CN112906970B - 一种犯罪预测方法、装置、终端和存储介质 - Google Patents
一种犯罪预测方法、装置、终端和存储介质 Download PDFInfo
- Publication number
- CN112906970B CN112906970B CN202110235432.0A CN202110235432A CN112906970B CN 112906970 B CN112906970 B CN 112906970B CN 202110235432 A CN202110235432 A CN 202110235432A CN 112906970 B CN112906970 B CN 112906970B
- Authority
- CN
- China
- Prior art keywords
- crime
- cases
- matrix
- target
- total amount
- 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 31
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002354 daily effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 208000001613 Gambling Diseases 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 6
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000391 smoking effect Effects 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种犯罪预测方法、装置、终端和存储介质，本发明对历史犯罪案件进行分析与分类整合，将犯罪案件数量的预测值拆分为犯罪案件数量趋势值和犯罪案件数量误差值，建立相应的神经网络模，所述的犯罪案件数量的预测值即为两个神经网络模型的结果之和。利用本发明，可以提高对未来犯罪案件数量预测值的准确度，为相关部门制定犯罪预防的战略措施提供科学依据，以保障犯罪预防体系处于有效的运转状态。
Description
技术领域
本发明涉及犯罪预测领域，具体涉及一种犯罪预测方法、装置、终端和存储介质。
背景技术
所谓犯罪预测，是指运用科学的方法，依据现有的犯罪数据和资料，整合可能影响犯罪的各种相关因素，对未来特定时空范围内可能出现的犯罪现象作出的判断。在建设更安全的中国法治社会的道路上，合理的进行犯罪预测，制定相对应的防治战略，可以有效的降低犯罪案件数量，维护社会和谐稳定。
按照预测客体，犯罪预测可分为犯罪宏观预测和犯罪微观预测。其中，犯罪宏观预测主要可预测犯罪的数量和质量，合理准确的预测未来某一区域某一时间某种类型犯罪案件可能会发生的数量，可以为社会制定犯罪预防的战略措施提供科学依据。对犯罪案件高发区域和犯罪案件高发时间段实施重点监控，加强管理；对某种类型案件高发区域进行提前布局，尽量从早期扼杀犯罪条件，有效规避相关案件的发生。
目前，在诸多发达国家，警察们已经开始在工作中运用犯罪预测这一技术手段，尤其是与计算机技术结合之后，预测的结果更加的精准，警方对于犯罪行为的打击效果也更加有效。洛杉矶警方与加州大学、Predpol公司的合作就是一个典型的例子。他们成功的把辖区里的盗窃犯罪降低了33％，暴力犯罪降低了21％，财产类犯罪降低了12％。由此可见，犯罪预测在打击犯罪行为这一任务中的确是一件利器。
但在现有技术中，往往是照搬国外已有的预测模型，仅以历史犯罪案件的数量为数据源，这种方式并不完全适合每一个地理区域，所得到的预测结果自然会存在误差，因此，如何提高犯罪预测结果的精确度，是犯罪预测领域一个重要的问题。
发明内容
本发明的目的在于提供一种犯罪预测方法、装置、终端和存储介质，用以对未来可能发生的犯罪案件数量进行更精确的预测。
本发明为实现上述目的所采用的技术方案为：
一种犯罪预测方法，其特征在于，包含如下步骤：
获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，选定目标地理区域，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，
其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；
连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；
连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；
连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；
其中，Y(4) 1x1为犯罪案件数量的误差值；基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
具体地，所述犯罪类型包括盗窃类，诈骗类(含电信网络诈骗、其他诈骗)，黄赌毒类，扰乱公共秩序类，打架斗殴类，交通类(含交通事故、交通违法、交通秩序、其他交通)，纠纷类，求助类，噪音扰民类。
具体地，所述历史环境因素包括天气数据(含雨雪晴、温度、风力、雾霾等)，节假日数据，客流数据，人像预警感知数据，查处打击数据，警力分布，视频点位分布，交通状况，地区属性(商务区、景区、居民区等)，地区人员结构(常住、流动、境外人员比例)。
具体地，所述环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4在训练前需要做标准化处理，数据列x1,x2,……,xt的标准化处理方式为
具体地，所述犯罪案件数量的趋势值为未来某一时间段内目标区域目标案件类型的可能会发生的案件数量。
具体地，所述犯罪案件数量的误差值即为历史犯罪案件数量减去犯罪案件数量的趋势值得到的差值。
具体地，所述历史时间段的划分为：每一小时、每一天、每一周、每一月、每一季或每一年。
一种犯罪预测装置，包含如下模块：
数据模块，用于获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，选定目标地理区域，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
环比模块，用于生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
第一处理模块，用于构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
第二处理模块，用于构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；其中，Y(4) 1x1为犯罪案件数量的误差值；
训练模块，用于基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
