利用时空数据进行犯罪预测
本文研究犯罪现象受到生理、社会和经济等因素影响,特别是针对通过时空信息预测盗窃这一单一犯罪案件的时空模型和不同算法进行探究,其中 XGBoost 算法表现最优,F1 分数为 0.86。
Apr, 2023
通过统计分析以及利用 Apriori 算法找出犯罪热点、利用决策树分类器及朴素贝叶斯分类器预测潜在的犯罪类型,再结合人口统计数据对犯罪数据集进行分析,以识别可能影响社区安全的因素。通过该研究,可以提高人们对危险区域的认识,并帮助机构预测特定地点在特定时间内的犯罪行为。
Aug, 2015
研究使用深度学习的 ST-ResNet 预测洛杉矶地区的实时犯罪分布,通过对原始犯罪数据进行空间和时间的正则化处理,采用细节残差卷积单元的层次结构来训练多因素犯罪预测模型,实验证明了该模型具有高度准确的预测能力。
Jul, 2017
本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况,通过和其他预测方法的比较证明了其更高的准确度,并提出使用三值化技术解决实际资源短缺的问题。
Nov, 2017
本研究介绍了一种新的犯罪数据集,该数据集包含有关孟加拉国 6574 起犯罪事件的时间、地理、天气和人口统计数据,使用五种监督学习分类算法对这个数据集进行评估,并获得了令人满意的结果。此外,对数据集的各方面进行了探索性分析,并预计该数据集将为孟加拉国等国家的犯罪事故预测系统提供基础。
Nov, 2022
利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型,并提高预测的准确性,并且对主要犯罪类别的预测特征进行了深入分析,为城市政策或执法部门提供了有价值的信息。
Jun, 2018
本文研究了超过 150 篇文章,探讨了机器学习和深度学习算法在犯罪预测方面的应用,分析了犯罪预测所需的数据集和机器学习和深度学习的主要方法,并提出了可用于提高预测准确性的因素和未来研究方向,为犯罪预测领域的研究人员提供有价值的参考。
Mar, 2023
使用手机数据和人口统计数据,基于聚合的匿名化人类行为数据进行犯罪预测,实验结果表明,该犯罪预测模型在伦敦的真实犯罪数据上的准确率接近 70%,结果对数据驱动式犯罪分析具有重要意义。
Sep, 2014
本文提出了一种空间时间元路径引导的可解释犯罪预测(STMEC)框架,通过捕捉社会结构、环境和犯罪趋势的信息,明确地表征环境和社会因素相互作用产生预测。大量实验表明 STMEC 在预测罪行(如抢劫和使用危险武器的攻击)方面优于其他先进的时空模型。
May, 2022