Advanced Search

数据分析与知识发现  2018 , 2 (10): 46-53 https://doi.org/10.11925/infotech.2096-3467.2018.0812

专题

基于深度学习的民航安检和航班预警研究*

冯文刚123, 黄静24

1中国人民公安大学侦查与反恐怖学院 北京 100038
2中国人民公安大学民航安保研究中心 北京 100038
3中国人民公安大学公安学博士后流动站 北京 100038
4中国民用航空局公安局 北京 100710

Early Warning for Civil Aviation Security Checks Based on Deep Learning

Feng Wengang123, Huang Jing24

1School of Criminal Investigation and Counter Terrorism, People’s Public Security University of China, Beijing 100038, China
2Research Centre for Civil Aviation Security, People’s Public Security University of China, Beijing 100038, China
3Police Science Postdoctoral Research Station, People’s Public Security University of China, Beijing 100038, China
4Public Security Bureau, Civil Aviation Administration of China, Beijing 100710, China

中图分类号:  G359 D631

通讯作者:  通讯作者: 冯文刚, ORCID: 0000-0001-8525-7902, E-mail: fengwengang@ppsuc.edu.cn

收稿日期: 2018-07-22

修回日期:  2018-07-22

网络出版日期:  2018-10-25

版权声明:  2018 《数据分析与知识发现》编辑部 《数据分析与知识发现》编辑部

基金资助:  *本文系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)、国家自然科学基金青年项目“基于统一结构场模型的警务视频分析研究”(项目编号: 61501467)和北京市哲学社会科学规划重点项目“首都关键基础设施安全防恐体系建设研究——以首都机场为重点”(项目编号: 15JDZHA020)的研究成果之一

展开

摘要

【目的】基于数据分析进行分级分类安检, 提升机场安全检查的工作效率和用户体验。【方法】针对民航乘客安检最为关注的时效问题, 提出一种特征级的深度学习方法, 基于民航数据库和公安数据库, 构建包括时序特征、空序特征、环境特征三层深度神经网络, 通过训练获得联合表示层——旅客风险因素, 基于此得出旅客安检和航班预警模型。【结果】旅客安检和航班预警模型可以较好地缓解民航安检压力, 提前做好高风险旅客和航班的防范处置准备。【局限】只针对大型机场进行分析, 结论对小型机场是否适用需要进一步验证。【结论】基于深度学习获得的旅客风险因素构建的预警模型可以有效提升机场安全检查的工作效率和用户体验。

关键词: 民航安检 ; 问卷调查 ; 深度学习 ; 航班预警

Abstract

[Objective]This paper proposes a hierarcical classification screening method, aiming to improve the airport security system and passenger experience. [Methods] We proposed a feature deep learning method based on the civil aviation and public security databases. Then, we trained the deep neural network of three layers: time seriers, space seriers, and environmental features to obtain the joint representing feature of passenger risk factors. Finally, we generated the early warning models for passenger security check. [Results] The proposed early warning models could relieve the pressure of civil aviation security check. [Limitaions] More research is needed to examine the proposed model with data from small airports. [Conclusions] The early-warning model based on deep learning could effectively improve work efficiency of airport security checks and passanger experience.

Keywords: Civil Aviation Security ; Questionnaire Survey ; Deep Learning ; Flight Warning

0

PDF (1028KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

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 https://doi.org/10.11925/infotech.2096-3467.2018.0812

Feng Wengang, Huang Jing. Early Warning for Civil Aviation Security Checks Based on Deep Learning[J]. Data Analysis and Knowledge Discovery, 2018, 2(10): 46-53 https://doi.org/10.11925/infotech.2096-3467.2018.0812

