CN109146751B - 一种基于时空聚类统计进行城市犯罪风险评估的方法 - Google Patents
一种基于时空聚类统计进行城市犯罪风险评估的方法 Download PDFInfo
- Publication number
- CN109146751B CN109146751B CN201810997430.3A CN201810997430A CN109146751B CN 109146751 B CN109146751 B CN 109146751B CN 201810997430 A CN201810997430 A CN 201810997430A CN 109146751 B CN109146751 B CN 109146751B
- Authority
- CN
- China
- Prior art keywords
- clustering
- spatio
- temporal
- data
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012502 risk assessment Methods 0.000 title claims abstract description 18
- 230000002776 aggregation Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000005054 agglomeration Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于时空聚类统计进行城市犯罪风险评估的方法,属于时空事件聚类分析方法领域。本发明首先收集城市犯罪数据生成城市犯罪数据库;然后根据数据库中数据,给数据库中每个区域和时间周期内的数据添加辅助数据;再通过时空凝聚式聚类算法和混合泊松对数线性模型进行处理;最后通过决策规则判断风险。本发明与现有技术相比,本发明使用时空凝聚式聚类算法和混合泊松对数线性模型对数据进行处理,并通过决策规则对处理结果进行判断,减少了城市犯罪风险图的过度平滑对估计结果的影响,提高了估计结果的准确性。
Description
技术领域
本发明涉及一种基于时空聚类统计进行城市犯罪风险评估的方法,属于时空事件聚类分析方法领域。
背景技术
在当今社会,各类城市犯罪的排查及其预测中,时空聚类统计方法通常被用作各类城市犯罪爆发的早期风险评估中,许多警务人员通过该方法在海量的数据中挖掘隐藏在数据背后的关联性,通过对于这些数据之间关联性的解读,得到区域单位数据的城市犯罪风险图,该风险图通常是通过具有局部空间平滑的泊松混合模型来估计的,然而,该模型存在的缺陷是,局部不连续点通常不被模拟,热或冷点区域聚类被屏蔽,导致城市犯罪风险图的过度平滑,造成预警准确性的下降。
发明内容
为了克服现有技术的不足,本发明的目的在于一种基于时空聚类统计进行城市犯罪风险评估的方法。本发明是在提升城市犯罪预警时空统计聚类的结果准确率上,主要为提高时空统计聚类结果的准确性,使用时空凝聚式聚类算法以及混合的泊松对数线性模型对城市犯罪数据进行处理从而提升城市犯罪风险评估的准确性。
本发明采用的技术方案是:一种基于时空聚类统计进行城市犯罪风险评估的方法,包括如下步骤:
Step1:收集城市犯罪数据生成城市犯罪数据库;
Step2:获取数据库中数据,并给数据库中每个区域和时间周期内的数据添加辅助数据;
Step3:对Step2中经过处理的数据,使用时空凝聚式聚类算法进行处理;
Step4:对Step3中处理过的数据,利用混合泊松对数线性模型进行分析;
Step5:对Step4中的分析结果利用决策规则判断风险;
Step6:根据Step5中的判别结果对城市犯罪风险进行估计。
具体地,所述步骤Step2中,添加的辅助数据是来自具有类似时空风险模式的城市犯罪。
具体地,所述步骤Step3中,时空凝聚式聚类算法的具体实施步骤是:
S1:构造一个初始聚类配置,Ch={Ch(1),…,Ch(nT)},其中h=nT,每个区域时间段Ait是一种单独的时空聚类;
S2:计算h×h矩阵中聚类之间的距离,聚类中至少包含元素Ait和Ajs中的一副元素,Ait和Ajs是空间邻近地区在同一时间(i~j and t=s),或同一地区相邻时间点(i~jand|t-s|=1)的元素;
S3:将两个具有最小距离聚类的时空单元合并,形成一个新的聚类结构Ch-1;
S4:重复进行S2与S3步骤;
S5:当所有的时空单元被合并在一个新的时空聚类中时,算法结束。
具体地,所述步骤Step4中,混合泊松对数线性模型既有固定聚类效应,也有随机聚类效应,根据给定的时空聚类配置Ck={Ck(1),…,Ck(k)},基于模型选择标准选择最好的聚类结构。
具体地,所述固定聚类效应为:
Oit|rit~Poisson(Eitrit)for i=1,…,n;t=1,…,T,
其中ξi和γt是空间和时间结构随机效应、β1,…,βk是与每个时空聚类相关的固定效应。
具体地,所述随机聚类效应为:
lograndom(rit)=α+ξi+γt+δj(it)
其中,子索引j(it)表示聚类Ck(j)区域—时间单位Ait所属的区域。
具体地,所述步骤Step5中,决策规则为:如果后验概率大于0.95(P(δj(it)>0|O)>0.95),时空聚类被认为是一个高风险聚类;如果后验概率小于0.05(P(δj(it)>0|O)<0.05),那么该时空聚类就被认为是一个低风险聚类。
本发明的有益效果是:本发明提出一种基于时空聚类统计进行城市犯罪风险评估的方法。使用时空凝聚式聚类算法以及混合的泊松对数线性模型对城市犯罪数据进行处理从而提升城市犯罪风险评估的准确性。
附图说明
图1是本发明流程示意图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步的说明
