[发明专利]基于ConvLSTM模型的城市侵财案件预测方法及其系统

权利要求书

1.基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，包括如下步骤：

S1：侵财案件时空分布特征分析：

对案件数据进行统计分析，分析侵财案件时间分布特征、空间分布特征和时空分布特征，确定侵财案件数据的周期和空间分布形态；

S2：侵财案件的金字塔分层统计：

应用金字塔分层方法统计不同层级的侵财案件分布情况，从而获取每小时不同空间分辨率下的案件分布图；

S3：构建基于小时融合时段的时空序列：

结合步骤S1获取的时间分布特征，选择具有相同趋势的各子时段作为时间分辨率，在步骤S2金字塔分层方法基础上，统计相同层级下的各融合时段的案件数量，构建时空序列；

S4：构建侵财案件的ConvLSTM预测模型并确定最优时空分辨率对侵财案件进行预测，获取到预测结果。

2.根据权利要求1所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤S1中通过移动平均法来分析侵财案件的时间分布特征；通过功率谱法来分析侵财案件的时间分布周期性特征；通过DBEST模型分析侵财案件的时间分布趋势特征；通过Ripley’s K方法和高/低聚类方法分析侵财案件的空间分布特征；通过近重复计算器和蒙特卡洛模拟方法检验侵财案件时空分布的近重复特征及其显著性。

3.根据权利要求2所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤S1中通过近重复计算器和蒙特卡洛模拟方法检验侵财案件时空分布的近重复特征及其显著性的具体过程为：通过近重复计算器来检验侵财案件时空分布的近重复性特征，近重复计算器中选择蒙特卡罗模拟方法作为显著性检验的计算方法，蒙特卡罗模拟是指在保持参与计算的案件点的空间位置不变的同时，对时间信息进行随机变化，并将时间信息赋予给原有案件点，并重复此过程多次，每次随机模拟的时空数据都会计算出对应的矩阵表格。

4.根据权利要求1所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤S2具体包括如下步骤：

A1：将全球地图在墨卡托投影下进行金字塔分层；

A2：在金字塔分层的多个空间分辨率下统计侵财案件的空间分布情况。

5.根据权利要求1所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤S3具体包括如下步骤：

B1：寻找步骤S2中DBEST模型对侵财案件时间序列在一天内基于小时的变化趋势分析结果中的时序断点，将侵财案件时间序列分割成多个时段；

B2：在金字塔分层的基础上，对相同层级下的各个时段的侵财案件进行统计，构建时空序列。

6.根据权利要求1所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤S4具体包括如下步骤：

C1：在统一的网格空间分辨率下选取不同的激活函数、ConvLSTM层中的网络层数和三维最大池化层以及卷积层中的卷积核大小进行模型训练，选用均方根误差对模型训练结果进行对比分析，选取激活函数、ConvLSTM网络的ConvLSTM层以及卷积层参数构建侵财案件预测模型；

C2：通过计算PAI指数，对比不同时空分辨率下的侵财案件时空分布预测效果，选取最优的预测时段和空间分辨率；

C3：在最优的时空分辨率下，使用构建好的预测模型进行城市侵财案件的警情预测。

7.根据权利要求6所述的基于ConvLSTM模型的城市侵财案件预测方法，其特征在于，所述步骤C2中PAI的计算公式如下：

其中，n是预测为有案件发生的网格区域内的案件数值，N是全部区域内实际发生的案件数量的总和，a是预测为案件发生网格区域的面积值，A是研究区的总面积值。

8.基于ConvLSTM模型的城市侵财案件预测系统，其特征在于，包括侵财案件时空分布特征分析模块、侵财案件时空序列构建模块、预测模型训练模块、预测模型预测模块和预测结果展示模块；所述侵财案件时空分布特征分析模块用于对侵财案件的时间分布周期特征、趋势特征、空间分布特征和时空分布特征进行可视化分析；所述侵财案件时空序列构建模块用于统计各空间分辨率下的各个融合时间段的案件分布；所述预测模型训练模块用于构建ConvLSTM模型，并训练输入数据，形成城市侵财案件预测模型，并自适应地确定预测的最优时空分辨率；所述预测模型预测模块用于输入预测的时间范围和空间范围，选择最优模型进行预测；所述预测结果展示模块是用于预测结果的可视化。