CN106096623A - 一种犯罪识别与预测方法 - Google Patents
一种犯罪识别与预测方法 Download PDFInfo
- Publication number
- CN106096623A CN106096623A CN201610357598.9A CN201610357598A CN106096623A CN 106096623 A CN106096623 A CN 106096623A CN 201610357598 A CN201610357598 A CN 201610357598A CN 106096623 A CN106096623 A CN 106096623A
- Authority
- CN
- China
- Prior art keywords
- crime
- attribute
- data
- created
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007935 neutral effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000007637 random forest analysis Methods 0.000 claims abstract description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012706 support-vector machine Methods 0.000 abstract description 9
- 238000007418 data mining Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种犯罪识别与预测方法,该方法采用数据挖掘中数据预处理方法,针对犯罪信息诸如日期、街道地址、犯罪警区、星期、犯罪类别、犯罪说明、判刑处理等进行重构属性、特征提取、特征选择、挖掘出犯罪信息之间的关联性、产生最大化差异的特征因子及其与犯罪结果即犯罪类型之间的关联;然后构建融合了高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、K近邻、随机森林、支持向量机、XGBoost学习算法的模型,得到基于加权投票分类器突出分类及聚类效果良好的元分类器进而对重构后数据进行分析处理识别及预测出城市未来的犯罪情况、绘制出城市个性犯罪图谱,进而达到促进和规范城市治安及管理的效果。
Description
技术领域
本发明涉及数据挖掘领域,更具体地,涉及一种犯罪识别与预测方法。
背景技术
近些年来,随着不断深化带来卓越成效的改革开放的进一步迈进,随着中国特色社会主义的不断发展,中国的经济发展水平不断提高、社会文明不断进步、人民生活不断富裕,而这些都需要稳定的社会治安保障。然而,紧跟时代潮流的还有高昂的房价、紧缺的学区房、昂贵的医疗成本、劣质食品、假冒伪劣商品、二胎问题、就业问题、环境污染问题、剩男剩女问题、养老问题等,这些都催生了犯罪率的不断提高,埋下了动机不纯之人犯罪的种子。因而,如何挖掘并利用城市犯罪大数据,识别及预测出城市未来的犯罪情况、谱画出城市个性犯罪图谱,对于促进和规范城市治安及管理,有着重要意义。
而如何利用城市甚至国家公安系统的犯罪记录进行犯罪类别的预测和预判,这无疑是一个大数据分类及聚类问题。近些年来,大数据、数据挖掘技术无论在研究领域还是工业应用中都十分火热。数据挖掘就是针对一堆杂乱无章的数据记录,提取其中的关键性价值信息和关联规则,挖掘出数据所隐含的数学模型,从而实现对数据进行分类、聚类、分析和预测,进而帮助人们进行高效的决策和判定。
目前虽然已存在很多数据挖掘方法比如SVM支持向量机、卷积神经网络、word2vec词向量、协同过滤、张量理论、LDA主题模型、深度学习等,以及数据挖掘相关应用比如推荐系统、人机翻译、图像处理、情感分析、实体识别、兴趣点挖掘等。但针对不同领域的大数据,数据挖掘不具有普适性。针对犯罪大数据,一方面,仅仅采用单一的逻辑回归、正则回归、近邻、随机深林、支持向量机SVM等进行分类预测,由于模型仅能学习数值型数据,因为需要对类别标签进行数值化编码,这将增加计算复杂度,并且减弱其处理文本型犯罪数据的效果。另一方面,仅仅挖掘犯罪街道地址、犯罪警区这两个和地点相关的信息,并不足以表达出犯罪行为与地理地址之间的联系,将降低犯罪预测的效果和结果的指导性。
发明内容
本发明提供一种犯罪识别与预测方法,该方法能够充分利用和挖掘犯罪大数据中的信息,从而识别及预测出城市未来的犯罪情况。
为了达到上述技术效果,本发明的技术方案如下:
一种犯罪识别与预测方法,包括以下步骤:
S1:对犯罪大数据进行样本平衡;
S2:对进行样本平衡的样本进行数据预处理;
S3:对预处理后的数据进行属性重构;
S4:构建融合元分类器,并输入经属性重构后的数据得到识别和预测结果。
进一步地,所述步骤S1的具体过程如下:
将犯罪大数据中,犯罪比例高于阈值X的犯罪类型的数据进行稀疏采样,对于犯罪比例低于阈值X的犯罪类型的数据进行复制采样从而达到平衡样本。
进一步地,所述步骤S2的具体过程如下:
利用PCA主成分分析进行特征选择,保留样本数据中的日期(精确到秒)、星期、街道地址、犯罪警区属性,剔除犯罪说明、判刑处理的属性。
进一步地,所述步骤S3的具体过程如下:
S31:将包含年月日时分秒的时间戳格式的”日期”信息分解,创建出”年”、”月”、”日”、”小时”、”分钟”属性;
S32:利用提取到的”月”和”小时”,创建出季节和时间段属性;
S33:利用提取到的”月”和”日”,创建出一年中的第n1天属性;