1 引 言

民航是经济发展的战略性产业。中国一直高度重视民航发展, 2017年中国民航全年完成旅客运输量5.49亿人次[1]。民航安保工作模式自20世纪90年代成型后, 基本未发生过大的改变。当前民航安保工作模式仍延续传统工作模式, 包括: 人工验证、孤立的安防设施等。但民航面临的威胁日益复杂严峻, 从以往单一的劫机、炸机, 到当前的暴恐袭击、非法干扰、个人极端、外部威胁等多维威胁交织, 对民航安保工作提出新要求。因此, 需充分利用情报信息理念及科学技术手段提升工作效率, 聚焦安全要素, 实现情报引领实战。

1.1 民航安保事件概况

2016年全民航行业共发生安保相关事件16 141起, 其中发生在航站楼内11 029起, 发生在货运区 1 454起, 全年总体分布平均, 且随月份呈现逐步下降的趋势, 各地区安保事件发生数量与航空业务量成正比关系。由安保事件造成航班延误、返航和备降合计131起[2]。绝大部分的民航安保事件发生在公共区域, 即安检前后, 如能实现快速安检, 则可能减少这类事件的发生。

1.2 研究综述

目前国内针对民航安全检查的研究较为匮乏, 对旅客安全检查流程的研究更是几乎为零。通过知网以“安检”为关键词, 近10年每年仅有个位数的文献发表, 而以“民航安保”作为关键词, 近10年几乎没有文献发表。已有文献也仅主要着眼于立法或某一项特定安检技术, 而针对安检流程及措施进行分析的研究 较少。

国外研究发现安检设备可以减少飞机劫持事件的发生[3,4], 且只有当罪犯被发现和惩罚的成本与风险超过其犯罪收益时, 罪犯才最可能被吓阻。基于情景犯罪预防的措施评价也表明[5,6,7], 目标强化和访问控制可以有效地减少机场和航空器内等特殊场所的犯罪。虽然安全检查和搜索已被证明是一种有效手段, 但有关航空器和机场中预防犯罪的研究依然缺乏[8]

1.3 民航安检现状

《民用航空安全检查规则》规定, 民航安检工作的职责之一是对旅客及其行李物品进行安全检查, 包括证件检查、人身检查、随身行李物品检查、托运行李检查等4个环节。当前民航安检面临的压力巨大, 如2017年全国民航安检部门共检查旅客5.66亿人次, 检查旅客托运行李3.19亿件次。随着民航出行旅客大量增加, 安检工作量将越来越大。对于传统安检方法而言, 需要消耗大量人力物力, 也需要占据旅客较长的等待时间。如图1所示, 从流程描述可见安检由于安全压力, 所有措施和手段都已达到极致, 但由于流程复杂、措施多重叠加, 导致效率逐步放缓, 效率和安全能力之间的效能比逐步降低。如果能基于数据分析, 进行分级分类安检, 既可以提高工作效率和用户体验, 且安全可控性并没有降低。通过构建旅客白名单和黑名单, 将有限的安全防范资源集中在高风险应对方面, 针对少量重点人员加强安检措施, 而对大量的常规旅客降低安检措施, 实现优化效能比, 在提升安全性的同时优化旅客出行体验。

图1   常规旅客值机、安检、登机示意图

   

2 B机场安检调研分析

2.1 概 述

B机场作为国内最大和最繁忙的国际机场之一, 2017年完成旅客吞吐量0.96亿人次, 连续8年位居世界第二。在问卷调查中, 笔者通过走近旅客单独调查收集数据, 将抽样限制在18岁以上的成年人, 总共调查了450人。

2.2 调研及分析

调查主要由三种类型的问题组成: 一般性问题, 包括年龄、性别以及旅行频率等; 对机场安检程序和人员的总体满意度, 包括乘客是否通过机场的安全检查, 通过安检的时长, 对安检员的礼貌和专业性评估, 对安检水平的感知, 及在安检时的情绪(即紧张、尴尬、恼怒、不便、愤怒或羞辱); 附加问题, 由于部分乘客会经历额外的检查, 针对此类乘客了解其对被要求进行额外安检的感受和是否有个人物品被没收。

