Please wait a minute...
Advanced Search
数据分析与知识发现  2018, Vol. 2 Issue (10): 15-20    DOI: 10.11925/infotech.2096-3467.2018.0741
  专题 本期目录 | 过刊浏览 | 高级检索 |
基于长短记忆型卷积神经网络的犯罪地理位置预测方法*
肖延辉,王欣,冯文刚,田华伟(),吴绍忠,李丽华
中国人民公安大学侦查与反恐怖学院 北京 100038
中国人民公安大学公安情报研究中心 北京 100038
Predicting Crime Locations Based on Long Short Term Memory and Convolutional Neural Networks
Yanhui Xiao,Xin Wang,Wen’gang Feng,Huawei Tian(),Shaozhong Wu,Lihua Li
School of Criminal Investigation and Counter Terrorism, People’s Public Security University of China, Beijing 100038, China
Research Center for Public Security Intelligence, People’s Public Security University of China, Beijing 100038, China
全文: PDF(860 KB)   HTML
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】利用犯罪嫌疑人的历史活动轨迹, 预测其可能潜藏的地理位置, 进而对其进行定位、跟踪、监控或抓捕。【方法】提出基于长短记忆型卷积神经网络的犯罪地理位置预测方法: 利用卷积神经网络提取重要犯罪位置特征, 挖掘位置数据在空间维度上的局部相关性; 基于长短记忆型神经网络学习位置特征在时间维度上的连续性, 得到下一个位置的预测。【结果】在真实轨迹数据集GeoLife上进行对比实验, 本文方法将犯罪地理位置预测的精确度从0.71提高到0.79。【局限】实验采用GeoLife真实轨迹数据集进行模拟仿真, 方法的实用性和有效性需要在公安一线实战中进一步检验。【结论】本文方法可以有效挖掘空间相关性和时间连续性, 预测精确度远高于随机预测精确度, 可以为公安情报研判提供有效参考。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
肖延辉
王欣
冯文刚
田华伟
吴绍忠
李丽华
关键词 犯罪打击深度学习神经网络位置预测    
Abstract

[Objective] This paper tries to predict the locations of suspects based on historical activity trajectory data, aiming to locate, track, monitor or arrest the suspects. [Methods] First, we proposed long short term memory (LSTM) and convolutional neural networks (CNN) models to predict crime locations. Then, we used the CNN model to extrct location features of key suspects and analyze their spatial correlations. Finally, we utlized the LSTM model to maintain the temporal continuity and obtain the future locations. [Results] Compared with previous models, the proposed method increased the prediction accuracy from 0.71 to 0.79 with the trajectory GeoLife dataset. [Limitations] The model was only examined with the Geolife dataset. [Conclusions] The proposed method fully exploits the spatial correlation and temporal continuity of data, which improves the effectiveness of public security intelligence analysis.

Key wordsCrime Fighting    Deep Learning    Neural Networks    Location Prediction
收稿日期: 2018-07-09     
基金资助:*本文系国家自然科学基金项目“基于矩阵分解的图像表示方法及其应用研究”(项目编号: 61502506)、国家自然科学基金项目“基于统一结构场模型的警务视频分析研究”(项目编号: 61501467)和国家社会科学基金重大项目“当前我国反恐形势及对策研究”(项目编号: 15ZDA034)的研究成果之一
引用本文:   
肖延辉,王欣,冯文刚,田华伟,吴绍忠,李丽华. 基于长短记忆型卷积神经网络的犯罪地理位置预测方法*[J]. 数据分析与知识发现, 2018, 2(10): 15-20.
Yanhui Xiao,Xin Wang,Wen’gang Feng,Huawei Tian,Shaozhong Wu,Lihua Li. Predicting Crime Locations Based on Long Short Term Memory and Convolutional Neural Networks. Data Analysis and Knowledge Discovery, DOI:10.11925/infotech.2096-3467.2018.0741.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2018.0741
图1  长短记忆型卷积神经网络位置预测算法
方法 精确度
1阶马尔可夫模型 0.48
2阶马尔可夫模型 0.51
1阶变阶马尔可夫模型 0.49
2阶变阶马尔可夫模型 0.52
LSTM模型 0.71
本文方法 0.79
表1  不同预测方法的精确度比较
Embedding层
单元个数
精确度
LSTM 本文
128 0.70 0.77
256 0.71 0.79
表2  不同Embedding层的单元个数对预测结果的影响
[1] Deloitte.Technology, Media and Telecommunications Predictions 2018[R/OL]. [2018-06-01].
[2] Rossmo D K.Place,Space,Police Investigations: Hunting Serial Violent Criminals[A]// Weisburd D, Eck J. Crime and Place[M]. Criminal Justice Press, 1995: 217-235.
[3] Ashbrook D, Starner T.Using GPS to Learn Significant Locations and Predict Movement Across Multiple Users[J]. Personal and Ubiquitous Computing, 2003, 7(5): 275-286.
doi: 10.1007/s00779-003-0240-0
[4] Alvarez-Garcia J A, Ortega J A, Gonzalez-Abril L, et al. Trip Destination Prediction Based on Past GPS Log Using a Hidden Markov Model[J]. Expert Systems with Applications, 2010, 37(12): 8166-8171.
doi: 10.1016/j.eswa.2010.05.070
[5] Asahara A, Maruyama K, Sato A, et al.Pedestrian-movement Prediction Based on Mixed Markov-chain Model[C]// Proceedings of the 2011 ACM SIGSPATIAL International Symposium on Advances in Geographic Information Systems, Chicago, USA. New York, USA: ACM, 2011: 25-33.
[6] Mathew W, Raposo R, Martins B.Predicting Future Locations with Hidden Markov Models[C]// Proceedings of the 2012 ACM Conference on Ubiquitous Computing, Pittsburgh, USA. New York, USA: ACM, 2012: 911-918.
[7] Yang J, Xu J, Xu M, et al.Predicting Next Location Using a Variable Order Markov Model[C]// Proceedings of the 5th ACM SIGSPATIAL International Workshop on GeoStreaming, Dallas, USA. New York, USA: ACM, 2014: 37-42.
[8] Lecun Y, Bottou L, Bengio Y, et al.Gradient-based Learning Applied to Document Recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
doi: 10.1109/5.726791
[9] Hochreiter S, Schmidhuber J.Long Short-Term Memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
doi: 10.1162/neco.1997.9.8.1735
[10] Zheng Y, Xie X, Ma W, et al.GeoLife: A Collaborative Social Networking Service Among User, Location and Trajectory[J]. IEEE Data Engineering Bulletin, 2010, 33(2): 32-39.
[11] Jeung H, Liu Q, Shen H T, et al.A Hybrid Prediction Model for Moving Objects[C]// Proceedings of the 24th IEEE International Conference on Data Engineering. IEEE, 2008.
[12] 张彩平, 周丽华, 陈红梅, 等. 面向关系语境的罪犯藏匿位置预测方法[J]. 计算机科学与探索, 2015, 9(8): 945-953.
doi: 10.3778/j.issn.1673-9418.1410041
(Zhang Caiping, Zhou Lihua, Chen Hongmei, et al.Relation Context Oriented Approach to Predict Hiding Location of Criminals[J]. Journal of Frontiers of Computer Science & Technology, 2015, 9(8): 945-953.)
[13] Williams R J, Zipser D.A Learning Algorithm for Continually Running Fully Recurrent Neural Networks[J]. Neural Computation, 1989, 1(2): 270-280.
doi: 10.1162/neco.1989.1.2.270
[14] Cho K, Van Merrienboer B, Gulcehre C, et al.Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation[OL]. arXiv Preprint, arXiv: 1406.1078.
[15] Graves A, Mohamed A, Hinton G E.Speech Recognition with Deep Recurrent Neural Networks[C]// Proceedings of the 2013 IEEE International Conference on Acoustics, Speech, and Signal Processing. 2013: 6645-6649.
