CN107563122B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107563122B CN107563122B CN201710854949.1A CN201710854949A CN107563122B CN 107563122 B CN107563122 B CN 107563122B CN 201710854949 A CN201710854949 A CN 201710854949A CN 107563122 B CN107563122 B CN 107563122B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- crime
- recurrent neural
- time
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 75
- 230000000306 recurrent effect Effects 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012952 Resampling Methods 0.000 claims abstract description 12
- 230000007774 longterm Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003115 biocidal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种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，其特征为实施步骤包括：将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；基于交织时间序列构建训练集和测试集；分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型并通过训练集完成训练；将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型分别得到不同的犯罪预测结果，选择更佳的预测结果输出。本发明可直接对不同间隔的时间序列进行分析而不需要重采样，能获得更好的预测效果。
Description
技术领域
本发明涉及针对犯罪数据的数据分析及犯罪预测技术，具体涉及一种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。
背景技术
犯罪预测是关系到社会稳定和人民生活的重大问题。从普通人的角度来看，作为居民或旅游者，告诉他们一个定性的预测结果比定量的更具吸引力。他们更关心安全与否，会发生多少罪行。一个定性的预测结果似乎足以让人们远离危险。但实际上，问题是应该如何界定危险。作为一个游客，如果一个小男孩告诉你下一个街区是很危险的，也许你会联想到一个大狗或几个淘气的青少年。但是如果一个警官告诉你，你会毫不犹豫地换个地方。所以真正的问题是谁定义危险。现在从警察部署或决策者的角度来看，对定量预测结果的处理更加实际。定义盗窃罪危险的阈值可能需要超过十个案件发生，但枪击案件很可能一个就足够危险了。不同类型犯罪之间的关系，地理因素和经济因素都是需要考虑的重要决策条件。在所有的复杂因素中，定量预测是智能决策最关键的基础。
犯罪是一种人类社会活动，而犯罪预测属于社会事件预测的讨论。近年来的研究主要集中在预测大型社会事件的发生。有研究利用多示例学习方法预测在时间在拉丁美洲的美国骚乱事件的发生。有的研究利用在线数据预测在街头抗议美国在拉丁美洲。有的研究提出了一种多任务框架，美国在对拉美国家Twitter数据分析，提高了预测能力。有的研究抓取网络数据的犯罪事件，建立模糊规则分析句子支持预测。几乎最近的方法在犯罪预测问题上使用的社会媒体数据与自然语言处理(NLP)技术。但是他们都是定性研究，更关心的预测结果是否会发生，而不是定量犯罪预测。
预测是以时间为基础的，而犯罪预测是一种时间序列预测问题。在股票预测和财务数据分析等经典研究领域中，时间序列是指在时间上连续相等的点的序列。无论是时间序列或多元时间序列都需要相等的时间间隔。多条时间序列需要重采样。传统的时间序列分析模型，如广义自回归条件异方差(GARCH)，可以获得良好的序列的预测结果，但处理复杂的关系，效率低下。神经网络模型可以训练参数来学习不同的犯罪关系以及它的内在结构，但削弱序列之间的关系。而循环神经网络(又称递归神经网络，简称RNN)模型显示出其优势。
循环神经网络不仅适用于为序列数据，其神经网络的结构是适合学习其中的复杂关系。就像蝴蝶效应，小调整的积累会导致大的问题，这种在神经网络中的现象被称为消失梯度和爆炸梯度。为了解决这些问题，人们提出了长短期记忆(LSTM)，其结构中存在三个门，称为输入和输出门，忘记门，可防止反向传播误差消失或爆炸。还有一个叫门递归单元(GRU)的RNN模型重复单元，类似于LSTM，但只要两个门，更新门和重置门。神经网络的连接方式分为全部和局部两种，全部连接即每个结构单元之间是相互连通的，而局部连接即部分单元之间没有连通。但是，如何基于循环神经网络实现犯罪预测，已经成为一项亟待解决的关键技术问题。
发明内容
本发明要解决的技术问题是：针对现有技术的上述问题，提供一种可直接对不同间隔的时间序列进行分析而不需要重采样，能获得更好的预测效果的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，本发明能够有效提高提高犯罪的定量预测的准确性，相比现有方法能够达到更好的效果。
为了解决上述技术问题，本发明采用的技术方案为：
一种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，实施步骤包括：
1)将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；
2)基于交织时间序列构建训练集和测试集；
3)分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，并通过训练集完成对局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的训练；
