Apr, 2023

芝加哥市预测特定犯罪类型的多种方法的比较分析

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于犯罪类型，使用时空犯罪热点进行犯罪预测

    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

  • 挖掘大规模人类移动数据进行长期犯罪预测

    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

  • 通过城市指标和统计学习进行犯罪预测

    使用随机森林回归器对城市指标对犯罪的影响进行了研究，发现失业率和文盲率是描述巴西城市凶杀案的最重要变量，这种机器学习的方法有望帮助制定更有针对性的公共政策。

    Dec, 2017

  • 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

  • 深度学习实时犯罪预测及其三值化

    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

  • 时空元路径引导的可解释犯罪预测

    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

  • 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

  • 从人口统计和移动数据探索犯罪预测

    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

  • 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