WWWMay, 2022

时空元路径引导的可解释犯罪预测

PDF
TL;DR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。
crime predictionmachine learningspatial-temporal metapathsocial structureenvironmental factors
发现论文，激发创造
  • 芝加哥市预测特定犯罪类型的多种方法的比较分析

    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

  • 交通预测的时空元图学习

    本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

    Nov, 2022

  • 基于时空超图自监督学习的犯罪预测

    提出了一种基于超图自监督学习的空间 - 时间犯罪预测框架，用于解决标签稀缺问题，并在两个真实犯罪数据集上得到了显着优于现有基线的评估结果。

    Apr, 2022

  • 实时犯罪预测的深度学习

    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

  • 利用时空数据进行犯罪预测

    本研究利用监督学习技术预测犯罪活动，通过分析先前犯罪活动记录和模式，该系统基于决策树和 K 最近邻算法进行预测，同时使用随机森林算法和 Adaboost 提高准确性，并使用过采样来提高准确性。

    Mar, 2020

  • 时空顺序超图网络在犯罪预测中的应用及动态多重关系学习

    本文提出了一个能够共同编码复杂犯罪空间和时间模式以及不同类别犯罪语义关系的空间 - 时间序列超图网络，该网络采用超图学习范例，设计图结构信息传递架构，并引入多通道路由机制。通过实验证明了该方法的较强预测性能。

    Jan, 2022

  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 多城市学习：基于元学习的时空预测方法

    本文提出了一种基于传递学习和元学习范式的空间时间预测模型，该模型可以通过多个城市的数据来提高传递的稳定性以及通过潜在的周期性信息在交通和水质预测任务中表现出良好的效果。

    Jan, 2019

  • 利用新型犯罪数据和机器学习进行犯罪预测

    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

  • TempME：通过模式发现实现时间图神经网络的解释性

    针对当前时间图神经网络（TempME）的关键挑战，提出了一种新颖的方法：Temporal Motifs Explainer（TempME），用于揭示触发该模型预测的最关键时间图案，实验证明 TempME 在解释准确性方面取得了优势，并提升了当前时间图神经网络的预测平均精确度。

    Oct, 2023