基于转移概率矩阵自学习的犯罪分布预测

针对犯罪分布预测准确率低,历史犯罪数据缺失严重的问题,提出了基于历史犯罪数据,融合所研究地区的社会环境因素的转移概率矩阵自学习的犯罪分布预测算法——TWcS.将包括距离信息、面积信息、人口信息在内的社会环境因素作为权重值引入到梯度下降策略中,利用梯度下降实现TWcS算法的转移概率矩阵自学习.实验结果证明,TWcS算法的性能明显优于包括当前最优基线算法(TPML-WMA)在内的其他预测算法(如LR、AR、Lasso回归算法、贝叶斯算法、决策树算法等),TWcS算法的MAE值是其他算法MAE平均值的33%.

基于集成特征选择的盗窃案件预测方法

盗窃类案件是公安机关较为棘手的一类犯罪,呈现高发低破态势.提前预测发案情况是预防该类型犯罪的有效途径,因此对预测盗窃犯罪提出了一种以Bagging方法为基础、基于特征选择准确度和差异性双重考量的集成学习算法,根据集成学习器好而不同的原则,构造由异质基学习器集成的特征选择器,实现对影响盗窃犯罪发生因子的有效选择,使用更少维度的特征数据集提升犯罪预测的效率和准确度.实验结果表明,提出的SEFV_Bagging算法具有较好的泛化能力和稳定性,在测试数据上表现出的预测准确度也较为理想,且算法无需根据先验知识设置所选特征子集维数,在盗窃犯罪数据分析预测领域应用中有较为明显优势.

基于TPML-WMA算法的犯罪率分布模型分析

犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted Moving Average)的新算法,利用此算法去学习转移概率矩阵,然后对得到的矩阵做加权移动处理,进而来预测未来的犯罪率分布。本文所用数据集是中国某市2001年到2011年共11年间盗窃案发生的数据集,在此之上本文建立了VM(Vector Motion)模型,提出了TPML-WMA算法对犯罪率进行预测,并讨论了不同初始条件下算法的性能。本文还将所提出的算法与基于最小二乘法的经典线性回归方法进行比较。拟合的结果表明TPML-WMA模型的预测性能较线性回归模型有了很大提升。

基于ID3—SMOTE结合算法的社会群体性事件预警模型

当前国内群体性事件表现出组织化、复杂化、政治化、暴力化的特征,严重影响了社会的和谐稳定。通过科学手段预测群体性事件是预防其发生的有效途径。在以往的群体性事件预警方法中,主要都是通过定性分析或简单的定量分析方法实现预测,相对缺乏科学可靠的数据事实作为支撑。文中笔者通过内部单位获取到近年来发生在我国境内的群体性事件的相关数据,创新性地将机器学习的思路引入群体性事件预警领域,颠覆了针对群体性事件的传统分析方法。从社会科学和自然科学的双重视角出发,我们利用机器学习技术科学预测群体性事件。这对政府在处置群体性事件过程中科学决策、有效预防和快速反应具有重要指导意义。