输出模块，用于调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述一种犯罪预测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种犯罪预测方法。
与现有技术相比，本发明的有益效果是：在深度学习技术的基础上，结合专家经验，综合考虑多种因素对预测结果的影响，推算犯罪案件数量的趋势值和误差值，得到最终的犯罪案件数量的预测值，使得预测值的结果更加精准，为相关部门制定犯罪预防的战略措施提供科学依据，为保障犯罪预防体系处于有效运转状态提供助力。
附图说明
图1是犯罪预测方法流程图。
具体实施方式
下面结合附图对本发明作详细的描述。
本发明实施例一所采用的技术方案为：
一种犯罪预测方法，如图1所示，包含如下步骤：获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，所述时间段可以是历史上的每一天、周、月、年等，依据使用者的需求而定。选定目标地理区域，所述目标地理区域可以为一个行政区域单位，例如，市、县、乡，街道等等，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，
其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；
连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；
连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；
连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；
其中，Y(4) 1x1为犯罪案件数量的误差值；
基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
具体地，所述犯罪类型共16类，至少包括盗窃类，诈骗类(含电信网络诈骗、其他诈骗)，黄赌毒类，扰乱公共秩序类，打架斗殴类，交通类(含交通事故、交通违法、交通秩序、其他交通)，纠纷类，求助类，噪音扰民类。
所述盗窃类案件是指以非法占有为目的，秘密窃取公私财物数额较大或者多次盗窃公私财物的犯罪案件。
所述诈骗类案件是指利用隐瞒真相、虚构事实等欺骗方法非法占有公私财物的犯罪行为构成的案件。
所述黄赌毒类案件指卖淫嫖娼，贩卖或者传播黄色信息、赌博、买卖或吸食毒品的案件。
所述扰乱公共秩序类案件是指聚首纠集多人扰乱公共场所和交通秩序，抗拒、阻碍国家治安管理工作人员依法执行职务，情节严重的案件。
所述打架斗殴类案件是指对立双方或多方以对他人产生身体造成伤害为目的的主观意识犯罪或双方或多方通过拳脚、器械等武力以求制胜的犯罪案件。
所述交通类案件是指发生交通事故、违法交通法律法规、破坏交通秩序等犯罪案件。
所述纠纷类案件是指平等主体之间有关财产(财产所有和财产流转)关系和人身关系的争议案件。
所述求助类案件是指意外事件、人员失踪、群众遇险、灾害事故等直接关系到公民生命健康及重大公私财产安全的案件。
所述噪音扰民类案件是指产生的噪声烦扰了公民的正常生活的案件。
具体地，所述历史不同时间的案发数量同环比为上周案发总量，年同比案发总量，上周环比案发总量和日环比案发总量。
具体地，所述历史环境因素共19个维度，至少包括天气数据(含雨雪晴、温度、风力、雾霾等)，节假日数据，客流数据，人像预警感知数据，查处打击数据，警力分布，视频点位分布，交通状况，地区属性(商务区、景区、居民区等)，地区人员结构(常住、流动、境外人员比例)。
具体地，所述历史不同时间的案发数量同环比X在训练前需要标准化处理，数据列x1,x2,……,xt的标准化处理方式为
具体地，所述犯罪案件数量的趋势值为未来某一时间段内目标区域目标案件类型的可能会发生的案件数量。
具体地，所述犯罪案件数量的误差值即为历史犯罪案件数量减去犯罪案件数量的趋势值得到的差值。
具体地，所述年同比发案总量是一年前今天的案发总量，所述上周环比发案总量是上周今天的案发总量，所述日环比发案总量是昨天的案发总量。
统一对所需要研究的历史犯罪案件数据进行分析与分类整合，基于专家经验和深度学习技术建立适用于目标区域的预测模型，在犯罪案件数量的趋势值的基础上，以犯罪案件数量的误差值对其进行修正，得到精确度更高的犯罪案件数量的预测值。
根据本犯罪数量预测方法，可以精确的预测未来某地区某一段时间某种案件类型可能发生的数量，针对预测结果，警方及当地管理部门可以提前布局，有重点的加强巡察，制定针对性的地方政策，增强市民的警惕性，对于某些高发案件类型，可以从案件类型实施的方式、条件、对象等入手，从源头上切断罪犯实施犯罪，有效降低犯罪案件的发生。
本发明实施例二提供了一种犯罪预测装置，包含如下模块：
数据模块，用于获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，选定目标地理区域，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
环比模块，用于生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
第一处理模块，用于构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
第二处理模块，用于构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；其中，Y(4) 1x1为犯罪案件数量的误差值；
训练模块，用于基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
输出模块，用于调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
本发明实施例三提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述实施例一提供的一种犯罪预测方法。
本发明实施例四提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例一提供的一种犯罪预测方法。
需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种犯罪预测方法，其特征在于，包含如下步骤：
获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，选定目标地理区域，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，
其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；
连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；
连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；
连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；
其中，Y(4) 1x1为犯罪案件数量的误差值；
基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
2.根据权利要求1所述的犯罪预测方法，其特征在于，所述犯罪类型包括：盗窃类、诈骗类、黄赌毒类、扰乱公共秩序类、打架斗殴类、交通类、纠纷类、求助类和噪音扰民类。
3.根据权利要求1所述的犯罪预测方法，其特征在于，所述历史环境因素包括天气数据，节假日数据，客流数据，人像预警感知数据，查处打击数据，警力分布，视频点位分布，交通状况，地区属性，地区人员结构。
4.根据权利要求1所述的犯罪预测方法，其特征在于，所述环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4在训练前需要做标准化处理，数据列x1,x2,……,xt的标准化处理方式为
5.根据权利要求1所述的犯罪预测方法，其特征在于，所述犯罪案件数量的趋势值为未来某一时间段内目标区域目标案件类型的可能会发生的案件数量。
6.根据权利要求1所述的犯罪预测方法，其特征在于，所述犯罪案件数量的误差值即为历史犯罪案件数量减去犯罪案件数量的趋势值得到的差值。
7.根据权利要求1所述的犯罪预测方法，其特征在于，所述历史时间段的划分为：每一小时、每一天、每一周、每一月、每一季或每一年。
8.一种犯罪预测装置，其特征在于，包含如下模块：
数据模块，用于获取由M个以时间先后顺序排列的时间段序列Ti，i＝1,2,…,M，M为自然数，选定目标地理区域，所述目标地理区域被划分为若干网络区域；获取每个网络区域所对应的目标犯罪类型Cj的数量序列N0 j,N1 j,…，NM j，其中，j＝1,2,…,16，Ni j为时间段Ti中所述目标犯罪类型Cj对应的犯罪案件数量，获取19个影响犯罪案件数量的历史环境因素并构成矩阵X1x19；
环比模块，用于生成16个目标犯罪类型在M个时间段对应的上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量，并构成环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4，其中，Xi 16x4为时间段Ti对应的环比矩阵，X16x4包含有16行4列，16行分别一一对应16个目标犯罪类型，4列分别一一对应上周案发总量、年同比案发总量、上周环比案发总量和日环比案发总量；
第一处理模块，用于构建第一神经网络模型，第一神经网络模型包括一个输入层和一个输出层，其中，连接输入层和输出层的W4x1和B16x1，矩阵计算为：Z16x1＝X16x4W4x1+B16x1，Y16x1＝tanh(Z16x1)，其中，
输出的Y16x1为16个目标犯罪类型的犯罪案件数量的趋势值；
第二处理模块，用于构建第二神经网络模型，第二神经网络模型包括一个输入层，第一隐藏层、第二隐藏层、第三隐藏层和一个输出层，其中，连接输入层和第一隐藏层的是W19x10和B1x10，矩阵计算为：Z(1) 1x10＝X1x19W19x10+B1x10，Y(1) 1x10＝tanh(Z(1))；连接第一隐藏层和第二隐藏层的是W10x5和B16x1，矩阵计算为：Z(2) 1x5＝Y(1) 1x10W10x5+B16x1，Y(2) 1x5＝tanh(Z(2))；连接第二隐藏层和第三隐藏层的是W5x3和B1x3，矩阵计算为：Z(3) 1x3＝Y(2) 1x5W5x3+B1x3，Y(3) 1x3＝tanh(Z(3))；连接第三隐藏层和输出层的是W3x1和B1x1，矩阵计算为：Z(4) 1x1＝Y(3) 1x3W3x1+B1x1，Y(4) 1x1＝tanh(Z(4) 1x1)；其中，Y(4) 1x1为犯罪案件数量的误差值；
训练模块，用于基于环比矩阵序列X1 16x4，X2 16x4，…，XM 16x4和矩阵X1x19，对第一、第二神经网络模型进行训练；
输出模块，用于调用第一、第二神经网络模型的模型预测结果，两者相加就得到未来时间段内目标区域目标案件类型的犯罪案件数量的预测值。
9.一种终端，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的犯罪预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的犯罪预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110235432.0A CN112906970B (zh) | 2021-03-03 | 2021-03-03 | 一种犯罪预测方法、装置、终端和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110235432.0A CN112906970B (zh) | 2021-03-03 | 2021-03-03 | 一种犯罪预测方法、装置、终端和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906970A CN112906970A (zh) | 2021-06-04 |
| CN112906970B true CN112906970B (zh) | 2022-12-30 |
Family
ID=76108587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110235432.0A Active CN112906970B (zh) | 2021-03-03 | 2021-03-03 | 一种犯罪预测方法、装置、终端和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906970B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR20190138350A (ko) * | 2018-06-05 | 2019-12-13 | 주식회사 웬즈데이에잇피엠 | 웨어러블 기기에서 수집한 생체 정보 및 행동 패턴을 활용한 개인별 범죄 피해 확률 예측 시스템 |
| 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 |
| CN110766231A (zh) * | 2019-10-30 | 2020-02-07 | 上海天壤智能科技有限公司 | 基于多头神经网络的犯罪预测方法及系统 |
| CN112308316A (zh) * | 2020-10-30 | 2021-02-02 | 浙江警察学院 | 基于线性回归算法的犯罪数量预测方法 |
-
2021
- 2021-03-03 CN CN202110235432.0A patent/CN112906970B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| KR20190138350A (ko) * | 2018-06-05 | 2019-12-13 | 주식회사 웬즈데이에잇피엠 | 웨어러블 기기에서 수집한 생체 정보 및 행동 패턴을 활용한 개인별 범죄 피해 확률 예측 시스템 |
| 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 |
| CN110766231A (zh) * | 2019-10-30 | 2020-02-07 | 上海天壤智能科技有限公司 | 基于多头神经网络的犯罪预测方法及系统 |
| CN112308316A (zh) * | 2020-10-30 | 2021-02-02 | 浙江警察学院 | 基于线性回归算法的犯罪数量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| Crime Spatiotemporal Prediction With Fused Objective Function in Time Delay Neural Network;ANAHITA GHAZVINI 等;《IEEE Access》;20200618;全文 * |
| 基于 LSTM 网络的盗窃犯罪时间序列预测研究;颜靖华 等;《数据分析与知识发现》;20201130;全文 * |
| 基于长短期记忆模型的入室盗窃犯罪预测研究;沈寒蕾 等;《统计与信息论坛》;20191130;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906970A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hall | Exploring green crime: introducing the legal, social and criminological contexts of environmental harm | |
| Miskel | Disaster response and homeland security: What works, what doesn't | |
| Pearce | An integrated approach for community hazard, impact, risk and vulnerability analysis: HIRV | |
| CN113792836B (zh) | 多层级安全智慧园区控制方法和系统 | |
| Dong | Does walkability undermine neighbourhood safety? | |
| Perdikaris | Physical security and environmental protection | |
| Bhatia et al. | Greenness and crime in the city: an investigation using remote sensing and spatial panel models | |
| Roberts et al. | Using climate forecasts across a state’s emergency management network | |
| Maffei et al. | Crime and criminal policy in Italy: Tradition and modernity in a troubled country | |
| CN112906970B (zh) | 一种犯罪预测方法、装置、终端和存储介质 | |
| Kubalova et al. | Crime prevention through environmental design of railway stations as a specific soft target | |
| Samuel et al. | The Cambridge handbook of disaster risk reduction and international law | |
| Schlicher et al. | Fighting pickpocketing using a choice-based resource allocation model | |
| US20160125296A1 (en) | System and Method for Securing an Architectural Environment Against Crime and Minimizing Criminal Elements | |
| WO2010019460A2 (en) | Method and apparatus for critical infrastructure protection | |
| Di Nicola | Trafficking in persons and smuggling of migrants | |
| Bailey et al. | Assessing southern border security | |
| da Silva et al. | Toward modeling flood risk-related decisions that deal with climate changes in urban areas: a multidimensional approach | |
| Gillani et al. | The effective use of technology and digitalization in Disaster Management in Malaysia. | |
| Schneider | Managing the Climate Crisis: Assessing Our Risks, Options, and Prospects | |
| Tahir et al. | Elements of security for a gated and guarded community in the context of smart living | |
| Milliman et al. | Pilot project results of an integrated security management system | |
| Gambler et al. | Border Patrol: Key Elements of New Strategic Plan Not Yet in Place to Inform Border Security Status and Resource Needs | |
| Platzer et al. | Resilience beyond insurance: coordination in crisis governance | |
| Borges Ferreira Neto et al. | Do Public Libraries Help Mitigate Crime? Evidence from Kansas City, MO |
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 |