.com/shekelunwen/gongan/3411823.html
