基于时空序列混合模型的犯罪情报预测分析

摘要：

[目的/意义]犯罪行为的分布和发生在时间上和空间上具有一定的规律性.犯罪情报预测分析对于获取未来的犯罪变化动态具有重要意义.传统的犯罪情报预测分析,要求熟悉政治、人文、经济、地理等多方面因素和社会犯罪动态变化规律,具有一定的局限性.因此需要探究新方法.[方法/过程]针对犯罪数据构建了神经网络和STARMA(时空自相关移动平均模型)的时空序列混合模型,根据历史犯罪数据预测未来发生犯罪的数量变化.首先利用神经网络提取犯罪数据中非线性特征,然后对残差建立STARMA模型,整合出最终的预测结果.[结果/结论]既弥补了传统STARMA模型无法挖掘非线性关系的不足,又满足了模型所需数据的平稳性的要求.通过实验验证了该方法可减小预测误差,在犯罪情报预测方面更加准确.

关键词：犯罪情报预测、时空序列、神经网络、STARMA模型、混合模型

所属期刊栏目：37

分类号：G353.1;TP301.6(情报学、情报工作)

资助基金：国家自然科学基金资助项目"未来超密集异构网络的理论分析与资源协同优化技术"61771072;中国人民公安大学基本科研业务费项目"基于认知可信度的在线社会网络犯罪及安全研究"2016JKF01317

在线出版日期：2018-10-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：27-31,37