(1) 旅客出行频率调查

受访者主要是偶然的旅行者, 近四分之三的被调查人员每年只旅行几次或更少。调查对象男性占45%, 女性占55%, 平均年龄为39岁(标准差为12.8年), 其中最年轻的18岁, 最年长的78岁, 性别与年龄具有相关性。大部分旅客具有多次乘机经验, 所以对流程熟悉度较高, 配合度也较高, 是民航安全宣传的最主要受众, 也是对安检流程提升起主要作用的群体。

(2) 旅客过检满意度调查

总体来说, 旅客对于B机场安全检查的满意度较高。在对安检的礼貌程度和专业性进行评价时, 62%的受访者认为“非常礼貌/专业”, 29%的受访者认为“有礼貌”。调查发现, 49%的受访者认为其通过安检程序所花的时间是合理的, 85%的受访者认为B机场的安全水平是合适的, 9%的受访者认为安全程度是不够的, 5%的受访者认为安全措施过度。

在调查旅客通过安检时的个人情绪状态时, 主要表现在个人感到紧张、尴尬、恼怒、不便、愤怒或屈辱等方面。在绝大多数的受访者中, 负面情绪状态并不明显。如果感觉到任何负面情绪, 一般是烦恼或不便, 而不是紧张、愤怒、尴尬或羞辱。究其原因在于, 大部分人是多次乘机, 比较熟悉安检流程, 因此紧张、尴尬、恼怒的负面情绪会少。有理由认为如果发生负面情绪, 多数发生在不配合的人身上, 因为其需要接受更为复杂的安检程序。这其中必然包括希望逃避安检的高风险旅客, 或是首次乘机的旅客。

调查结果显示, 旅客在通过安检时, 对机场安检人员的安检专业性和礼貌性总体满意, 旅客通过安检时个人情绪状态也总体为正面情绪, 但是不足一半的旅客对安检通过的时间感到满意, 因此在未来机场安检方面最需要提升的应该为旅客通过安检的效率。在总体安全观理念要求下, 针对民航安保“地面防、空中反、内部防”的要求, 通过深度学习获得旅客风险因素, 并基于此构建旅客及航班预警模型, 既可以有效提升 安检专业程度、工作效率、降低民航安保成本, 也 可以大幅度提升用户体验, 减少旅客安检时的负面 情绪。

3 民航旅客安保流程系统

3.1 基于风险预警的旅客安检和航班预警模型

本文提出一种安检分流和航班预警模型, 如图2所示。采集民航的旅客信息存入数据库; 根据风险预警模型和数据库中的旅客信息将旅客划分为三类: 已知旅客、重点关注旅客和普通旅客; 对三类旅客分别进行安检, 并将检查信息回传到数据库; 依据风险预警模型计算航班每位旅客的积分预警得分, 基于此进行航班预警。

图2   民航旅客安保流程示意图

   

3.2 基于风险预警的旅客安检分类模型

(1) 深度神经网络模型

本文提出一种基于环境上下文信息的民航旅客风险层级多模态数据融合分析方法, 如图3所示。

图3   旅客风险层级数据分析示意图

   

在数据收集层中, 为预测民航旅客风险等级指数收集来自民航公安数据库和民航旅客不文明行为数据库的相关数据。在数据选择层中, 通过分析民航案事件和收集到的数据, 选择民航旅客风险预测数据, 继而通过统计分析, 得出民航案事件与收集到的数据之间的关系, 这一过程有助于准确有效地预测风险的发生。在分析层中, 使用基于深度神经网络模型与特征级数据融合方法, 提出一种多模态融合方法实现民航旅客风险预测。本文使用的深度神经网络由空间、时间和环境上下文特征表示层组成。

