犯罪预测：基于深度学习模型的时空分析
机器学习
2025-02-14 v2 人工智能
摘要
本研究使用深度学习模型预测特定日期的城市分区犯罪数量。它有助于警方加强监控、收集情报并主动预防犯罪。我们将犯罪数量预测表述为一个时空序列挑战，其中输入数据和预测目标均为时空序列。为提高犯罪预测的准确性，我们提出了一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的新模型。我们进行了比较分析，以评估各种数据序列（包括原始数据和分箱数据）对四种深度学习预测模型预测误差的影响。直接将原始犯罪数据输入预测模型会导致较高的预测误差，使该模型不适合实际应用。研究结果表明，当犯罪数据被分为 10 组或 5 组时，所提出的 CNN-LSTM 模型达到最优性能。数据分箱可以提升预测模型性能，但定义不当的区间可能会降低地图粒度。与分为 5 个区间相比，分为 10 个区间取得了最佳平衡，既保留了数据特征，又在预测建模效能上超越了原始数据。
引用
@article{arxiv.2502.07465,
title = {Crime Forecasting: A Spatio-temporal Analysis with Deep Learning Models},
author = {Li Mao and Wei Du and Shuo Wen and Qi Li and Tong Zhang and Wei Zhong},
journal= {arXiv preprint arXiv:2502.07465},
year = {2025}
}
备注
The paper was submitted without the consent of all co-authors. The content of the paper is incomplete and requires substantial additional work before it can be considered a complete and coherent submission