CN108805345A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108805345A CN108805345A CN201810557538.0A CN201810557538A CN108805345A CN 108805345 A CN108805345 A CN 108805345A CN 201810557538 A CN201810557538 A CN 201810557538A CN 108805345 A CN108805345 A CN 108805345A
- Authority
- CN
- China
- Prior art keywords
- crime
- space
- layer
- time
- convolutional neural
- 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 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 238000010586 diagram Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 2
- 101100385295 Arabidopsis thaliana CRSP gene Proteins 0.000 description 9
- 101100007768 Sus scrofa CRSP1 gene Proteins 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 101000684181 Homo sapiens Selenoprotein P Proteins 0.000 description 1
- 102100023843 Selenoprotein P Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 229940119265 sepp Drugs 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及犯罪风险特征分析、数据挖掘技术领域,尤其涉及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,其特征在于:将研究区域划分为空间网格,以单个网格和天为基本时空单元,依据911数据和311数据构造具有时空关联性质的二维数组样本,再通过设计深度卷积神经网络自动获取样本中的潜在时空依赖特征,最终实现城市区域犯罪风险的时空预测。本发明对能有效提升城市内犯罪风险预测的准确性,对区域治安情况的自动化评估具有重要作用。
Description
技术领域
本发明涉及犯罪风险特征分析、数据挖掘技术领域,尤其涉及一种基于深度 卷积神经网络模型的犯罪时空风险预测方法。
背景技术
时空预测警务技术有助于执法机构识别犯罪空间扩散模式、有效部署稀缺 的警力资源,对提高公共安全具有重要意义。然而,犯罪的时空分布过程及其 与社会环境往往呈现出复杂的时空依赖关系。空间依赖关系是指一个地区的犯 罪风险受空间犯罪相关事件或邻近地区和遥远地区的环境因素的影响。例如, 实验证明入室行窃者,酒吧,会计,人口种族和交通量相关统计与犯罪的空间 浓度有关。另一方面,时间依赖性是指一个地区的犯罪风险受到近期的犯罪相 关事件或环境因素的影响,同时也受到或长或短的时间间隔的影响。例如,近 似重复模式用于发现近期频繁发生的犯罪事件,该模式成为预测当地未来犯罪 风险的有力变量。此外,311(非紧急报警)事件、911(紧急报警)事件这种 动态社会事件,往往意味就近时空范围内存在高犯罪风险。研究者们一方面通 过对犯罪空间传播的建模,将时空点过程(self-exciting point process,SEPP) 和随机时空分布理论纳入犯罪预测;另一方面,利用风险地形分析,地理回归 模型和贝叶斯模型来评估多重环境因素对未来犯罪风险的影响。以犯罪事件和 其他社会活动之间的动态相关性为例,最近的研究利用各种特征工程方法来描 述关于Foursquare数据、Twitter数据、911事件和出租车轨迹等犯罪相关特征, 以提高模型预测性能。然而,大多数的研究都需要深厚的犯罪知识,并采用复 杂的时空分析或特征工程过程。此外,一旦数据发生了变化,许多应用必须重 新进行分析,再次进行特征的手工设计。因此,从犯罪事件相关数据中提取有 效的时空依赖性不仅是一个具有挑战性的问题,而且这些模型的性能也受到了 人工特征的显著影响。
最近,深度卷积神经网络(DCNN)利用多层体系结构从低维特征到高维特征 来提取犯罪数据的相关性,从而解决了高维度数据特征的提取问题。他们已经 在许多领域取得了显著的进步,特别是在计算机视觉和自然语言处理方面上。 类似于一幅影像或一个句子中单词的像素,还有像犯罪事件和交通流量这样的 社会事件,显示出多个局部空间依赖关系。因此,利用深度CNNs进行贫困预测、 交通堵塞预测、人群流动预测、空气污染预测等大型地理数据集的研究已成为 现实。
据此,我们提出了一个新型的犯罪风险预测模型(Crime Risk Spatio-temporalPrediction,CRSP),利用纽约犯罪数据和311数据,对与犯 罪风险预测相关的时空依赖高维特征的提取进行了深入的研究。
发明内容
针对以上技术缺陷,本发明的目的在于提供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,本发明对能有效提升城市内犯罪风险预测的准确 性,对区域治安情况的自动化评估具有重要作用。
