近10年来犯罪时空预测国内外研究与实践进展
|
贺日兴, 陆宇梅, 姜超, 邓悦, 李欣然, 时东
|
Progress in Research and Practice of Spatial-temporal Crime Prediction over the Past Decade
|
HE Rixing, LU Yumei, JIANG Chao, DENG Yue, LI Xinran, SHI Dong
|
|
表3 2013—2021年犯罪预测研究中4类犯罪在不同时空尺度下的优势模型
|
Tab. 3 The best performing models for four types of crime at different spatial-temporal scales in crime prediction studies from 2013 to 2021
|
|
犯罪类型 | 时间尺度 | 空间尺度 | 预测效果 | 模型方法 | 研究区 | 偷窃 | 微观
| 微观 | RMSE:0.0284[64] | BP神经网络 | 美国芝加哥 | PAI:37.9[65] | 数据驱动的格林函数方法(DDGF)+自激点过程 | 美国芝加哥 | 微观 | 中观 | RMSE:1.03[27] | LSTM和时空图卷积网络(ST-GCN)相结合的方法 | 美国芝加哥 | Precision:0.775[66] | 随机森林 | 菲律宾马尼拉 | 抢劫 | 微观 | 微观 | PAI:10.3[69] | 时空协克里金算法 | 中国ZG市XT警区 | 微观 | 中观 | RMSE:0.145[33] | 随机森林 | 菲律宾马尼拉 | 宏观 | 微观 | Precision:0.775[66] | 随机森林 | 美国达拉斯 | 宏观 | 中观 | PAI:40[67] | 线性判别分析与K-近邻算法集成模型(LDAKNN) | 中国江西省南昌市主城区 | | | RMSE:0.4左右[68] | 基于密度的聚类算法(DBSCAN) | 美国达拉斯 | 入室盗窃 | 微观
| 微观 | PAI:15.3[69] | 时空神经网络-门控循环单元(STNN-GRU) | 美国波特兰 | | PAI:8 [17] | 加入公平性的霍克斯过程 | 美国印第安纳波利斯 | 中观 | 微观 | RMSE:2.264[37] | 综合拉普拉斯近似框架 | 荷兰阿姆斯特丹20个社区 | | Precision:0.24左右[39] | 逻辑回归与多层感知器(MLP)集成模型 | 比利时某城市 | | PAI:78.5[16] | 旋转网格最大化(RGPM)+随机森林 | 美国波特兰 | 宏观 | 中观 | PAI:17.5[69] | 基于密度的聚类(DBSCAN) | 美国达拉斯 | 盗窃机动车 | 微观 | 微观 | Precision:0.863[70] | 时空神经网络-门控循环单元(STNN-GRU) | 美国波特兰 | PAI:6[17] | 加入公平性的霍克斯过程 | 美国印第安纳波利斯 | 中观 | 中观 | PAI:10.3[69] | 基于密度的聚类(DBSCAN) | 美国达拉斯 |
|
|
|