实施例1:如图1所示,一种基于时空聚类统计进行城市犯罪风险评估的方法,包括如下步骤:
Step1:收集城市犯罪数据生成城市犯罪数据库;
Step2:获取数据库中数据,并给数据库中每个区域和时间周期内的数据添加辅助数据;
Step3:对Step2中经过处理的数据,使用时空凝聚式聚类算法进行处理;
Step4:对Step3中处理过的数据,利用混合泊松对数线性模型进行分析;
Step5:对Step4中的分析结果利用决策规则判断风险;
Step6:根据Step5中的判别结果对城市犯罪风险进行估计。
进一步地,;所述步骤Step2中,添加的辅助数据是来自具有类似时空风险模式的城市犯罪。
进一步地,;所述步骤Step3中,时空凝聚式聚类算法的具体实施步骤是:
S1:构造一个初始聚类配置,Ch={Ch(1),…,Ch(nT)},其中h=nT,每个区域时间段Ait是一种单独的时空聚类。
S2:计算h×h矩阵中聚类之间的距离,聚类中至少包含元素Ait和Ajs中的一副元素,Ait和Ajs是空间邻近地区在同一时间(i~j and t=s),或同一地区相邻时间点(i~jand|t-s|=1)的元素;
S3:将两个具有最小距离聚类的时空单元合并,形成一个新的聚类结构Ch-1;
S4:重复进行S2与S3步骤;
S5:当所有的时空单元被合并在一个新的时空聚类中时,算法结束。
进一步地,;所述步骤Step4中,混合泊松对数线性模型既有固定聚类效应,也有随机聚类效应,根据给定的时空聚类配置Ck={Ck(1),…,Ck(k)},基于模型选择标准选择最好的聚类结构。
进一步地,对于混合泊松对数线性模型,所述固定聚类效应为:
Oit|rit~Poisson(Eitrit)for i=1,…,n;t=1,…,T,
其中ξi和γt是空间和时间结构随机效应、β1,…,βk是与每个时空聚类相关的固定效应。
进一步地,对于混合泊松对数线性模型,所述随机聚类效应为:
lograndom(rit)=α+ξi+γt+δj(it)
其中,子索引j(it)表示聚类Ck(j)区域—时间单位Ait所属的区域。
进一步地,所述的进行城市犯罪风险评估的方法,其特征在于:所述步骤Step5中,决策规则为:如果后验概率大于0.95(P(δj(it)>0|O)>0.95),时空聚类被认为是一个高风险聚类;如果后验概率小于0.05(P(δj(it)>0|O)<0.05),那么该时空聚类就被认为是一个低风险聚类。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于时空聚类统计进行城市犯罪风险评估的方法,其特征在于:包括如下步骤:
Step1:收集城市犯罪数据生成城市犯罪数据库;
Step2:获取数据库中数据,并给数据库中每个区域和时间周期内的数据添加辅助数据;
Step3:对Step2中经过处理的数据,使用时空凝聚式聚类算法进行处理;
Step4:对Step3中处理过的数据,利用混合泊松对数线性模型进行分析;
Step5:对Step4中的分析结果利用决策规则判断风险;
Step6:根据Step5中的判别结果对城市犯罪风险进行估计;
所述步骤Step3中,时空凝聚式聚类算法的具体实施步骤是:
S1:构造一个初始聚类配置,Ch={Ch(1),...,Ch(nT)},其中h=nT,每个区域时间段Air是一种单独的时空聚类;
S2:计算h×h矩阵中聚类之间的距离,聚类中至少包含元素Ait和Ajs中的一副元素,Ait和Ajs是空间邻近地区在同一时间(i~j and t=s),或同一地区相邻时间点(i~j and|t-s|=1)的元素;
S3:将两个具有最小距离聚类的时空单元合并,形成一个新的聚类结构Ch-1;
S4:重复进行S2与S3步骤;
S5:当所有的时空单元被合并在一个新的时空聚类中时,算法结束。
2.根据权利要求1中所述的一种基于时空聚类统计进行城市犯罪风险评估的方法,其特征在于:所述步骤Step2中,添加的辅助数据是来自具有类似时空风险模式的城市犯罪。
3.根据权利要求1中所述的一种基于时空聚类统计进行城市犯罪风险评估的方法,其特征在于:所述步骤Step4中,混合泊松对数线性模型既有固定聚类效应,也有随机聚类效应,根据给定的时空聚类配置Ck={Ck(1),...,Ck(k)},基于模型选择标准选择最好的聚类结构。
5.根据权利要求3中所述的一种基于时空聚类统计进行城市犯罪风险评估的方法,其特征在于:所述随机聚类效应为:
lograndom(rit)=α+ξi+γt+δj(it)
其中,子索引j(it)表示聚类Ck(j)区域-时间单位Ait所属的区域。
6.根据权利要求1中所述的进行城市犯罪风险评估的方法,其特征在于:所述步骤Step5中,决策规则为:如果后验概率大于0.95(P(δj(it)>0|O)>0.95),时空聚类被认为是一个高风险聚类;如果后验概率小于0.05(P(δj(it)>0|O)<0.05),那么该时空聚类就被认为是一个低风险聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997430.3A CN109146751B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997430.3A CN109146751B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146751A CN109146751A (zh) | 2019-01-04 |
CN109146751B true CN109146751B (zh) | 2021-10-22 |
Family
ID=64829174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810997430.3A Active CN109146751B (zh) | 2018-08-29 | 2018-08-29 | 一种基于时空聚类统计进行城市犯罪风险评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146751B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279612A (zh) * | 2015-10-30 | 2016-01-27 | 广西电网有限责任公司电力科学研究院 | 一种基于泊松分布的输电线路跳闸风险评估方法 |
CN105354643A (zh) * | 2015-11-24 | 2016-02-24 | 国网四川省电力公司经济技术研究院 | 一种风电接入电网的风险预测评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10210518B2 (en) * | 2016-04-13 | 2019-02-19 | Abdullah Abdulaziz I. Alnajem | Risk-link authentication for optimizing decisions of multi-factor authentications |
-
2018
- 2018-08-29 CN CN201810997430.3A patent/CN109146751B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279612A (zh) * | 2015-10-30 | 2016-01-27 | 广西电网有限责任公司电力科学研究院 | 一种基于泊松分布的输电线路跳闸风险评估方法 |
CN105354643A (zh) * | 2015-11-24 | 2016-02-24 | 国网四川省电力公司经济技术研究院 | 一种风电接入电网的风险预测评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109146751A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657547B (zh) | 一种基于伴随模型的异常轨迹分析方法 | |
CN115511889B (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN111489008B (zh) | 一种交通事故影响因素空间效应分析方法及其应用 | |
CN114879695B (zh) | 轨迹匹配方法、装置、设备和介质 | |
US20180204093A1 (en) | Clustering-based person re-identification | |
CN107682319A (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
CN108667684B (zh) | 一种基于局部向量点积密度的数据流异常检测方法 | |
CN109065168B (zh) | 一种基于时空聚类统计进行疾病风险评估的方法 | |
CN110991527A (zh) | 一种考虑电压曲线平均波动率的相似度阈值确定方法 | |
CN112820415A (zh) | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
Su et al. | Unsupervised change detection in SAR images based on locally fitting model and semi-EM algorithm | |
CN109146751B (zh) | 一种基于时空聚类统计进行城市犯罪风险评估的方法 | |
CN114580572A (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
Wu et al. | Weak NAS Predictor Is All You Need | |
Wei et al. | Delle: Detecting latest local events from geotagged tweets | |
Li et al. | Partition KMNN‐DBSCAN Algorithm and Its Application in Extraction of Rail Damage Data | |
Han et al. | Real-time adversarial GAN-based abnormal crowd behavior detection | |
Matsumoto et al. | Comparison of outlier detection methods in fault-proneness models | |
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 | |
CN110490053B (zh) | 一种基于三目摄像头深度估计的人脸属性识别方法 | |
Bridgen et al. | A decade of fuel poverty in England: A spatio-temporal analysis of needs-based targeting of domestic energy efficiency obligations | |
CN110909592B (zh) | 一种基于多尺度特征量的目标跟踪方法和系统 | |
CN114120018B (zh) | 一种基于人群聚类轨迹熵的空间活力量化方法 | |
CN112767438B (zh) | 结合时空运动的多目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |