基于空间-时间混合图专家模型的多类型犯罪预测
机器学习
2024-09-25 v1 人工智能
摘要
随着各种类型的犯罪持续威胁公共安全和经济发展，对预测多类型犯罪发生情况变得日益重要，以便制定有效的预防措施。尽管已有大量工作取得了进展，但大多数方法忽略了不同犯罪类别的异质性，未能解决空间分布不平衡的问题。本文提出了一种用于集体式多类型犯罪预测的空间-时间混合图专家框架（ST-MoGE）。为了增强模型识别不同空间-时间依赖关系的能力，并缓解由不同犯罪类别空间-时间异质性导致的潜在冲突，我们引入了注意力门控混合图专家（MGEs）模块，以捕捉每个犯罪类别的独特模式与共享模式。随后，我们提出交叉专家对比学习（CECL）来更新MGEs，并迫使每个专家专注于特定模式建模，从而减少混合和冗余。 Furthermore, 为了解决空间分布不平衡的问题，我们提出了分层自适应损失重权（HALR）方法，以消除偏差并减少数据稀缺地区的学习不足。为评估我们方法的有效性，我们在两个真实犯罪数据集上进行了全面的实验，并与十二个先进的基线方法进行了比较。实验结果表明，我们的方法具有优越性。
引用
@article{arxiv.2409.15764,
title = {Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction},
author = {Ziyang Wu and Fan Liu and Jindong Han and Yuxuan Liang and Hao Liu},
journal= {arXiv preprint arXiv:2409.15764},
year = {2024}
}