CrimeGAT：利用图注意力网络增强犯罪网络中的预测性警务
社会与信息网络
2023-12-01 v1
摘要
在本文中，我们提出CrimeGAT，一种图注意力网络(Graph Attention Networks, GATs)在犯罪网络预测性警务中的新颖应用。犯罪网络因其复杂结构、多关系链接与动态行为，对预测分析提出独特挑战。传统方法常难以刻画这些复杂性，导致次优预测。为应对这些挑战，我们提出使用GATs，其能有效利用节点特征与图结构进行预测。我们提出的CrimeGAT模型集成注意力机制以权衡节点邻居的重要性，从而捕捉犯罪网络的局部与全局结构。我们将问题表述为学习一个将节点特征与图结构映射至未来犯罪活动预测的函数。在真实数据集上的实验结果表明，CrimeGAT在预测犯罪活动方面优于常规方法，从而为执法机构主动部署资源提供强力工具。此外，GATs中注意力机制的可解释性揭示了犯罪网络中的关键角色与关系。本研究为深度学习技术在预测性警务与犯罪网络分析领域的应用开辟了新途径。
引用
@article{arxiv.2311.18641,
title = {CrimeGAT: Leveraging Graph Attention Networks for Enhanced Predictive Policing in Criminal Networks},
author = {Chen Yang},
journal= {arXiv preprint arXiv:2311.18641},
year = {2023}
}