S34:利用提取到的”日”和”小时”,创建出一天中的第n2分属性;
S35:利用星期属性创建出周末属性;
S36:利用街区地址,创建出交叉口属性;
S37:利用街区地址中是否是由两条街道组成,距离街道的距离信息创建街道类型属性;
S38:利用google map将犯罪大数据所属区域创建规格为n*n的虚拟正方形网格,创建均匀量化的经纬度坐标属性。
进一步地,所述步骤S4中够融合元分类器的具体过程如下:
S41:分别用高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost学习算法来构建模型,得到预测分类的结果;元分类器的损失函数为:
其中,N表示测试样本数,M犯罪类别种数,pij表示样本i为类别的j概率;
S42:采用加权投票的方式,基于决策融合层面,即对于预测分类的结果表现优异的元分类器,赋予较高的权重;对于预测分类的结果表现不太理想的元分类器,赋予较低的权重,以保留其对整个模型的平衡作用;
S43:采用线性组合求和的方式,将基于加权投票分类器的元分类器组合为新型的预测分类模型;其中线性组合函数为:
其中L代表总体损失函数,wi代表元分类器的权重,li代表元分类器的损失函数。
与现有技术相比,本发明技术方案的有益效果是:
1、通过融合高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost分类及聚类学习算法,构建基于加权投票分类器突出分类及聚类效果良好的元分类器,避免了采用单一的逻辑回归、正则回归、近邻、随机深林、支持向量机等进行分类预测时,由于模型仅能学习数值型数据而需要对类别标签进行数值化编码,从而带来的计算复杂度变大,无法处理文本型犯罪数据的局限性;
2、通过加入google map提供的经纬度信息,以及创造出的虚拟正方形网格表示法,避免了仅仅挖掘犯罪街道地点、犯罪警区这两个和地点相关的信息,而不能够表达出犯罪行为与地理地址之间的联系的局限性,从而提高了犯罪预测的效果和结果的指导性。
附图说明
图1为本发明方法的流程图;
图2为创建出”年”、”月”、”日”、”小时”、”分钟”属性;
图3为创建出季节和时间段属性;
图4为创建出一年中(考虑闰年)的第n1天属性;
图5为创建出一天中的第n2分属性;
图6为创建出周末属性;
图7为创建均匀量化的经纬度坐标属性。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种犯罪识别与预测方法,包括以下步骤:
S1:对犯罪大数据进行样本平衡,例如:p(交通违规)>>p(盗窃)>>p(谋杀),其中p代表概率。针对此现象,我们对频繁类别(比例大于某个值X)进行稀疏采样,而针对稀疏类别(比例低于某个值X),进行复制采样,从而达到平衡样本的作用;
S2:对进行样本平衡的样本进行数据预处理;
S3:对预处理后的数据进行属性重构;
S4:构建融合元分类器,并输入经属性重构后的数据得到识别和预测结果。
本实施例中,采用从美国SFPD犯罪事件报告系统采集从2003年1月1日到2015年5月13日的犯罪数据。
对犯罪大数据进行样本平衡:对频繁类别-盗窃犯罪进行稀疏采样,而针对其余类别进行复制采样,从而达到平衡样本的作用。
对进行样本平衡的样本进行数据预处理是:利用PCA主成分分析进行特征选择,保留了日期(精确到秒)、星期、街道地址、犯罪警区属性,剔除犯罪说明、判刑处理等属性。
重构日期属性,如果保留原来的时间戳格式,将不足以提取出日期所隐含的价值信息,如果单一的用数值1-12表示1月到12月,又不足以表示出月份之间的距离。因为按照客观规律,1月和12月是很接近的,当用单一的数值1-2表示时,1月和12月是相距最远的,这有违客观规律,本实施例中采用的方式是:
步骤1:将包含年月日时分秒的时间戳格式的”日期”信息分解,创建出”年”、”月”、”日”、”小时”、”分钟”属性,如图2。
步骤2:根据步骤1提取到的”月”和”小时”,创建出季节和时间段属性,如图3。
创建规则为,
1-3月:冬季winter
4-6月:春季spring
7-9月:夏季summer
10-12月:秋季autumn
6-12时:上午morning
12-18时:下午afternoon
18-24时:夜间evening
0-6时:凌晨night
步骤三:根据步骤1提取得到的”月”和”日”的数值,创建出一年中(考虑闰年)的第n1天属性,如图4。
步骤4:根据步骤1提取得到的”小时”和”日”的数值,创建出一天中的的第n2分属性,如图5。
步骤5:根据星期属性创建出周末属性,如图6。
步骤6:根据街区地址,是否包含”/”(连接两个街区地址),创建出交叉点属性。
是:对应于两条街道的交叉点。
否:它对应于一条单一的道路。
步骤7:根据街区地址,创建街道类型属性。
步骤8:根据步骤6和步骤7的分析,创建简化版地址属性。
步骤9:由于原生的经纬度信息并不足以表达物理位置信息,比如无法表达道路交叉口、相互平行道路、相互垂直道路、斜交45,道路、道路尽头、道路中间等概念;本实施例中,根据街道地址,采用google map app得到其对应的经度X,纬度Y,进而创建规格为n*n的虚拟正方形网格,创建均匀量化的经纬度坐标属性,如图7。
步骤10:基于上述步骤挖掘出的关联信息建立一种基于投票表决及google map的犯罪识别方法,该模型将融合高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost分类及聚类学习算法,基于加权投票分类器突出分类及聚类效果良好的子分类器。
具体过程是,首先分别实现各个元分类器,并得到预测分类的结果;然后采用加权投票的方式,基于决策融合层面,即对于预测分类的结果表现优异的元分类器,赋予较高的权重,而对于预测分类的结果表现不太理想的元分类器,赋予较低的权重;最后采用线性组合求和的方式,实现基于元分类器的加权投票分类器预测分类结果。
在期间可以针对神经网络调整输入层、隐藏层、输出层的节点个数以及激活函数、学习率、迭代次数等参数;针对XGBoost调整最大深度、学习率、迭代次数等参数;针对逻辑回归、正则回归、随机深林调整最大深度;针对支持向量机调整核函数、惩罚系数;
针对K近邻,调整最近邻的数量即K值;针对融合之后的加权投票分类器,可以调整元分类器的权重、最大深度等参数。
步骤11:
根据预测结果,即预测出的属于各个犯罪类别的可能性,推断出未知犯罪记录的犯罪类别,绘制出城市犯罪图谱信息。
本发明方法采用数据挖掘中数据预处理方法,针对犯罪信息诸如日期、街道地址、犯罪警区、星期、犯罪类别、犯罪说明、判刑处理等进行重构属性、特征提取、特征选择、挖掘出犯罪信息之间的关联性、产生最大化差异的特征因子及其与犯罪结果即犯罪类型之间的关联;然后构建融合了高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、K近邻、随机森林、支持向量机、XGBoost学习算法的模型,得到基于加权投票分类器突出分类及聚类效果良好的元分类器进而对重构后数据进行分析处理识别及预测出城市未来的犯罪情况、绘制出城市个性犯罪图谱,进而达到促进和规范城市治安及管理的效果。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种犯罪识别与预测方法,其特征在于,包括以下步骤:
S1:对犯罪大数据进行样本平衡;
S2:对进行样本平衡的样本进行数据预处理;
S3:对预处理后的数据进行属性重构;
S4:构建融合元分类器,并输入经属性重构后的数据得到识别和预测结果。
2.根据权利要求1所述的犯罪识别与预测方法,其特征在于,所述步骤S1的具体过程如下:
将犯罪大数据中,犯罪比例高于阈值X的犯罪类型的数据进行稀疏采样,对于犯罪比例低于阈值X的犯罪类型的数据进行复制采样从而达到平衡样本。
3.根据权利要求2所述的犯罪识别与预测方法,其特征在于,所述步骤S2的具体过程如下:
利用PCA主成分分析进行特征选择,保留样本数据中的日期、星期、街道地址、犯罪警区属性,剔除犯罪说明、判刑处理的属性。
4.根据权利要求3所述的犯罪识别与预测方法,其特征在于,所述步骤S3的具体过程如下:
S31:将包含年月日时分秒的时间戳格式的”日期”信息分解,创建出”年”、”月”、”日”、”小时”、”分钟”属性;
S32:利用提取到的”月”和”小时”,创建出季节和时间段属性;
S33:利用提取到的”月”和”日”,创建出一年中的第n1天属性;
S34:利用提取到的”日”和”小时”,创建出一天中的第n2分属性;
S35:利用星期属性创建出周末属性;
S36:利用街区地址,创建出交叉口属性;
S37:利用街区地址中是否是由两条街道组成,距离街道的距离信息创建街道类型属性;
S38:利用google map将犯罪大数据所属区域创建规格为n*n的虚拟正方形网格,创建均匀量化的经纬度坐标属性。
5.根据权利要求4所述的犯罪识别与预测方法,其特征在于,所述步骤S4中够融合元分类器的具体过程如下:
S41:分别用高斯朴素贝叶斯、神经网络、Logistic回归、正则回归、近邻、随机森林、支持向量机、XGBoost学习算法来构建模型,得到预测分类的结果;元分类器的损失函数为:
其中,N表示测试样本数,M犯罪类别种数,pij表示样本i为类别的j概率;
S42:采用加权投票的方式,基于决策融合层面,即对于预测分类的结果表现优异的元分类器,赋予较高的权重;对于预测分类的结果表现不太理想的元分类器,赋予较低的权重,以保留其对整个模型的平衡作用;
S43:采用线性组合求和的方式,将基于加权投票分类器的元分类器组合为新型的预测分类模型;其中线性组合函数为:
其中L代表总体损失函数,wi代表元分类器的权重,li代表元分类器的损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610357598.9A CN106096623A (zh) | 2016-05-25 | 2016-05-25 | 一种犯罪识别与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610357598.9A CN106096623A (zh) | 2016-05-25 | 2016-05-25 | 一种犯罪识别与预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096623A true CN106096623A (zh) | 2016-11-09 |
Family
ID=57230073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610357598.9A Pending CN106096623A (zh) | 2016-05-25 | 2016-05-25 | 一种犯罪识别与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096623A (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952208A (zh) * | 2017-03-17 | 2017-07-14 | 讯飞智元信息科技有限公司 | 犯罪自动预测方法及系统 |
CN107180015A (zh) * | 2017-05-16 | 2017-09-19 | 安徽工业大学 | 一种系列犯罪案件地理目标预测方法 |
