论文部分内容阅读
犯罪是国家非常重视的社会问题,它直接影响着经济的发展、儿童的健康成长、社会治安以及人民群众的生活质量。因此对一个城市整体犯罪情况进行建模和评估是十分有必要的,包括分析犯罪发生的历史情况来合理的排查隐患,以及预测未来犯罪的发生以便及时分配和调度警力。传统的犯罪率分析与预测方法有着许多缺陷。第一,分析的时间粒度不够精确,传统方法往往推断一年或者更长一段时间内的犯罪率,这不仅忽略了犯罪事件之间复杂的时间依赖关系,并且过长的时间跨度导致实用性较低。第二,传统方法笼统的分析一个地区的整体犯罪趋势,丢失了各犯罪种类自身的特征信息,造成了犯罪率分析和预测的结果准确性不高。基于上述两点不足本文提出了基于上下文张量分解的犯罪率分析与预测模型,本文主要的贡献如下有3点。(1)首次提出使用基于张量分解的方法来进行犯罪率分析与预测。公安部门记录的犯罪案件中通常会包含犯罪种类、案件发生的经纬度和时间戳等信息,这类数据事实上是城市计算中“群智感知”概念的体现,它包含的丰富信息能帮助我们分析一个地区整体的历史犯罪情况,以及预测一个地区犯罪发生的规律。该方法主要包括原始张量构建,张量分解与恢复,犯罪率可视化分析,犯罪率预测四个部分。其中犯罪率可视化部分将对一个地区的历史犯罪情况进行重新评估,能分析出哪些地区可能存在未报案或犯罪统计遗漏的隐患情况。犯罪率预测部分将使用历史犯罪数据及一个城市局部地区当前的犯罪数据预测该城市整体的犯罪率。(2)更进一步的,本文在传统张量分解方法的基础之上,使用隐因子模型以及矩阵分解对张量分解方法在犯罪率预测上的应用进行了改进,通过引入POI上下文信息以及利用矩阵分解的反馈,增强了对于解决犯罪率分析与预测问题时张量分解模型的约束,修正后的模型能取得更低的累计误差及更好的分析和预测效果。(3)本文提出的方法能分析和预测不同社区、不同犯罪种类在不同月份的犯罪率,弥补了传统方法在犯罪率预测问题上时间跨度过大、忽略犯罪种类的两个缺点,通过在真实的犯罪记录数据集上进行和基线方法的对比实验,取得了较好的效果,同时证明了该方法的有效性。