隨著智慧警務建設的興起,利用時空大數據對犯罪事件進行預測成為具有前瞻性的研究。基于2015—2018年WH市110入室盜竊類接警數據,利用循環神經網絡(RNN)改進得到的長短期記憶模型(LSTM),通過學習得到最佳性能對應的迭代次數、回看天數、空間依賴度、失活率等超參數,構建最優的二值化接警數據長短期記憶模型(BD-LSTM*)和頻數統計數據長短期記憶模型(RD-LSTM*),并分別對WH市各區域的案件發生概率以及案件發生數量進行預測。結果表明,兩種犯罪預測模型具有良好的預測精度和穩健性。

【文章頁數】：9 頁

【部分圖文】：

圖7 犯罪預測研究關鍵詞時區圖

對關鍵詞進行時區分析，其結果如圖7所示。從中可以清晰地看到每個關鍵詞在2010-2020年首次出現的年份。根據可視化圖譜，可將國內的犯罪預測研究分為三個階段。第一階段是2011年之前，出現的關鍵詞主要有“決策分析”“數據挖掘”“灰色系統理論”“時間序列分析”等，這些關鍵詞都與傳統....

本文編號：4058294