4)将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，分别得到不同的犯罪预测结果，且选择更佳的犯罪预测结果输出。
优选地，步骤3)中分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的详细步骤包括：
3.1)建立LSTM循环神经网络模型以及GRU循环神经网络模型；
3.2)分别将LSTM循环神经网络模型以及GRU循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，且对N种时间序列构建N个独立的隐藏层，在输出层之前建立汇总层，最终构建得到局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型。
优选地，步骤3.1)中LSTM循环神经网络模型的函数表达式如式(1)所示；
式(1)中，ft为遗忘门，σ为Sigma函数，Wfh和Wfx为权值，ht-1为上一个短期状态值，xt为输入的犯罪次数，bf为偏置值，it为输入门，Wi为权值，bi为偏置值，
为长期状态估计值，Wc为权值，bc为偏置值，ct为长期状态，ct-1为上一个长期状态，ot为输出门，Wo为权值，bo为偏置值，ht为短期状态。
优选地，步骤3.1)中GRU循环神经网络模型的函数表达式如式(2)所示；
式(2)中，zt为更新门，σ为Sigma函数，Wx为权值，ht-1为上一个状态，Ux为权值，xt为输入的犯罪次数，rt为复位门，Wr为权值，Ur为权值，
为状态估计值，U为权值，ht为状态。
优选地，步骤3.2)中建立的汇总层的函数表达式如式(3)所示；
hintergrate＝Wh1×ht1+Wh2×ht2+…+Whk×htk (3)
式(3)中，hintergrate为汇总状态值，Wh1为权值，ht1为时间序列t1的状态值，Wh2为权值，ht2为时间序列t2的状态值，Whk为权值，htk为时间序列tk的状态值。
优选地，步骤4)中选择更佳的犯罪预测结果输出具体是指基于均方误差MSE选择更佳的犯罪预测结果输出，均方误差MSE的函数表达式如式(4)所示；
式(4)中，MSE为均方误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。
优选地，步骤4)中选择更佳的犯罪预测结果输出具体是指基于平均绝对误差MAE选择更佳的犯罪预测结果输出，平均绝对误差MAE的函数表达式如式(5)所示；
式(5)中，MAE为平均绝对误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。决策者可以根据自己的需求，选择偏重均方误差MSE或者平均绝对误差MAE的预测结果更佳的循环神经网络模型作为自己预测的依据。如需选择个体偏差较小的，则选均方误差MSE较小的。如选择平均偏差较小的，则选择平均绝对误差MAE较小的。
本发明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利用了时间序列和神经网络结合的思想，基于交织时间序列局部连接循环神经网络犯罪预测，具有下述优点：
1、本发明将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列，提出了一个包含时间序列方法的多维结构来解释犯罪，其中每个时间序列可能有其自己的时间间隔，有效解决了不同时间序列重采样问题，从实际效果上看，本发明可直接对不同间隔的时间序列进行分析，而不需要重采样。
2、本发明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在现有循环神经网络的基础上，提出了一个局部连接的网络结构，将循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，能获得更好的预测效果。
3、本发明分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，针对测试集分别输入进行预测得到不同的犯罪预测结果，针对犯罪数据可以根据决策者需要选择更佳的犯罪预测结果输出，以提高预测的准确性。
附图说明
图1为本发明实施例一方法的流程示意图。
图2为本发明实施例一中的交织时间序列原理示意图。
图3为本发明实施例一中的局部连接的循环神经网络结构示意图。
图4是本发明实施例一、实施例二和现有技术的循环神经网络模型的结果对比图。
具体实施方式
芝加哥的警察部门提供一个开放源代码的数据，这反映了数以百万计的报道犯罪，发生在芝加哥市从2001到目前的事件。本发明的实验数据提取一月12001日至2016年8月26日，有6147883个记录和22个特点。下文以此数据集的解释性主成分分析为例，对本发明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进行进一步的详细说明。
实施例一：
本实施例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的实施步骤包括：
1)将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；
从不同的时间序列的角度，本实施例可发现一个事件可能存在各种趋势，如季节性趋势和波动周期。在常见的方式，多个时间序列应以相同的时间间隔采样。在现实世界中，时间序列总是有自己的特点。当采样，他们可能更适合数学假设或公式。但是数据在变换过程中或多或少丢失了。因此，本实施例假设不同跨度的时间序列有自己的模式。本实施例忽略这些模式，并将时间序列投射到同一区间，因此得到了时间序列的共同观点，这意味着本实施例的观点包含了现有的时间序列。本实施例提出了一个包含时间序列的方法。本实施例认为时间序列问题分成几个不同的时间间隔，再在相同的时间间隔序列重采样。不同的时间间隔不要重采样，预测日期被称为时间点，这是时间序列的交叉点。本实施例将这种时间序列的表示方法称为交织时间序列。如图2所示的交织时间序列中，ts-k-1代表时间间隔k的第1条时间序列，re-ts-k-1代表时间序列ts-k-1的重采样时间序列。
本实施例中，具体从犯罪数据中提取时间间隔为日，周，月的时间序列，构造了三条不同时间间隔的时间序列，时间间隔分别是一天，七天和自然月。
2)基于交织时间序列构建训练集和测试集；
3)分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，并通过训练集完成对局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的训练；
