CN108876062B - 一种犯罪事件智能预测的大数据方法及装置 - Google Patents

一种犯罪事件智能预测的大数据方法及装置 Download PDF

Info

Publication number
CN108876062B
CN108876062B CN201810918074.1A CN201810918074A CN108876062B CN 108876062 B CN108876062 B CN 108876062B CN 201810918074 A CN201810918074 A CN 201810918074A CN 108876062 B CN108876062 B CN 108876062B
Authority
CN
China
Prior art keywords
events
criminal
sub
area
crime
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
Application number
CN201810918074.1A
Other languages
English (en)
Other versions
CN108876062A (zh
Inventor
张耀峰
林耀三
张志刚
姜涛
蔡黎
杨飞洋
张璇
段红叶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HUBEI UNIVERSITY OF ECONOMICS
Original Assignee
HUBEI UNIVERSITY OF ECONOMICS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HUBEI UNIVERSITY OF ECONOMICS filed Critical HUBEI UNIVERSITY OF ECONOMICS
Priority to CN201810918074.1A priority Critical patent/CN108876062B/zh
Publication of CN108876062A publication Critical patent/CN108876062A/zh
Application granted granted Critical
Publication of CN108876062B publication Critical patent/CN108876062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种犯罪事件智能预测的大数据方法及装置，该方法包括：根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数；将第一子区域的位置参数和“震源”犯罪事件个数，代入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度；以及，将历史犯罪事件总个数带入预建立的正态分布函数后，获取第一子区域中“余震”犯罪事件的密度贡献度；根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度，确定第一子区域的犯罪事件覆盖密度。通过上述方式，可以适应国内城市多中心、社区布局复杂等情况，对国内的不同区域的犯罪事件的预测将更加精确。

