基于网络的迁移学习帮助提高短期犯罪预测准确性
机器学习
2024-06-17 v2 计算机与社会
摘要
增强人类移动数据的深度学习架构已被证明可提高使用历史犯罪数据训练的短期犯罪预测模型的准确性。然而，人类移动数据在某些地区可能稀缺，严重影响这些模型的正确训练。为了解决这一问题，我们提出了一种 novel 的迁移学习框架，用于短期犯罪预测模型，其中将在源地区（拥有大量移动数据）训练的深度学习犯罪预测模型的权重 transferred 到目标地区，以微调当地犯罪预测模型并提高犯罪预测准确性。我们的结果表明，所提出的迁移学习框架在移动数据稀缺的目标城市中提高了F1分数，尤其是在可用移动数据的月数较少时效果更为显著。我们还展示了F1分数的改进在不同类型的犯罪和美国不同城市中都具有普遍性。
引用
@article{arxiv.2406.06645,
title = {Network-Based Transfer Learning Helps Improve Short-Term Crime Prediction Accuracy},
author = {Jiahui Wu and Vanessa Frias-Martinez},
journal= {arXiv preprint arXiv:2406.06645},
year = {2024}
}
备注
19 pages, 3 figures, 7 tables. arXiv admin note: substantial text overlap with arXiv:2406.04382