用于实时犯罪预测的深度学习
数值分析
2017-07-12 v1 机器学习
机器学习
摘要
准确的实时犯罪预测是公共安全的基本问题，但对科学界仍是一个挑战。犯罪发生依赖许多复杂因素。与许多可预测事件相比，犯罪是稀疏的。在不同的时空尺度上，犯罪分布显示出截然不同的模式。这些分布在空间和时间上规律性极低。在这项工作中，我们调整最先进的深度学习时空预测器ST-ResNet [Zhang et al, AAAI, 2017]，以集体预测洛杉矶地区的犯罪分布。我们的模型分两个阶段。首先，我们预处理原始犯罪数据。这包括在空间和时间上的正则化以增强可预测信号。其次，我们调整残差卷积单元的分层结构来训练多因素犯罪预测模型。在洛杉矶半年的实验揭示了我们模型高度准确的预测能力。
引用
@article{arxiv.1707.03340,
title = {Deep Learning for Real Time Crime Forecasting},
author = {Bao Wang and Duo Zhang and Duanhao Zhang and P. Jeffery Brantingham and Andrea L. Bertozzi},
journal= {arXiv preprint arXiv:1707.03340},
year = {2017}
}
备注
4 pages, 6 figures, NOLTA, 2017