基于 MindSpore 框架的创新 LSGTime 模型用于犯罪时空预测
机器学习
2025-04-02 v3
摘要
随着城市化进程的加快，犯罪活动的时空特征变得越来越复杂。准确预测犯罪分布对于优化警力资源分配和预防犯罪至关重要。本文提出了 LGSTime，一种集成长短期记忆网络 (LSTM)、门控循环单元 (GRU) 和多头稀疏自注意力机制的犯罪时空预测模型。LSTM 和 GRU 通过其独特的门控机制捕获犯罪时间序列中的长期依赖关系，例如季节性和周期性。另一方面，多头稀疏自注意力机制通过并行处理和稀疏化技术同时关注犯罪事件的时空特征，显著提高了计算效率和预测准确度。该集成模型利用每种技术的优势，更好地处理复杂的时空数据。实验结果表明，该模型在四个真实世界的犯罪数据集上实现了最佳性能。与 CNN 模型相比，它在均方误差 (MSE)、平均绝对误差 (MAE) 和均方根误差 (RMSE) 指标上分别实现了 2.8%、1.9% 和 1.4% 的性能提升。这些结果为解决犯罪预测中的挑战提供了有价值的参考。
引用
@article{arxiv.2503.20136,
title = {Innovative LSGTime Model for Crime Spatiotemporal Prediction Based on MindSpore Framework},
author = {Zhenkai Qin and BaoZhong Wei and Caifeng Gao},
journal= {arXiv preprint arXiv:2503.20136},
year = {2025}
}