CN113222176A - 一种基于自激点过程的犯罪事件建模方法 - Google Patents
一种基于自激点过程的犯罪事件建模方法 Download PDFInfo
- Publication number
- CN113222176A CN113222176A CN202110500515.8A CN202110500515A CN113222176A CN 113222176 A CN113222176 A CN 113222176A CN 202110500515 A CN202110500515 A CN 202110500515A CN 113222176 A CN113222176 A CN 113222176A
- Authority
- CN
- China
- Prior art keywords
- crime
- type
- time
- representing
- criminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 title claims abstract description 30
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims abstract description 6
- 238000010187 selection method Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002688 persistence Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自激点过程的犯罪事件建模方法,首先提取出包含犯罪经纬度与犯罪类型的犯罪案件,形成犯罪数据集;再使用模糊集合的特征选择方法提取犯罪核心特征;然后从犯罪特征集合中提取核心特征子集;接下来利用提取的核心特征子集,将犯罪数据映射为二分图,分为犯罪地点和犯罪类型两部分;对犯罪类型和犯罪地点分别进行embedding update,使用自激点过程中犯罪强度值表示特定犯罪类型在给定时间和犯罪地点的犯罪率,最后使用触发函数来表征犯罪事件发生的交互过程,从而建模出犯罪活动的动态过程。本发明采用自激点过程模型来描述犯罪类型与地点之间相互作用模式的可靠性和适用性,能够发现具有不同潜在特征的犯罪和地点的显著性和持久性特征。
Description
技术领域
本发明属于犯罪学技术领域,具体涉及一种犯罪事件建模方法。
背景技术
犯罪建模作为解决日益增加的犯罪率难题的一种科学的方法,试图通过社会统计学以及犯罪心理学等多领域知识,从中挖掘出犯罪事件发生的内在规律并且尝试去预测未来可能的犯罪发生地点。随着社会经济的不断发展,犯罪形式与手段复杂多变,然而犯罪事件始终在一定的空间范围内发生。以空间为视角的犯罪地理研究已经成为犯罪研究中非常重要的方面。另一方面犯罪学从不同的角度研究关于犯罪行为的随机性与犯罪类型的多样性。
现有的犯罪建模方法可以归纳为两种主要的方式。第一种方法是基于地理信息系统的图像与数据结合的方式建模犯罪,这些工作侧重于从风险地形建模、回归分析等统计分析方法对城市内部犯罪绘制风险地图。主要研究城市的内部犯罪,所以有很多工作做的是基于时空模式检测、或者结合城市POI等动态扩散技术。然而,这些工作都只是把历史数据作为静态参考,而没有考虑到一个犯罪事件发生之前的历史犯罪事件对当前时刻的影响。
第二种方法是建模成犯罪网络来分析问题,一般研究的对象是犯罪分子或者受害者这种实体,针对一些具体的犯罪场景比如毒品交易网络,来研究犯罪组织内部的结构序列模式来挖掘用户与物品之间的关系。然而,这些工作对数据的依赖性非常强,并且特征之间的交互性、可解释性都会丢失,这种类型的工作包括:基于图论或者仿真进行犯罪建模;根据犯罪特征的回归方程或者时空分布拟合来解决犯罪预测。他们的模型都做了很强的参数化假设,这样就会导致丢失犯罪事件与不同犯罪类型和犯罪地点之间的动态交互性。
现有的犯罪建模方法虽然可以针对具体某个城市内部做犯罪预测,但是存在以下两点不足:第一,忽略了犯罪与地点之间的动态相互影响;第二,忽略了异构数据的大规模性、不确定性和模糊性。犯罪特征的动态交互性可以保证一个犯罪事件发生前后的环境信息不丢失。因此可以用一个自激点过程模型来描述犯罪类型与地点之间相互作用模式的可靠性和适用性,以发现具有不同潜在特征的犯罪和地点的显著性和持久性特征。
发明内容
为了克服现有技术的不足,本发明提供了一种基于自激点过程的犯罪事件建模方法,首先提取出包含犯罪经纬度与犯罪类型的犯罪案件,形成犯罪数据集;再使用模糊集合的特征选择方法提取犯罪核心特征;然后从犯罪特征集合中提取核心特征子集;接下来利用提取的核心特征子集,将犯罪数据映射为二分图,分为犯罪地点和犯罪类型两部分;对犯罪类型和犯罪地点分别进行embedding update,使用自激点过程中犯罪强度值表示特定犯罪类型在给定时间和犯罪地点的犯罪率,最后使用触发函数来表征犯罪事件发生的交互过程,从而建模出犯罪活动的动态过程。本发明采用自激点过程模型来描述犯罪类型与地点之间相互作用模式的可靠性和适用性,能够发现具有不同潜在特征的犯罪和地点的显著性和持久性特征。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:检索中国裁判文书网最近Y年内G地区的各种犯罪类型的犯罪事件,提取出包含犯罪经纬度与犯罪类型的犯罪案件,形成犯罪数据集;
步骤2:使用模糊集合的特征选择方法提取犯罪核心特征;
用I=(U,T)表示一个犯罪信息系统,其中U表示犯罪数据集,T表示一个非空的有限犯罪特征集合;
步骤3:从犯罪特征集合中提取核心特征子集:
Core(A)={a∈P|γP-{a}(Q)<γP(Q)}
其中γP(Q)表示Q对P的依赖程度,P,Q都是A的子集;则核心特征子集满足下述条件:
POSP(Q)=U/P∩U/Q
步骤4:利用提取的核心特征子集,将犯罪数据映射为二分图,分为犯罪地点和犯罪类型两部分;
给定m种犯罪类型和n个犯罪地点,现有N个犯罪事件列表的记录为: 表示存在N条犯罪记录,其中ei代表一个犯罪事件,ci表示犯罪类型,li是犯罪地点,ti是犯罪事件ei发生的时间,ai是同一犯罪类型ci和犯罪地点li之间交互得到的核心特征向量;
步骤5:对犯罪类型和犯罪地点分别进行embedding,对犯罪类型的update过程描述为:
对犯罪地点的update过程,形式上可以描述为:
其中interaction表示交互特征;self evolution表达模型的自我进化性,当前embedding的特征受到历史特征的影响,同时考虑不同犯罪类型和地点的内在演变性;coevolutionl ocation与coevolution type表达了犯罪类型与犯罪地点的彼此作用效果;temporal drift是基于同一犯罪类型,第k次犯罪与第k-1次犯罪的时移;Tc(.)表示犯罪类型为c的tk时刻犯罪强度,σ(.)表示训练参数,L(.)表示该地区的犯罪类型为c,发生在t-1至t时刻内的犯罪数量,表示在t时刻内的犯罪强度,表示在t-1时刻内的犯罪强度,表示第k次犯罪犯罪类型c和犯罪地点之间交互核心特征向量,W1,W2,W3,W4分别表示犯罪类型四种影响因素的权重,表示t时刻的犯罪地点,表示t-1时刻的犯罪地点度,表示第k次犯罪犯罪类型和犯罪地点l之间交互核心特征向量,V1,V2,V3,V4分别表示犯罪地点死忠影响因素的权重;
步骤6:自激点过程中犯罪强度值表示特定犯罪类型在给定时间和给定犯罪地点的犯罪率;犯罪强度值的大小取决于时间与给定的时间窗口内的历史犯罪事件记录和犯罪区域内的连接数,犯罪强度值描述为:
λ(c,t,l)=Neighbor(χ)+Cross(ψ)+Base(μ)
其中,c,t,l分别表示特定犯罪类型、犯罪时间、犯罪地点; 表示特定时间窗口内的所有犯罪类型的交互,R是与l地区直接相邻的区域,χ表示触发函数g(.),n(.)表示领域影响下的统计的犯罪数量;表示人口流动跨区域之间的影响,wi是交通流量的规模,ψ表示触发函数h(.),h(.)表示跨区域影响下的统计的犯罪数量;Base(μ)=μ(c,t,l)取决于该犯罪类型在l地区的历史犯罪记录,μ表示触发函数,μ(.)表示历史犯罪数量;
步骤7:使用如下三类触发函数来表征犯罪事件发生的交互过程,描述为:
其中,L表示时间戳t之前的时间窗口长度,M是该时间窗口内的犯罪事件数量,α表示初始高斯分布常系数;η表示历史犯罪的平均时间影响,表示历史犯罪记录在犯罪地点l的影响随着时间间隔的增加而逐渐衰减;β(.)表示与该地区相邻区域的统计犯罪数量,ω表示收敛速度,ρ表示相邻区域的平均犯罪数量权重;δ表示跨区域之间的数量归一化系数,wi表示公共交通流量,τ表示衰减速度;
从而建模出犯罪活动的动态过程。
本发明的有益效果如下:
本发明采用自激点过程模型来描述犯罪类型与地点之间相互作用模式的可靠性和适用性,能够发现具有不同潜在特征的犯罪和地点的显著性和持久性特征。
附图说明
图1为本发明犯罪建模方法流程图。
图2为本发明实施例自激点过程在成都地区的犯罪交互过程演示图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明采用的协同进化模型可以构建犯罪事件和犯罪地点、时间、类型的交互性。协同进化模型从模糊特征集合中选择出核心子集,利用犯罪地点与犯罪类型的embedding过程,保留犯罪特征的彼此交互性;基于自激点过程机制可以解决历史数据对当前犯罪发展的影响,考虑特定地区的基准犯罪数据与相邻区域对犯罪强度的影响,建模出人口流动规模较大的地区之间的相互影响。使用高斯核函数触发固定时间窗口下犯罪事件的发生,能够有效解决由于人口流动以及时间推移带来的犯罪地点预测不准确的问题。
如图1所示,一种基于自激点过程的犯罪事件建模方法,包括以下步骤:
步骤1:检索中国裁判文书网最近5年内成都地区的各种犯罪类型的犯罪事件,并获取成都市259个行政地区与当地的出租车轨迹数据,提取出包含犯罪经纬度与犯罪类型的犯罪案件,形成犯罪数据集;
步骤2:使用模糊集合的特征选择方法提取犯罪核心特征;
用I=(U,T)表示一个犯罪信息系统,其中U表示犯罪数据集,T表示一个非空的有限犯罪特征集合;
步骤3:从犯罪特征集合中提取核心特征子集:
其中γP(Q)表示Q对P的依赖程度,P,Q都是A的子集;则核心特征子集满足下述条件:
POSP(Q)=U/P∩U/Q
步骤4:利用提取的核心特征子集,将犯罪数据映射为二分图,分为犯罪地点和犯罪类型两部分;
给定m种犯罪类型和n个犯罪地点,现有N个犯罪事件列表的记录为: 表示存在N条犯罪记录,其中ei代表一个犯罪事件,ci表示犯罪类型,li是犯罪地点,ti是犯罪事件ei发生的时间,ai是同一犯罪类型ci和犯罪地点li之间交互得到的核心特征向量;
步骤5:对犯罪类型和犯罪地点分别进行embedding,对犯罪类型的update过程描述为:
对犯罪地点的update过程,形式上可以描述为:
其中interaction表示交互特征;self evolution表达模型的自我进化性,当前embedding的特征受到历史特征的影响,同时考虑不同犯罪类型和地点的内在演变性;coevolution location与coevolution type表达了犯罪类型与犯罪地点的彼此作用效果;temporal drift是基于同一犯罪类型,第k次犯罪与第k-1次犯罪的时移;Tc(.)表示犯罪类型为c的tk时刻犯罪强度,σ(.)表示训练参数,L(.)表示该地区的犯罪类型为c,发生在t-1至t时刻内的犯罪数量,表示在t时刻内的犯罪强度,表示在t-1时刻内的犯罪强度,表示第k次犯罪犯罪类型c和犯罪地点之间交互核心特征向量,W1,W2,W3,W4分别表示犯罪类型四种影响因素的权重,表示t时刻的犯罪地点,表示t-1时刻的犯罪地点度,表示第k次犯罪犯罪类型和犯罪地点l之间交互核心特征向量,V1,V2,V3,V4分别表示犯罪地点死忠影响因素的权重;
步骤6:自激点过程中犯罪强度值表示特定犯罪类型在给定时间和给定犯罪地点的犯罪率;犯罪强度值的大小取决于时间与给定的时间窗口内的历史犯罪事件记录和犯罪区域内的连接数,犯罪强度值描述为:
λ(c,t,l)=Neighbor(χ)+Cross(ψ)+Base(μ)
其中,c,t,l分别表示特定犯罪类型、犯罪时间、犯罪地点; 表示特定时间窗口内的所有犯罪类型的交互,R是与l地区直接相邻的区域,χ表示触发函数g(.),n(.)表示领域影响下的统计的犯罪数量;表示人口流动跨区域之间的影响,wi是交通流量的规模,ψ表示触发函数h(.),h(.)表示跨区域影响下的统计的犯罪数量;Base(μ)=μ(c,t,l)取决于该犯罪类型在l地区的历史犯罪记录,μ表示触发函数,μ(.)表示历史犯罪数量;
步骤7:使用如下三类触发函数来表征犯罪事件发生的交互过程,描述为:
其中,L表示时间戳t之前的时间窗口长度,M是该时间窗口内的犯罪事件数量,α表示初始高斯分布常系数;η表示历史犯罪的平均时间影响,表示历史犯罪记录在犯罪地点l的影响随着时间间隔的增加而逐渐衰减;β(.)表示与该地区相邻区域的统计犯罪数量,ω表示收敛速度,ρ表示相邻区域的平均犯罪数量权重;δ表示跨区域之间的数量归一化系数,wi表示公共交通流量,τ表示衰减速度;
从而建模出犯罪活动的动态过程。
如图2所示,为采用本发明方法得到的成都地区的犯罪交互过程演示图。
Claims (1)
1.一种基于自激点过程的犯罪事件建模方法,其特征在于,包括以下步骤:
步骤1:检索中国裁判文书网最近Y年内G地区的各种犯罪类型的犯罪事件,提取出包含犯罪经纬度与犯罪类型的犯罪案件,形成犯罪数据集;
步骤2:使用模糊集合的特征选择方法提取犯罪核心特征;
用I=(U,T)表示一个犯罪信息系统,其中U表示犯罪数据集,T表示一个非空的有限犯罪特征集合;
步骤3:从犯罪特征集合中提取核心特征子集:
Core(A)={a∈P|γP-{a}(Q)<γP(Q)}
其中γP(Q)表示Q对P的依赖程度,P,Q都是A的子集;则核心特征子集满足下述条件:
POSP(Q)=U/P∩U/Q
步骤4:利用提取的核心特征子集,将犯罪数据映射为二分图,分为犯罪地点和犯罪类型两部分;
给定m种犯罪类型和n个犯罪地点,现有N个犯罪事件列表的记录为: 表示存在N条犯罪记录,其中ei代表一个犯罪事件,ci表示犯罪类型,li是犯罪地点,ti是犯罪事件ei发生的时间,ai是同一犯罪类型ci和犯罪地点li之间交互得到的核心特征向量;
步骤5:对犯罪类型和犯罪地点分别进行embedding,对犯罪类型的update过程描述为:
对犯罪地点的update过程,形式上可以描述为:
其中onteraction表示交互特征;self evolution表达模型的自我进化性,当前embedding的特征受到历史特征的影响,同时考虑不同犯罪类型和地点的内在演变性;coevolution location与coevolution type表达了犯罪类型与犯罪地点的彼此作用效果;temporal drift是基于同一犯罪类型,第k次犯罪与第k-1次犯罪的时移;Tc(.)表示犯罪类型为c的tk时刻犯罪强度,σ(.)表示训练参数,L(.)表示该地区的犯罪类型为c,发生在t-1至t时刻内的犯罪数量,表示在t时刻内的犯罪强度,表示在t-1时刻内的犯罪强度,表示第k次犯罪犯罪类型c和犯罪地点之间交互核心特征向量,W1,W2,W3,W4分别表示犯罪类型四种影响因素的权重,表示t时刻的犯罪地点,表示t-1时刻的犯罪地点度,表示第k次犯罪犯罪类型和犯罪地点l之间交互核心特征向量,V1,V2,V3,V4分别表示犯罪地点死忠影响因素的权重;
步骤6:自激点过程中犯罪强度值表示特定犯罪类型在给定时间和给定犯罪地点的犯罪率;犯罪强度值的大小取决于时间与给定的时间窗口内的历史犯罪事件记录和犯罪区域内的连接数,犯罪强度值描述为:
λ(c,t,l)=Neighbor(χ)+Cross(ψ)+Base(μ)
其中,c,t,l分别表示特定犯罪类型、犯罪时间、犯罪地点; 表示特定时间窗口内的所有犯罪类型的交互,R是与l地区直接相邻的区域,χ表示触发函数g(.),n(.)表示领域影响下的统计的犯罪数量;表示人口流动跨区域之间的影响,wi是交通流量的规模,ψ表示触发函数h(.),h(.)表示跨区域影响下的统计的犯罪数量;Base(μ)=μ(c,t,l)取决于该犯罪类型在l地区的历史犯罪记录,μ表示触发函数,μ(.)表示历史犯罪数量;
步骤7:使用如下三类触发函数来表征犯罪事件发生的交互过程,描述为:
其中,L表示时间戳t之前的时间窗口长度,M是该时间窗口内的犯罪事件数量,α表示初始高斯分布常系数;η表示历史犯罪的平均时间影响,表示历史犯罪记录在犯罪地点l的影响随着时间间隔的增加而逐渐衰减;β(.)表示与该地区相邻区域的统计犯罪数量,ω表示收敛速度,ρ表示相邻区域的平均犯罪数量权重;δ表示跨区域之间的数量归一化系数,wi表示公共交通流量,τ表示衰减速度;
从而建模出犯罪活动的动态过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500515.8A CN113222176A (zh) | 2021-05-08 | 2021-05-08 | 一种基于自激点过程的犯罪事件建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500515.8A CN113222176A (zh) | 2021-05-08 | 2021-05-08 | 一种基于自激点过程的犯罪事件建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222176A true CN113222176A (zh) | 2021-08-06 |
Family
ID=77094016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500515.8A Pending CN113222176A (zh) | 2021-05-08 | 2021-05-08 | 一种基于自激点过程的犯罪事件建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222176A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160123101A (ko) * | 2015-04-15 | 2016-10-25 | (주)엔텔스 | 특정 범죄자의 범죄 유형 분류 방법 및 시스템 |
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 |
CN108874911A (zh) * | 2018-05-28 | 2018-11-23 | 广西师范学院 | 基于区域环境与犯罪事件数据的疑犯位置预测方法 |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
CN111861028A (zh) * | 2020-07-29 | 2020-10-30 | 浙江工业大学 | 一种基于时空数据融合的犯罪数量预测方法 |
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
- 2021-05-08 CN CN202110500515.8A patent/CN113222176A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160123101A (ko) * | 2015-04-15 | 2016-10-25 | (주)엔텔스 | 특정 범죄자의 범죄 유형 분류 방법 및 시스템 |
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 |
CN108874911A (zh) * | 2018-05-28 | 2018-11-23 | 广西师范学院 | 基于区域环境与犯罪事件数据的疑犯位置预测方法 |
CN109472419A (zh) * | 2018-11-16 | 2019-03-15 | 中山大学 | 基于时空的警情预测模型的建立方法、装置和存储介质 |
CN111861028A (zh) * | 2020-07-29 | 2020-10-30 | 浙江工业大学 | 一种基于时空数据融合的犯罪数量预测方法 |
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 (1)
Title |
---|
赵传鑫;: "基于DBSCAN算法的A区犯罪预测", 信息技术与网络安全, no. 07, 10 July 2020 (2020-07-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A hierarchical temporal attention-based LSTM encoder-decoder model for individual mobility prediction | |
Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
Liu et al. | Mapping hourly dynamics of urban population using trajectories reconstructed from mobile phone records | |
Zheng et al. | Diagnosing New York city's noises with ubiquitous data | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN103942841A (zh) | 基于gis的矿产资源多元信息处理方法及其系统 | |
Ghosh et al. | MARIO: A spatio-temporal data mining framework on Google Cloud to explore mobility dynamics from taxi trajectories | |
WO2023123624A1 (zh) | 城市流感发病趋势预测方法、系统、终端以及存储介质 | |
Gadar et al. | The Settlement Structure Is Reflected in Personal Investments: Distance‐Dependent Network Modularity‐Based Measurement of Regional Attractiveness | |
Rosés et al. | Agent-Based Simulation of Offender Mobility: Integrating Activity Nodes from Location-Based Social Networks. | |
McKenzie et al. | Measuring urban regional similarity through mobility signatures | |
Chen et al. | UVLens: Urban village boundary identification and population estimation leveraging open government data | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
CN115796331A (zh) | 基于多模态城市知识图谱的城市资源预测方法及系统 | |
Zhuang et al. | Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation | |
Shao et al. | Incorporating lstm auto-encoders in optimizations to solve parking officer patrolling problem | |
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 | |
Cilliers et al. | A framework for modelling spatio-temporal informal settlement growth prediction | |
CN116307857A (zh) | 一种基于遥感图像场景理解的建成区环境评价方法 | |
CN113222176A (zh) | 一种基于自激点过程的犯罪事件建模方法 | |
CN112749209B (zh) | 面向时空数据的移动行为图谱构建方法 | |
Rao et al. | Investigating impact of the heterogeneity of trajectory data distribution on origin‐destination estimation: a spatial statistics approach | |
Jiang et al. | Activity location recognition from mobile phone data using improved HAC and Bi‐LSTM | |
Yadlowsky et al. | Link density inference from cellular infrastructure |
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 |