排序方式： 共有2条查询结果，搜索用时 62 毫秒
1
1.
针对犯罪人空间出行距离测量及影响因素考虑上存在的不足,本文利用X市2015—2017年入室盗窃案件数据,基于百度地图计算了犯罪人居住地到作案地之间的步行、骑行和驾车等3种交通出行距离,作为实际空间出行距离的近似拟合,随后利用最优尺度回归模型分析了居住地和作案地所在区域的空间环境特征、作案时间特征和主体特征对犯罪人空间出行可能产生的影响。实证分析表明：① 计算得到的3种距离的频次分布均表现为距离衰减效应,超过50%的案件中犯罪人作案地到其居住地的交通距离均不超过10 km;② 在影响因素方面,犯罪人的空间出行距离分布主要受其作案地所在区域的空间环境特征影响,具体表现为目标较为集中、交通通达性较好的区域对邻近空间内的犯罪人具有较强的吸引性,而发案量较高的区域对距离较远的犯罪人具有较强的吸引性;③ 在主体特征上,团伙犯罪人较独狼式犯罪人有更长的空间出行距离,反映出团伙犯罪人在空间认知上有着更好的优势。本文有助于进一步深化对犯罪出行现象的理解,对犯罪预测具有一定的实践指导意义。 相似文献
2.
井插值初始模型为基于模型的反演提供的低频信息往往不够准确,导致该模型驱动方法容易出现较大的波阻抗预测误差且建模效率较低.为缓解这些问题,本文利用数据驱动的深度学习反演更加擅长预测低频阻抗的优势,提出一种基于数据与模型联合驱动的波阻抗反演方法.该方法联合地震和测井等数据,先后开展数据驱动和模型驱动的波阻抗反演.首先,数据驱动部分使用井旁地震记录、测井导出的波阻抗曲线以及井插值低频阻抗曲线,搭建以双向门控递归单元为主要模块的波阻抗智能预测网络.其次,该网络预测的波阻抗的低频分量作为数据驱动初始模型,替代井插值初始模型而参与模型驱动部分.最后,模型驱动部分在地震数据匹配和数据驱动初始模型的共同约束下开展基于模型的反演,获得最终的波阻抗结果.合成数据和实际数据测试表明,本文方法相比于单一的数据驱动或模型驱动方法能获得更高分辨率和更高精度的波阻抗反演结果,从而为后续储层预测提供可靠的弹性参数分布. 相似文献
1