Description

一种犯罪事件智能预测的大数据方法及装置
技术领域
本发明涉及大数据处理和人工智能相结合的技术领域，具体涉及一种犯罪事件智能预测的大数据方法及装置。
背景技术
随着生活压力的不断增大，越来越多的犯罪事件发生，犯罪率不断提高。那么，如何在发生犯罪之前，事先预测发生犯罪事件高的地区成为一个热点话题。传统的预测方法主要是按照如下公式计算犯罪密度。
Figure GDA0003501708820000011
其中，g函数表示“余震”犯罪事件的密度贡献度。虽然，该算法模型对美国城市的犯罪预测起到了很好的效果。但是，并不适用于国内的犯罪预测。其原因在于，国内城市街区布局、结构等比较复杂，如果仅考虑“余震”犯罪事件的密度贡献度，预设效果将不够精确。
因此，如何针对国内街区布局、结构复杂的环境，对犯罪事件进行精准预测成为亟待解决的技术问题。
发明内容
本发明的目的在于提供一种犯罪事件智能预测的大数据方法及装置，用以解决针对国内街区布局、结构复杂的环境，对犯罪事件进行精准预测的问题。
为实现上述目的，本发明的技术方案提供了一种犯罪事件智能预测的大数据的方法，该犯罪事件智能预测的大数据的方法包括：
根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数；
将第一子区域的位置参数和“震源”犯罪事件个数，代入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度；
以及，将历史犯罪事件总个数带入预建立的正态分布函数后，获取第一子区域中“余震”犯罪事件的密度贡献度；
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度，确定第一子区域的犯罪事件覆盖密度，其中，按照预设规则将预设区域划分为至少一个子区域，第一子区域为包含于预设区域内的任一子区域。
本发明具有如下优点：根据预设区域内在某个历史时间段内发生的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，并确定“震源”犯罪事件的密度贡献度，同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合，确定第一子区域的犯罪事件覆盖密度。即，不仅仅考虑“余震”犯罪事件的密度贡献度，还要将“震源”犯罪事件的密度贡献度同时考虑进来，从而大大提高预测的精确度。而且，将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域，正好可以适应国内城市多中心、社区布局复杂等情况，对国内的不同区域的犯罪事件的预测将更加精确。另外，本申请重点着眼于事件的“预测”而非已有信息的关联，既能丰富大数据研究内涵，又能填补犯罪预测国内研究应用不足。
为实现上述目的，本发明的技术方案提供了一种犯罪事件智能预测的大数据的装置，该装置包括：
预测单元，用于根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数；
处理单元，用于将第一子区域的位置参数和“震源”犯罪个数，代入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度；
以及，将历史犯罪事件总个数带入预建立的正态分布函数后，获取第一子区域中“余震”犯罪事件的密度贡献度；
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度，确定第一子区域的犯罪事件覆盖密度，其中，按照预设规则将预设区域划分为至少一个子区域，第一子区域为包含于预设区域内的任一子区域。
本发明具有如下优点：根据预设区域内在某个历史时间段内发生的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，并确定“震源”犯罪事件的密度贡献度，同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合，确定第一子区域的犯罪事件覆盖密度。即，不仅仅考虑“余震”犯罪事件的密度贡献度，还要将“震源”犯罪事件的密度贡献度同时考虑进来，从而大大提高预测的精确度。而且，将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域，正好可以适应国内城市多中心、社区布局复杂等情况，对国内的不同区域的犯罪事件的预测将更加精确。另外，本申请重点着眼于事件的“预测”而非已有信息的关联，既能丰富大数据研究内涵，又能填补犯罪预测国内研究应用不足。
附图说明
图1为本发明实施例提供的一种犯罪事件智能预测的大数据的方法流程示意图；
图2为本发明实施例提供的一种犯罪事件智能预测的大数据的方法对武汉区域的犯罪事件进行预测后的示意图；
图3为本发明实施例提供的一种犯罪事件智能预测的大数据的装置结构示意图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
本发明实施例1提供了一种犯罪事件智能预测的大数据的方法流程示意图。具体如图1所示，该方法可以包括：
步骤110，根据预设区域的预设历史时间段内的历史犯罪事件，预测“震源”犯罪事件及其个数。
为了更加适应国内城市街区的布局，复杂的结构等，可以将预设区域划分为至少一个子区域。例如，可以将武汉划分为武昌、汉口和汉阳等子区域。然后在后续执行过程中，分别确定这几个子区域的犯罪事件覆盖密度。相较于单纯的只看武汉的犯罪事件的覆盖密度，划分为子区域后，分别确定每一个子区域的犯罪事件的覆盖密度将使对犯罪事件的预测更加精确。而为了适应国内错综复杂的分布环境，更加优选的，可以以一个小区为单位，即将一个预设区域按照小区的边界划分，划分成多个小区。其中，历史犯罪数据可以通过与警方合作获取。
