CN110503267B - 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 - Google Patents

基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 Download PDF

Info

Publication number
CN110503267B
CN110503267B CN201910805479.9A CN201910805479A CN110503267B CN 110503267 B CN110503267 B CN 110503267B CN 201910805479 A CN201910805479 A CN 201910805479A CN 110503267 B CN110503267 B CN 110503267B
Authority
CN
China
Prior art keywords
model
financial
case
time
space
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
CN201910805479.9A
Other languages
English (en)
Other versions
CN110503267A (zh
Inventor
张宏
郜世伟
殷浩
江亚玉
程立龙
张宇
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.)
Nanjing Normal University
Original Assignee
Nanjing Normal University
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 Nanjing Normal University filed Critical Nanjing Normal University
Priority to CN201910805479.9A priority Critical patent/CN110503267B/zh
Publication of CN110503267A publication Critical patent/CN110503267A/zh
Application granted granted Critical
Publication of CN110503267B publication Critical patent/CN110503267B/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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于时空尺度自适应模型的城市侵财案件预测系统及预测方法，系统包括：模型计算任务管理模块、模型定义模块、模型训练模块、模型预测模块、预测结果展示模块、模型注册模块；方法包括如下步骤：(1)城市侵财案件的金字塔分层格网化统计；(2)城市侵财案件时空分布特征分析；(3)城市侵财案件预测模型的时空尺度自适应确定；(4)构建基于ST‑ResNet的城市侵财案件预测模型为示范。本发明有助于揭示犯罪地理分异特征，可以满足不同犯罪预测精度的要求，实现警力巡防工作的优化布置。

