CN106952208A - 犯罪自动预测方法及系统 - Google Patents
犯罪自动预测方法及系统 Download PDFInfo
- Publication number
- CN106952208A CN106952208A CN201710160390.2A CN201710160390A CN106952208A CN 106952208 A CN106952208 A CN 106952208A CN 201710160390 A CN201710160390 A CN 201710160390A CN 106952208 A CN106952208 A CN 106952208A
- Authority
- CN
- China
- Prior art keywords
- crime
- probability
- subregion
- forecasting
- region
- 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 62
- 238000012937 correction Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000205 computational method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 235000012149 noodles Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种犯罪自动预测方法及系统,该方法包括:获取待预测区域,并将所述待预测区域划分为一个或多个分区;获取所述待预测区域内的历史犯罪案件信息;根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。利用本发明,可以提高预测结果的准确性。
Description
技术领域
本发明涉及数据挖掘及分析领域,具体涉及一种犯罪自动预测方法及系统。
背景技术
随着大数据处理技术的发展和公安信息化建设的不断推进,越来越多的大数据汇聚到公安警务系统,此时可以运用这些大数据开展处理、分析、研判及预测等工作,帮助公安机关优化业务流程和工作部署,进一步提升公安的办案效率和管理水平。例如犯罪案件时间和地点的准确预测能够对警力部署、岗位设置、警种分配和区域调剂等产生深刻的影响,具有现实的指导意义。
现有的主流犯罪自动预测方法为基于自激点过程的犯罪建模预测,该方法来源于余震预测算法,它将整个待预测的地区分为若干个小的方格(例如分为每块200m×200m大小的方格),然后针对历史犯罪数据使用地震领域中的随机除丛法和数理统计中的核密度估计法计算每个方格的犯罪发生概率,取概率最大的前N个方格作为预测结果。
现有的基于自激点过程模型的犯罪自动预测方法,未考虑当前方格内历史犯罪案件之外的其他信息,如不同方格内的历史案件数量并不均衡,且不同方格所处地理位置的城市空间结构和格局分布等情况均不相同,加上犯罪事件的发生还与人的主观因素存在较大关系,因此不同方格的预测概率大小并不具有可比性,直接比较大小得到的预测效果并不理想。
发明内容
本发明实施例提供一种犯罪自动预测方法及系统,以提高预测结果的准确性。
为此,本发明提供如下技术方案:
一种犯罪自动预测方法,包括:
获取待预测区域,并将所述待预测区域划分为一个或多个分区;
获取所述待预测区域内的历史犯罪案件信息;
根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;
对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
优选地,采用自激点过程模型对历史犯罪案件进行时空建模。
优选地,所述历史犯罪案件信息包括:案件发生的时间信息和空间信息。
优选地,所述对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率包括:
利用线性校正模型对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
优选地,所述线性校正模型为:v(t,x,y)=m(t,x,y)λ(t,x,y)+a(t,x,y),其中,v(t,x,y)表示区域(x,y)的犯罪预测结果,a(t,x,y)为加性校正因子,m(t,x,y)为乘性校正因子。
优选地,所述乘性校正因子采用二元多项式建模,并利用熵值最小化方法计算所述二元多项式中的优化参数。
优选地,所述线性校正模型满足以下条件:
概率校正前后区域整体的概率均值不变,并且二元多项式中的优化参数的变化会产生等值的概率变化。
优选地,所述加性校正因子a(t,x,y)根据对犯罪概率成线性关系的因素确定。
优选地,所述方法还包括:
根据所有分区校正后的犯罪预测概率,按照概率从大到小的顺序选取设定个数的分区作为本次犯罪预测结果,或者选取概率大于阈值的分区作为本次犯罪预测结果。
一种犯罪自动预测系统,包括:
分区模块,用于获取待预测区域,并将所述待预测区域划分为一个或多个分区;
历史信息获取模块,用于获取所述待预测区域内的历史犯罪案件信息;
