[发明专利]犯罪预测模型的训练方法、装置及电子设备

权利要求书

1.一种犯罪预测模型的训练方法，其特征在于，包括：

获取目标区域在预设时间段内的历史犯罪数据；

将所述历史犯罪数据转化为视频流；所述视频流中任一时刻的图像帧的像素分布，对应所述目标区域在该时刻的历史犯罪数据的分布；

对于所述视频流中的每一图像帧，提取该图像帧的时空特征信息；所述时空特征信息融合了该图像帧在预设多个时间深度的时间特征，以及该图像帧的空间特征；

以所述视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型。

2.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述以所述视频流中各图像帧的时空特征信息为训练集合，训练预设的神经网络，直至满足预设的训练结束条件，得到训练好的犯罪预测模型的步骤，包括：

以所述视频流中各图像帧的时空特征信息为训练集合，确定当前训练的时空特征信息；所述当前训练的时空特征信息对应t时刻图像帧的时空特征信息；

对于每一个所述当前训练的时空特征信息，均执行以下训练操作：将所述当前训练的时空特征信息输入预设的神经网络中，输出t+1时刻的预测特征矩阵；所述预测特征矩阵对应所述目标区域在t+1时刻的预测犯罪数据的分布；

基于t+1时刻的所述预测特征矩阵、所述目标区域在t+1时刻的实际犯罪数据和预设的损失函数，计算当前训练的时空特征信息的损失值；根据所述损失值调整所述神经网络的参数；

当所述训练操作满足预设的训练结束条件时，将当前训练得到的所述神经网络确定为训练好的犯罪预测模型。

3.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述对于所述视频流中的每一图像帧，提取该图像帧的时空特征信息的步骤，包括：

对于所述视频流中t时刻的图像帧，按下述方式提取该图像帧的时空特征信息：

基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵；所述时间特征矩阵融合了预设多个时间深度的时间特征；

基于预设的第二神经网络，提取所述时间特征矩阵的空间特征，得到该图像帧的时空融合特征信息。

4.根据权利要求3所述的犯罪预测模型的训练方法，其特征在于，所述基于预设的第一神经网络，提取该图像帧的时间特征，得到该图像帧的时间特征矩阵的步骤，包括：

对于预设多个时间深度中的每个时间深度，根据预设对应的子神经网络提取该图像帧在所述时间深度的时间特征；所述子神经网络包括至少一层卷积神经网络和至少一层预激活残差神经网络；

通过预设的连接层网络，融合各个所述子神经网络提取的时间特征，得到该图像帧的时间特征矩阵。

5.根据权利要求3所述的犯罪预测模型的训练方法，其特征在于，所述基于预设的第二神经网络，提取所述时间特征矩阵的空间特征，得到该图像帧的时空融合特征信息的步骤，包括：

将所述时间特征矩阵输入预设的多层预激活残差神经网络以及一层卷积神经网络，输出该图像帧的时空融合特征信息。

6.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述将所述历史犯罪数据转化为视频流的步骤，包括：

按预设网格间距将所述目标区域结构化为方形网格，按预设时间间隔将所述预设时间段划分为多个时间段；

将每个所述时间段的历史犯罪数据投影到所述方形网格中，得到各个网格区域在各个所述时间段内的犯罪数据；

对于每一个所述时间段，构建对应的时空矩阵，所述时空矩阵中的数值为对应空间区域在该时间段内的犯罪数量；

根据所述时空矩阵生成对应的图像帧，所述图像帧中的像素分布对应所述时空矩阵中的数值分布；

根据所述图像帧得到视频流。

7.根据权利要求1所述的犯罪预测模型的训练方法，其特征在于，所述方法还包括：

获取所述目标区域在所述预设时间段内影响犯罪的外部因素数据；

根据所述历史犯罪数据和所述外部因素数据，共同转化得到所述视频流。