Description

基于时空尺度自适应模型的城市侵财案件预测系统及预测 方法
技术领域
本发明涉及模型计算技术领域，尤其是一种基于时空尺度自适应模型的城市侵财案件预测系统及预测方法。
背景技术
随着人类文明的不断发展，尤其是工业革命以来现代化科学技术的飞速进步，犯罪不论是在数目和规模上，还是在犯罪方法和对社会的危害程度上都发生了巨大改变，对人类社会构成的威胁也变得越来越严重。以我国为例，近些年来犯罪总量居高不下，据统计，近二十多年来，中国犯罪率呈逐年上升趋势，刑事案件立案数平均每年增长22％以上，超过了全国GDP的增长。虽然自2010年之后，犯罪态势逐渐平稳，但被公安机关统称为侵财案件的盗窃、抢夺、抢劫以及诈骗等犯罪行为依旧高发。在我国历年刑事案件立案统计中，多发性侵财案件在刑事犯罪发案趋势中处于主导地位，其数量占各类案件总数70％以上。侵财案件数量巨大，然而呈现高发低破的特点，严重影响人民生活，其主要问题在于大量社会面巡控与警力不足之间的矛盾。针对此问题，公安机关对侵财案件的打击手段主要是以防控为主，因此需要通过对侵财案件影响要素进行分析，结合主动的犯罪预测，分析其理性犯罪的时空特征，有针对性的进行社会防控。
随着社会的发展和社会防控的需要，侵财案件的预测研究也在快速发展。其预测研究在时间维度上也逐渐从年、季的趋势预测转向基于周、天的微观预测。而一天内乃至一小时时间尺度的侵财案件时空分布特征，是现今侵财案件时空分布预测遇到一大难题。同时地理的区域分异导致不能使用统一的网格，在使用模型预测时，现有的方法是人工调整网格大小，导致预测效果差，预测效率低。
发明内容
本发明所要解决的技术问题在于，提供一种基于时空尺度自适应模型的城市侵财案件预测系统及预测方法，能够实现精度到达小时级的时空尺度自适应的城市侵财案件预测，预测的平均准确度可达40％以上。
为解决上述技术问题，本发明提供一种基于时空尺度自适应模型的城市侵财案件预测系统，包括：模型计算任务管理模块、模型定义模块、模型训练模块、模型预测模块、预测结果展示模块、模型注册模块；模型计算任务管理模块用于选择任务模型、查看城市侵财案件模型计算进度、获取模型计算结果、管理历史模型任务；模型定义模块用于定义城市侵财案件模型结构、模型的输入城市侵财案件数据；模型训练模块用于训练输入数据，形成稳定的、拟合度较高的城市侵财案件模型；模型预测模块用于输入需要预测的城市侵财案件数据时空范围，带入训练模块得到训练结果模型，进行预测；预测结果展示模块用于预测结果可视化展示；模型注册模块用于注册新的城市侵财案件预测模型。
相应的，一种基于时空尺度自适应模型的城市侵财案件预测方法，包括如下步骤：
(1)城市侵财案件的金字塔分层格网化统计；应用金字塔分层格网化方法快速统计不同层级的侵财案件分布情况，从而获取不同空间分辨率下的案件分布图，同时对相同层级下的案件以不同时间步长进行统计；
(2)城市侵财案件时空分布特征分析；对案件数据进行统计分析，分析侵财案件时间分布特征、空间分布特征和时空分布特征，确定侵财案件数据的周期和空间分布形态；
(3)时空尺度自适应确定；结合步骤(2)中的时空分布特征，在步骤(1)金字塔分层格网化方法基础上，对相同层级下的案件以不同时间步长进行模型训练，其次对不同时空分辨率下的模型进行模拟测试，通过计算案件预测PAI指数，从而获取最优时空分辨率；
(4)构建基于ST-ResNet模型的城市侵财案件预测模型为示范；在步骤(1)金字塔分层格网化统计得到的不同时空分辨率下，基于步骤(2)分析得到的侵财案件时空分布特征，选取的相关影响因子，确定时空分布特征提取的模型参数、合适特征融合方法，构建基于ST-ResNet模型的侵财案件预测模型；通过步骤(3)时空尺度自适应选择确定最优预测时空网格，进行侵财案件的警情预测，对结果进行可视化表达。
优选的，步骤(1)中，侵财案件的金字塔分层格网化统计具体包括如下步骤：
(11)将球面坐标转为平面投影坐标，计算公式为：
x＝λ (1)
Figure GDA0003717431440000021
Figure GDA0003717431440000022
为经纬度坐标，其中λ为经度，
Figure GDA0003717431440000023
为纬度，
Figure GDA0003717431440000024
取值单位为弧度，(x,y)为投影坐标，其中x为平面横轴坐标，y为平面纵轴坐标；
(12)建立金字塔网格的层级编码，编码自顶向下的顺序从0开始，每个层级的网格数为2z，其中z为层级编码；
(13)对于点A经纬度
Figure GDA0003717431440000031
其在金字塔第z层级的网格编号(r,c)的计算公式：
Figure GDA0003717431440000032
Figure GDA0003717431440000033
(14)在金字塔分层格网化的不同空间分辨率下根据案件点的位置信息统计侵财案件的空间分布情况。
优选的，步骤(2)中，侵财案件时空分布特征分析具体包括如下步骤：
