CN111861028A - 一种基于时空数据融合的犯罪数量预测方法 - Google Patents
一种基于时空数据融合的犯罪数量预测方法 Download PDFInfo
- Publication number
- CN111861028A CN111861028A CN202010742859.5A CN202010742859A CN111861028A CN 111861028 A CN111861028 A CN 111861028A CN 202010742859 A CN202010742859 A CN 202010742859A CN 111861028 A CN111861028 A CN 111861028A
- Authority
- CN
- China
- Prior art keywords
- crime
- data
- poi
- area
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时空数据融合的犯罪案件数量预测方法,首先,将所预测地区进行地理空间分割,形成多个区域,并将所有区域按照位置关系嵌入到一张表格中;将各个区域的POI数量映射进表格并利用二维卷积来提取其中的犯罪空间特征;利用LSTM模型来提取各个区域的历史犯罪数据中的犯罪时间特征;将犯罪时间特征和空间特征拼接,并通过一个全连接层得到各个区域的犯罪数量预测结果。本发明使用犯罪记录数据和POI数据并从时空角度进行分析,提高了犯罪案件数量预测的准确度,为优化部署每个区域的巡逻警力提供指导。
Description
技术领域
本发明涉及犯罪预测领域,尤其是一种基于时空数据融合的犯罪案件数量预测方法。
背景技术
犯罪预测是指,利用过去的犯罪记录来对未来一段时间犯罪发生的热点区域、数量、类型等进行预测分析,也可以对某个地区各个时段的总体犯罪趋势进行预测分析。犯罪预测能为制定犯罪预防战略和战术措施提供重要科学依据。犯罪案件数量预测,即根据犯罪记录数据及其它可用数据预测某区域在未来指定时间段内的犯罪案件数量,可以为优化部署巡逻警力提供指导。
目前国内对于犯罪数量预测主要是基于犯罪逻辑学,利用简单的统计方法来开展。比如,利用犯罪在时间分布上的规律性,根据某地区的历史犯罪记录信息来预测该地区在未来一段时间内的犯罪数量,常用的方法有时间序列分析方法(如 ARMA模型、ARIMA模型等)、线性回归方法等。实际上,犯罪的发生与外部环境密切相关,比如盗窃类犯罪大多集中于商业密集的区域;斗殴伤人类的犯罪大多发生在酒吧、夜总会周边;抢劫类犯罪多发于银行附近。因而将区域的各类POI 数据作为辅助数据来提升预测准确度是一个可行且有意义的问题。
发明内容
为了克服现有犯罪数量预测方法存在数据源单一,且未能很好利用犯罪相关的辅助信息等不足,本发明提供了一种基于时空数据融合的犯罪数量预测方法,使用犯罪记录数据和POI数据并从时空角度进行分析,提高了犯罪案件数量预测的准确度,为优化部署每个区域的巡逻警力提供指导。
本发明解决其技术问题所采用的技术方案是:
一种基于时空数据融合的犯罪数量预测方法,该方法包括以下步骤:
(1)区域划分:将研究的地区进行地理空间分割,形成多个区域,将所有区域按照位置关系嵌入一个表格中;
(2)犯罪数据预处理:统计所述各个区域中的犯罪数量,并进行归一化处理,构建有监督的训练集和测试集;
(3)POI数据预处理:统计所述各个区域的各类POI数量,并进行归一化处理,然后嵌入所述步骤(1)中的表格中并转化为POI张量;
(4)时空特征提取:利用LSTM模型提取所述步骤(2)中犯罪数据集的时间特征Ylstm,利用二维卷积从所述步骤(3)的POI张量中提取空间特征Yconv;
(5)时空特征融合与输出:将所述步骤(4)中提取出来的时间特征Ylstm和空间特征Yconv转化为一维向量再作拼接,然后通过一个全连接层得到输出,即下一时期的各个区域的犯罪数量估计。
进一步,所述步骤(1)中,区域划分过程如下:
如果预测地区已实行网格化管理,则按照当地的巡逻或管理辖区作为区域划分依据,然后根据各个区域上下左右的相邻关系将区域近似填入一个有I×J个方格的表格中,一个区域对应一个方格;
如果预测地区没有实行网格化管理,则根据地区边界的经纬度来进行简单的网格划分,将所研究地区划分为I×J的网格;
上述I×J的网格中区域的个数用M表示,剩下的(I×J—M)个网格称为“空白网格”。
再进一步,所述步骤(2)中,犯罪数据预处理过程如下:
(2a)获取地区的犯罪记录,每条记录包含犯罪的时间和地点的坐标(经纬度)信息,对所有数据进行清洗、去除异常值后映射到所述步骤(1)中生成的表格中,然后将每个所述区域内的犯罪记录数据划分为相同时间间隔(一周、一月等)的犯罪数据时间序列;
(2b)对所述犯罪数据时间序列按区域进行归一化处理,并划分为有监督的测试集和训练集,所述归一化处理的公式如下:
更进一步,所述步骤(3)中,POI数据预处理过程如下:
(3a)从地图软件(如百度等)获取所预测地区的各类POI的数据信息,包含名称、类别和坐标信息;
(3b)将各类POI数据映射到所述步骤(1)中生成的表格中,并统计各个区域各类POI的数量,其中表格中“空白网格”的POI数量记为0;
(3c)将POI数量按类型进行归一化处理,所述归一化处理的公式如下:
(3d)每一类POI数据映射后的表格都转化为矩阵保存,有P类POI数据则保存为P个矩阵,并合并为张量。
进一步,所述步骤(4)中,时空特征提取包含以下步骤:
(4a)时间特征提取:利用LSTM模型来进行时间特征的提取,设所述区域m在过去时间段t和n个时间段的犯罪数量为 将所有区域的犯罪数据{X1,X2,…,XM}作为所述LSTM模型的输入,其中每个LSTM单元的维度为M,则所述LSTM模型的输出表示为:
Ylstm=F(X1,X2,…,XM)
式中用F表示LSTM的计算过程;
ft=δ(wf·[ht-1,xt]+f)
it=δ(wi·[ht-1,xt]+bi)
C’t=tanh(wc·[ht-1,xt]+vc)
Ot=δ(wo·[ht-1,xt]+bo)
其中,表示矩阵的点乘,wf、wi、wc、wo分别表示遗忘门、输入门、状态单元、输出们的权重矩阵,bf、bi、bc、bo分别表示遗忘门、输入门、状态单元、输出们的偏置,ft、it、Ct、Ot、ht分别表示遗忘门的输出、输入门的输出、状态单元的输出、输出门的输出部分以及记忆单元的最终输出。Ct-1、ht-1分别表示前一时期的状态门的输出和记忆单元输出,C’t表示候选状态,δ表示sigmoid激活函数;
(4b)空间特征提取:将所述步骤(3)中形成的各类POI矩阵合并转化为张量RP×I×J,其中P为选取的POI类别数,I和J为表格的长和宽,将此张量作为二维卷积的输入,其计算过程表示如下:
Yconv=f(Wk*RP×I×J+bk)
其中Yconv表示POI张量经过二维卷积后的输出张量,*表示二维卷积运算,f表示激活函数relu:max{x,0},Wk表示权重矩阵,bk为偏置项。
本发明的有益效果在于:本发明提供一种基于时空数据融合的犯罪预测方法,既利用了LSTM模块提取到历史犯罪数据中的时间规律特征,又引入了POI数据来表征各个区域之间的相似度以挖掘出该地区的空间分布特征,两者的结合可以提升该地区的犯罪预测准确度。
附图说明
图1为本发明的实现流程图。
图2为区域划分后嵌入表格的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图2,一种基于时空数据融合的犯罪预测方法,包括以下步骤:
(1)区域划分:将研究的地区进行地理空间分割,形成多个区域,将所有区域按照位置关系嵌入一个表格中;
(2)犯罪数据预处理:统计所述各个区域中的犯罪数量,并进行归一化处理,构建有监督的训练集和测试集;
(3)POI数据预处理:统计所述各个区域的各类POI数量,并进行归一化处理,然后嵌入所述步骤(1)中的表格中并转化为POI张量;
(4)时空特征提取:利用LSTM模型提取所述步骤(2)中犯罪数据集的时间特征Ylstm,利用二维卷积从所述步骤(3)的POI张量中提取空间特征Yconv;
(5)时空特征融合与输出:将所述步骤(4)中提取出来的时间特征Ylstm和空间特征Yconv转化为一维向量再作拼接,然后通过一个全连接层得到输出,即下一时期的各个区域的犯罪数量估计。
进一步,所述步骤(1)中,区域划分过程如下:
如果地区已实行网格化管理,则可按照当地的巡逻或管理辖区作为区域划分依据,然后根据各个区域上下左右的相邻关系将区域近似填入一个有I×J个方格的表格中,一个区域对应一个方格;
如果预测地区没有实行网格化管理,则根据地区边界的经纬度来进行简单的网格划分,将所研究地区划分为I×J的网格;
上述I×J的网格中区域的个数用M表示,剩下的(I×J—M)个网格称为“空白网格”。
再进一步,所述步骤(2)中,犯罪数据预处理过程如下:
(2a)获取地区的犯罪记录,每条记录包含犯罪的时间和地点的坐标(经纬度)信息,对所有数据进行清洗、去除异常值后映射到所述步骤(1)中生成的表格中,然后将每个所述区域内的犯罪记录数据划分为相同时间间隔(一周、一月等)的犯罪数据时间序列;
(2b)对所述犯罪数据时间序列按区域进行归一化处理,并划分为有监督的测试集和训练集,所述归一化处理的公式如下:
更进一步,所述步骤(3)中,POI数据预处理过程如下:
(3a)从地图软件(如百度地图等)获取所预测地区的各类POI的数据信息,包含名称、类别、坐标等信息;
(3b)将各类POI数据映射到所述步骤(1)中生成的表格中,并统计各个区域各类POI的数量,其中表格中“空白网格”的POI数量记为0;
(3c)将POI数量按类型进行归一化处理,所述归一化处理的公式如下:
(3d)每一类POI数据映射后的表格都转化为矩阵保存,有P类POI数据则保存为P个矩阵,并合并为张量。
进一步,所述步骤(4)中,时空特征提取包含以下步骤:
(4a)时间特征提取:利用LSTM模型来进行时间特征的提取,设所述区域 m在过去时间段t和n个时间段的犯罪数量为 将所有区域的犯罪数据{X1,X2,…,XM}作为所述LSTM模型的输入,其中每个LSTM单元的维度为M,则所述LSTM模型的输出表示为:
Ylstm=F(X1,X2,…,XM)
式中用F表示LSTM的计算过程;
ft=δ(wf·[ht-1,xt]+f)
it=δ(wi·[ht-1,xt]+bi)
C’t=tanh(wc·[ht-1,xt]+bc)
Ot=δ(wo·[ht-1,xt]+bo)
其中,表示矩阵的点乘,wf、wi、wc、wo分别表示遗忘门、输入门、状态单元、输出们的权重矩阵,bf、bi、bc、bo分别表示遗忘门、输入门、状态单元、输出们的偏置,ft、it、Ct、Ot、ht分别表示遗忘门的输出、输入门的输出、状态单元的输出、输出门的输出部分以及记忆单元的最终输出。Ct-1、ht-1分别表示前一时期的状态门的输出和记忆单元输出,C’t表示候选状态,δ表示sigmoid激活函数;
(4b)空间特征提取:将所述步骤(3)中形成的各类POI矩阵合并转化为张量RP×I×J,其中P为选取的POI类别数,I和J为表格的长和宽,将此张量作为二维卷积的输入,其计算过程表示如下:
Yconv=f(Wk*RP×I×J+bk)
其中Yconv表示POI张量经过二维卷积后的输出张量,*表示二维卷积运算,f表示激活函数relu:max{x,0},Wk表示权重矩阵,bk为偏置项。
本实施例的基于时空数据融合的犯罪预测方法,既利用了LSTM模块提取到历史犯罪数据中的时间规律特征,又引入了POI数据来表征各个区域之间的相似度以挖掘出该地区的空间分布特征,两者的结合可以提升该地区的犯罪预测准确度,为各个网格区域的警力部署与日常防控提供参考和指导。
Claims (5)
1.一种基于时空数据融合的犯罪数量预测方法,其特征在于,该方法包括以下步骤:
(1)区域划分:将研究的地区进行地理空间分割,形成多个区域,将所有区域按照位置关系嵌入一个表格中;
(2)犯罪数据预处理:统计所述各个区域中的犯罪数量,并进行归一化处理,构建有监督的训练集和测试集;
(3)POI数据预处理:统计所述各个区域的各类POI数量,并进行归一化处理,然后嵌入所述步骤(1)中的表格中并转化为POI张量;
(4)时空特征提取:利用LSTM模型提取所述步骤(2)中犯罪数据集的时间特征Ylstm,利用二维卷积从所述步骤(3)的POI张量中提取空间特征Yconv;
(5)时空特征融合与输出:将所述步骤(4)中提取出来的时间特征Ylstm和空间特征Yconv转化为一维向量再作拼接,然后通过一个全连接层得到输出,即下一时期的各个区域的犯罪数量估计。
2.如权利要求1所述的一种基于时空数据融合的犯罪数量预测方法,其特征在于,所述步骤(1)中,区域划分过程如下:
如果预测地区已实行网格化管理,则按照当地的巡逻或管理辖区作为区域划分依据,然后根据各个区域上下左右的相邻关系将区域近似填入一个有I×J个方格的表格中,一个区域对应一个方格;
如果预测地区没有实行网格化管理,则根据地区边界的经纬度来进行简单的网格划分,将所研究地区划分为I×J的网格;
上述I×J的网格中区域的个数用M表示,剩下的(I×J—M)个网格称为“空白网格”。
4.如权利要求1或2所述的一种基于时空数据融合的犯罪数量预测方法,其特征在于,所述步骤(3)中,POI数据预处理过程如下:
(3a)从地图软件获取所预测地区的各类POI的数据信息,包含名称、类别和坐标信息;
(3b)将各类POI数据映射到所述步骤(1)中生成的表格中,并统计各个区域各类POI的数量,其中表格中“空白网格”的POI数量记为0;
(3c)将POI数量按类型进行归一化处理,所述归一化处理的公式如下:
(3d)每一类POI数据映射后的表格都转化为矩阵保存,有P类POI数据则保存为P个矩阵,并合并为张量。
5.如权利要求1或2所述的一种基于时空数据融合的犯罪数量预测方法,其特征在于,所述步骤(4)中,时空特征提取包含以下步骤:
(4a)时间特征提取:利用LSTM模型来进行时间特征的提取,设所述区域m在过去时间段t和n个时间段的犯罪数量为 将所有区域的犯罪数据{X1,X2,…,XM}作为所述LSTM模型的输入,其中每个LSTM单元的维度为M,则所述LSTM模型的输出表示为:
Ylstm=F(X1,X2,…,XM)
式中用F表示LSTM的计算过程;
ft=δ(wf·[ht-1,xt]+bf)
it=δ(wi·[ht-1,xt]+bi)
C’t=tanh(wc·[ht-1,xt]+bc)
Ot=δ(wo·[ht-1xt]+bo)
其中,表示矩阵的点乘,wf、wi、wc、wo分别表示遗忘门、输入门、状态单元、输出们的权重矩阵,bf、bi、bc、bo分别表示遗忘门、输入门、状态单元、输出们的偏置,ft、it、Ct、Ot、ht分别表示遗忘门的输出、输入门的输出、状态单元的输出、输出门的输出部分以及记忆单元的最终输出,Ct-1、ht-1分别表示前一时期的状态门的输出和记忆单元输出,C’t表示候选状态,δ表示sigmoid激活函数;
(4b)空间特征提取:将所述步骤(3)中形成的各类POI矩阵合并转化为张量RP×I×J,其中P为选取的POI类别数,I和J为表格的长和宽,将此张量作为二维卷积的输入,其计算过程表示如下:
Yconv=f(Wk*RP×I×J+bk)
其中Yconv表示POI张量经过二维卷积后的输出张量,*表示二维卷积运算,f表示激活函数relu:max{x,0},Wk表示权重矩阵,bk为偏置项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010742859.5A CN111861028A (zh) | 2020-07-29 | 2020-07-29 | 一种基于时空数据融合的犯罪数量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010742859.5A CN111861028A (zh) | 2020-07-29 | 2020-07-29 | 一种基于时空数据融合的犯罪数量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861028A true CN111861028A (zh) | 2020-10-30 |
Family
ID=72945314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010742859.5A Pending CN111861028A (zh) | 2020-07-29 | 2020-07-29 | 一种基于时空数据融合的犯罪数量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861028A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
CN112949923A (zh) * | 2021-03-04 | 2021-06-11 | 浙江警察学院 | 基于lstm的犯罪数量预测方法 |
CN113222176A (zh) * | 2021-05-08 | 2021-08-06 | 西北工业大学 | 一种基于自激点过程的犯罪事件建模方法 |
CN113762599A (zh) * | 2021-08-11 | 2021-12-07 | 浙江工业大学 | 一种基于深度时空残差神经网络的短时犯罪预测方法 |
CN113822270A (zh) * | 2021-11-24 | 2021-12-21 | 深圳大学 | 一种结构健康监测高频数据异常值的确定方法及装置 |
CN113919160A (zh) * | 2021-10-14 | 2022-01-11 | 南京审计大学 | 一种细粒度的城市犯罪预测方法及系统 |
-
2020
- 2020-07-29 CN CN202010742859.5A patent/CN111861028A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118143A (zh) * | 2020-11-18 | 2020-12-22 | 迈普通信技术股份有限公司 | 流量预测模型、训练方法、预测方法、装置、设备及介质 |
CN112949923A (zh) * | 2021-03-04 | 2021-06-11 | 浙江警察学院 | 基于lstm的犯罪数量预测方法 |
CN113222176A (zh) * | 2021-05-08 | 2021-08-06 | 西北工业大学 | 一种基于自激点过程的犯罪事件建模方法 |
CN113762599A (zh) * | 2021-08-11 | 2021-12-07 | 浙江工业大学 | 一种基于深度时空残差神经网络的短时犯罪预测方法 |
CN113919160A (zh) * | 2021-10-14 | 2022-01-11 | 南京审计大学 | 一种细粒度的城市犯罪预测方法及系统 |
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 |
CN113822270A (zh) * | 2021-11-24 | 2021-12-21 | 深圳大学 | 一种结构健康监测高频数据异常值的确定方法及装置 |
CN113822270B (zh) * | 2021-11-24 | 2022-02-11 | 深圳大学 | 一种结构健康监测高频数据异常值的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861028A (zh) | 一种基于时空数据融合的犯罪数量预测方法 | |
Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
CN112532439B (zh) | 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法 | |
US20210125732A1 (en) | System and method with federated learning model for geotemporal data associated medical prediction applications | |
Yamashkin et al. | Improving the efficiency of deep learning methods in remote sensing data analysis: geosystem approach | |
CN109272332B (zh) | 一种基于递归神经网络的客户流失预测方法 | |
Ranjbar et al. | A GIS-based approach for earthquake loss estimation based on the immediate extraction of damaged buildings | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
Guo et al. | Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds | |
CN110163294A (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN116844041A (zh) | 一种基于双向卷积时间自注意力机制的耕地提取方法 | |
Brown et al. | Estimating per‐pixel thematic uncertainty in remote sensing classifications | |
CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN115100091A (zh) | 一种sar图像转光学图像的转换方法及装置 | |
CN115310672A (zh) | 城市发展预测模型的构建方法、城市发展预测方法及装置 | |
CN111325384B (zh) | 一种结合统计特征和卷积神经网络模型的ndvi预测方法 | |
CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及系统 | |
Nivedhitha et al. | Development of a predictive system for anticipating earthquakes using data mining techniques | |
Zhang et al. | Fast and Slow Changes Constrained Spatio-Temporal Subpixel Mapping | |
Souza et al. | A data mining approach to landslide prediction | |
Geiß et al. | Anticipating a risky future: LSTM models for spatiotemporal extrapolation of population data in areas prone to earthquakes and tsunamis in Lima, Peru | |
CN117078441B (zh) | 理赔欺诈识别方法、装置、计算机设备和存储介质 |
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 |