4)将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，分别得到不同的犯罪预测结果，且选择更佳的犯罪预测结果输出。
本实施例中，步骤3)中分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的详细步骤包括：
3.1)建立LSTM循环神经网络模型以及GRU循环神经网络模型；
3.2)分别将LSTM循环神经网络模型以及GRU循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，且对N种时间序列构建N个独立的隐藏层，在输出层之前建立汇总层，最终构建得到局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型。
犯罪预测的问题，数据的历史状态的记忆是非常重要的，所以本实施例选择每个节点的网络单元结构，为了解决消失的梯度和爆炸的梯度问题，优选采用LSTM循环神经网络模型以及GRU循环神经网络模型相结合的方式，最后且选择更佳的犯罪预测结果输出。为了将错综复杂的时间序列转化为实践，充分利用不同的犯罪类型之间的关系的兴趣，本实施例提出一个解释性的局部连通的循环神经网络(ICL-RNN)，构建的LSTM循环神经网络模型时命名为ICL-LSTM，构建的GRU循环神经网络模型命名为ICL-GRU。
本实施例中，步骤3.1)中LSTM循环神经网络模型的函数表达式如式(1)所示；
式(1)中，ft为遗忘门，σ为Sigma函数，Wfh和Wfx为权值，ht-1为上一个短期状态值，xt为输入的犯罪次数，bf为偏置值，it为输入门，Wi为权值，bi为偏置值，
为长期状态估计值，Wc为权值，bc为偏置值，ct为长期状态，ct-1为上一个长期状态，ot为输出门，Wo为权值，bo为偏置值，ht为短期状态。
本实施例中，步骤3.1)中GRU循环神经网络模型的函数表达式如式(2)所示；
式(2)中，zt为更新门，σ为Sigma函数，Wx为权值，ht-1为上一个状态，Ux为权值，xt为输入的犯罪次数，rt为复位门，Wr为权值，Ur为权值，
为状态估计值，U为权值，ht为状态。
本实施例中，步骤3)中建立的汇总层的函数表达式如式(3)所示；
hintergrate＝Wh1×ht1+Wh2×ht2+…+Whk×htk (3)
式(3)中，hintergrate为汇总状态值，Wh1为权值，ht1为时间序列t1的状态值，Wh2为权值，ht2为时间序列t2的状态值，Whk为权值，htk为时间序列tk的状态值。
根据神经网络的黑盒特性，数据的训练过程不需要用户的参与，直接等待数据的输出即可。对于训练过程输出后的数据，可基于均方误差MSE(此外也可以采用平均绝对误差MAE，详见实施例二)作为预测结果的评价指标来判断其训练效果，以及是否需要完成训练。本实施例中，训练循环次数为500次，且训练时选择RMSPROP优化器。
本实施例中，步骤4)中选择更佳的犯罪预测结果输出具体是指基于均方误差MSE选择更佳的犯罪预测结果输出，且均方误差MSE的函数表达式如式(4)所示；
式(4)中，MSE为均方误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。
本实施例分别按照式(1)构建LSTM循环神经网络模型、按照式(2)构建GRU循环神经网络模型，对上一步中的每一个时间序列构建独立的隐藏层，在输出层之前使用式(3)建立汇总层，即构建所需的局部连接的循环神经网络，具体如图3所示，其中input layer代表输入层，hidden layer代表隐藏层，output layer代表输出层，interval k代表第k个时间间隔。本实施例中注重的是交织在一起的时间序列的解释。不同时间间隔的不同时间序列有各自的模式。试图保持这一系列固有的模式，本实施例分别处理它们，这意味着每个间隔有自己的完整的连接结构，直到最后隐藏层。在第一层、输入层，一个完整的连接结构是建立处理系列的最小间隔。和其他时间间隔，本地连接的方法是用来过滤自己的输入数据。然后在隐藏层，为充分发掘模式的缘故，全连接方式应用于各自不同的区间，每个区间都有自己的隐藏层的大小。在最后一个隐藏层，将数据从所有的间隔进行了一个汇总如公式(3)所示，htk表示区间K的状态，最后在输出层，本实施例做了一个微调的结果。
实施例二：
本实施例与实施例一基本相同，其主要不同点为步骤4)中选择更佳的犯罪预测结果的判断基准不同。
本实施例中，步骤4)中选择更佳的犯罪预测结果输出具体是指基于平均绝对误差MAE选择更佳的犯罪预测结果输出，且平均绝对误差MAE的函数表达式如式(5)所示；
式(5)中，MAE为平均绝对误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。决策者可以根据自己的需求，选择偏重均方误差MSE或者平均绝对误差MAE的预测结果更佳的循环神经网络模型作为自己预测的依据。如需选择个体偏差较小的，则选均方误差MSE较小的。如选择平均偏差较小的，则选择平均绝对误差MAE较小的。
为了对实施例一和实施例二的检测结果进行验证，由于数据的异方差性，选择GARCH作为基准模型，为了验证该解释性的局部连通的循环神经网络(ICL-RNN)的LSTM循环神经网络模型以及GRU循环神经网络模型两种循环神经网络模型的结构效度，将现有技术的全连接LSTM和全连接GRU两种循环神经网络模型也作为比较的参考神经网络模型。在评价预测结果时，可以根据需要选择均方误差MSE或平均绝对误差MAE。参见图4，其中GARCH为现有的广义自回归模型，LSTM为现有的长短时循环神经网络，GRU为现有的门循环神经网络，ICL-LSTM为LSTM循环神经网络模型，ICL-GRU为GRU循环神经网络模型，从图4的结果可以看出本发明实施例的LSTM循环神经网络模型以及GRU循环神经网络模型两种循环神经网络模型具有较低的均方误差MSE和平均绝对误差MAE，在预测结果的准确度和波动性上都具有优势。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种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，其特征在于实施步骤包括：