本发明的技术方案如下:
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,其特征在于, 包括以下步骤:
(1)构造研究区域内犯罪时空特征的二维数组;
(2)构建深度卷积神经网络模型,该模型框架依次包括:第一卷积图层、Inception模块、第一池化层、Fractal模块、第二卷积图层、第二池化层、密 集层;其中,
所述Inception模块构建方式如下:
第一步,根据1×3,3×1和1×3设计不对称分布栈的卷积图层序列;
第二步,使用element-wised方法构建合并层;
所述Fractal模块构建方式如下:
第一步,根据3×1和1×3将卷积图层分解成不规则块;
第二步,构建合并层;
第三步,利用深drop-path和浅drop-path分别建立复杂子结构和简单子结构,Fractal模块使用自动参数搜索方法来选择深drop-path和浅drop-path两者之 一;
(3)将步骤(1)中的二维数组输入步骤(2)的深度卷积神经网络模型中,提 取犯罪事件的高时空依赖特征。
具体的,所述的犯罪时空特征为911犯罪时空特征;或为911犯罪时空特征和 311犯罪时空特征组合。
具体的,所述步骤(1)中构造犯罪时空特征的的二维数组方式为:
S1:研究地区划分为I×J的网格,G={g1,g2,…,gI×J},G中的每个网格都被视为一个区域;
S2:设g为待预测的目标区域,则以g为中心的n×n个区域被称为g的空间邻域集合N;
S3:设第j天中,空间邻域N的第i个区域发生的犯罪事件数目为则M天内N 内各区域的犯罪特征的二维数组表示为:
数字图像数据可以用矩阵来表示,因此可以采用矩阵理论和矩阵算法对数 字图像进行分析和处理。由于数字图像可以表示为矩阵的形式,所以在计算机 数字图像处理程序中,通常用二维数组来存放图像数据。
具体的,所述卷积图层的卷积运算表达式为:
式中l为卷积图层的层数,Nl为内核的大小,xj为内核覆盖期间的地区911和/或311特征,wl.为内核中可学的权重,bl为线性偏差,T代表转置,f(.)为ReLU激活函 数。
本发明创造的有益效果在于:
通过新设计的深度学习模型自动学习城市犯罪时空分布特征,为犯罪时空 依赖性的自动获取提供重要的理论支撑与技术支持,对区域治安情况的自动化 评估具有重要作用。
附图说明
为了更清楚地说明本发明实例或现有技术中的技术方案,下面将对实施实 例或现有技术描述中所需要的附图做简单地介绍,显而易见地,下面描述中的 附图仅仅是本发明的一些实例,对于本领域普通技术人员来说,在不付出创造 性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明深度卷积神经网络的框架图。
图2是本发明基于网格的映射图。
图3是本发明的二维犯罪特征的结构图。
图4是本发明911特征和311特征的时空窗口图。
图5是本发明卷积图层的堆积示意图。
图6是本发明使用的drop-path方法的框架图。
图7是本发明时间窗口上的F1值图。
图8是本发明时间窗口上的AUC值图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本实施例基于深度卷积神经网络模型的犯罪时空风险预测方法,不同城市可 以划分为不同尺寸的网格,本实施例优选地将研究区域纽约市划分成不相交的 120*100的网格G,并定义样本形式,设计了深度学习的CRSP模型。
如图2所示,把研究区域划分成不相交的120×100的网格,G={g1,g2,…, g120×100}。G中的每个网格被看成一个地区。不同灰度网格表示研究区域犯罪 发生数量。每个区域的面积为0.18平方公里(0.47km×0.38km)。这种精细的空间 尺度符合精细化警力部署。
如图2所示,目标区域g是预测犯罪有可能发生的地方。g的空间邻域N为3×3 的区域集合。
是用于呈现911时空犯罪特征的一个二维数组结构形式,如图3所示,其中M表示时间窗口的长度,N表示地区的空间相邻集个数。每个中的 条目表示犯罪编号。3D坐标系统中的3个栅格网表示该区域连续3天的犯罪数量。 通过对目标区域g连续三天的空间相邻集的进行映射得出另外,用 同样的方法定义311特征在t日目标区域g,可以表示为它由和组成,如图4所示。
图1展示了CRSP模型,其参数如表1所示。
表1:CRSP的参数
特别地,如定义所述,把911数据和311数据转换成两个二维数组,并将其 作为原始输入特征。通过将它们传递到两个卷积层的序列中,使模型能够获取 犯罪事件的低时空依赖关系。随着输出特征图在网络中的深入,模型开始提取 高时空特征。这总体上依赖于Inception模块、和Fractal模块,它们利用卷积 图层序列和合并图层的分支,将犯罪相关特征融合到不同的抽象级别里。最后, 最高级别的犯罪相关特征聚合到密集层中,作为框架中的分类器,以实现犯罪 风险预测。
卷积运算能够地捕捉到犯罪事件的密切时空依赖性,如公式(1)所示:
式中l为卷积图层的层数,Nl为内核的大小,xj为内核覆盖期间的地区犯罪或 311特征,wl.为内核中可学的权重,T代表转置,bl为线性偏差。
f(.)是一个ReLU激活函数。它决定了这个层的神经元是否能被激活,从而获 取一个特定的时空特征。通过卷积运算的堆栈自动地获取远距时空范围内的犯 罪之间的依赖关系。
此外,卷积运算的堆栈能自动地获取远距时空范围内的犯罪之间的相互影响 关系。图5展示了这些自我学习过程。层1的一个神经元在层0中3×3范围内只能 获取一个小规模时空依赖性。相比,层2的一个神经元在层0的6×6范围可以获 取一个更广的时空依赖性。
研究发现,直接把多个的卷积图层叠加在一起,会造成模型的过度拟合问题。 为了避免这种缺陷,设计了Inception模块和Fractal模块。这两类的堆叠使模型更 深的网络结构,在提高了犯罪预测的性能,保证了网络免受的过度拟合的问题。
犯罪风险通常受到犯罪相关事件不同时空模式的影响。例如,某一地区的犯 罪风险不仅与周边地区的历史犯罪强度呈正相关,还与附近其他地区呈负相关。 再者,它还会受到季节等时间模式的影响,以及311事件演化模式的影响。为了 提取这些复杂特征,Inception模块根据1×3,3×1和1×3的卷积层序列来设计栈 不对称分布这一块,如图1(b)所示。块的底部使用element-wised方法,合并层则 用于收集多个时空相关性信息,从不同分支集合成一个“厚”特征图。
Fractal模块的设计采用了FRACTALNET,其具有分形堆叠式结构和多种 drop-paths的核心理念,如图1(c)所示。但这Fractal模块和FRACTALNET存在三 个主要区别:
(1)卷积图层被分解成3×1和1×3的不规则块,用少量的参数就能得到好 的模型性能。
(2)合并层使用凹函数将不同分支的输出叠加起来,以获取多个犯罪相关 特征,而不是使用element-wised平均函数。
(3)利用深drop-path和浅drop-path分别建立复杂子结构和简单子结构。分形 块使用自动参数搜索方法来选择两者之一。这种方法有利于处理数据中关系复 杂的多样性,从而提高预测性能。
在深drop-path或浅drop-path中,它们各自的多支图层可能会从左向右减少, 如图6(a),或增加,如图6(b),但至少确保有一个存在。采用递减法或递增法获 得各分支的dropoutprobability。例如,图6(a)描述了深drop-path在层数为7的图层 Fractal模块中的应用。与图6(b)中的浅drop-path相比,这个层数仅为三层。由于 该块的“previouslayer”有四个分支,所以在图6(a)中从左往右深drop-path的dropoutprobability集合为图6(b)中浅drop-path的dropoutprobability集合为
在本实施例中,对311数据的犯罪预测有效性进行了实验。实验结果如表2所 示。空间相邻集的大小固定为3×3,时间窗的长度为60天。
表2:有无311数据模型性能
在表2中,发现提出的CRSP的F1值和AUC值在没有311数据的情况下最高。 此外,在对311数据进行调节后,F1值和AUC值分别增长了3%和6%,这表明了 本发明的模型得到了巨大改进。这不仅证明了311事件与犯罪事件具有一定的时 空相关性,也说明本发明的模型在挖掘这种关系上的能力越来越强。
从图7和图8可以看出,提出的CRSP方法在时间窗口递增的情况下优于其他 基线。与SFCNN相比,F1值和AUC值改进了不止6%和10%,为基线中最好的分 类器。其他模型如SVM和RWA,获得了次优性能。这两幅图中的曲线也表明了, 随着越来越多的时间模式或趋势的发掘,所有模型的预测性能随着时间窗口的 递增而提高。当时间窗口的长度超过40时,SVM的F1值和AUC值开始下降,而 本发明的CRSP的性能却持续增长,直到时间窗口超过60。这种情况意味着CRSP 受益于其获取隐藏在犯罪事件和311事件中有效时空特征的能力。然而,当时间 窗口的长度超过60时,所有的模型都会产生更多的错误,这意味着更深一步的 远程历史数据与当前时间的相关性较低。
结果显示当时间窗口的长度达到100,所提出的CRSP的F1值和AUC值都比其 他基线要高。这就表明了本发明所提出的模型具有最好的泛化性能。
以上所述仅为发明的较佳实施例而已,并不用以限制本发明,凡在本发明的 精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的 保护范围之内。
Claims (4)
1.一种基于深度卷积神经网络模型的犯罪时空风险预测方法,其特征在于,包括以下步骤:
(1)构造研究区域内犯罪时空特征的二维数组;
(2)构建深度卷积神经网络模型,该模型框架依次包括:第一卷积图层、Inception模块、第一池化层、Fractal模块、第二卷积图层、第二池化层、密集层;其中,
所述Inception模块构建方式如下:
第一步,根据1×3,3×1和1×3设计不对称分布栈的卷积图层序列;
第二步,使用element-wised方法构建合并层;
所述Fractal模块构建方式如下:
第一步,根据3×1和1×3将卷积图层分解成不规则块;
第二步,构建合并层;
第三步,利用深drop-path和浅drop-path分别建立复杂子结构和简单子结构,Fractal模块使用自动参数搜索方法来选择深drop-path和浅drop-path两者之一;
(3)将步骤(1)中的二维数组输入步骤(2)的深度卷积神经网络模型中,提取犯罪事件的高时空依赖特征。
2.根据权利要求1所述的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,其特征在于:所述的犯罪时空特征为911犯罪时空特征;或为911犯罪时空特征和311犯罪时空特征组合。
3.根据权利要求1或2所述的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,其特征在于:所述步骤(1)中构造犯罪时空特征的的二维数组方式为:
S1:研究地区划分为I×J的网格,G={g1,g2,…,gI×J},G中的每个网格都被视为一个区域;
S2:设g为待预测的目标区域,则以g为中心的n×n个区域被称为g的空间邻域集合N;
S3:设第j天中,空间邻域N的第i个区域发生的犯罪事件数目为则M天内N内各区域的犯罪特征的二维数组表示为:
4.根据权利要求1所述的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,其特征在于:所述卷积图层的卷积运算表达式为:
式中l为卷积图层的层数,Nl为内核的大小,xj为内核覆盖期间的地区911和/或311特征,wl.为内核中可学的权重,bl为线性偏差,T代表转置,f(.)为ReLU激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557538.0A CN108805345A (zh) | 2018-06-01 | 2018-06-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810557538.0A CN108805345A (zh) | 2018-06-01 | 2018-06-01 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805345A true CN108805345A (zh) | 2018-11-13 |
Family
ID=64090117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810557538.0A Pending CN108805345A (zh) | 2018-06-01 | 2018-06-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805345A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309935A (zh) * | 2019-03-26 | 2019-10-08 | 浙江工业大学 | 一种基于改进starma模型的犯罪预测方法 |
CN110543565A (zh) * | 2019-08-30 | 2019-12-06 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络模型的审计方法、系统和可读存储介质 |
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 |
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
CN113011556A (zh) * | 2021-02-20 | 2021-06-22 | 安徽大学 | 基于INC-DenseUnet网络识别模型建立方法 |
CN113077053A (zh) * | 2021-03-18 | 2021-07-06 | 中国电子科技集团公司第五十四研究所 | 多元群体活动模式表征方法及目标地理活动区域识别方法 |
CN114529825A (zh) * | 2022-04-24 | 2022-05-24 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955804A (zh) * | 2014-05-20 | 2014-07-30 | 中山大学 | 一种服务于警务防控分区规划的犯罪风险时空模式识别方法 |
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 |
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 |
-
2018
- 2018-06-01 CN CN201810557538.0A patent/CN108805345A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955804A (zh) * | 2014-05-20 | 2014-07-30 | 中山大学 | 一种服务于警务防控分区规划的犯罪风险时空模式识别方法 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
GUANGHAN NING 等: "Knowledge-Guided Deep Fractal Neural Networks for Human Pose Estimation", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
CN110309935A (zh) * | 2019-03-26 | 2019-10-08 | 浙江工业大学 | 一种基于改进starma模型的犯罪预测方法 |
CN110543565A (zh) * | 2019-08-30 | 2019-12-06 | 广西电网有限责任公司南宁供电局 | 基于卷积神经网络模型的审计方法、系统和可读存储介质 |
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 |
CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
CN113011556A (zh) * | 2021-02-20 | 2021-06-22 | 安徽大学 | 基于INC-DenseUnet网络识别模型建立方法 |