深度神经网络常用来从多个多模态数据融合的数据集中学习联合特征表示[9,10,11,12,13], 因为深度学习适用于构建新的特征表示, 从而可以从大量数据或复杂数据中凝练出关键信息或特性, 所以深度神经网络学习可用于将特征集成到统一特性中。基于此, 采用特征级数据融合的方法, 构建对旅客风险因素深度学习的深度网络模型, 见图3。其比直接连接模型性能更好, 因为它可以克服诸如过拟合、高度非线性关系数据、数据冗余和依赖关系等局限性[14,15,16]。此处将深度神经网络配置为4层: 时序特征、空序 特征、环境上下文特征和联合特征表示层, 如图4所示。

图4   深度学习神经网络模型

   

①数据来源

数据收集对于准确预测是至关重要的, 本文使用近3年的民用航空安全保卫事件信息和近5年的民航案事件信息。这些数据库中的数据可能包含一些与安检预警不相关的信息, 要解决这一问题, 需清除异常和外围数据而只选择与安检预警事件相关的有统计意义的数据, 这种过滤有助于预测安检预警信息。因此对民航案事件和民航安保事件的数据尺度作对齐处理后进行皮尔森相关系数分析。将皮尔森相关系数在-0.25到0.25之间, p值大于0.05的数据作为参考, 其余视为噪声数据并将其丢弃。

由于民航安保相关事件在不同地区、不同时间发生概率可能大不相同, 即民航安保事件与环境背景十分相关, 需要考虑机场所在地区的人口、收入和教育等信息。由于环境上下文特征不能从分析中获取, 因此对环境上下文特征进行Jonckheere-Terpstra检验, 该检验是针对两个或更多独立群体之间的显著差异的基于排序的非参数测试分析统计。环境特征信息必须进行分组检验测试, 每组都应该由与外观相似的环境上下文信息组成。将环境上下文信息划分为10组, 使用K-means聚类方法, 选择检验结果p值小于0.05的信息。最终结果联合特征使用了DNN(Deep Neural Network), 对来自时序、空序和环境上下文特征三个不同特征组的特征级数据融合。

时序特征包括每一起案事件中当事人的年龄(如均值、16岁以下数量、16岁以下数量占比、65岁以上数量、65岁以上数量占比等)和案事件发生的具体时间等。空序特征包括每一起案事件发生的地点(机场距离市中心距离、位于城市的部位等)和具体位置(如出入口、售票处、机场问询柜台、小件行李寄存处、领事登记证明办理处、机场值机柜台、安检现场、候机厅、登机口、行李提取处等)等信息。环境上下文特征包括每一起案事件发生地区的人口、平均收入和教育水平等信息, 以及在该地发生案事件占比信息等。模型的输入为某一起案事件的相关三类特征信息, 模型最终输出结果为前述记录在案的案事件信息要素分成50个小类信息中的某一类, 即与此起案事件要素最为相关的那一类。

②模型分析

时序特征、空序特征、环境上下文特征层各自独立运行, 每个功能层使用对应的特征组, 由具有与其要执行的输入类似属性的数据组成多层特征表示和抽象。功能层从输入信息中提取特性, 将这三个特征层的结果连接并集成获得联合特征表示层, 转换为一个统一的特性, 即某一类案事件要素。联合特征表示层学习获得权重以整合三个特征。时序特征、空序特征、环境上下文特征层分别由三层组成, 各有128个、128个和64个神经元。联合特征表示层有三层, 大小分别为512、512和1个神经元, 每一层都通过矫正线性单元作为激活和退出函数, 最后将输出结果中排序前10的小类信息作为旅客信息风险预警项。

(2) 旅客安检积分预警模型

基于前述旅客风险因素分析结果(10类信息, 并增加一类其他类别作为补充与完善), 如表1所示, 对安检数据库中的旅客信息构建风险预警模型, 按照风险预警模型根据过检旅客的潜在危险程度将旅客分为三类: 已知旅客、重点关注旅客、普通旅客。已知旅客可视为低风险或无风险(拥有多次正常乘机记录且无相关风险因素数值)的旅客; 重点关注旅客是指存在风险预警因素的旅客; 普通旅客是指无相关记录人员(第一次乘机的旅客或使用不同身份证件旅客)。对已知旅客, 可使其通过快速通道完成安检, 既可以节省旅客的时间, 也可以节省航空公司的人力资源; 对重点关注旅客, 则需要进行重点检查关注; 对普通旅客要进行异常行为识别, 最后将检查结果回传至数据库, 用于下次分类。

表1   旅客积分预警分类表

   

序号旅客信息风险预警项xi得分${{\alpha }_{i}}$赋值
X1公安相关重点人员2001
X2编造、故意传播涉及民航空防安全虚假恐怖信息1501
X3在航空器内盗窃他人物品1501
X4使用伪造、变造或冒用他人乘机身份证件、乘机凭证1501
X5随身携带或托运国家法律、法规规定的危险品、违禁品和管制物品的; 在随身携带或托运行李中故意藏匿国家规定以外属于民航禁止、限制运输物品1001
X6堵塞、强占、冲击值机柜台、安检通道、登机口(通道)501
X7妨碍或煽动他人妨碍机组、安检、值机等民航工作人员履行职责, 实施或威胁实施人身攻击501
X8强行登占、拦截航空器, 强行闯入或冲击航空器驾驶舱、跑道和机坪501
X9在航空器内使用明火、吸烟、违规使用电子设备, 不听劝阻401
X10强占座位、行李架, 打架斗殴、寻衅滋事, 故意损坏、盗窃、擅自开启航空器或航空设施设备等扰乱客舱秩序301
X11其他301

新窗口打开

根据积分预警模型计算航班每个旅客的积分预警得分, 再根据航班每个旅客的积分预警得分完成对航班的预警。旅客安检积分预警模型如公式(1)所示。

$K=A-\frac{1}{\vartheta }B+\frac{1}{\rho }C$ (1)

其中, K为旅客的积分预警得分, $\vartheta $和ρ为加权系数, A表1n类旅客信息风险预警项的得分项, $A={{\alpha }_{1}}\cdot {{x}_{1}}+{{\alpha }_{2}}\cdot {{x}_{2}}+{{\alpha }_{i}}\cdot {{x}_{i}}+\cdot \cdot \cdot +{{\alpha }_{n}}\cdot {{x}_{n}}$, ${{\alpha }_{i}}$为加权系数, xi为第i类旅客信息风险预警项的得分, 由前述学习结

果排序和专家打分共同作用设置, 加权系数${{\alpha }_{i}}$初始赋值均为1, 也可以根据当前局势发展进行调整, 比如近期在航空器内使用明火或者吸烟、违规使用电子设备等人员增多, 则将${{\alpha }_{3}}$赋值调整为2, 从而对其进行重点防范。B为旅客乘机次数的得分项, $B={{\beta }_{1}}\cdot {{y}_{1}}+{{\beta }_{2}}\cdot {{y}_{2}}+\cdot \cdot \cdot +{{\beta }_{\text{j}}}\cdot {{y}_{j}}+\cdot \cdot \cdot +{{\beta }_{m}}\cdot {{y}_{m}}$, m为旅客的乘机次数, βj为加权系数, yj为第j次乘机的得分, yj初始赋值均为10, βj初始值为1, 旅客每多乘坐一次飞机, 其总分会减少10分, 但是当乘客风险因素项X1、X3、X8或X9有得分时, B自动归零。C为不可减分项, $C={{z}_{1}}+{{z}_{2}}+\cdot \cdot \cdot +{{z}_{l}}$, zl为常数, 作为调节项, 初始值设为0; m, n, i, j, l均为正整数。一般而言, 已知旅客为具有多次正常乘机记录且无相关风险因素数值的旅客, K值小于零; 重点关注旅客为具有风险因素项的旅客, K值大于零; 普通旅客为第一次乘机的旅客, 且无风险因素项, K值等于0。

