基于缺失数据的时空Hawkes过程的无似然估计及其在预测警务中的应用
机器学习
2025-02-12 v1 应用统计
统计方法学
摘要
随着AI技术的不断发展，许多警察部门使用预测软件来预测可能的犯罪热点，并有效分配巡逻资源以进行犯罪预防。然而，由于缺失报告，犯罪数据天然存在缺失性，这会导致预测模型的参数估计偏差，从而导致不准确的后续热点预测，常常在 various communities（尤其是最易受侵害的社区）中导致过度或不足的警力分配。我们的工作引入了基于Wasserstein生成对抗网络（WGAN）的无似然方法，以处理时空Hawkes模型中的未报告犯罪。我们通过实证分析展示了这种方法如何改进了在数据缺失情况下的参数估计精度，从而导致更可靠、更高效的警务策略。
引用
@article{arxiv.2502.07111,
title = {Likelihood-Free Estimation for Spatiotemporal Hawkes processes with missing data and application to predictive policing},
author = {Pramit Das and Moulinath Banerjee and Yuekai Sun},
journal= {arXiv preprint arXiv:2502.07111},
year = {2025}
}