计算模块,用于根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;
校正模块,用于对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
优选地,所述计算模块采用自激点过程模型对历史犯罪案件进行时空建模。
优选地,所述历史犯罪案件信息包括:案件发生的时间信息和空间信息。
优选地,所述校正模块,具体用于利用线性校正模型对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
优选地,所述线性校正模型为:v(t,x,y)=m(t,x,y)λ(t,x,y)+a(t,x,y),其中,v(t,x,y)表示区域(x,y)的犯罪预测结果,a(t,x,y)为加性校正因子,m(t,x,y)为乘性校正因子。
优选地,所述乘性校正因子采用二元多项式建模,并利用熵值最小化方法计算所述二元多项式中的优化参数。
优选地,所述线性校正模型满足以下条件:
概率校正前后区域整体的概率均值不变,并且二元多项式中的优化参数的变化会产生等值的概率变化。
优选地,所述加性校正因子a(t,x,y)根据对犯罪概率成线性关系的因素确定。
优选地,所述系统还包括:
输出模块,用于根据所有分区校正后的犯罪预测概率,按照从大到小的顺序选取设定个数的分区作为本次犯罪预测结果,或者选取概率大于阈值的分区作为本次犯罪预测结果。
本发明实施例提供的犯罪自动预测方法及系统,将待预测区域划分为一个或多个分区,根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率,并对得到的每个分区的犯罪预测概率进行校正,从而可以得到准确的预测结果。
进一步地,在对自激点过程模型的预测概率进行校正时,利用线性校正模型,引入熵值最小化方法,从而使得不同分区的预测概率得分排序效果更好。
进一步地,针对财产损失类案件的特点,考虑了地区犯罪案件数量与当地人群流量成反比的关系,在对犯罪预测概率校正过程中使用了人群流量信息,实现了历史犯罪案件之外信息的有效利用,解决了传统自激点过程模型所用信息的单一性问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例犯罪自动预测方法的流程图;
图2是本发明实施例中基于熵值最小化方法的犯罪预测概率校正流程图;
图3是本发明实施例犯罪自动预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
如图1所示,是本发明实施例犯罪自动预测方法的流程图,包括以下步骤:
步骤101,获取待预测区域,并将所述待预测区域划分为一个或多个分区。
所述待预测区域可用经纬度坐标序列表示,分区可以是将待预测区域进行网格划分,将得到的每个网格作为一个分区。具体的网格划分方法可根据实际情况和/或大量实验、经验确定,可以是等大小划分,如每个正方形网格的边长为200m;也可以是不规则划分,对此本发明实施例不做限定。
步骤102,获取所述待预测区域内的历史犯罪案件信息。
所述历史犯罪案件信息包括时间信息(案发时间)和空间信息(案发经纬度)。需要说明的是,在本发明实施例中,不考虑各历史犯罪案件的性质、类型等差异化信息。
步骤103,根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率。
经研究表明,犯罪活动和地震活动遵循着十分相似的模式,每一次新的犯罪案件或地震活动都可能与下面两个因素有关:
1)与当前区域的历史有关,引发一个区域犯罪的原因与该区域自身的情况有关,称为背景事件;
2)与邻近区域近期的犯罪情况有关,研究表明犯罪事件在邻近时空区域内有聚集现象的存在,该类型犯罪称为触发事件。
因此,在本发明实施例中,采用自激点过程模型对历史犯罪案件进行时空建模,具体可以采用下式描述犯罪预测模型:
其中,λ(t,x,y)表示待预测区域(x,y)在t时刻发生犯罪的预测概率,μ代表区域(x,y)本身不考虑其它区域影响的情况下在t时刻发生犯罪的概率,g代表在一定范围和时间内发生的犯罪可能会引发待预测区域(x,y)发生犯罪的概率,tk表示时间间隔,单位可以是天、周或月等。
上述μ函数和g函数均采用核密度估计的方法来实现,其主要思想是将整个区域分为若干个小方格(例如分为每块200m×200m大小的方格),然后使用窗口扫描的方法,获取周围发生的犯罪事件对于本方格的影响,估计的效果取决于窗口的大小与核函数的选择。
利用所述历史犯罪案件信息,采用核密度估计的方法可以分别得到各分区本身不考虑其它分区影响的情况下在特定时刻发生犯罪的概率,以及在一定范围和时间内发生的犯罪可能会引发该分区发生犯罪的概率,然后利用上述公式(1)即可得到各分区的犯罪预测概率。
步骤104,对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
需要说明的是,在实际应用中,可以直接将每个分区校正后的犯罪预测概率提供给用户,也可以根据所有分区校正后的犯罪预测概率,按照概率从大到小的顺序选取设定个数(比如3个)的分区作为本次犯罪预测结果,或者选取概率大于阈值(比如80%)的分区作为本次犯罪预测结果,对此本发明实施例不做限定。
本发明实施例提供的犯罪自动预测方法,将待预测区域划分为一个或多个分区,根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率,并对得到的每个分区的犯罪预测概率进行校正,从而可以得到准确的预测结果。
在本发明实施例中,可以利用线性模型对犯罪预测概率进行校正,所述线性校正模型为:v(t,x,y)=m(t,x,y)λ(t,x,y)+a(t,x,y),其中,v(t,x,y)表示区域(x,y)的犯罪预测结果,a(t,x,y)为加性校正因子,m(t,x,y)为乘性校正因子。
由于实际应用中待预测的时间t是固定值,因此为了描述方便,可以将上面的线性校正模型中各参数均省略时间变量t,表示为:
v(x,y)=m(x,y)λ(x,y)+a(x,y) (2)
即,v(x,y)表示区域(x,y)的犯罪预测结果,a(x,y)为加性校正因子,m(x,y)为乘性校正因子。
需要说明的是,上述加性校正因子a(x,y)与犯罪案件的性质、特点等有关,可以根据对犯罪概率成线性关系的因素来确定,比如,针对财产损失类案件(如入室盗窃、车辆丢失等),与t时刻区域(x,y)内的人群流量有关,具体存在犯罪概率与当地人群流量成反比的规律。而针对有些案件,也可以不考虑该加性校正因子,即将其作为0。
上述乘性校正因子m(x,y)可以采用二元多项式建模,如下式:
上式中,qi(x,y)是多项式的基项,它与概率数据的维数和多项式的次数有关,其中q1(x,y)为多项式的常数项;bi是待计算的优化参数,可以通过优化算法求解,K表示多项式的总项数。ci是中和参数,它保证了校正前后犯罪预测概率的整体均值相等(如下面条件一);di是归一化参数,它保证了相同的优化参数变化能够产生相同的概率变化(如下面条件二),ci和di是由λ(x,y)和qi(x,y)决定的已知量,具体的计算方法参考下面的推导。
校正模型需要满足以下两个条件:
条件一:概率校正前后区域整体的概率均值不变,即满足
上式中,Ω表示待预测区域,M=∑(x,y)∈Ω1,表示待预测区域Ω内分区的总数量。
条件二:校正模型中优化参数bi的变化会产生等值的概率变化,对所有的i满足下式
为了使条件一中的等式(5)恒成立,令加性校正因子的积分为0,即
∑Ωa(x,y)=0 (7)
则等式(5)可化简为
为了计算方便,考虑到q1(x,y)是常数项,因此设即将b1r1(x,y)看作已知量,因此不用考虑c1和d1的计算。
当i=2,3,4,...,K时,将上述公式(3)代入公式(8)中,可得到
等式两边同时减去并化简整理得到
当bi≠0且i=2,3,4,...,K时,得到则有
将等式(4)代入等式(6)中,得到
将上式两边同时乘以di得到
至此,乘性校正因子m(x,y)的参数全部推导完毕。
针对财产损失类案件,加性校正因子a(x,y)可以由区域(x,y)内的人群流量计算得到,其中人群流量的数据来源有多种,例如城市中各种视频监控数据、LBS(LocationBased Service,基于位置服务)数据以及各种移动互联网的应用软件(即APP)数据等。
具体地,通过计算分区内部单位时间(如1小时)内平均出入的人数作为该分区的人群流量计算结果,由于案件发生的可能性与人流量大小成反比,因此这里对人群流量的初始计算结果取倒数作为计算时真正使用的人群流量,同时将人群流量归一化到0到1之间。为了使等式(7)成立,须在区域Ω的全局范围内将归一化后的人群流量做均值规整,即逐一将所有分区的人群流量都减去全局的均值。
与校正后的概率预测结果v(t,x,y)相比,原概率预测结果λ(t,x,y)由于受到各种因素的影响,其概率分布更加分散,对于结果的不确定性更大,即整体的熵值更大。而自动犯罪预测目的就是要消除或减小预测结果的不确定性,以便对用户的工作进行精确的指导。因此,这里采用最优化方法对v(t,x,y)的熵值进行最小化寻优,寻优的结果参数作为系统的最优参数,记为向量bo,而b=[b2,b3,b4,...,bK](因b1是常数项,所以从b2开始)。这里运用Powell最优化算法对校正后的犯罪预测概率进行熵值最小化寻优,如下式:
上式中,I[v(x,y)]表示概率场v(x,y)的熵值,计算方法如下式:
上式中,熵值的计算要求概率场v(x,y)的积分等于1,因此计算熵值前对v(x,y)进行了归一化处理,得到v′(x,y)。
图2示出了本发明实施例中基于熵值最小化方法的犯罪预测概率校正流程,包括以下步骤:
1)对向量b进行初始化,作为Powell算法寻优的起点,根据上述公式(2)计算初始的v(x,y);
2)对v(x,y)进行归一化,并计算其信息熵值I[v(x,y)];
3)根据上述公式(14)对熵值进行最小化寻优,寻优过程中需要重复上面两个步骤中的计算内容直到寻优结束,最终得到最优的估计mo(x,y);
4)根据公式(2)计算最优的概率校正结果,即校正后的犯罪预测概率,记为vo(x,y)。
需要说明的是:对于不限定案件类型的情况下,只需将公式(2)中的加性校正因子a(x,y)取为0即可。
