摘要
【目的】研究日盗窃犯罪数量的预测问题。【方法】基于LSTM网络,利用中国北方某大型城市2005年1月1日至2007年2月24日以及2009年1月1日至2011年1月7日的每日实际盗窃犯罪数据,设置三个算例分别进行时间序列预测研究及验证,并与ARIMA、支持向量回归、随机森林以及XGBoost方法的预测结果进行对比。【结果】LSTM网络模型能够较好地预测日盗窃犯罪数量的变化趋势,三个算例中的百分比均方根误差分别为18.4%、11.7%、41.9%,性能均优于ARIMA、支持向量回归、随机森林以及XGBoost模型。【局限】对日盗窃犯罪数量波动较大时段的预测需要开展进一步研究。【结论】本文的研究结果预期可以为社区安全防范措施的调整、巡逻警力测算与部署等具体业务工作提供决策支持。
[Objective]This paper tries to predict the daily number of theft activities.[Methods]We used LSTM network to analyze theft data from a large city in north China.First,we retrieved our data from January 1,2005 to February 24,2007 and from January 1,2009 to January 7,2011,respectively.Then,we set three different cases to examine the time series prediction of the daily number.Finally,we compared our results with those of ARIMA,Support Vector Regression,Random Forest and XGBoost with the same data set.[Results]The percentage root mean square error(PRMSE)of our model were 18.4%,11.7%and 41.9%,respectively,which were better than those of ARIMA,Support Vector Regression,Random Forest or XGBoost model.[Limitations]More research is needed to predict the period when the number of theft crimes fluctuates dramatically.[Conclusions]The proposed model could improve the decision makings for community safety,police patrol and other specific missions.
作者
颜靖华
侯苗苗
Yan Jinghua;Hou Miaomiao(National Science Library,Chinese Academy of Sciences,Beijing 100190,China;Department of Library,Information and Archives Management,School of Economics and Management,University of Chinese Academy of Sciences,Beijing 100190,China;School of Information and Network Security,People’s Public Security University of China,Beijing 100038,China)
出处
《数据分析与知识发现》
CSSCI
CSCD
北大核心
2020年第11期84-91,共8页
Data Analysis and Knowledge Discovery
基金
国家重点研发计划项目(项目编号:2018YFC0809700)
公安部科技强警基础工作专项项目(项目编号:2018GABJC01)的研究成果之一。
作者简介
通讯作者:颜靖华,ORCID:0000-0002-7837-8439,E-mail:yanjinghua@ppsuc.edu.cn。