CN113011556B (zh) * | 2021-02-20 | 2022-10-11 | 安徽大学 | 基于INC-DenseUnet网络识别模型建立方法 |
CN113077053A (zh) * | 2021-03-18 | 2021-07-06 | 中国电子科技集团公司第五十四研究所 | 多元群体活动模式表征方法及目标地理活动区域识别方法 |
CN114529825A (zh) * | 2022-04-24 | 2022-05-24 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
CN114529825B (zh) * | 2022-04-24 | 2022-07-22 | 城云科技(中国)有限公司 | 用于消防通道占用目标检测的目标检测模型、方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805345A (zh) | 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 | |
Chakraborti et al. | A neural network and landscape metrics to propose a flexible urban growth boundary: A case study | |
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
Linard et al. | Modelling spatial patterns of urban growth in Africa | |
CN113379771B (zh) | 带有边缘约束的层次化人体解析语义分割方法 | |
He et al. | Offshore Island Connection Line: A new perspective of coastal urban development boundary simulation and multi-scenario prediction | |
CN113486136A (zh) | 一种地理实体服务按需组装的方法及系统 | |
CN112084240B (zh) | 一种群租房智能识别、联动治理方法及系统 | |
CN111125285A (zh) | 一种基于物种空间分布关系的动物地理区划方法 | |
Al-Sayed et al. | The smart city-line in Saudi Arabia: issue and challenges | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
CN109447331A (zh) | 基于stacking算法的山火风险预测方法 | |
Güneralp et al. | Capturing multiscalar feedbacks in urban land change: A coupled system dynamics spatial logistic approach | |
Lu et al. | Exploring spatial and environmental heterogeneity affecting energy consumption in commercial buildings using machine learning | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
Zhou et al. | Automatic responsive-generation of 3D urban morphology coupled with local climate zones using generative adversarial network | |
CN116756695B (zh) | 一种融合地理特征和流特征的城市功能协同优化方法 | |
CN116468994A (zh) | 一种基于街景数据的村镇收缩模拟方法、系统和装置 | |
Hu et al. | Urban landscape information atlas and model system based on remote sensing images | |
CN114913475B (zh) | 基于gis和机器视觉的城市网格化管理方法及系统 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN109165835A (zh) | 传统村落乡村性的测算方法及装置 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Yu | [Retracted] Simulation and Application of Urban Road Landscape Based on Geographic Information Data | |
CN109241070A (zh) | 一种基于大数据的气象数据不一致性的时间维度统一方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181113 |
|
WD01 | Invention patent application deemed withdrawn after publication |