本发明实施例的犯罪自动预测方法,在对自激点过程模型的预测概率进行校正时,利用线性校正模型,引入熵值最小化方法,从而使得不同分区的预测概率得分排序效果更好。进一步地,针对财产损失类案件的特点,考虑了地区犯罪案件数量与当地人群流量成反比的关系,在对犯罪预测概率校正过程中使用了人群流量信息,实现了历史犯罪案件之外信息的有效利用,解决了传统自激点过程模型所用信息的单一性问题。
相应地,本发明实施例还提供一种犯罪自动预测系统,如图3所示,是该系统的一种结构示意图。
在该实施例中,所述系统包括:
分区模块301,用于获取待预测区域,并将所述待预测区域划分为多个分区;
历史信息获取模块302,用于获取所述待预测区域内的历史犯罪案件信息;所述历史犯罪案件信息包括:案件发生的时间信息和空间信息;
计算模块303,用于根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;
校正模块304,用于对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
在本发明实施例的系统中,计算模块303具体可以采用自激点过程模型对历史犯罪案件进行时空建模,构建的犯罪预测模型可参照前面本发明方法实施例中的描述,在此不再赘述。
上述校正模块304具体可以利用线性校正模型对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
所述线性校正模型同样可参照前面本发明方法实施例中的描述,在此不再赘述。
需要说明的是,在实际应用中,所述系统还可进一步包括:输出模块(未图示),用于根据所有分区校正后的犯罪预测概率,按照从大到小的顺序选取设定个数的分区作为本次犯罪预测结果,或者选取概率大于阈值的分区作为本次犯罪预测结果。当然,所述输出模块也可以直接将每个分区校正后的犯罪预测概率提供给用户,对此本发明实施例不做限定。
本发明实施例提供的犯罪自动预测系统,将待预测区域划分为一个或多个分区,根据待预测区域内的历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率,并对得到的每个分区的犯罪预测概率进行校正,从而可以得到准确的预测结果。
进一步地,在对自激点过程模型的预测概率进行校正时,利用线性校正模型,引入熵值最小化方法,从而使得不同分区的预测概率得分排序效果更好。
进一步地,针对财产损失类案件的特点,考虑了地区犯罪案件数量与当地人群流量成反比的关系,在对犯罪预测概率校正过程中使用了人群流量信息,实现了历史犯罪案件之外信息的有效利用,解决了传统自激点过程模型所用信息的单一性问题。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及系统;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种犯罪自动预测方法,其特征在于,包括:
获取待预测区域,并将所述待预测区域划分为一个或多个分区;
获取所述待预测区域内的历史犯罪案件信息;
根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;
对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
2.根据权利要求1所述的方法,其特征在于,采用自激点过程模型对历史犯罪案件进行时空建模。
3.根据权利要求1所述的方法,其特征在于,所述历史犯罪案件信息包括:案件发生的时间信息和空间信息。
4.根据权利要求1所述的方法,其特征在于,所述对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率包括:
利用线性校正模型对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
5.根据权利要求4所述的方法,其特征在于,所述线性校正模型为:v(t,x,y)=m(t,x,y)λ(t,x,y)+a(t,x,y),其中,v(t,x,y)表示区域(x,y)的犯罪预测结果,a(t,x,y)为加性校正因子,m(t,x,y)为乘性校正因子。
6.根据权利要求5所述的方法,其特征在于,所述乘性校正因子采用二元多项式建模,并利用熵值最小化方法计算所述二元多项式中的优化参数。
7.根据权利要求6所述的方法,其特征在于,所述线性校正模型满足以下条件:
概率校正前后区域整体的概率均值不变,并且二元多项式中的优化参数的变化会产生等值的概率变化。
8.根据权利要求5所述的方法,其特征在于,所述加性校正因子a(t,x,y)根据对犯罪概率成线性关系的因素确定。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述方法还包括:
根据所有分区校正后的犯罪预测概率,按照概率从大到小的顺序选取设定个数的分区作为本次犯罪预测结果,或者选取概率大于阈值的分区作为本次犯罪预测结果。
10.一种犯罪自动预测系统,其特征在于,包括:
分区模块,用于获取待预测区域,并将所述待预测区域划分为一个或多个分区;
历史信息获取模块,用于获取所述待预测区域内的历史犯罪案件信息;
计算模块,用于根据所述历史犯罪案件信息对历史犯罪案件进行时空建模,得到每个分区的犯罪预测概率;
