[发明专利]基于G函数和改进KD树的犯罪大数据点模式分析方法

权利要求书

1.一种基于G函数和改进KD树的犯罪大数据点模式分析方法，其特征在于，包括以下步骤：

步骤1：数据预处理；

输入所有待处理的犯罪事件点坐标，通过聚类算法将点分为若干个点簇，设定阈值用来判断点簇是否过大，如果是则继续进行聚类分簇，直到每个点簇中点的个数适当；然后对每个点簇采用并行计算策略建立KD树；

步骤2：搜索最邻近点；

对于每个计算点查询其所在的簇，并确定该簇所在的KD树；之后在KD树中搜索得到所有点最邻近的点，并计算出最邻近距离d_min，直到所有输入的点都计算完毕，得到所有点的最邻近距离；

步骤3：计算G函数；

将得到的所有点最邻近距离按照大小排序，计算最邻近距离的变程R和组距D，其中R＝max(d_min)-min(d_min)，根据组距上限值累积计数点的数量，并计算累积频率G(d)；

步骤4：进行显著性检验并得到分析结果；

若计算结果满足显著性检验指标，输出G(d)关于距离d的曲线图，判断点数据的空间分布模式；随着距离d的变化，犯罪事件统计频率发生变化，如果点事件在空间中趋向聚集分布，G函数值会在较短的距离内快速上升；如果点模式中事件趋向分散分布的，那么G函数值增加得就比较缓慢。

2.根据权利要求1所述的基于G函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤1中所述建立KD树，首先计算每一个簇中所有数据的每一维方差，然后选取方差最大的那一维中所有数据的中位数作为分割超面，即根结点，最后确定左子树右子树，递归进行，直到叶子结点。

3.根据权利要求1所述的基于G函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤2中，采用多线程并行搜索在KD树中搜索最邻近点。

4.根据权利要求1所述的基于G函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤3中，使用所有最邻近点事件的距离构造出一个最邻近距离的累积频率G(d)；

式中，s_i是研究区域中的一个点事件；n是点事件的数量；d是距离；#(d_min(s_i)≤d)表示距离小于d的最邻近点的计数。

5.根据权利要求1-4任意一项所述的基于G函数和改进KD树的犯罪大数据点模式分析方法，其特征在于：步骤4中，使用蒙特卡洛随机模拟的方法，若随机模拟分布函数大于上界U(d)的概率和小于下界L(d)的概率符合则计算结果满足显著性检验指标。