(21)通过移动平均法来分析侵财案件的时间分布特征，计算公式为：
Ft＝(At-1+At-2+At-3+…+At-n)/n (5)
其中，Ft表示t时刻的平均值；n表示移动平均的窗口大小；At-1…At-n分别表示窗口内的实际值；
通过功率谱法来分析侵财案件的时间分布特征，计算公式为：
Figure GDA0003717431440000034
Figure GDA0003717431440000035
Tk＝2m/k (8)
其中x(t)(t＝1,2,3...,n)，n为时间序列的长度，
Figure GDA0003717431440000036
为时间序列的均值；s是时间序列的标准差,j的范围是0-m，m根据整体时间序列长度确定，k为波数；
(22)通过Ripley’s K方法分析侵财案件的空间分布特征，计算公式为：
Figure GDA0003717431440000037
其中A表示区域，n表示点数，d表示距离而k(i,j)表示权重，当i和j之间的距离小于或等于d时，权重为(如果无边界校正)1，当i和j之间的距离大于d时，权重为0，应用边校正后，k(i,j)的权重略有变化；
通过高/低聚类方法分析侵财案件的空间分布特征，计算公式为：
Figure GDA0003717431440000038
Figure GDA0003717431440000039
V[G]＝E[G2]-E[G]2 (12)
Figure GDA00037174314400000310
其中，xi和xj表示点i和点j的属性值，wij表示点i和点j之间的空间权重，E[G]代表期望General G；
(23)通过近重复计算器来检验侵财案件时空分布的近重复性特征，近重复计算器中选择蒙特卡罗模拟方法作为显著性检验的计算方法，蒙特卡罗模拟是指在保持参与计算的案件点的空间位置不变的同时，对时间信息进行随机变化，并将时间信息赋予给原有案件点，并重复此过程多次，每次随机模拟的时空数据都会计算出相对应的矩阵表格(n×n)，假设近重复计算器中进行m次蒙特卡罗模拟，则会得到m次模拟的近重复的点对数量以及实际数据所获取的点对数量，然后对矩阵表格中的每个时空范围均可计算其显著性，显著性计算则依据实际数据的点对数量高于蒙特卡罗模拟的点对数量次数，假设存在k次实际数据点对数量较高的情况，那么显著性水平计算公式为：
Figure GDA0003717431440000041
优选的，步骤(3)中，时空尺度自适应确定具体包括如下步骤：
(31)在金字塔分层格网化的基础上，对相同层级下的案件以不同时间步长进行统计侵财案件的时空分布情况；
(32)通过计算PAI指数，对比不同时空分辨率下的侵财案件时空分布预测效果，选取最优的时空尺度，PAI的计算公式如下：
Figure GDA0003717431440000042
n是预测为有案件发生的网格区域内的案件数值，N是全部区域内实际发生的案件数量的总和，a是预测为案件发生网格区域的面积值，A是研究区的总面积值。
优选的，步骤(4)中，构建基于ST-ResNet模型的城市侵财案件预测模型为示范具体包括如下步骤：
(41)在统一的网格空间分辨率下选取不同的卷积单元数量、卷积核大小和卷积核数量进行模型训练，选用均方根误差对模型训练结果进行对比分析，选取合适ResNet单元中卷积单元数量、卷积核大小和卷积核数量；
(42)在步骤(3)得到的最优时空尺度下，使用构建好的预测模型进行城市侵财案件的警情预测。
本发明的有益效果为：通过对稀疏案件时空分布特征进行分析，实现时空尺度自适应选择，进而对侵财案件的时空分布进行预测；与目前城市侵财案件预测方法相比，本系统在时间尺度的分辨率可达到小时级，大大提高了精度，并且实现时空尺度的自适应选择；预测的平均准确度可达到40％以上，高于20％的公安经验预测，能够为公安巡防和警力部署提供指导意见，从而针对性地进行犯罪防控。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的ResNet单元结构示意图。
图3为本发明的金字塔分层格网化示意图。
具体实施方式
一种基于时空尺度自适应模型的城市侵财案件预测系统，包括：模型计算任务管理模块、模型定义模块、模型训练模块、模型预测模块、预测结果展示模块、模型注册模块；模型计算任务管理模块用于选择任务模型、查看城市侵财案件模型计算进度、获取模型计算结果、管理历史模型任务；模型定义模块用于定义城市侵财案件模型结构、模型的输入城市侵财案件数据；模型训练模块用于训练输入数据，形成稳定的、拟合度较高的城市侵财案件模型；模型预测模块用于输入需要预测的城市侵财案件数据时空范围，带入训练模块得到训练结果模型，进行预测；预测结果展示模块用于预测结果可视化展示；模型注册模块用于注册新的城市侵财案件预测模型。
如图3所示，一种基于时空尺度自适应模型的城市侵财案件预测方法，包括如下步骤：
(1)城市侵财案件的金字塔分层格网化统计；应用金字塔分层格网化方法快速统计不同层级的侵财案件分布情况，从而获取不同空间分辨率下的案件分布图，同时对相同层级下的案件以不同时间步长进行统计；
(2)城市侵财案件时空分布特征分析；对案件数据进行统计分析，分析侵财案件时间分布特征、空间分布特征和时空分布特征，确定侵财案件数据的周期和空间分布形态；
(3)时空尺度自适应选择；结合步骤(2)中的时空分布特征，在步骤(1)金字塔分层格网化方法基础上，对相同层级下的案件以不同时间步长进行模型训练，其次对不同时空分辨率下的模型进行模拟测试，通过计算案件预测PAI指数，从而获取最优时空分辨率；
(4)构建基于ST-ResNet模型的城市侵财案件预测模型为示范；在步骤(1)金字塔分层格网化统计得到的不同时空分辨率下，基于步骤(2)分析得到的侵财案件时空分布特征，选取的相关影响因子，确定时空分布特征提取的模型参数、合适特征融合方法，构建基于ST-ResNet模型的侵财案件预测模型；通过步骤(3)时空尺度自适应选择确定最优预测时空网格，进行侵财案件的警情预测，对结果进行可视化表达。
如图1所示，步骤(1)中，侵财案件的金字塔分层格网化统计具体包括如下步骤：
(11)将全球地图进行金字塔分层格网化；
(12)在金字塔分层格网化的多种空间分辨率下统计侵财案件的空间分布情况。
步骤(2)中，侵财案件时空分布特征分析具体包括如下步骤：
(21)通过移动平均法来分析侵财案件的时间分布特征，计算公式为：
Ft＝(At-1+At-2+At-3+…+At-n)/n (5)
其中，Ft表示t时刻的平均值；n表示移动平均的窗口大小；At-1…At-n分别表示窗口内的实际值；
通过功率谱法来分析侵财案件的时间分布特征，计算公式为：
Figure GDA0003717431440000061
Figure GDA0003717431440000062
Tk＝2m/k (8)
其中x(t)(t＝1,2,3...,n)，n为时间序列的长度，
Figure GDA0003717431440000063
为时间序列的均值；s是时间序列的标准差,j的范围是0-m，m根据整体时间序列长度确定，k为波数；
(22)通过Ripley’s K方法分析侵财案件的空间分布特征，计算公式为：
Figure GDA0003717431440000064
其中A表示区域，n表示点数，d表示距离而k(i,j)表示权重，当i和j之间的距离小于或等于d时，权重为(如果无边界校正)1，当i和j之间的距离大于d时，权重为0，应用边校正后，k(i,j)的权重略有变化；
通过高/低聚类方法分析侵财案件的空间分布特征，计算公式为：
Figure GDA0003717431440000065
Figure GDA0003717431440000066
V[G]＝E[G2]-E[G]2 (12)
Figure GDA0003717431440000071
其中，xi和xj表示点i和点j的属性值，wij表示点i和点j之间的空间权重，E[G]代表期望General G；
(23)通过近重复计算器来检验侵财案件时空分布的近重复性特征，近重复计算器中选择蒙特卡罗模拟方法作为显著性检验的计算方法，蒙特卡罗模拟是指在保持参与计算的案件点的空间位置不变的同时，对时间信息进行随机变化，并将时间信息赋予给原有案件点，并重复此过程多次，每次随机模拟的时空数据都会计算出相对应的矩阵表格(n×n)，假设近重复计算器中进行m次蒙特卡罗模拟，则会得到m次模拟的近重复的点对数量以及实际数据所获取的点对数量，然后对矩阵表格中的每个时空范围均可计算其显著性，显著性计算则依据实际数据的点对数量高于蒙特卡罗模拟的点对数量次数，假设存在k次实际数据点对数量较高的情况，那么显著性水平计算公式为：
Figure GDA0003717431440000072
步骤(3)中，时空尺度自适应确定具体包括如下步骤：
(31)在金字塔分层格网化的基础上，对相同层级下的案件以不同时间步长进行统计侵财案件的时空分布情况；
(32)通过计算PAI指数，对比不同时空分辨率下的侵财案件时空分布预测效果，选取最优的时空尺度，PAI的计算公式如下：
Figure GDA0003717431440000073
n是预测为有案件发生的网格区域内的案件数值，N是全部区域内实际发生的案件数量的总和，a是预测为案件发生网格区域的面积值，A是研究区的总面积值。
如图2所示，步骤(4)中，构建基于ST-ResNet模型的城市侵财案件预测模型为示范具体包括如下步骤：
(41)在统一的网格空间分辨率下选取不同的卷积单元数量、卷积核大小和卷积核数量进行模型训练，选用均方根误差对模型训练结果进行对比分析，选取合适ResNet单元中卷积单元数量、卷积核大小和卷积核数量；
(42)在步骤(3)得到的最优时空尺度下，使用构建好的预测模型进行城市侵财案件的警情预测。
本发明的目的在于解决目前城市侵财案件预测模型在时空尺度分辨率低，无法实现自适应的局限性，旨在结合深度残差网络，通过对稀疏案件时空分布特征进行分析，实现时空尺度自适应选择，进而对侵财案件的时空分布进行预测，从而针对性地进行犯罪防控。

