| 融合图自编码器与GRU的城市盗窃犯罪时空分布预测模型 |
| |
| 引用本文： | 赵丹,杜萍,刘涛,令振飞.融合图自编码器与GRU的城市盗窃犯罪时空分布预测模型[J].地球信息科学,2023(7):1448-1463. |
| |
| 作者姓名： | 赵丹 杜萍 刘涛 令振飞 |
| |
| 作者单位： | 1. 兰州交通大学测绘与地理信息学院;2. 地理国情监测技术应用国家地方联合工程研究中心;3. 甘肃省地理国情监测工程实验室 |
| |
| 基金项目： | 国家自然科学基金项目（42061060）； |
| |
| 摘 要： | 犯罪预测是进行犯罪预防的前提，高效准确的犯罪预测对于提高城市管理效率、保障公共安全都具有重要的意义。当前，关于犯罪预测的已有研究大多采用单一的机器学习方法或深度学习模型，忽略了犯罪的时空依赖关系，往往难以获得准确的预测结果。本文提出一个基于深度学习技术的犯罪时空预测模型—GAERNN：(1)利用GAE模型捕获犯罪案件的空间分布特征；(2)将带有空间依赖关系的特征经序列化处理后作为GRU模型的输入，进一步提取犯罪序列的时间特征；(3)经全连接层处理获得犯罪时空预测结果，并选取MLP、GCN等基准模型进行对比实验，结合RMSE、MSE等多个指标对模型预测结果进行评估。实验结果表明：对于各模型预测结果可视化分析，GAERNN模型预测的可视化结果与实际数据分布最相符合；在各模型误差分析方面，相比预测性能较差的MLP,GAERNN模型各月份的RMSE分别降低了1.02、3.58、1.29以及0.45；在子模块有效性评估方面，相比其变体模型GAE-LSTM,GAERNN模型在各月份的MAPE分别降低了2.15%、10.07%、1.92%以及2.54%，说明GAERNN模型能显著提高盗窃犯罪时空预测...
|
| 关 键 词： | 盗窃 时空分布预测 城市犯罪 图神经网络 深度学习 门控循环单元 图自编码器 兰州市 |
|
| 点击此处可从《地球信息科学》浏览原始摘要信息 |
| 点击此处可从《地球信息科学》下载免费的PDF全文 |
|
