基于动态多路关系学习的时空序列超图网络犯罪预测
机器学习
2022-04-26 v2 人工智能
摘要
犯罪预测对公共安全和资源优化至关重要，但由于两方面原因极具挑战性：i) 犯罪模式在时间和空间上的动态性，犯罪事件在时空域上分布不均；ii) 不同类型犯罪（如盗窃、抢劫、袭击、损毁）之间随时间演化的依赖关系，其揭示了犯罪的细粒度语义。为应对这些挑战，我们提出时空序列超图网络（ST-SHN），以共同编码复杂的犯罪时空模式以及潜在的类别间犯罪语义关系。具体而言，为处理长程和全局上下文下的时空动态性，我们设计了一种融合超图学习范式的图结构消息传递架构。为捕捉动态环境中类别间犯罪的异构关系，我们引入多通道路由机制以学习犯罪类型间随时间演化的结构依赖。我们在两个真实世界数据集上进行了大量实验，表明我们提出的 ST-SHN 框架相比多种最先进（SOTA）基线能显著提升预测性能。源代码见：https://github.com/akaxlh/ST-SHN。
引用
@article{arxiv.2201.02435,
title = {Spatial-Temporal Sequential Hypergraph Network for Crime Prediction with Dynamic Multiplex Relation Learning},
author = {Lianghao Xia and Chao Huang and Yong Xu and Peng Dai and Liefeng Bo and Xiyue Zhang and Tianyi Chen},
journal= {arXiv preprint arXiv:2201.02435},
year = {2022}
}
备注
This paper has been published as a research paper at IJCAI 2021