校正模块,用于对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
11.根据权利要求10所述的系统,其特征在于,所述计算模块采用自激点过程模型对历史犯罪案件进行时空建模。
12.根据权利要求10所述的系统,其特征在于,所述历史犯罪案件信息包括:案件发生的时间信息和空间信息。
13.根据权利要求10所述的系统,其特征在于,
所述校正模块,具体用于利用线性校正模型对得到的每个分区的犯罪预测概率进行校正,得到每个分区校正后的犯罪预测概率。
14.根据权利要求13所述的系统,其特征在于,所述线性校正模型为:v(t,x,y)=m(t,x,y)λ(t,x,y)+a(t,x,y),其中,v(t,x,y)表示区域(x,y)的犯罪预测结果,a(t,x,y)为加性校正因子,m(t,x,y)为乘性校正因子。
15.根据权利要求14所述的系统,其特征在于,所述乘性校正因子采用二元多项式建模,并利用熵值最小化方法计算所述二元多项式中的优化参数。
16.根据权利要求15所述的系统,其特征在于,所述线性校正模型满足以下条件:
概率校正前后区域整体的概率均值不变,并且二元多项式中的优化参数的变化会产生等值的概率变化。
17.根据权利要求14所述的系统,其特征在于,所述加性校正因子a(t,x,y)根据对犯罪概率成线性关系的因素确定。
18.根据权利要求10至17任一项所述的系统,其特征在于,所述系统还包括:
输出模块,用于根据所有分区校正后的犯罪预测概率,按照从大到小的顺序选取设定个数的分区作为本次犯罪预测结果,或者选取概率大于阈值的分区作为本次犯罪预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160390.2A CN106952208A (zh) | 2017-03-17 | 2017-03-17 | 犯罪自动预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160390.2A CN106952208A (zh) | 2017-03-17 | 2017-03-17 | 犯罪自动预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106952208A true CN106952208A (zh) | 2017-07-14 |
Family
ID=59472629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710160390.2A Pending CN106952208A (zh) | 2017-03-17 | 2017-03-17 | 犯罪自动预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952208A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN108805345A (zh) * | 2018-06-01 | 2018-11-13 | 广西师范学院 | 一种基于深度卷积神经网络模型的犯罪时空风险预测方法 |
CN108876136A (zh) * | 2018-06-11 | 2018-11-23 | 北京工商大学 | 基于位置推荐改进算法的恐怖袭击事件风险评估方法 |
CN108876062A (zh) * | 2018-08-13 | 2018-11-23 | 湖北经济学院 | 一种犯罪事件智能预测的大数据方法及装置 |
CN109063887A (zh) * | 2018-06-13 | 2018-12-21 | 中国华戎科技集团有限公司 | 一种犯罪热点预测方法及系统 |
CN109086322A (zh) * | 2018-07-02 | 2018-12-25 | 昆明理工大学 | 一种基于时空扫描提升犯罪预警准确度的方法 |
CN109345769A (zh) * | 2018-11-07 | 2019-02-15 | 南通大学 | 一种面向打车的乘客安全状态监测方法 |
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 |
CN109448372A (zh) * | 2018-11-07 | 2019-03-08 | 南通大学 | 一种乘车安全监测与报警方法 |
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110766231A (zh) * | 2019-10-30 | 2020-02-07 | 上海天壤智能科技有限公司 | 基于多头神经网络的犯罪预测方法及系统 |
CN112906970A (zh) * | 2021-03-03 | 2021-06-04 | 上海融港网络科技有限公司 | 一种犯罪预测方法、装置、终端和存储介质 |
CN113222176A (zh) * | 2021-05-08 | 2021-08-06 | 西北工业大学 | 一种基于自激点过程的犯罪事件建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