Claims (6)

1.一种基于时空尺度自适应模型的城市侵财案件预测方法，其特征在于，包括如下步骤：
(1)城市侵财案件的金字塔分层格网化统计；应用金字塔分层格网化方法快速统计不同层级的侵财案件分布情况，从而获取不同空间分辨率下的案件分布图，同时对相同层级下的案件以不同时间步长进行统计；
(2)城市侵财案件时空分布特征分析；对案件数据进行统计分析，分析侵财案件时间分布特征、空间分布特征和时空分布特征，确定侵财案件数据的周期和空间分布形态；
(3)时空尺度自适应确定；结合步骤(2)中的时空分布特征，在步骤(1)金字塔分层格网化方法基础上，对相同层级下的案件以不同时间步长进行模型训练，其次对不同时空分辨率下的模型进行模拟测试，通过计算案件预测PAI指数，从而获取最优时空分辨率；
(4)构建基于ST-ResNet模型的城市侵财案件预测模型为示范；在步骤(1)金字塔分层格网化统计得到的不同时空分辨率下，基于步骤(2)分析得到的侵财案件时空分布特征，选取的相关影响因子，确定时空分布特征提取的模型参数、合适特征融合方法，构建基于ST-ResNet模型的侵财案件预测模型；合适特征融合方法指的是分布特征融合方法，具体为：时刻选择：临近时刻、周期时刻和趋势时刻；不同时刻案件分布特征融合为：
Figure FDA0003725292750000011
天气数据融合为：X＝tanh(XRes+XExt)；通过步骤(3)时空尺度自适应选择确定最优预测时空网格，进行侵财案件的警情预测，对结果进行可视化表达。
2.如权利要求1所述的基于时空尺度自适应模型的城市侵财案件预测方法，其特征在于，步骤(1)中，城市侵财案件的金字塔分层格网化统计具体包括如下步骤：
(11)将球面坐标转为平面投影坐标，计算公式为：
x＝λ (1)
Figure FDA0003725292750000012
Figure FDA0003725292750000013
为经纬度坐标，其中λ为经度，
Figure FDA0003725292750000014
为纬度，λ,
Figure FDA0003725292750000015
取值单位为弧度，(x,y)为投影坐标，其中x为平面横轴坐标，y为平面纵轴坐标；
(12)建立金字塔网格的层级编码，编码自顶向下的顺序从0开始，每个层级的网格数为2z，其中z为层级编码；
(13)对于点A经纬度
Figure FDA0003725292750000021
其在金字塔第z层级的网格编号(r,c)的计算公式：
Figure FDA0003725292750000022
Figure FDA0003725292750000023
(14)在金字塔分层格网化的不同空间分辨率下根据案件点的位置信息统计侵财案件的空间分布情况。
3.如权利要求1所述的基于时空尺度自适应模型的城市侵财案件预测方法，其特征在于，步骤(2)中，城市侵财案件时空分布特征分析具体包括如下步骤：
(21)通过移动平均法来分析侵财案件的时间分布特征，计算公式为：
Ft＝(At-1+At-2+At-3+…+At-n)/n (5)
其中，Ft表示t时刻的平均值；n表示移动平均的窗口大小；At-1…At-n分别表示窗口内的实际值；
通过功率谱法来分析侵财案件的时间分布特征，计算公式为：
Figure FDA0003725292750000024
Figure FDA0003725292750000025
Tk＝2m/k (8)
其中x(t)( t＝1,2,3…,n)，n为时间序列的长度，
Figure FDA0003725292750000026
为时间序列的均值；s是时间序列的标准差,j的范围是0-m，m根据整体时间序列长度确定，k为波数；
(22)通过Ripley’s K方法分析侵财案件的空间分布特征，计算公式为：
Figure FDA0003725292750000027
其中A表示区域，n表示点数，d表示距离而k(i,j)表示权重，当i和j之间的距离小于或等于d时，如果无边界校正，则权重为1，当i和j之间的距离大于d时，权重为0，应用边校正后，k(i,j)的权重略有变化；