CN107392241A (zh) * | 2017-07-17 | 2017-11-24 | 北京邮电大学 | 一种基于加权列抽样XGBoost的图像目标分类方法 |
CN107783959A (zh) * | 2017-09-02 | 2018-03-09 | 南京中孚信息技术有限公司 | 一种基于贝叶斯预测的处警、接警信息评分方法 |
CN107832718A (zh) * | 2017-11-13 | 2018-03-23 | 重庆工商大学 | 基于自编码器的手指静脉防伪鉴别方法及系统 |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN108090040A (zh) * | 2016-11-23 | 2018-05-29 | 北京国双科技有限公司 | 一种文本信息分类方法及系统 |
CN108109096A (zh) * | 2017-12-29 | 2018-06-01 | 航天科工智慧产业发展有限公司 | 一种智慧检务预防职务犯罪的方法 |
CN108171191A (zh) * | 2018-01-05 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于检测人脸的方法和装置 |
CN108241910A (zh) * | 2018-01-25 | 2018-07-03 | 广东惠禾科技发展有限公司 | 一种犯罪传播复杂网络结点分析方法、装置和用户终端 |
CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技(深圳)有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
CN108427661A (zh) * | 2018-03-19 | 2018-08-21 | 广州汇智通信技术有限公司 | 一种新大数据标签生产方法及装置 |
CN108596386A (zh) * | 2018-04-20 | 2018-09-28 | 上海市司法局 | 一种预测犯人重复犯罪概率的方法及系统 |
CN108805142A (zh) * | 2018-05-31 | 2018-11-13 | 中国华戎科技集团有限公司 | 一种犯罪高危人员研判方法及系统 |
CN108831561A (zh) * | 2018-05-31 | 2018-11-16 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN108932530A (zh) * | 2018-06-29 | 2018-12-04 | 新华三大数据技术有限公司 | 标签体系的构建方法及装置 |
CN109214298A (zh) * | 2018-08-09 | 2019-01-15 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109241320A (zh) * | 2018-09-30 | 2019-01-18 | 电子科技大学 | 基于时间序列聚类的未成年犯罪地区簇的划分方法 |
CN109376230A (zh) * | 2018-12-18 | 2019-02-22 | 广东博维创远科技有限公司 | 犯罪定罪预测方法、系统、存储介质及服务器 |
CN109492821A (zh) * | 2018-11-20 | 2019-03-19 | 北京荣之联科技股份有限公司 | 一种维稳预警方法及系统、电子设备 |
CN109543986A (zh) * | 2018-11-16 | 2019-03-29 | 湖南数定智能科技有限公司 | 基于用户画像的监狱罪犯三预风险评估方法及系统 |
WO2019088971A1 (en) * | 2017-10-30 | 2019-05-09 | Hewlett-Packard Development Company, L. P. | Crime profiles |
CN109787821A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种大规模移动客户流量消费智能预测方法 |
CN109829491A (zh) * | 2019-01-22 | 2019-05-31 | 开易(北京)科技有限公司 | 用于图像检测的信息处理方法、装置以及存储介质 |
CN110046259A (zh) * | 2019-03-15 | 2019-07-23 | 浙江大学城市学院 | 一种基于判决书文本的涉毒案件深度分析方法 |
CN110222723A (zh) * | 2019-05-14 | 2019-09-10 | 华南理工大学 | 一种基于混合模型的足球比赛首发预测方法 |
CN110457443A (zh) * | 2019-08-12 | 2019-11-15 | 贵州大学 | 一种基于刑事案件的犯罪行为链构建方法 |
CN110609936A (zh) * | 2018-06-11 | 2019-12-24 | 广州华资软件技术有限公司 | 一种模糊地址数据智能分类的方法 |
CN111062422A (zh) * | 2019-11-29 | 2020-04-24 | 上海观安信息技术股份有限公司 | 一种套路贷体系化识别方法及装置 |
CN111199306A (zh) * | 2018-11-16 | 2020-05-26 | 本田技研工业株式会社 | 预测装置、预测方法及存储介质 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN112651442A (zh) * | 2020-12-25 | 2021-04-13 | 南京中兴力维软件有限公司 | 犯罪预测方法、装置、设备及计算机可读存储介质 |
