針對犯罪分布預測準確率低,歷史犯罪數據缺失嚴重的問題,提出了基于歷史犯罪數據,融合所研究地區(qū)的社會環(huán)境因素的轉移概率矩陣自學習的犯罪分布預測算法——TWcS.將包括距離信息、面積信息、人口信息在內的社會環(huán)境因素作為權重值引入到梯度下降策略中,利用梯度下降實現TWcS算法的轉移概率矩陣自學習.實驗結果證明,TWcS算法的性能明顯優(yōu)于包括當前最優(yōu)基線算法(TPML-WMA)在內的其他預測算法(如LR、AR、Lasso回歸算法、貝葉斯算法、決策樹算法等),TWcS算法的MAE值是其他算法MAE平均值的33%.

【文章頁數】：7 頁

【文章目錄】：
1 融合社會環(huán)境因素的犯罪分布預測算法TWcS
    1.1 社會環(huán)境因素建模
    1.2 TWcS算法
    1.3 評價標準
2 實驗及結果分析
    2.1 數據集
    2.2 初始值選擇對實驗結果的影響
    2.3 權重系數設置對實驗結果的影響
    2.4 TWcS算法與TPML-WMA/線性回歸/自回歸算法的對比
    2.5 TWcS算法與Lasso回歸/貝葉斯/決策樹算法的對比
    2.6 在評價標準MAE下對比各算法的性能
3 結 論



本文編號：3821193