HAGEN：面向犯罪预测的同质性感知图卷积循环网络
机器学习
2021-09-28 v1 人工智能
计算机与社会
摘要
犯罪预测是一个重要问题，因为它对城市安全有重大贡献。通常，该问题的目标是预测每个地理区域（如社区或人口普查区）在近期内不同类型的犯罪。由于邻近区域通常具有相似的社会经济特征，从而表现出相似的犯罪模式，近期最先进的解决方案构建了基于距离的区域图，并利用图神经网络（GNN）技术进行犯罪预测，因为GNN技术可以有效利用图中相邻区域节点之间的潜在关系。然而，这种基于距离的预定义图无法完全捕捉相距较远但具有相似犯罪模式的区域之间的犯罪相关性。因此，为了进行准确的犯罪预测，主要挑战在于学习一个更好的图，该图既能揭示区域间犯罪发生的依赖关系，又能同时捕捉历史犯罪记录中的时间模式。为了解决这些挑战，我们提出了一种名为HAGEN的端到端图卷积循环网络，该网络具有多项新颖设计用于犯罪预测。具体来说，我们的框架通过将自适应区域图学习模块与扩散卷积门控循环单元（DCGRU）相结合，能够联合捕获区域间的犯罪相关性和时间犯罪动态。基于GNN的同质性假设，我们提出了一种同质性感知约束来正则化区域图的优化，使得学习到的图上相邻区域节点具有相似的犯罪模式，从而符合扩散卷积的机制。它还融合了犯罪嵌入来建模区域与犯罪类别之间的相互依赖关系。在两个真实世界数据集上的实证实验和综合分析展示了HAGEN的有效性。
引用
@article{arxiv.2109.12846,
title = {HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime Forecasting},
author = {Chenyu Wang and Zongyu Lin and Xiaochen Yang and Jiao Sun and Mingxuan Yue and Cyrus Shahabi},
journal= {arXiv preprint arXiv:2109.12846},
year = {2021}
}