[发明专利]犯罪预测模型的训练方法、装置及电子设备

说明书

本发明提供了一种犯罪预测模型的训练方法、装置及电子设备，涉及犯罪预测技术领域，包括获取目标区域在预设时间段内的历史犯罪数据；将该历史犯罪数据转化为视频流；对于视频流中的每一图像帧，提取该图像帧的时空特征信息；以该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。本发明实施例通过提取历史犯罪数据在不同时间深度的时间特征，以及通过多层卷积捕捉不同距离的空间依赖得到对应的空间特征，并对二者加以融合得到时空特征信息，基于该时空特征信息对神经网络进行训练得到的犯罪预测模型，可以在更细粒度的时间和空间上进行犯罪预测，提高犯罪预测的准确性。

技术领域

本发明涉及犯罪预测技术领域，尤其是涉及一种犯罪预测模型的训练方法、装置及电子设备。

背景技术

随着公共组织和警察部门收集与存储犯罪事件的详细数据的能力不断提高，每天可以收集大量具有时空信息的数据，这为应用数据分析方法提取与犯罪事件有关的预测模型提供了机会，使警察部门能够更好地制定有效的预防犯罪战略。伴随而来的一个挑战是准确有效地分析大型犯罪数据集，其中，利用深度学习技术可以快速高效地发现海量犯罪数据中的隐藏的模式，提高犯罪预测的准确性。

目前，现有的犯罪时空预测模型，通常是将时间、空间离散，当做独立变量参与建模，忽略了时空数据本身复杂的自相关性；并且，由于细粒度犯罪数据的高度稀疏性使模型表现降低，现有模型对犯罪预测的时空粒度较大，其中，时间粒度通常为月，空间粒度通常达十几平方公里的网格，导致时空相关性捕获不足。

整体而言，现有犯罪时空预测模型对犯罪预测的时空粒度较大，犯罪预测的准确度较低。

发明内容

有鉴于此，本发明的目的在于提供一种犯罪预测模型的训练方法、装置及电子设备，可以在更细粒度的时间和空间上进行犯罪预测，并提高犯罪预测的准确性。

第一方面，本发明实施例提供了一种犯罪预测模型的训练方法，包括：获取目标区域在预设时间段内的历史犯罪数据；将该历史犯罪数据转化为视频流；该视频流中任一时刻的图像帧的像素分布，对应该目标区域在该时刻的历史犯罪数据的分布；对于该视频流中的每一图像帧，提取该图像帧的时空特征信息；该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；以该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。

在本发明较佳的实施例中，上述以该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：以该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；该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；对于每一个该当前训练的时空特征信息，均执行以下训练操作：将该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；该预测特征矩阵对应该目标区域在t+1时刻的预测犯罪数据的分布；基于t+1时刻的该预测特征矩阵、该目标区域在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；根据该损失值调整该神经网络的参数；当该训练操作满足预设的训练结束条件时，将当前训练得到的该神经网络确定为训练好的犯罪预测模型。

在本发明较佳的实施例中，上述对于该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：对于该视频流中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；该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，提取该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。