图5所示, 旅客到达自助安检闸机后进行刷脸验证, 打印登机牌, 进入安检通道接受安检。重点关注旅客以及普通旅客按原有流程接受安检。

图5   差异化安检示意图

   

已知旅客: 对于风险等级较低, 社会安全诚信度较高的已知旅客, 机场可为其提供快速安检通关服务。已知旅客在通过安全门时无报警, 则可降低后端的抽检率; 如果使用毫米波安检设备, 无报警则可取消后端抽检, 如有报警仅检查报警部位即可。

普通旅客及重点关注旅客按现有检查标准及空防安全响应等级进行安检。此外, 重点关注旅客在通过安检时, 可按要求进行100%开箱包检查、100%人身检查(金属探测仪与手工结合)、100%脱皮带脱鞋检查和100%防爆检查。

3.3 基于旅客风险等级分类航班座位分配分析

通过公式(2)-公式(4), 可进一步计算航班的积分预警总得分, 当积分预警总得分大于预设阈值时, 将航班设置为重点航班, 需要进行重点关注和风险规避。

${{L}_{1}}=({{K}_{1}}+{{K}_{2}}+\cdot \cdot \cdot +{{K}_{\text{s}}}+\cdot \cdot \cdot +{{K}_{p}})/P$ (2)

${{L}_{2}}={{K}_{1}}+{{K}_{2}}+{{K}_{\text{s}}}+\cdot \cdot \cdot +{{K}_{p}}$ (3)

$L=\frac{1}{{{\xi }_{1}}}{{L}_{1}}+\frac{1}{{{\xi }_{2}}}{{L}_{2}}+\frac{1}{{{\xi }_{3}}}P$ (4)

其中, L为航班的积分预警总得分, L1为航班所有旅客的平均积分预警得分, L2为航班所有旅客的总积分预警得分, P为航班的旅客数量, Ks为第s个旅客的积分预警得分, ${{\xi }_{1}}$, ${{\xi }_{2}}$, ${{\xi }_{3}}$为加权系数, Ps为正整数。

一般设${{\xi }_{1}}$=0.1, ${{\xi }_{2}}$=10, ${{\xi }_{3}}$=100, 当L取值大于20时, 可将该航班设置为重点航班, 需要对其进行重点关注与安排, 特别是对于前述重点关注旅客进行特殊编排, 从而保障航班上旅客的安全。在对航班座位分配时, 可以根据安检预警的结果, 将空中保卫人员和已知的军警乘客安排在重点关注旅客附近, 提前做好防范处置准备, 座位分配示意图如图6所示。

图6   基于航班预警的座位分配示意图

   

3.4 收益分析

现有常规安检流程见图1。旅客值机打印登机牌, 进行安全检查并登机; 人工核验旅客有效乘机身份证件及登机凭证; 安检定额定员要求在每小时旅客通过量不超过180人的情况下, 每条安检通道按照验证1人、前传引导员1人、人身检查员2人、X光机操作员1人、开箱包员1人, 合计6人进行配备, 人员需求量大, 成本也居高不下。经过数据测算, 传统人工验证大约15s/人, 数据预警自动闸机验证约8s/人, 如能利用数据分析, 基于预警结果进行民航安检, 则在时间效率上可比传统人工验证提升125%, 整体过检环节比传统安检环节效率提升至少40%; 在人工成本上, 每条传统通道, 数据预警自动闸机验证可实现验证岗位人员单日减少1人, 按每个工作日两班倒则可节省人员2人, 效果显著。

4 结 语

基于访谈和民航安保事件分析找出民航安保的隐患所在, 通过深度学习获得旅客风险因素, 对旅客进行分级分类安检, 实现快捷办理手续及差异化安检, 提升运行效率与服务质量, 达到提质增效的效果。在提高旅客通关效率及机场安全裕度的同时, 提升旅客出行的便捷度, 为旅客提供舒适愉悦的出行体验。

本文仅基于已有的数据信息针对旅客差异化安检模式进行了初步研究, 而且分析模型主要针对大型机场, 而结论对于小型机场是否适用需要验证。在未来工作中, 如何将人脸识别、人工智能等先进技术应用在民航旅客安检和货运安检中, 优化安检模式, 进一步提高安检效能, 将是研究的重点方向。

作者贡献声明

冯文刚: 提出研究思路, 设计研究方案, 起草和修改论文;

黄静: 积分预警模型分析。

利益冲突声明

所有作者声明不存在利益冲突关系。

支撑数据

支撑数据由作者自存储, E-mail: Wengang.feng@qq.com。

[1] 冯文刚. 民航案事件. mdf. 民航案事件数据库.


参考文献

[1] CAAC.

2017年民航行业发展统计公报[R]

. 中国民用航空局, 2018.

[本文引用: 1]     

(CAAC.

2017 Civil Aviation Industry Development Statistics Bulletin[R]

. Civil Aviation Administration of China, 2018.)

[本文引用: 1]     

[2] CAAC.

2016年民用航空安全保卫事件信息统计报告[R]

. 中国民用航空局公安局, 2017.

[本文引用: 1]     

(CAAC.

2016 Civil Aviation Security Incident Statistics Report [R]

. Public Security Bureau of Civil Aviation Administration of China, 2017.)

[本文引用: 1]     

[3] Enders W, Sandler T.

Is Transnational Terrorism Becoming More Threatening? A Time-Series Investigation

[J]. Journal of Conflict Resolution, 2000, 44(3): 307-332.

https://doi.org/10.1177/0022002700044003002      URL      [本文引用: 1]     

[4] Lum C.

Does the ‘Race of Places’ Influence Police Officer Decision Making?[R].

W.E.B. DuBois Fellowship,National Institute of Justice, 2010.

[本文引用: 1]     

[5] Clarke R.

Building a Safer Society: Strategic Approaches to Crime Prevention: Situational Crime Prevention

[J]. Crime and Justice, 1995, 19: 91-150.

https://doi.org/10.1086/449230      URL      [本文引用: 1]     

[6] Clarke R, Newman G.

Outsmarting the Terrorists[R].

Westport,CT: Praeger Security International, 2006.

[本文引用: 1]     

[7] Eck J.

Preventing Crime at Places Evidence-based Crime Prevention

[M]. New York, NY: Routledge, 2002.

[本文引用: 1]     

[8] US Department of Justice. Federal Bureau of Investigation.

Crime in the United States

[EB/OL].(2010).[2018-07-08]. .

URL      [本文引用: 1]     

[9] Alves L G, Ribeiro H V, Lenzi E K, et al.

Distance to the Scaling Law: A Useful Approach for Unveiling Relationships Between Crime and Urban Metrics

[J]. PLoS One, 2013, 8(8): 1-8.

https://doi.org/10.1371/journal.pone.0069580      URL      PMID: 24348946      [本文引用: 1]      摘要

We report on a quantitative analysis of relationships between the number of homicides, population size and ten other urban metrics. By using data from Brazilian cities, we show that well-defined average scaling laws with the population size emerge when investigating the relations between population and number of homicides as well as population and urban metrics. We also show that the fluctuations around the scaling laws are log-normally distributed, which enabled us to model these scaling laws by a stochastic-like equation driven by a multiplicative and log-normally distributed noise. Because of the scaling laws, we argue that it is better to employ logarithms in order to describe the number of homicides in function of the urban metrics via regression analysis. In addition to the regression analysis, we propose an approach to correlate crime and urban metrics via the evaluation of the distance between the actual value of the number of homicides (as well as the value of the urban metrics) and the value that is expected by the scaling law with the population size. This approach has proved to be robust and useful for unveiling relationships/behaviors that were not properly carried out by the regression analysis, such asthe non-explanatory potential of the elderly population when the number of homicides is much above or much below the scaling law,the fact that unemployment has explanatory potential only when the number of homicides is considerably larger than the expected by the power law, anda gender difference in number of homicides, where cities with female population below the scaling law are characterized by a number of homicides above the power law.
[10] Chen P, Yuan H Y, Shu X.