CN112819495A (zh) * | 2019-11-18 | 2021-05-18 | 南京财经大学 | 一种基于随机多项式核的用户购物意图预测方法 |
CN113408867A (zh) * | 2021-05-28 | 2021-09-17 | 北京大学 | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 |
RU2768512C1 (ru) * | 2018-06-21 | 2022-03-24 | Бейджин Диди Инфинити Текнолоджи Энд Девелопмент Ко., Лтд. | Системы и способы определения потенциального злонамеренного события |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
-
2016
- 2016-05-25 CN CN201610357598.9A patent/CN106096623A/zh active Pending
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090040A (zh) * | 2016-11-23 | 2018-05-29 | 北京国双科技有限公司 | 一种文本信息分类方法及系统 |
CN106952208A (zh) * | 2017-03-17 | 2017-07-14 | 讯飞智元信息科技有限公司 | 犯罪自动预测方法及系统 |
CN107180015A (zh) * | 2017-05-16 | 2017-09-19 | 安徽工业大学 | 一种系列犯罪案件地理目标预测方法 |
CN107180015B (zh) * | 2017-05-16 | 2018-04-20 | 安徽工业大学 | 一种系列犯罪案件地理目标预测方法 |
CN107392241A (zh) * | 2017-07-17 | 2017-11-24 | 北京邮电大学 | 一种基于加权列抽样XGBoost的图像目标分类方法 |
CN107783959A (zh) * | 2017-09-02 | 2018-03-09 | 南京中孚信息技术有限公司 | 一种基于贝叶斯预测的处警、接警信息评分方法 |
WO2019088971A1 (en) * | 2017-10-30 | 2019-05-09 | Hewlett-Packard Development Company, L. P. | Crime profiles |
CN107832718A (zh) * | 2017-11-13 | 2018-03-23 | 重庆工商大学 | 基于自编码器的手指静脉防伪鉴别方法及系统 |
CN107832718B (zh) * | 2017-11-13 | 2020-06-05 | 重庆工商大学 | 基于自编码器的手指静脉防伪鉴别方法及系统 |
CN108009630A (zh) * | 2017-11-24 | 2018-05-08 | 华南师范大学 | 分析预测文化冲突的深度学习方法、装置、计算机设备 |
CN108109096A (zh) * | 2017-12-29 | 2018-06-01 | 航天科工智慧产业发展有限公司 | 一种智慧检务预防职务犯罪的方法 |
CN108171191A (zh) * | 2018-01-05 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于检测人脸的方法和装置 |
CN108399190A (zh) * | 2018-01-24 | 2018-08-14 | 山东中磁视讯股份有限公司 | 一种应用于监狱罪犯的全景画像方法 |
CN108241910A (zh) * | 2018-01-25 | 2018-07-03 | 广东惠禾科技发展有限公司 | 一种犯罪传播复杂网络结点分析方法、装置和用户终端 |
CN108257675A (zh) * | 2018-02-07 | 2018-07-06 | 平安科技(深圳)有限公司 | 慢阻肺发病风险预测方法、服务器及计算机可读存储介质 |
CN108427661A (zh) * | 2018-03-19 | 2018-08-21 | 广州汇智通信技术有限公司 | 一种新大数据标签生产方法及装置 |
CN108596386A (zh) * | 2018-04-20 | 2018-09-28 | 上海市司法局 | 一种预测犯人重复犯罪概率的方法及系统 |
WO2019227711A1 (zh) * | 2018-05-31 | 2019-12-05 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN108831561A (zh) * | 2018-05-31 | 2018-11-16 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN108805142A (zh) * | 2018-05-31 | 2018-11-13 | 中国华戎科技集团有限公司 | 一种犯罪高危人员研判方法及系统 |
CN110609936A (zh) * | 2018-06-11 | 2019-12-24 | 广州华资软件技术有限公司 | 一种模糊地址数据智能分类的方法 |
