發(fā)布時間：2021-09-28 11:35

　　時序分析方法目前雖被廣泛應用于各類犯罪的預測預警之中,但少有研究對各類時序分析方法的預測尺度以及節(jié)假日因素對犯罪的影響加以考慮�；赑rophet算法將節(jié)假日因素完整地納入時序分析模型中對現(xiàn)有的犯罪預測模型進行多重優(yōu)化,并比較Prophet和傳統(tǒng)時序分析模型ARIMA對盜竊和詐騙兩類典型犯罪在多時間尺度上的預測效果,從而進一步豐富犯罪預測方法的體系。研究結果發(fā)現(xiàn)ARIMA模型具有良好的短期預測性能,其對盜竊案件的預測準確率達到88. 99%,比Prophet模型高出4. 86%;加入節(jié)假日因素的Prophet模型在各時間尺度上均衡性更強,且對兩類犯罪的長期預測準確率均高于ARIMA模型,達到了83. 69%和82. 49%。Prophet和ARIMA模型在多尺度時序上的良好組合可有效提升犯罪預測的準確率。 

【文章來源】：中國人民公安大學學報(自然科學版). 2020,26(03)

【文章頁數(shù)】：7 頁

【部分圖文】：

2004～2014年盜竊案件和詐騙案件趨勢分析

為分析犯罪案件數(shù)據(jù)的規(guī)律，減少由于統(tǒng)計錯誤出現(xiàn)的誤差，首先對預測方法進行3次優(yōu)化，方案優(yōu)化的流程見圖2。第1組方案為Prophet和ARI-MA的原始模型，此為對照組;第2組方案是利用Prophet內(nèi)建的holiday函數(shù)添加節(jié)假日變量，內(nèi)建函數(shù)包含的節(jié)假日信息為:元旦、春節(jié)、清明節(jié)、勞動節(jié)、端午節(jié)、中秋節(jié)以及國慶節(jié)。但是我們發(fā)現(xiàn)每個節(jié)日只設定在一天之內(nèi)，這不符合我國節(jié)假日的放假周期為3天或7天的國情，因此我們建立了2004～2014年每年的節(jié)假日列表，并將該列表導入Prophet的holiday函數(shù)形成第3組優(yōu)化。第4組優(yōu)化是在處理數(shù)據(jù)的過程中，發(fā)現(xiàn)每月1日的發(fā)案量遠高于本月其他日期，經(jīng)于公安部門實地考察后判定每月1日的案件數(shù)量存在一定的統(tǒng)計錯誤，因此將每月1號的案件數(shù)量處理為異常值。以盜竊案為例對4組優(yōu)化的效果進行比較，同時區(qū)分Prophet的加法模型和乘法模型，在表1可以看出第4組方案具有最好的預測效果。2.2 Prophet和ARIMA模型的預測結果分析

從表2中可以看出:(1)對于短期預測特別是未來一周的預測，ARIMA模型對盜竊案件預測的準確率更高，對于長期預測如未來一年的預測，Prophet模型在這兩類案件中都更具優(yōu)勢;(2)對于詐騙案件而言，Prophet的加法模型一直是最優(yōu)的預測模型，對于盜竊案件而言，預測未來一周和一月都應選擇ARIMA模型;(3) ARIMA模型具有良好的短期預測性能，其對盜竊案件的預測準確率達到88.99%，比Prophet模型高出4.86%;加入節(jié)假日因素的Prophet模型在各時間尺度上均衡性更強，且對兩類犯罪的長期預測準確率均高于ARIMA模型，達到83.69%和82.49%。從上述對預測結果的分析中可以看出，模型選擇主要以預測周期的長短為依據(jù)，為了進一步探究模型的效果是否與案件類型有關，表3選取了5類案件均以年為周期進行預測，可以發(fā)現(xiàn)即使是盜竊—盜竊自行車、搶劫—入室搶劫，這些屬于同一類的案件其最優(yōu)模型也是不同的;發(fā)案量越大，Prophet模型越優(yōu)于ARIMA模型。綜上所述，模型的預測效果與案件類別之間不存在明顯的關系，而與預測周期的尺度及發(fā)案數(shù)量存在一定關系。

【參考文獻】：
期刊論文
[1]Prophet時序預測模型在電離層TEC異常探測中的應用[J]. 翟篤林,張學民,熊攀,宋銳.  地震. 2019(02)
[2]基于Prophet框架的銀行網(wǎng)點備付金預測方法[J]. 李麗萍,段桂華,王建新.  中南大學學報(自然科學版). 2019(01)
[3]犯罪量動態(tài)優(yōu)化組合預測方法[J]. 李明,薛安榮,王富強,吳正寅.  計算機工程. 2011(17)



本文編號：3411823