[发明专利]基于ConvLSTM模型的城市侵财案件预测方法及其系统

说明书

本发明公开了一种基于ConvLSTM模型的城市侵财案件预测方法及其系统，该方法包括：侵财案件时空分布特征分析；侵财案件的金字塔分层统计；构建基于小时融合时段的时空序列：选择具有相同趋势的各子时段作为时间分辨率，统计相同层级下的各融合时段的案件数量，构建时空序列；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。本发明通过引入ConvLSTM网络，识别提取稀疏侵财类警情时空分布特征，记忆侵财类警情时间序列间的依赖关系，能够对未来侵财类警情的时空分布进行预测。

技术领域

本发明模型计算技术领域，涉及城市侵财案件预测模型技术，具体涉及一种基于ConvLSTM模型的城市侵财案件预测方法及其系统。

背景技术

侵财案件的区域时空分布并非随机或均匀的，而是呈现出时空聚集性、周期性以及 时空交互性，存在近重复发生现象。侵财案件的治安防控一直是公安部门的重要工作之一，因此基于侵财案件发生的时空规律，实现微观时间尺度的时空分布预测，对公安部 门合理规划治安和巡防方案，有效打击犯罪具有重要意义。

目前，通过分析犯罪的时空分布从而揭示犯罪者作案行为规律，已有大量研究成果。 在此基础上，不断有研究通过揭示侵财案件时空分布特征进行犯罪预测，预测的时间尺 度也在不断变小，从年、月的宏观时间尺度预测发展到探索基于天、小时的微观时间尺度预测研究，预测的空间维度粒度也不断细化至社区级的微观空间尺度。因为微观的数 据可以减少分析过程中的集聚效应，减少生态谬论的风险，使得小时级、社区级微观时 空尺度下的犯罪预测已成为研究趋势。但是在微观时空尺度下，侵财类案件分布稀疏， 传统模型难以提取出其时空分布特征从而进行预测，同时受微观尺度影响的形成长时间 序列超出了传统模型的计算能力。

专利号为201910805479.9的专利文献，公开了“基于时空尺度自适应模型的城市侵 财案件预测系统及预测方法”，其提供了一种时空尺度自适应模型预测城市侵财案件，采用的ST-ResNet网络具有很好的稀疏矩阵提取能力，但是长时间序列的记忆能力有所 不足，从而导致预测的准确率不是很理想。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于ConvLSTM模型的城 市侵财案件预测方法及其系统，为了更好的挖掘城市侵财案件时间特性，以提高城市侵 财案件预测的准确率，通过引入ConvLSTM网络，其兼具优秀的稀疏矩阵特征提取能 力和长时间序列的记忆能力，识别提取稀疏侵财类警情时空分布特征，记忆侵财类警情 时间序列间的依赖关系，能够对未来侵财类警情的时空分布进行预测。

技术方案：为实现上述目的，本发明提供一种基于ConvLSTM模型的城市侵财案 件预测方法，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快速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。