[发明专利]一种犯罪时空预测方法及系统

说明书

本发明涉及一种犯罪时空预测方法及系统，对待预测区域的地图进行网格划分，利用多粒度卷积神经网络数据处理模型得到每个网格在预设历史时期内的犯罪案件个数序列、天气序列、日期序列和地域序列，然后运用GloVe自然语言处理方法将各个序列表示为向量矩阵，所有向量矩阵按照日期拼接成每个网格的多维特征向量矩阵，基于自注意力机制的动态融合算法模型确定每个网格的加权多维特征向量矩阵，采用多窗口编码器对加权多维特征向量矩阵进行信息编码，获得的不同长度窗口捕获的编码特征作为训练集训练分类器，最后利用训练好的分类器预测每个网格在目标日期的犯罪案件发生数量，实现了高效地对犯罪开展时空分析预测。

技术领域

本发明涉及犯罪智能预测领域，特别是涉及一种犯罪时空预测方法及系统。

背景技术

虽然人工智能技术在犯罪领域已经有了较大进步，但是由于犯罪数据获取困难的限制，很多成果还只是停留在研究层面，不能有效对接实战，无法为实战服务，且当前犯罪相关数据更多的还是停留于查询检索应用阶段，针对数据的深入分析研判和深度应用是十分薄弱的。

发明内容

本发明的目的是提供一种犯罪时空预测方法及系统，以实现高效地对犯罪开展时空分析预测。

为实现上述目的，本发明提供了如下方案：

一种犯罪时空预测方法，所述预测方法包括：

对待预测区域的地图进行网格划分，并获取每个网格在预设历史时期内犯罪案件发生的时间；

根据所述犯罪案件发生的时间，确定每个网格在预设历史时期内每天的犯罪案件个数；

利用多粒度卷积神经网络数据处理模型，将每个网格在预设历史时期内每天的犯罪案件个数、每天的天气和每天的日期，以及每个网格所属的地域以天为单位分别填充成相同天数长度的序列，获得每个网格在预设历史时期内的犯罪案件个数序列、天气序列、日期序列和地域序列；

运用GloVe自然语言处理方法，将所述犯罪案件个数序列、所述天气序列、所述日期序列和所述地域序列分别表示为相同维度的向量矩阵，并将所有向量矩阵按照日期拼接成每个网格的多维特征向量矩阵；

根据所述每个网格的多维特征向量矩阵，利用基于自注意力机制的动态融合算法模型，确定每个网格的加权多维特征向量矩阵；

采用多窗口编码器对所述加权多维特征向量矩阵进行信息编码，获得不同长度窗口捕获的编码特征；

将所述不同长度窗口捕获的编码特征作为训练集对分类器进行训练，获得训练好的分类器；

将目标日期、目标日期的天气和每个网格所属的地域输入所述训练好的分类器，预测所述待预测区域的每个网格在目标日期的犯罪案件发生数量。

可选的，所述根据所述犯罪案件发生的时间，确定每个网格在预设历史时期内每天的犯罪案件个数，之后还包括：

确定每个网格在预设历史时期内所有的犯罪案件个数的中位数X_medium；

计算每个网格在预设历史时期内每天的犯罪案件个数分别与所述中位数的绝对偏差值；

确定所有绝对偏差值的中位数MAD；

根据所述犯罪案件个数的中位数X_medium和所述绝对偏差值的中位数MAD，确定犯罪案件个数的范围为[X_medium-n×MAD,X_medium+n×MAD]；

将犯罪案件个数不在[X_medium-n×MAD,X_medium+n×MAD]范围内的网格的犯罪案件个数的值设置为0；

其中，n为比例因子常量。