将犯罪事件的覆盖密度直接定位到不同的小区的时候，更加便于民警确定其巡逻路线，加强小区的治安。不同小区的居民也可以视情况加强安全防护等措施。因此，需要按照预设规则将预设区域划分为至少一个子区域，下文中即将要介绍的第一子区域为包含于预设区域内的任一子区域。
可选的，根据预设区域的预设历史时间段内的历史犯罪事件，预测“震源”犯罪事件的个数，具体可以包括以下两种方式：
第一种，随机建立一种概率转移矩阵，将预设区域的预设历史时间段内的历史犯罪事件的相关参数带入该概率转移矩阵中，例如历史犯罪事件的发生时间、发生位置的经度和纬度等参数。然后根据概率转移矩阵，确定该区域中预设历史时间段内的犯罪事件的发生概率。将概率大于或者等于第二预设阈值(例如预设阈值为0.5)的历史犯罪事件作为“震源”犯罪事件，并统计“震源”犯罪事件的个数。
第二种，利用深度学习算法对预设区域的预设历史时间段内的历史犯罪事件进行分析，预设区域内不同子区域在未来预设时间段内的犯罪强度。并将预测出的犯罪强度大于或者等于第一预设阈值(例如0.6)的可能发生犯罪事件作为“震源”犯罪事件，并统计“震源”犯罪事件的个数。
深度学习算法可以是卷积神经网络学习法与长短期记忆网络算法的相结合，从而构建针对二维序列建模的创新网络结构，从而提高预测精准度和运算效率。
以上确定犯罪事件的发生概率，或者是预测犯罪轻重等的方案均可以通过现有技术实现，因此这里不做过多的细节介绍。
步骤120，将第一子区域的位置参数和“震源”犯罪事件个数，代入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度。
具体的，当希望预测某一个子区域的犯罪事件覆盖密度时，需要知道该子区域中的“震源”犯罪事件的密度贡献度，以及“余震”犯罪事件的密度贡献度。而在本步骤中，则是首先计算该子区域中的“震源”犯罪事件的密度贡献度。
具体的，将该区域的位置参数和震源犯罪事件的个数，带入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度。
可选的，预建立的自激点算法模型，其体现形式为正态分布函数。
具体的，正态分布函数可以由下式体现：
Figure GDA0003501708820000051
其中，gn(t,x,y)为所有“震源”犯罪事件的密度贡献度，N为“震源”犯罪事件的总个数，xi °，yi °以及ti °分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
步骤130，将历史犯罪事件总个数带入预建立的正态分布函数后，获取第一子区域中“余震”犯罪事件的密度贡献度。
与步骤120相类似的，通过步骤130获取第一子区域中“余震”犯罪事件的密度贡献度。在这之前，同样需要先统计历史犯罪事件的总个数。
当获取第一子区域中“余震”犯罪事件的密度贡献度时，公式1中的N则为“余震”犯罪事件的总个数，xi °，yi °以及ti °分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻，x代表第一子区域的经度，y代表第一子区域的维度。
步骤140，根据“震源”子区域犯罪事件的密度贡献度和“余震”子区域犯罪事件的密度贡献度，确定第一子区域的犯罪事件覆盖密度。
具体的，第一子区域的犯罪事件覆盖密度实际上就是第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度之和。
具体的公式可以表示为：
Figure GDA0003501708820000061
其中，λ(t,x,y)为第一子区域的犯罪事件覆盖密度，θ(t)μ(x,y)为所述第一子区域中“震源”犯罪事件的密度贡献度，θ(t)为取gn(t,x,y)中有关t的一维函数获取的，μ(x,y)为取关于(x,y)的二维函数获取的。
Figure GDA0003501708820000062
为所述第一子区域中“余震”犯罪事件的密度贡献度，k为所有历史犯罪事件的个数，tk，xk，yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标，t，x，y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
图2示出了利用本实施例中的方法预测武汉区域的不同子区域的犯罪事件的覆盖密度，其中方形代表子区域，而方形的颜色越深，则说明覆盖密度越大。
本发明实施例提供的一种犯罪事件智能预测的大数据的方法，根据预设区域内在某个历史时间段内发生的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，并确定“震源”犯罪事件的密度贡献度，同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合，确定第一子区域的犯罪事件覆盖密度。即，不仅仅考虑“余震”犯罪事件的密度贡献度，还要将“震源”犯罪事件的密度贡献度同时考虑进来，从而大大提高预测的精确度。而且，将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域，正好可以适应国内城市多中心、社区布局复杂等情况，对国内的不同区域的犯罪事件的预测将更加精确。另外，本申请重点着眼于事件的“预测”而非已有信息的关联，既能丰富大数据研究内涵，又能填补犯罪预测国内研究应用不足。