通过高/低聚类方法分析侵财案件的空间分布特征，计算公式为：
Figure FDA0003725292750000028
Figure FDA0003725292750000029
V[G]＝E[G2]-E[G]2 (12)
Figure FDA0003725292750000031
其中，xi和xj表示点i和点j的属性值，wij表示点T和点j之间的空间权重，E[G]代表期望General G；
(23)通过近重复计算器来检验侵财案件时空分布的近重复性特征，近重复计算器中选择蒙特卡罗模拟方法作为显著性检验的计算方法，蒙特卡罗模拟是指在保持参与计算的案件点的空间位置不变的同时，对时间信息进行随机变化，并将时间信息赋予给原有案件点，并重复此过程多次，每次随机模拟的时空数据都会计算出相对应的矩阵表格(n×n)，假设近重复计算器中进行m次蒙特卡罗模拟，则会得到m次模拟的近重复的点对数量以及实际数据所获取的点对数量，然后对矩阵表格中的每个时空范围均可计算其显著性，显著性计算则依据实际数据的点对数量高于蒙特卡罗模拟的点对数量次数，假设存在k次实际数据点对数量较高的情况，那么显著性水平计算公式为：
Figure FDA0003725292750000032
4.如权利要求1所述的基于时空尺度自适应模型的城市侵财案件预测方法，其特征在于，步骤(3)中，时空尺度自适应确定具体包括如下步骤：
(31)在金字塔分层格网化的基础上，对相同层级下的案件以不同时间步长进行统计侵财案件的时空分布情况；
(32)通过计算PAI指数，对比不同时空分辨率下的侵财案件时空分布预测效果，选取最优的时空尺度，PAI的计算公式如下：
Figure FDA0003725292750000033
n是预测为有案件发生的网格区域内的案件数值，N是全部区域内实际发生的案件数量的总和，a是预测为案件发生网格区域的面积值，A是研究区的总面积值。
5.如权利要求1所述的基于时空尺度自适应模型的城市侵财案件预测方法，其特征在于，步骤(4)中，构建基于ST-ResNet模型的城市侵财案件预测模型为示范具体包括如下步骤：
(41)在统一的网格空间分辨率下选取不同的卷积单元数量、卷积核大小和卷积核数量进行模型训练，选用均方根误差对模型训练结果进行对比分析，选取合适ResNet 单元中卷积单元数量、卷积核大小和卷积核数量；
(42)在步骤(3)得到的最优时空尺度下，使用构建好的预测模型进行城市侵财案件的警情预测。
6.基于时空尺度自适应模型的城市侵财案件预测系统，其特征在于，包括：模型计算任务管理模块、模型定义模块、模型训练模块、模型预测模块、预测结果展示模块、模型注册模块；模型计算任务管理模块用于选择任务模型、查看城市侵财案件模型计算进度、获取模型计算结果、管理历史模型任务；模型定义模块用于定义城市侵财案件模型结构、模型的输入城市侵财案件数据；模型训练模块用于训练输入数据，形成稳定的、拟合度较高的城市侵财案件模型；模型预测模块用于输入需要预测的城市侵财案件数据时空范围，带入训练模块得到训练结果模型，进行预测；预测结果展示模块用于预测结果可视化展示；模型注册模块用于注册新的城市侵财案件预测模型，用来执行权利要求1所述的基于时空尺度自适应模型的城市侵财案件预测方法。
CN201910805479.9A 2019-08-29 2019-08-29 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 Active CN110503267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910805479.9A CN110503267B (zh) 2019-08-29 2019-08-29 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910805479.9A CN110503267B (zh) 2019-08-29 2019-08-29 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法

Publications (2)

Publication Number Publication Date
CN110503267A CN110503267A (zh) 2019-11-26
CN110503267B true CN110503267B (zh) 2022-08-26

Family

ID=68590209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910805479.9A Active CN110503267B (zh) 2019-08-29 2019-08-29 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法

Country Status (1)

Country Link
CN (1) CN110503267B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190952B (zh) * 2019-12-23 2023-10-03 中电海康集团有限公司 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN111597301B (zh) * 2020-04-24 2023-06-09 北京百度网讯科技有限公司 文本预测方法、装置以及电子设备
CN113393019A (zh) * 2021-05-28 2021-09-14 南京师范大学 基于ConvLSTM模型的城市侵财案件预测方法及其系统
CN113408867B (zh) * 2021-05-28 2023-07-21 北京大学 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299401A (zh) * 2018-07-12 2019-02-01 中国海洋大学 基于深度学习模型LSTM-ResNet的城域时空流预测技术

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299401A (zh) * 2018-07-12 2019-02-01 中国海洋大学 基于深度学习模型LSTM-ResNet的城域时空流预测技术

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DP半岛街头抢劫犯罪案件热点时空模式;徐冲等;《地理学报》;20131215(第12期);全文 *
基于深度CNN-LSTM-ResNet组合模型的出租车需求预测;段宗涛等;《交通运输系统工程与信息》;20180815(第04期);全文 *

Also Published As

Publication number Publication date
CN110503267A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503267B (zh) 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法
JP6770125B2 (ja) 建築物改装に伴う損害防止の推定
Long et al. Mapping block-level urban areas for all Chinese cities
CN106651036A (zh) 空气质量预报系统
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN113570122B (zh) 预测风速的方法、装置、计算机设备和存储介质
CN115271373A (zh) 城市群弹性开发边界划定方法及系统
CN117332906B (zh) 基于机器学习的三维时空网格空气质量预测方法及系统
CN116011322A (zh) 基于数字孪生的城市信息展示方法、装置、设备及介质
Liang et al. Modeling urban growth in the middle basin of the Heihe River, northwest China
CN111539904A (zh) 一种基于降雨量的灾害易发性预测方法
CN117371233A (zh) 一种基于ue技术的水库防洪系统
CN110716998B (zh) 一种精细尺度人口数据空间化方法
CN114511239B (zh) 土壤重金属污染风险区划分方法、装置、电子设备及介质
CN116341841A (zh) 径流预报误差校正方法、装置、设备、介质和程序产品
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
Feng et al. The effects of factor generalization scales on the reproduction of dynamic urban growth
CN115829209A (zh) 基于碳路径的绿色智能仓库环保质量分析方法及装置
Hu et al. Developing a novel hybrid model for seismic loss prediction of regional-scale buildings
CN116629415A (zh) 一种基于地理加权回归的就业岗位预测方法、设备、介质
CN115936762A (zh) 景区人流量的预测方法、装置、设备及存储介质
Croicu et al. A fast spatial multiple imputation procedure for imprecise armed conflict events
CN113689048A (zh) 一种预测未来人口精细化空间分布的方法、系统及计算机可读存储介质
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
CN118194235B (zh) 一种多模式融合的降水干湿时序变化重构方法及系统

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