时空元路径引导的可解释犯罪预测
机器学习
2023-01-03 v3 计算机与社会
摘要
暴露于犯罪和暴力中会损害个人的生活质量与社区的经济增长。随着机器学习的快速发展，对探索自动化方案以预防犯罪的需求不断上升。随着细粒度城市数据与公共服务数据可用性的提升，近期出现了融合此类跨领域信息以促进犯罪预测的热潮。通过捕捉社会结构、环境与犯罪趋势的信息，现有的机器学习预测模型已从不同的视角探索了动态犯罪模式。然而，这些方法大多将此类多源知识转换为隐式与潜在的表示（例如，学得的区域嵌入），使得在幕后调查显式因素对犯罪发生的影响仍具挑战。在本文中，我们提出一种时空元路径引导的可解释犯罪预测（STMEC）框架，以捕捉犯罪行为的动态模式，并显式刻画环境与社会因素如何相互交互从而产生预测。大量实验表明，与其他先进的时空模型相比，STMEC具有优越性，尤其在预测重罪（例如抢劫与危险武器袭击）方面。
引用
@article{arxiv.2205.01901,
title = {Spatial-Temporal Meta-path Guided Explainable Crime Prediction},
author = {Yuting Sun and Tong Chen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2205.01901},
year = {2023}
}
备注
work submitted to World Wide Web: Internet and Web Information Systems (WWW)