[发明专利]基于多模态学习和LSTM风险研判方法

权利要求书

1.基于多模态学习和LSTM风险研判方法，其特征在于，包括如下步骤：

第一步：获取相关的数据，数据中要求有时空信息特征并有其他的多源数据信息；

第二步：对数据进行预处理，多模态信息融合；

第三步:依据提出的数据流进行数据处理，生成中间结果数据；

第四步:基于改进的LSTM进行风险研判；

第五步：得到风险研判结果并依据验证集数据计算准确率。

2.根据权利要求1所述的基于多模态学习和LSTM风险研判方法，其特征在于，数据的预处理与模型的损失函数：

1)数据标准化：数据的标准归一化可以将数据集映射到另外一个统一尺度的纬度中，通过对数据集中样本的统计，对每个特征分别进行定心和定标，使“变换”方法将均值和标准差存储起来，使得数据集所有特征的趋势对样本由距离产生的影响归至同一级别；

模型的输入犯罪时空序列属于包含了多区域信息比较复杂的数据结构；

犯罪时空数据标准归一化后的犯罪时空序列Z(t)计算方法如下：

Z(t)＝(x-u)/σ

上式中，u表述输入到序列x的数学期望值；符号σ表示输入序列x的标准偏差；

2)模型的损失函数：

使用均方误差(Mse)函数作为损失函数，犯罪时空序列的预测就是回归问题，预测值和目标值之间的损失函数的计算公式如下：

上式中，y_i表示数据的实际值，表示BP神经网络的预测值，n表示每轮训练数据的样本数目；

3)模型的先验知识：

当模型的输入为单社区区域的犯罪时间序列时，如果在时刻t₁至t_n的犯罪序列与时刻t_1+m至t_n+m的犯罪序列趋势相同，那最终输出的预测值也相同，但时刻t₁和t_1+m并不相同；不同时刻的模型输入应具有不同的特性，当神经网络模型中加入先验知识有助改进模型对犯罪时空序列的预测效果，相对时间的构建方法如下公式：

t₀＝1，t₁＝1+1/2，...，t_j＝1+j/T(j＝1，2，...，T)

上式中，T表示时空序列总的时间段数，t_j表示时刻j的相对时间。