RU2768512C1 (ru) * | 2018-06-21 | 2022-03-24 | Бейджин Диди Инфинити Текнолоджи Энд Девелопмент Ко., Лтд. | Системы и способы определения потенциального злонамеренного события |
CN108932530A (zh) * | 2018-06-29 | 2018-12-04 | 新华三大数据技术有限公司 | 标签体系的构建方法及装置 |
CN109214298A (zh) * | 2018-08-09 | 2019-01-15 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109214298B (zh) * | 2018-08-09 | 2021-06-08 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109241320A (zh) * | 2018-09-30 | 2019-01-18 | 电子科技大学 | 基于时间序列聚类的未成年犯罪地区簇的划分方法 |
CN109543986A (zh) * | 2018-11-16 | 2019-03-29 | 湖南数定智能科技有限公司 | 基于用户画像的监狱罪犯三预风险评估方法及系统 |
CN111199306A (zh) * | 2018-11-16 | 2020-05-26 | 本田技研工业株式会社 | 预测装置、预测方法及存储介质 |
CN109492821A (zh) * | 2018-11-20 | 2019-03-19 | 北京荣之联科技股份有限公司 | 一种维稳预警方法及系统、电子设备 |
CN109376230A (zh) * | 2018-12-18 | 2019-02-22 | 广东博维创远科技有限公司 | 犯罪定罪预测方法、系统、存储介质及服务器 |
CN109787821A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种大规模移动客户流量消费智能预测方法 |
CN109829491A (zh) * | 2019-01-22 | 2019-05-31 | 开易(北京)科技有限公司 | 用于图像检测的信息处理方法、装置以及存储介质 |
CN110046259A (zh) * | 2019-03-15 | 2019-07-23 | 浙江大学城市学院 | 一种基于判决书文本的涉毒案件深度分析方法 |
CN110222723A (zh) * | 2019-05-14 | 2019-09-10 | 华南理工大学 | 一种基于混合模型的足球比赛首发预测方法 |
CN110222723B (zh) * | 2019-05-14 | 2021-07-20 | 华南理工大学 | 一种基于混合模型的足球比赛首发预测方法 |
CN110457443A (zh) * | 2019-08-12 | 2019-11-15 | 贵州大学 | 一种基于刑事案件的犯罪行为链构建方法 |
CN112819495A (zh) * | 2019-11-18 | 2021-05-18 | 南京财经大学 | 一种基于随机多项式核的用户购物意图预测方法 |
CN111062422A (zh) * | 2019-11-29 | 2020-04-24 | 上海观安信息技术股份有限公司 | 一种套路贷体系化识别方法及装置 |
CN111062422B (zh) * | 2019-11-29 | 2023-07-14 | 上海观安信息技术股份有限公司 | 一种套路贷体系化识别方法及装置 |
CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
CN112651442A (zh) * | 2020-12-25 | 2021-04-13 | 南京中兴力维软件有限公司 | 犯罪预测方法、装置、设备及计算机可读存储介质 |
CN113408867A (zh) * | 2021-05-28 | 2021-09-17 | 北京大学 | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 |
CN116433051A (zh) * | 2023-06-09 | 2023-07-14 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
CN116433051B (zh) * | 2023-06-09 | 2023-08-18 | 中国人民公安大学 | 一种城市区域警务策略动态调整方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096623A (zh) | 一种犯罪识别与预测方法 | |
Casali et al. | Machine learning for spatial analyses in urban areas: a scoping review | |
Zhang et al. | A predictive data feature exploration-based air quality prediction approach | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
Khoshnood Motlagh et al. | Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran | |
Liu et al. | Simulating urban dynamics in China using a gradient cellular automata model based on S-shaped curve evolution characteristics | |
Adamala | An overview of big data applications in water resources engineering | |
Sun et al. | Explore spatio‐temporal learning of large sample hydrology using graph neural networks | |
Pei et al. | Big geodata mining: Objective, connotations and research issues | |
Doglioni et al. | Inferring groundwater system dynamics from hydrological time-series data | |
Zhang et al. | Deep-AIR: A hybrid CNN-LSTM framework for fine-grained air pollution estimation and forecast in metropolitan cities | |
KR20090093174A (ko) | 지하수오염 취약성 평가방법 및 그 시스템 | |
Schleier et al. | Robust landslide susceptibility analysis by combination of frequency ratio, heuristic GIS-methods and ground truth evaluation for a mountainous study area with poor data availability in the Three Gorges Reservoir area, PR China | |
Sun et al. | Tourism demand forecasting of multi-attractions with spatiotemporal grid: a convolutional block attention module model | |
Xue et al. | Forecasting hourly attraction tourist volume with search engine and social media data for decision support | |
Liu et al. | Landslide susceptibility mapping with the fusion of multi-feature SVM model based FCM sampling strategy: A case study from Shaanxi Province | |
Dong et al. | Unraveling the evolution of landslide susceptibility: a systematic review of 30-years of strategic themes and trends | |
Pitoski et al. | Network analysis of internal migration in Austria | |
Yang et al. | Economic efficiency evaluation of coastal tourism cities based on fractal theory | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
Ejurothu et al. | Forecasting PM2. 5 concentration in India using a cluster based hybrid graph neural network approach | |
Huang et al. | Comparing the prediction performance of logistic model tree with different ensemble techniques in susceptibility assessments of different landslide types | |
Jozi et al. | Ecological land capability evaluation of Dehloran county in order to ecotourism development | |
Bai et al. | Siamese-like convolutional neural network for fine-grained income estimation of developed economies | |
Dorosan et al. | Use of machine learning in understanding transport dynamics of land use and public transportation in a developing city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |