Jan, 2024

基于长短期记忆网络（LSTM）的巴西警方报告中前置妇女谋杀风险模式识别

PDF
TL;DR该研究使用长短期记忆（LSTM）技术对巴西警方报告中的女性亲杀案前的行为模式进行分析，并通过文本描述预测风险水平。第一目标是将报告内容分类为较低或较高的受害者被谋杀风险，实现了 66% 的准确率。第二个方法是根据事件序列预测受害者可能经历的下一步行动，为了理解和评估家庭暴力的风险，为当局提供有价值的洞察力以保护妇女并防止情况升级。
femicidegender-based violencemachine learningrisk assessmentdomestic violence
发现论文，激发创造
  • 英国道路上车辆类型致命事故的 LSTM 网络分析

    本研究利用长短期记忆（LSTM）网络的预测能力来分析和预测英国的道路交通事故，以解决交通事故预测的挑战，以便制定有效的预防措施。利用英国交通部提供的从 1926 年至 2022 年的大量数据集，包括报告的碰撞、伤亡和涉及的车辆，经过严格处理以纠正缺失值并归一化特征，以确保 LSTM 网络的稳健输入。

    Dec, 2023

  • 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

  • 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

  • 利用机器学习和深度学习进行犯罪预测：系统综述与未来方向

    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

  • 使用长短期记忆网络预测 ICU 病死率

    实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

    Aug, 2023

  • 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

  • 模拟跨机构精神科设置中的暴力事件预测的联邦学习

    本文研究应用联邦学习和自然语言处理于跨机构精神科领域进行暴力危险评估，并比较四个模型的性能，结果显示联邦学习模型表现最佳，可能为基于临床笔记的联邦学习应用开启了新的可能性。

    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

  • 利用 LSTM 神经网络进行预测性业务流程监控

    本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。

    Dec, 2016

  • 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