基于灵活时间间隔的事件导向框架用于预测犯罪热点

预测城市中的犯罪热点是一个复杂且关键的任务，具有重大的社会意义。诸多时空相关性和不规则性为此提出了巨大的挑战。现有方法通常采用固定的时间粒度和序列预测模型。然而，确定合适的时间粒度困难，导致对特定时间窗口的预测不准确。例如，用户可能会询问：12:00-20:00期间的犯罪热点在哪里？为此，我们提出 FlexiCrime，一个用于预测具有灵活时间间隔的犯罪热点的事件导向框架。FlexiCrime 融合连续时间注意力网络来捕获犯罪事件之间的相关性，这学习犯罪情境特征，代表跨时间点和位置的一般犯罪模式。此外，我们引入一种类型感知的时空点过程来学习犯罪演化特征，通过考虑过去犯罪事件的频率，在给定时间和位置测量特定犯罪类型的风险。犯罪情境和演化特征共同允许我们预测给定未来时间间隔的城市区域是否为犯罪热点。为评估 FlexiCrime 的有效性，我们使用来自两个城市的真实数据进行实验，涵盖十二种犯罪类型。结果表明，我们的模型在灵活时间间隔上预测犯罪热点方面优于基线技术。