1)将犯罪数据划分为不同时间间隔长度的N种时间序列，在相同的时间间隔序列重采样，不同的时间间隔不要重采样，预测日期被称为时间点且作为N种时间序列的交叉点，得到犯罪数据对应的交织时间序列；
2)基于交织时间序列构建训练集和测试集；
3)分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，并通过训练集完成对局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的训练；
4)将测试集分别输入完成训练的局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型，分别得到不同的犯罪预测结果，且选择更佳的犯罪预测结果输出。
2.根据权利要求1所述的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，其特征在于，步骤3)中分别构建局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型的详细步骤包括：
3.1)建立LSTM循环神经网络模型以及GRU循环神经网络模型；
3.2)分别将LSTM循环神经网络模型以及GRU循环神经网络模型设置为N个局部连接组成方式构建循环神经网络，且对N种时间序列构建N个独立的隐藏层，在输出层之前建立汇总层，最终构建得到局部连接的LSTM循环神经网络模型以及GRU循环神经网络模型。
3.根据权利要求2所述的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，其特征为，步骤3.1)中LSTM循环神经网络模型的函数表达式如式(1)所示；
式(1)中，ft为遗忘门，σ为Sigma函数，Wfh和Wfx为权值，ht-1为上一个短期状态值，xt为输入的犯罪次数，bf为偏置值，it为输入门，Wi为权值，bi为偏置值，
为长期状态估计值，Wc为权值，bc为偏置值，ct为长期状态，ct-1为上一个长期状态，ot为输出门，Wo为权值，bo为偏置值，ht为短期状态。
4.根据权利要求2所述的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，其特征为，步骤3.1)中GRU循环神经网络模型的函数表达式如式(2)所示；
式(2)中，zt为更新门，σ为Sigma函数，Wx为权值，ht-1为上一个状态，Ux为权值，xt为输入的犯罪次数，rt为复位门，Wr为权值，Ur为权值，
为状态估计值，U为权值，ht为状态。
5.根据权利要求2所述的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，其特征为，步骤3.2)中建立的汇总层的函数表达式如式(3)所示；
hintergrate＝Wh1×ht1+Wh2×ht2+…+Whk×htk (3)
式(3)中，hintergrate为汇总状态值，Wh1为权值，ht1为时间序列t1的状态值，Wh2为权值，ht2为时间序列t2的状态值，Whk为权值，htk为时间序列tk的状态值。
6.根据权利要求1～5中任意一项所述的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，其特征在于，步骤4)中选择更佳的犯罪预测结果输出具体是指基于均方误差MSE选择更佳的犯罪预测结果输出，均方误差MSE的函数表达式如式(4)所示；
式(4)中，MSE为均方误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。
7.根据权利要求1～5中任意一项所述的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，其特征在于，步骤4)中选择更佳的犯罪预测结果输出具体是指基于平均绝对误差MAE选择更佳的犯罪预测结果输出，平均绝对误差MAE的函数表达式如式(5)所示；
式(5)中，MAE为平均绝对误差，N为测试集中的样本个数，pred_resulti为测试集中第i个样本的预测值，true_resulti为测试集中第i个样本的真实值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710854949.1A CN107563122B (zh) | 2017-09-20 | 2017-09-20 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710854949.1A CN107563122B (zh) | 2017-09-20 | 2017-09-20 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107563122A CN107563122A (zh) | 2018-01-09 |
| CN107563122B true CN107563122B (zh) | 2020-05-19 |
Family
ID=60982011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710854949.1A Active CN107563122B (zh) | 2017-09-20 | 2017-09-20 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563122B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108288502A (zh) * | 2018-04-11 | 2018-07-17 | 平安科技（深圳）有限公司 | 疾病预测方法及装置、计算机装置及可读存储介质 |
| CN108621159B (zh) * | 2018-04-28 | 2020-05-19 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
| CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技（深圳）有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
| 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 |
