用于实时犯罪预测的深度学习方法及其三值化
机器学习
2017-11-27 v1 数值分析
机器学习
摘要
实时犯罪预测十分重要。然而，准确预测下一次犯罪发生的时间和地点十分困难。没有已知的物理模型能为如此复杂的系统提供合理近似。历史犯罪数据在时空上均稀疏，且感兴趣的信号微弱。在本工作中，我们首先给出犯罪数据的恰当表示。然后将时空残差网络适配于良好表示的数据，以邻域大小地块上小时为尺度预测洛杉矶的犯罪分布。这些实验以及与若干现有预测方法的比较，证明了所提模型在准确性方面的优越性。最后，我们提出一种三值化技术以解决其实际部署中的资源消耗问题。本工作是我们的短会论文[Wang et al, Arxiv 1707.03340]的扩展。
引用
@article{arxiv.1711.08833,
title = {Deep Learning for Real-Time Crime Forecasting and its Ternarization},
author = {Bao Wang and Penghang Yin and Andrea L. Bertozzi and P. Jeffrey Brantingham and Stanley J. Osher and Jack Xin},
journal= {arXiv preprint arXiv:1711.08833},
year = {2017}
}
备注
14 pages, 7 figures