CN105678428A (zh) * | 2016-01-28 | 2016-06-15 | 温州职业技术学院 | 一种犯罪嫌疑概率预测的方法和系统 |
CN106096623A (zh) * | 2016-05-25 | 2016-11-09 | 中山大学 | 一种犯罪识别与预测方法 |
-
2017
- 2017-03-17 CN CN201710160390.2A patent/CN106952208A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765772A (zh) * | 2015-03-11 | 2015-07-08 | 广西师范学院 | 一种基于时空区域犯罪特征的建模方法 |
CN105678428A (zh) * | 2016-01-28 | 2016-06-15 | 温州职业技术学院 | 一种犯罪嫌疑概率预测的方法和系统 |
CN106096623A (zh) * | 2016-05-25 | 2016-11-09 | 中山大学 | 一种犯罪识别与预测方法 |
Non-Patent Citations (4)
Title |
---|
BOSTJAN LIKAR等: "Retrospective Correction of MR Intensity Inhomogeneity by Information Minimization", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
GABRIEL ROSSER等: "Improving the Robustness and Accuracy of Crime Prediction with the Self-Exciting Point Process Through Isotropic Triggering", 《APPLIED SPATIAL ANALYSIS AND POLICY》 * |
LANG WENHUI等: "Multi-exponential model based bias field correction of SAR sea ice image", 《JOURNAL OF REMOTE SENSING》 * |
徐致靖等: "基于自激点过程的恐怖活动建模研究", 《军事医学》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563122B (zh) * | 2017-09-20 | 2020-05-19 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN108805345A (zh) * | 2018-06-01 | 2018-11-13 | 广西师范学院 | 一种基于深度卷积神经网络模型的犯罪时空风险预测方法 |
CN108876136A (zh) * | 2018-06-11 | 2018-11-23 | 北京工商大学 | 基于位置推荐改进算法的恐怖袭击事件风险评估方法 |
CN109063887A (zh) * | 2018-06-13 | 2018-12-21 | 中国华戎科技集团有限公司 | 一种犯罪热点预测方法及系统 |
CN109063887B (zh) * | 2018-06-13 | 2021-09-17 | 中国华戎科技集团有限公司 | 一种犯罪热点预测方法及系统 |
CN109086322A (zh) * | 2018-07-02 | 2018-12-25 | 昆明理工大学 | 一种基于时空扫描提升犯罪预警准确度的方法 |
CN108876062A (zh) * | 2018-08-13 | 2018-11-23 | 湖北经济学院 | 一种犯罪事件智能预测的大数据方法及装置 |
CN108876062B (zh) * | 2018-08-13 | 2022-04-12 | 湖北经济学院 | 一种犯罪事件智能预测的大数据方法及装置 |
CN109448372A (zh) * | 2018-11-07 | 2019-03-08 | 南通大学 | 一种乘车安全监测与报警方法 |
CN109448372B (zh) * | 2018-11-07 | 2022-02-01 | 南通大学 | 一种乘车安全监测与报警方法 |
CN109345769A (zh) * | 2018-11-07 | 2019-02-15 | 南通大学 | 一种面向打车的乘客安全状态监测方法 |
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 |
CN110351523A (zh) * | 2019-07-22 | 2019-10-18 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110351523B (zh) * | 2019-07-22 | 2020-10-16 | 常州机电职业技术学院 | 一种楼宇视频监控系统与视频监控调整方法 |