| 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 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN110196976B (zh) * | 2019-05-10 | 2020-10-16 | 新华三大数据技术有限公司 | 文本的情感倾向分类方法、装置和服务器 |
| 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 |
| CN110866631A (zh) * | 2019-10-09 | 2020-03-06 | 重庆大学 | 基于集成的门递归单元神经网络gru来预测大气污染情况的方法 |
| CN110750609A (zh) * | 2019-10-14 | 2020-02-04 | 浙江警察学院 | 基于时空数据和神经网络的犯罪案件数量预测方法 |
| CN111784181B (zh) * | 2020-07-13 | 2023-09-19 | 南京大学 | 一种罪犯改造质量评估系统评估结果解释方法 |
| CN113919160B (zh) * | 2021-10-14 | 2022-09-27 | 南京审计大学 | 一种细粒度的城市犯罪预测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700828A (zh) * | 2015-03-19 | 2015-06-10 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
| CN105513591A (zh) * | 2015-12-21 | 2016-04-20 | 百度在线网络技术（北京）有限公司 | 用lstm循环神经网络模型进行语音识别的方法和装置 |
| CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
| CN105844501A (zh) * | 2016-05-18 | 2016-08-10 | 上海亿保健康管理有限公司 | 一种消费行为的风险控制系统及方法 |
| CN105975504A (zh) * | 2016-04-28 | 2016-09-28 | 中国科学院计算技术研究所 | 一种基于循环神经网络的社交网络消息爆发检测方法及系统 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106295565A (zh) * | 2016-08-10 | 2017-01-04 | 中用环保科技有限公司 | 基于大数据的监控事件识别及实时犯罪预测方法 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
| CN106651978A (zh) * | 2016-10-10 | 2017-05-10 | 讯飞智元信息科技有限公司 | 人脸图像预测方法及系统 |
| 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 |
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
-
2017
- 2017-09-20 CN CN201710854949.1A patent/CN107563122B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700828A (zh) * | 2015-03-19 | 2015-06-10 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
| CN105513591A (zh) * | 2015-12-21 | 2016-04-20 | 百度在线网络技术（北京）有限公司 | 用lstm循环神经网络模型进行语音识别的方法和装置 |
| CN105787582A (zh) * | 2015-12-24 | 2016-07-20 | 清华大学 | 股票风险预测方法和装置 |
| CN105975504A (zh) * | 2016-04-28 | 2016-09-28 | 中国科学院计算技术研究所 | 一种基于循环神经网络的社交网络消息爆发检测方法及系统 |
| CN105844501A (zh) * | 2016-05-18 | 2016-08-10 | 上海亿保健康管理有限公司 | 一种消费行为的风险控制系统及方法 |
| CN106095973A (zh) * | 2016-06-20 | 2016-11-09 | 东北大学 | 一种结合短时流量预测的旅游路线推荐方法 |
| CN106295565A (zh) * | 2016-08-10 | 2017-01-04 | 中用环保科技有限公司 | 基于大数据的监控事件识别及实时犯罪预测方法 |
| CN106651978A (zh) * | 2016-10-10 | 2017-05-10 | 讯飞智元信息科技有限公司 | 人脸图像预测方法及系统 |
| CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN106952181A (zh) * | 2017-03-08 | 2017-07-14 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测系统 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 《Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction》;Rui Fu等;《31st Youth Academic Annual Conference of Chinese Assosication of Automation》;20161113;第327页左栏第2段，第327页右栏第1-2段 * |
| 《基于构造性神经网络的时间序列预测研究》;丁旭玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110815(第8期);第2.4节第2段，第2.4.4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107563122A (zh) | 2018-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563122B (zh) | 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 | |
