基于空间时间多变量图神经网络的不确定性感知犯罪预测
机器学习
2024-08-09 v1 人工智能
摘要
犯罪预测是城市分析的关键组成部分，对于稳定当今社会至关重要。与其他时间序列预测问题不同，犯罪事件在小区域和特定时间段内稀疏，尤其是空间上。传统的空间时间深度学习模型在处理这种稀疏性时常常难以应对，因为它们通常无法有效处理犯罪数据非高斯特性，这种数据以大量零值和过离散模式为特征。为了应对这些挑战，我们提出一种新方法，称为空间时间多变量零膨胀负二项分布图神经网络（STMGNN-ZINB）。该框架利用扩散和卷积网络来分析空间、时间和多变量相关性，使能够参数化犯罪事件的概率分布。通过纳入零膨胀负二项分布模型，STMGNN-ZINB 有效管理了犯罪数据的稀疏性，提高了预测准确性和置信区间的精确度。我们在真实数据集上的评估表明，STMGNN-ZINB 优于现有模型，为预测和理解犯罪动态提供了更可靠的工具。
引用
@article{arxiv.2408.04193,
title = {Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks},
author = {Zepu Wang and Xiaobo Ma and Huajie Yang and Weimin Lvu and Peng Sun and Sharath Chandra Guntuku},
journal= {arXiv preprint arXiv:2408.04193},
year = {2024}
}