CN110766231A (zh) * | 2019-10-30 | 2020-02-07 | 上海天壤智能科技有限公司 | 基于多头神经网络的犯罪预测方法及系统 |
CN112906970A (zh) * | 2021-03-03 | 2021-06-04 | 上海融港网络科技有限公司 | 一种犯罪预测方法、装置、终端和存储介质 |
CN112906970B (zh) * | 2021-03-03 | 2022-12-30 | 上海融港网络科技有限公司 | 一种犯罪预测方法、装置、终端和存储介质 |
CN113222176A (zh) * | 2021-05-08 | 2021-08-06 | 西北工业大学 | 一种基于自激点过程的犯罪事件建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952208A (zh) | 犯罪自动预测方法及系统 | |
JP5502084B2 (ja) | 地震損害予測及び回避システム並びにその方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
Ghurye et al. | A framework to model human behavior at large scale during natural disasters | |
US9544785B2 (en) | Method for provisioning a wireless network | |
Lloyd et al. | Exploring data assimilation and forecasting issues for an urban crime model | |
CN112437451B (zh) | 一种基于生成对抗网络的无线网络流量预测方法和设备 | |
WO2020086336A1 (en) | Space utilization measurement and modeling using artificial intelligence | |
Adnan et al. | New Artificial Neural Network and Extended Kalman Filter hybrid model of flood prediction system | |
Sulaiman et al. | Intelligent Web caching using neurocomputing and particle swarm optimization algorithm | |
CN108876062B (zh) | 一种犯罪事件智能预测的大数据方法及装置 | |
Carter et al. | A probabilistic model for the deployment of sensors | |
US9031896B2 (en) | Process analysis | |
CN110210774A (zh) | 滑坡风险评价方法及系统 | |
Geng et al. | A LSTM based campus network traffic prediction system | |
KR102562273B1 (ko) | 조건적 적대적 신경망 딥러닝 기법을 사용한 24시간 후의 전지구적 총 전자수 함유량 예측 장치 및 그 방법 | |
Croicu et al. | A fast spatial multiple imputation procedure for imprecise armed conflict events | |
US20130268230A1 (en) | Processing distributions | |
TWI592890B (zh) | 二維淹水潛勢圖的產生方法 | |
US11962475B2 (en) | Estimating properties of units using system state graph models | |
CN117788721B (zh) | 基于人工智能的数字孪生内容显示方法、系统和介质 | |
Papadopoulos et al. | Sensitivity Analysis of Earthquake Loss Estimation Using the Space-Time ETAS Model for Seismicity Clustering | |
Ayvaz et al. | Seeking the optimum groundwater monitoring network using a genetic algorithm approach | |
Rosero-Velásquez et al. | Risk-informed representative earthquake scenarios for Valparaíso and Viña del Mar, Chile |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170714 |