| CN110928993B (zh) | 基于深度循环神经网络的用户位置预测方法及系统 | |
| Du et al. | Recurrent marked temporal point processes: Embedding event history to vector | |
| Castellano-Méndez et al. | Modelling of the monthly and daily behaviour of the runoff of the Xallas river using Box–Jenkins and neural networks methods | |
| Zhuang et al. | Crime hot spot forecasting: A recurrent model with spatial and temporal information | |
| Nelson et al. | How activation, entanglement, and searching a semantic network contribute to event memory | |
| CN106650273B (zh) | 一种行为预测方法和装置 | |
| CN113487088A (zh) | 基于动态时空图卷积注意力模型的交通预测方法及装置 | |
| CN109190795A (zh) | 一种区域间出行需求预测方法及装置 | |
| CN108874911B (zh) | 基于区域环境与犯罪事件数据的疑犯位置预测方法 | |
| CN111814699A (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
| Deng et al. | The pulse of urban transport: Exploring the co-evolving pattern for spatio-temporal forecasting | |
| CN111524349B (zh) | 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法 | |
| Zhang et al. | Spatiotemporal residual graph attention network for traffic flow forecasting | |
| Iess et al. | LSTM and CNN application for core-collapse supernova search in gravitational wave real data | |
| Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
| Tariq et al. | Employing deep learning and time series analysis to tackle the accuracy and robustness of the forecasting problem | |
| Kim et al. | A daily tourism demand prediction framework based on multi-head attention CNN: The case of the foreign entrant in South Korea | |
| Lytvynenko et al. | Development of the dynamic Bayesian network to evaluate the national law enforcement agencies' work | |
| Han et al. | A deep learning model based on multi-source data for daily tourist volume forecasting | |
| Li et al. | Hydropower generation forecasting via deep neural network | |
| CN117456736A (zh) | 基于多尺度时空动态交互网络的交通流量预测方法 | |
| Wang et al. | Adaptive probabilistic load forecasting for individual buildings | |
| Hu et al. | An attention-mechanism-based traffic flow prediction scheme for smart city | |
| Mu | Deep Learning Based Feature Engineering for Discovering Spatio-Temporal Dependency in Traffic Flow Forecasting |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240529 Address after: Hongshan Road 410003 in Hunan province Changsha Kaifu District No. 98 Patentee after: CHANGSHA University Country or region after: China Patentee after: National University of Defense Technology Address before: Hongshan Road 410003 in Hunan province Changsha Kaifu District No. 98 Patentee before: CHANGSHA University Country or region before: China |
|
| TR01 | Transfer of patent right |