基于多视角多源数据融合的犯罪预测技术研究

作     者：陈冰冰 

作者单位：中国科学技术大学 

学位级别：硕士

导师姓名：廖勇

授予年度：2023年

学科分类：12[管理学] 030605[法学-犯罪学] 03[法学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0306[法学-公安学] 

主      题：犯罪预测 多视角 多源数据融合 图神经网络 生成对抗网络 

摘      要：犯罪活动对公民的人身和财产安全以及社会的和谐稳定有着不容小觑的威胁,如何预防犯罪成为了社会治理的难题之一。犯罪预测技术能够从历史犯罪数据中挖掘出潜在的犯罪模式,对将来的犯罪情况进行预测。预测的结果能够为打击犯罪政策的制定和民警巡逻路线的优化提供数据支撑。犯罪预测领域当前存在两个挑战。第一个挑战:最受关注的三个视角(时间、空间和类型)的特征依次独立提取,在处理其中一个视角时忽略其他两个视角,这样顾此失彼的特征提取和融合方式可能会导致有用信息的流失。第二个挑战:一些学者除犯罪数据外还引入了一些辅助数据,例如兴趣点数据、城市异常数据和出租车流量数据等。这些数据可以侧面地反映出辖区的内部情况和不同辖区在空间上的关联,为犯罪活动的成因和扩散提供了解释依据。但目前的研究工作对这些数据的融合方式过于简单,直接将它们叠加或者拼接在一起,未必能发挥出更好的融合效果。为应对第一个挑战,本文提出了多视角特征提取与融合技术。打破了时间、空间和类型这三个视角之间存在的特征提取次序,以类型节点为基础,以时间和空间为桥梁,搭建了多视角融合图。在此图之上本文提出了多视角同步卷积算法,卷积过程能够同时提取和融合时间、空间和类型这三个视角的特征。为应对第二个挑战,本文提出了多源数据融合技术。将反映不同辖区之间空间联系的数据融合到多视角融合图中。将反映辖区内部情况的数据经过处理后映射到犯罪数据的数据空间,使得若干额外引入的辅助数据和犯罪数据有着近乎相同的数据分布,以达到更好的融合效果。本文在多个真实世界的犯罪数据集以及兴趣点数据集、城市异常数据集和出租车流量数据集上对本文提出的两项技术进行了充分的实验。第一项研究内容(多视角特征提取与融合技术)与较新的两个犯罪预测模型Mist和CrimeFore-caster相比,在Macro-F1指标上最高可提升22%和5.2%。第二项研究内容(多源数据融合技术)在第一项研究内容的基础上平均提升了 3.1%。除此之外,我们还对这两项技术进行了消融实验,充分验证了各组成模块的必要性。