基于核方法的可扩展高分辨率稀疏时空事件预测:NIJ“实时犯罪预测挑战赛”的获胜方案
机器学习
2019-07-25 v4 应用统计
摘要
我们提出了一种通用的时空事件预测方法,该方法是为美国国家司法研究所 (NIJ) 的实时犯罪预测挑战赛而开发的。我们的方法是一种时空预测模型,在正则化监督学习框架中,将可扩展的随机化再生核希尔伯特空间 (RKHS) 方法(用于近似高斯过程)与自回归平滑核相结合。虽然平滑核捕捉了当前犯罪预测领域使用的两种主要方法,即核密度估计 (KDE) 和自激发点过程 (SEPP) 模型,但模型的 RKHS 部分可理解为对流行的对数高斯 Cox 过程模型的近似。对于推断,我们将时空点模式离散化,并使用泊松似然和高度高效的基于梯度的优化方法学习对数强度函数。模型超参数,包括 RKHS 近似质量、空间和时间核长度尺度、自回归滞后数、平滑核带宽以及网格单元形状、大小和旋转,均通过交叉验证学习。所得预测显著超越了稀疏事件的基线 KDE 估计和 SEPP 模型。
引用
@article{arxiv.1801.02858,
title = {Scalable high-resolution forecasting of sparse spatiotemporal events with kernel methods: a winning solution to the NIJ "Real-Time Crime Forecasting Challenge"},
author = {Seth Flaxman and Michael Chirico and Pau Pereira and Charles Loeffler},
journal= {arXiv preprint arXiv:1801.02858},
year = {2019}
}