基于深度时空三维卷积神经网络的短时犯罪预测研究

作者：王勋; 董齐芬; 李玉

来源：浙江警察学院学报, 2023, (01): 90-103.

• 犯罪预测
• 三维卷积神经网络
• 时空特征
• 洛杉矶

细粒度时空尺度下的犯罪预测对理解犯罪发生、指导安全防范、部署治安巡逻警力等工作具有重要意义。针对现阶段时空细粒度条件下的犯罪预测面临犯罪数据稀疏，时空特征难以充分捕获的问题，采用深度时空三维卷积神经网络(ST-3DNet)对时空特征进行充分捕捉，构建出适用于犯罪数据的时空细粒度预测模型。基于美国洛杉矶真实犯罪数据集做了大量实验，结果表明：(1)随滤波器个数、时间特征长度和ResUnit层数的改变，ST-3DNet的预测RMSE值在0.308—0.342之间波动，MAE值在0.083—0.136之间波动，且RMSE和MAE值大多是反相关的；(2)ST-3DNet和深度时空残差网络(ST-ResNet)进行对照，ST-3DNet预测MAE值明显优于ST-ResNet, RMSE最小值也优于ST-ResNet,而ST-ResNet则在预测性能稳定性上更有优势，其受参数变化的影响较小，鲁棒性较优；(3)通过提升周周期组件网络深度和减少网格空白区域，可使ST-3DNet在预测性能优于同参数配置的ST-ResNet的前提下，预测性能稳定性明显提升，达到甚至优于ST-ResNet的预测性能稳定性水平。

• 单位
  浙江警察学院