实施例2
与实施例1相对应的，本发明实施例还提供了一种犯罪事件智能预测的大数据的装置，具体如图3所示，该装置包括：预测单元201和处理单元202。
预测单元201，用于根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习方法，预测“震源”犯罪事件及其个数，；
处理单元202，用于将第一子区域的位置参数和“震源”犯罪事件个数，代入预建立的正态分布函数中，获取第一子区域中“震源”犯罪事件的密度贡献度；
以及，将历史犯罪事件总个数带入预建立的正态分布函数后，获取第一子区域中“余震”犯罪事件的密度贡献度；
根据第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度，确定第一子区域的犯罪事件覆盖密度，其中，按照预设规则将预设区域划分为至少一个子区域，第一子区域为包含于预设区域内的任一子区域。
可选的，预测单元201具体用于：
采用深度学习算法对预设区域的预设历史时间段内的历史犯罪事件进行分析后，预测预设区域内不同子区域在未来预设时间段内的犯罪强度；
将预测的犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件；
统计“震源”犯罪事件个数。
可选的，预测单元201具体用于：
根据预建立的概率转移矩阵，确定预设区域的预设历史时间段内的历史犯罪事件的发生概率；
将发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件。
可选的，预建立的正态分布函数由下式表示：
Figure GDA0003501708820000081
其中，当取x、y以及t三个维度时，gn(t,x,y)为所有“余震”犯罪事件的密度贡献度。此时，N为“余震”犯罪事件的总个数，xi °，yi °以及ti °分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻；
或者，当取x、y两个维度或者只取t维度时，gn(t,x,y)为所有“震源”犯罪事件的密度贡献度。此时，N为“震源”犯罪事件的总个数，xi °，yi °以及ti o分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
可选的，处理单元202具体用于，将第一子区域“震源”犯罪事件的密度贡献度和第一子区域“余震”犯罪事件的密度贡献度之和作为第一子区域的犯罪事件覆盖密度。
可选的，第一子区域的犯罪事件覆盖密度由下式表示：
Figure GDA0003501708820000091
其中，λ(t,x,y)为第一子区域的犯罪事件覆盖密度，θ(t)μ(x,y)为第一子区域中“震源”犯罪事件的密度贡献度，
Figure GDA0003501708820000092
为所述第一子区域中“余震”犯罪事件的密度贡献度，k为所有历史犯罪事件的个数，tk，xk，yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标，t，x，y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
本发明实施例提供的犯罪事件智能预测的大数据的装置中各部件所执行的功能均已在上述实施例1中做了详细的介绍，因此这里不做详细介绍。
本发明实施例提供的一种犯罪事件智能预测的大数据的装置，根据预设区域内在某个历史时间段内发生的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，并确定“震源”犯罪事件的密度贡献度，同时确定由历史犯罪事件组成的“余震”犯罪事件的密度贡献度。将第一子区域内中的“震源”犯罪事件的密度贡献度和根据历史犯罪事件所获取的“余震”犯罪事件的密度贡献度相结合，确定第一子区域的犯罪事件覆盖密度。即，不仅仅考虑“余震”犯罪事件的密度贡献度，还要将“震源”犯罪事件的密度贡献度同时考虑进来，从而大大提高预测的精确度。而且，将预设区域按照国内的街区布局、结构等自适应划分为很多个小的子区域，正好可以适应国内城市多中心、社区布局复杂等情况，对国内的不同区域的犯罪事件的预测将更加精确。另外，本申请重点着眼于事件的“预测”而非已有信息的关联，既能丰富大数据研究内涵，又能填补犯罪预测国内研究应用不足。
实施例3
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述实施例1的方法步骤。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种犯罪事件智能预测的大数据的方法，其特征在于，所述方法包括：
根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”事件及其个数；
将第一子区域的位置参数和所述“震源”事件个数，代入预建立的正态分布函数中，获取所述第一子区域中“震源”犯罪事件的密度贡献度；
以及，将所述历史犯罪事件总个数带入所述预建立的正态分布函数后，获取所述第一子区域中“余震”犯罪事件的密度贡献度；
根据所述第一子区域中“震源”犯罪事件的密度贡献度和所述第一子区域中“余震”犯罪事件的密度贡献度，确定所述第一子区域的犯罪事件覆盖密度，其中，按照预设规则将所述预设区域划分为至少一个子区域，第一子区域为包含于所述预设区域内的任一子区域；
所述预建立的正态分布函数由下式表示：
Figure FDA0003501708810000011
