顾及时空语义的疑犯位置时空预测

预测疑犯的社会活动行踪,对案件嫌疑人的排查以及犯罪行为的主动预防具有重大意义。当前研究主要依据疑犯的历史系列作案位置预测其住址或未来犯罪位置,缺少对其复杂社会活动位置的转移过程进行建模,也没有考虑位置数据稀疏性对预测性能产生的影响。为此,提出了融合时空语义的位置时空预测(spatio-temporal semantics location prediction,SSLP)模型。首先,利用疑犯在不同语义时段和语义位置上的分布邻近性提取目标疑犯的相似疑犯群体;其次,结合该群体的轨迹数据和位置语义信息,基于核密度平滑方法估算出涉及未记录位置的转移频次及其时态访问概率;最后,采用贝叶斯模型实现疑犯个体的时空预测。实验结果表明,基于W市2013年1月至6月间158名疑犯的17 539个位置记录数据,SSLP模型在top-k距离偏离度和top-k精确率上优于其他流行方法 40%～50%,对疑犯位置数据稀疏性具有优异的适应能力。

融合历史犯罪数据的疑犯社会活动位置预测

由于重点跟踪人员(疑犯)的社会活动监控数据可获取性差,难以直接反映疑犯的社会活动时空模式,降低了案情分析和犯罪风险预测的有效性。为此,本文提出了融合犯罪记录的位置预测(Crime Records enhanced Location Prediction,CRe LP)模型,将疑犯犯罪记录信息融入协同过滤算法,预测疑犯在未来对任意位置的访问频度。该方法利用张量(Tensor)表达疑犯在不同时段和位置上的访问频度,基于疑犯的犯罪事件数据构建疑犯时空关联度矩阵,利用该矩阵约束正则化的张量分解(Tensor Decomposition)过程,以解算出张量中的缺失值,进而获得各疑犯的潜在时空分布模式。实验采用包含了241个疑犯、1.9万个位置记录的真实疑犯位置数据集进行了模型测试,结果表明本文方法在均方根误差和top-k最小搜寻距离2个指标上都超过其他Baseline方法32%~63%和14%~26%,大幅提高了位置时空预测的有效性和健壮性。