Forecasting Crime Using the ARIMA Model

[C]// Proceedings of the 5th IEEE International Conference on Fuzzy Systems and Knowledge Discovery. 2008: 627-630.

[本文引用: 1]     

[11] Gerber M S.

Predicting Crime Using Twitter and Kernel Density Estimation

[J]. Decision Support Systems, 2014, 61(1): 115-125.

https://doi.org/10.1016/j.dss.2014.02.003      URL      [本文引用: 1]      摘要

61We model 25 crime types in a major United States city.61We incorporate spatiotemporally tagged Twitter messages into a kernel density model.61Twitter messages improve the prediction of many of the 25 crime types we studied.61The runtime of some text processing modules must be improved to be practical.
[12] Gorr W, Olligschlaeger A, Thompson Y.

Short-term Forecasting of Crime

[J]. International Journal of Forecasting, 2003, 19(4): 579-594.

https://doi.org/10.1016/S0169-2070(03)00092-X      URL      [本文引用: 1]      摘要

The major question investigated is whether it is possible to accurately forecast selected crimes 1 month ahead in small areas, such as police precincts. In a case study of Pittsburgh, PA, we contrast the forecast accuracy of univariate time series models with na ve methods commonly used by police. A major result, expected for the small-scale data of this problem, is that average crime count by precinct is the major determinant of forecast accuracy. A fixed-effects regression model of absolute percent forecast error shows that such counts need to be on the order of 30 or more to achieve accuracy of 20% absolute forecast error or less. A second major result is that practically any model-based forecasting approach is vastly more accurate than current police practices. Holt exponential smoothing with monthly seasonality estimated using city-wide data is the most accurate forecast model for precinct-level crime series.
[13] Liao R, Wang X, Li L, et al.

A Novel Serial Crime Prediction Model Based on Bayesian Learning Theory

[C]// Proceedings of the 2010 IEEE International Conference on Machine Learning and Cybernetics. 2010: 1757-1762.

[本文引用: 1]     

[14] Mohler G O, Short M B, Brantingham P J, et al.

Self-Exciting Point Process Modeling of Crime

[J]. Journal of the American Statistical Association, 2011, 106(493): 100-108.

https://doi.org/10.1198/jasa.2011.ap09546      URL      [本文引用: 1]     

[15] Wang P, Mathieu R, Ke J, et al.

Predicting Criminal Recidivism with Support Vector Machine

[C]// Proceedings of the 2010 IEEE International Conference on Management and Service Science. 2010: 1-9.

[本文引用: 1]     

[16] Anderson C A, Anderson D C.

Ambient Temperature and Violent Crime: Tests of the Linear and Curvilinear Hypotheses

[J]. Journal of Personality and Social Psychology,2004, 46(1): 91-97.

https://doi.org/10.1037//0022-3514.46.1.91      URL      PMID: 6694060      [本文引用: 1]      摘要

Abstract Laboratory research on the effects of temperature has led theorists to propose a curvilinear model relating negative affect and aggression. Two alternative explanations of these lab findings are proposed--one artifactual, one based on attributions for arousal. Both alternatives predict a linear relationship between temperature and aggression in real-world settings, whereas the negative affect curvilinear model predicts a specific curvilinear effect. Two studies are reported that investigated the relationship between temperature and violent crime. Both studies yielded significant linear relationships and failed to demonstrate the specified curvilinear relationship. Also, both studies yielded significant day-of-the-week effects. Implications of these findings for the study of aggression are 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

/