[16] Ordóñez F J, Roggen D.Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition[J]. Sensors, 2016, 16(1): 115.
doi: 10.3390/s16010115 pmid: 26797612
[17] 李幸超. 基于循环神经网络的轨迹位置预测技术研究[D]. 杭州: 浙江大学, 2016.
(Li Xingchao.The Research of Location Prediction Based on Recurrent Neural Network[D]. Hangzhou: Zhejiang University, 2016.)
[18] Sainath T N, Vinyals O, Senior A, et al.Convolutional, Long Short-Term Memory, Fully Connected Deep Neural Networks[C]// Proceedings of the 2015 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2015: 4580-4584.
[19] 许凡, 程华, 房一泉. 基于CLSTM的步态分类方法[J]. 华东理工大学学报: 自然科学版, 2017, 43(4): 553-558.
(Xu Fan, Cheng Hua, Fang Yiquan.A Gait Pattern Classification Method Based on CLSTM[J]. Journal of East China University of Science and Technology: Natural Science Edition, 2017, 43(4): 553-558.)
[1] 余本功,张培行,许庆堂. 基于F-BiGRU情感分析的产品选择方法*[J]. 数据分析与知识发现, 2018, 2(9): 22-30.
[2] 徐月梅,吕思凝,蔡连侨,张小娅. 结合卷积神经网络和Topic2Vec的新闻主题演变分析*[J]. 数据分析与知识发现, 2018, 2(9): 31-41.
[3] 马晓宇,张晗,赵玉虹. 基于BRFSS数据库应用人工神经网络构建儿童哮喘预测模型*[J]. 数据分析与知识发现, 2018, 2(8): 10-15.
[4] 陆伟,罗梦奇,丁恒,李信. 深度学习图像标注与用户标注比较研究*[J]. 数据分析与知识发现, 2018, 2(5): 1-10.
[5] 冯文刚,黄静. 基于深度学习的民航安检和航班预警研究*[J]. 数据分析与知识发现, 2018, 2(10): 46-53.
[6] 黄孝喜,李晗雨,王荣波,王小华,谌志群. 基于卷积神经网络与SVM分类器的隐喻识别*[J]. 数据分析与知识发现, 2018, 2(10): 77-83.
[7] 胡家珩,岑咏华,吴承尧. 基于深度学习的领域情感词典自动构建*——以金融领域为例[J]. 数据分析与知识发现, 2018, 2(10): 95-102.
[8] 邓三鸿,傅余洋子,王昊. 基于LSTM模型的中文图书多标签分类研究*[J]. 数据分析与知识发现, 2017, 1(7): 52-60.
[9] 陈二静,姜恩波. 文本相似度计算方法研究综述[J]. 数据分析与知识发现, 2017, 1(6): 1-11.
[10] 闫晶,毕强,李洁,王福. 图书馆数字资源聚合质量预测模型构建*——基于改进遗传算法和BP神经网络[J]. 数据分析与知识发现, 2017, 1(12): 49-62.
[11] 姜霖,王东波. 引文元数据的自动发现和标注方法研究——以外文引文为例[J]. 数据分析与知识发现, 2017, 1(1): 47-54.
[12] 王晓耘,袁媛,史玲玲. 基于微博的电影首映周票房预测建模*[J]. 现代图书情报技术, 2016, 32(4): 31-39.
[13] 巴志超,李纲,朱世伟. 基于语义网络的研究兴趣相似性度量方法*[J]. 现代图书情报技术, 2016, 32(4): 81-90.
[14] 姜霖,王东波. 采用连续词袋模型(CBOW)的领域术语自动抽取研究*[J]. 现代图书情报技术, 2016, 32(2): 9-15.
[15] 朱丹浩, 杨蕾, 王东波. 基于深度学习的中文机构名识别研究*——一种汉字级别的循环神经网络方法[J]. 数据分析与知识发现, 2016, 32(12): 36-43.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn