[发明专利]基于多头神经网络的犯罪预测方法及系统

说明书

本发明提供了一种基于多头神经网络的犯罪预测方法及系统，包括：特征获取步骤：从服务器中获取已有犯罪数据的特征；输入步骤：向一个共享神经网络输入获取的特征并进行运算，所述共享神经网络的末端包括多个输出头；输出步骤：每个输出头根据所述共享神经网络的运算结果输出一个预测模型；拟合步骤：对所有预测模型进行拟合，得到犯罪预测结果；预测步骤：根据犯罪预测结果预测每个区域发生犯罪的概率，并在电子地图或监控软件中进行可视化处理。本发明采用多头的共享神经网络来进行一致性的有效率的犯罪预测，解决了传统的多个独立网络预测的缺陷，并提升最终的预测效果。

技术领域

本发明涉及计算、推算领域，具体地，涉及一种基于多头神经网络的犯罪预测方法及系统。

背景技术

传统的犯罪预测研究主要基于人口统计学特征，即人口的社会经济特征，如受教育程度、收入水平和贫富差距。然而，人口统计学还不足以理解犯罪的动态和复杂性。首先，在一个特定社区中，大多数人口统计特征相对稳定，比如这个社区的贫富情况。导致犯罪的动态特性无法在一个相对稳定的社区中捕获，因为贫富情况并不会发生改变。另一方面，多个社区之间也一般具有相似的人口特征，因此很难捕捉不同社区之间导致犯罪的差异。近年来，随着大数据行业的发展，大量犯罪相关数据得到了收集和整理，犯罪行为得到有效的刻画，数据的颗粒度也变得很详细，这些都为犯罪预测分析提供了有用的可能性。例如各个区域的气象数据已被证明与城市犯罪有关联。因此，越来越多的数据的聚合是对犯罪的预判是非常重要的。

为了能够准确的预测犯罪的发生，传统的基于深度学习的犯罪预测方法一般会在多个时空的维度上分别对同样的犯罪数据进行预测，如按照前N个星期中礼拜一下午8点左右发生犯罪事件的数据预测犯罪在接下里发生的周期预测，按照前一个礼拜的每天下午8点左右发生犯罪数据的数据预测犯罪在接下里发生的趋势预测，和按照今天8点前的24内数据预测今天下午8点犯罪发生的实时预测。最后对三种预测进行融合，根据融合的结果来预测每个区域发生犯罪的概率推断。

其中趋势预测神经网络模型通过最小化y₁与真实值之间的差。具体来说，参数θ₁在损失函数loss上通过梯度下降来进行拟合，

周期预测神经网络模型通过最小化y₂与真实值之间的差。具体来说，参数θ₂在损失函数loss上通过梯度下降来进行拟合，

实时预测神经网络模型通过最小化y₃与真实值之间的差。X₁、X₂、X₃分别为每个模型的输入特征。具体来说，参数θ₃在损失函数loss上通过梯度下降来进行拟合，

上面loss公式中的c是控制L2权重正则化，防止参数过拟合。

如图1所示，最终预测犯罪是为Y＝λ₁Y₁+λ₂Y₂+λ₃Y₃，其中λ₁，λ₂，λ₃为趋势模型、周期模型和实时模型的权重参数。

根据上面的分析，可以看出，同样的一份区域的犯罪数据，根据不同的预测目标可以获得三个不同的模型不同的模型也对应了三组不同的网络参数θ₁，θ₂和θ₃。在实际的预测中，也需要分别预测三个目标函数的值并进行融合。