其中，当取x、y以及t三个维度时，gn(t，x，y)为所有“余震”犯罪事件的密度贡献度，此时，N为“余震”犯罪事件的总个数，xi °，yi °以及ti °分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻；
或者，当取x、y两个维度或者只取t维度时，gn(t，x，y)为所有“震源”犯罪事件的密度贡献度，此时，N为“震源”犯罪事件的总个数，xi °，yi o以及ti °分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
2.根据权利要求1所述的方法，其特征在于，所述根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，具体包括：
采用深度学习算法对所述预设区域的预设历史时间段内的历史犯罪事件进行分析后，预测所述预设区域内不同子区域在未来预设时间段内的犯罪强度；
将预测的犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件；
统计所述“震源”犯罪事件个数。
3.根据权利要求1所述的方法，其特征在于，所述根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数，具体包括：
根据预建立的概率转移矩阵，确定所述预设区域的预设历史时间段内的历史犯罪事件的发生概率；
将所述发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件；
并统计“震源”犯罪事件的个数。
4.根据权利要求1所述的方法，其特征在于，根据所述第一子区域中“震源”犯罪事件的密度贡献度和所述第一子区域中“余震”犯罪事件的密度贡献度，确定所述第一子区域的犯罪事件覆盖密度，具体包括：
将所述第一子区域“震源”犯罪事件的密度贡献度和所述第一子区域“余震”犯罪事件的密度贡献度之和作为所述第一子区域的犯罪事件覆盖密度。
5.根据权利要求4所述的方法，其特征在于，所述第一子区域的犯罪事件覆盖密度由下式表示：
Figure FDA0003501708810000021
其中，λ(t,x,y)为第一子区域的犯罪事件覆盖密度，θ(t)μ(x,y)为所述第一子区域中“震源”犯罪事件的密度贡献度，θ(t)为取gn(t，x，y)中有关t的一维函数获取的，μ(x,y)为取关于(x,y)的二维函数获取的，
Figure FDA0003501708810000031
为所述第一子区域中“余震”犯罪事件的密度贡献度，k为所有历史犯罪事件的个数，tk，xk，yk分别表示第k个历史犯罪事件发生的时间和经纬度坐标，t，x，y则分别表示要预测的犯罪事件发生的时间和经纬度坐标。
6.一种犯罪事件智能预测的大数据的装置，其特征在于，所述装置包括：
预测单元，用于根据预设区域的预设历史时间段内的历史犯罪事件，利用深度学习算法，预测“震源”犯罪事件及其个数；
处理单元，用于将第一子区域的位置参数和所述“震源”犯罪事件个数，代入预建立的正态分布函数中，获取所述第一子区域中“震源”犯罪事件的密度贡献度；
以及，将所述历史犯罪事件总个数带入所述预建立的正态分布函数后，获取所述第一子区域中“余震”犯罪事件的密度贡献度；
根据所述第一子区域“震源”犯罪事件的密度贡献度和所述第一子区域“余震”犯罪事件的密度贡献度，确定所述第一子区域的犯罪事件覆盖密度，其中，按照预设规则将所述预设区域划分为至少一个子区域，所述第一子区域为包含于所述预设区域内的任一子区域；
所述预建立的正态分布函数由下式表示：
Figure FDA0003501708810000032
其中，当取x、y以及t三个维度时，gn(t，x，y)为所有“余震”犯罪事件的密度贡献度，此时，N为“余震”犯罪事件的总个数，xi o，yi °以及ti °分别为第i个“余震”犯罪事件的经度坐标、纬度坐标以及事件发生时刻；
或者，当取x、y两个维度或者只取t维度时，gn(t，x，y)为所有“震源”犯罪事件的密度贡献度，此时，N为“震源”犯罪事件的总个数，xi °，yi °以及ti °分别为第i个“震源”犯罪事件的经度坐标、纬度坐标以及事件发生时刻。
7.根据权利要求6所述的装置，其特征在于，所述预测单元具体用于：
采用深度学习算法对所述预设区域的预设历史时间段内的历史犯罪事件进行分析后，预测所述预设区域内不同子区域在未来预设时间段内的犯罪强度；
将预测的所述犯罪强度大于或者等于第一预设阈值的犯罪事件为“震源”犯罪事件；
统计所述“震源”犯罪事件个数。
8.根据权利要求6所述的装置，其特征在于，所述预测单元具体用于：
根据预建立的概率转移矩阵，确定所述预设区域的预设历史时间段内的历史犯罪事件的发生概率；
将所述发生概率大于或者等于第二预设阈值的历史犯罪事件作为“震源”犯罪事件。
CN201810918074.1A 2018-08-13 2018-08-13 一种犯罪事件智能预测的大数据方法及装置 Active CN108876062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810918074.1A CN108876062B (zh) 2018-08-13 2018-08-13 一种犯罪事件智能预测的大数据方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810918074.1A CN108876062B (zh) 2018-08-13 2018-08-13 一种犯罪事件智能预测的大数据方法及装置

Publications (2)

Publication Number Publication Date
CN108876062A CN108876062A (zh) 2018-11-23
CN108876062B true CN108876062B (zh) 2022-04-12

Family

ID=64317745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810918074.1A Active CN108876062B (zh) 2018-08-13 2018-08-13 一种犯罪事件智能预测的大数据方法及装置

Country Status (1)

Country Link
CN (1) CN108876062B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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 (7)

* Cited by examiner, † Cited by third party
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
EP2990957A1 (en) * 2014-08-27 2016-03-02 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for predicting based on multi-source heterogeneous data
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统
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
CN106982413A (zh) * 2016-01-15 2017-07-25 中国移动通信集团上海有限公司 一种区域客流趋势的预测方法及装置
CN107145985A (zh) * 2017-05-09 2017-09-08 北京城建设计发展集团股份有限公司 一种城市轨道交通客流区域联动预警方法
US9805311B1 (en) * 2011-09-08 2017-10-31 Predpol, Inc. Event forecasting system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180033109A1 (en) * 2016-07-26 2018-02-01 International Business Machines Corporation Using public safety data to manage a criminal event response

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9805311B1 (en) * 2011-09-08 2017-10-31 Predpol, Inc. Event forecasting system
EP2990957A1 (en) * 2014-08-27 2016-03-02 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for predicting based on multi-source heterogeneous data
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
CN106982413A (zh) * 2016-01-15 2017-07-25 中国移动通信集团上海有限公司 一种区域客流趋势的预测方法及装置
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
CN106779256A (zh) * 2017-03-24 2017-05-31 山东大学 一种基于事件驱动的停车空余泊位数实时预测方法及系统
CN107145985A (zh) * 2017-05-09 2017-09-08 北京城建设计发展集团股份有限公司 一种城市轨道交通客流区域联动预警方法

Also Published As

Publication number Publication date
CN108876062A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN108876062B (zh) 一种犯罪事件智能预测的大数据方法及装置
Zhuang et al. Crime hot spot forecasting: A recurrent model with spatial and temporal information
CN110826514A (zh) 一种基于深度学习的施工现场违章智能识别方法
KR101825023B1 (ko) 리스크 조기 경보 방법 및 장치
WO2017202226A1 (zh) 人群流量的确定方法及装置
Al Boni et al. Area-specific crime prediction models
CN106952208A (zh) 犯罪自动预测方法及系统
CN112784685A (zh) 基于多尺度引导注意力机制网络的人群计数方法及系统
CN106940790A (zh) 一种人流拥塞预测方法及系统
CN116485202B (zh) 一种基于物联网工业污染实时监测方法及系统
CN110909195A (zh) 基于区块链的图片标注方法、装置及存储介质、服务器
CN111125290B (zh) 一种基于河长制的智能巡河方法、装置及存储介质
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
CN115294528A (zh) 一种行人安全监控方法及装置
CN101247392A (zh) 目标活动预测装置及方法
CN105825130A (zh) 一种信息安全预警方法及装置
CN117292247A (zh) 基于YOLOv8算法和跟踪算法的改进型室内危险场景检测方法
CN116824513A (zh) 基于深度学习的钻探过程自动识别监管方法及系统
CN111523434A (zh) 基于区块链与bim的工地人员异常聚集检测系统
WO2023000856A1 (zh) 一种异常事件检测方法、装置、电子设备、存储介质及计算机程序产品
CN114124564B (zh) 一种仿冒网站检测方法、装置、电子设备及存储介质
CN116545679A (zh) 一种工业情境安全基础框架及网络攻击行为特征分析方法
CN116383937A (zh) 一种村落数字孪生保护评估方法
CN115936762A (zh) 景区人流量的预测方法、装置、设备及存储介质

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