[论文解读] Deep Learning for Real Time Crime Forecasting

Bao Wang, Duo Zhang+3 more|arXiv (Cornell University)|Jul 9, 2017

Anomaly Detection Techniques and Applications被引用 19

一句话总结

本文提出了一种两阶段深度学习框架 ST-ResNet，专为犯罪预测而设计，能够以高精度预测洛杉矶地区的时空犯罪分布。通过应用空间和时间正则化，并使用分层残差卷积单元，该模型在六个月内实现了出色的预测性能，展现出在实时公共安全应用中的巨大潜力。

ABSTRACT

Author(s): Wang, Bao; Zhang, Duo; Zhang, Duanhao; Brantingham, P; Bertozzi, Andrea L | Abstract: Accurate real time crime prediction is a fundamental issue for public safety, but remains a challenging problem for the scientific community. Crime occurrences depend on many complex factors. Compared to many predictable events, crime is sparse. At different spatio-temporal scales, crime distributions display dramatically different patterns. These distributions are of very low regularity in both space and time. In this work, we adapt the state-of-the-art deep learning spatio-temporal predictor, ST-ResNet [Zhang et al, AAAI, 2017], to collectively predict crime distribution over the Los Angeles area. Our models are two staged. First, we preprocess the raw crime data. This includes regularization in both space and time to enhance predictable signals. Second, we adapt hierarchical structures of residual convolutional units to train multi-factor crime prediction models. Experiments over a half year period in Los Angeles reveal highly accurate predictive power of our models.

研究动机与目标

• 为解决由于犯罪模式在时空上稀疏且不规则而导致的实时犯罪预测挑战。
• 通过空间和时间正则化增强原始犯罪数据中的弱信号，以提高预测准确性。
• 开发一种可扩展的深度学习模型，能够捕捉多种时空尺度下复杂且低规律性的犯罪分布。
• 在洛杉矶六个月内的真实数据上评估所提出模型的性能。

提出的方法

• 对原始犯罪数据应用空间和时间正则化，以增强可预测信号并减少噪声。
• 将 ST-ResNet 架构——一种最先进的时空深度学习模型——适配用于犯罪预测任务。
• 采用分层残差卷积单元，以建模犯罪模式中的复杂空间和时间依赖性。
• 在多因素表示的犯罪数据上训练模型，以捕捉多样化的影响因素。
• 采用两阶段流程：首先对数据进行预处理，然后在增强后的数据上训练深度学习模型。
• 利用残差学习以稳定训练过程，并提升在低规律性犯罪数据中的泛化能力。

实验结果

研究问题

• RQ1 尽管存在稀疏性和不规则性，深度学习模型能否有效实现实时犯罪分布预测？
• RQ2 在深度学习框架中，空间和时间正则化在多大程度上提升了犯罪数据的可预测性？
• RQ3 分层残差卷积网络在多大程度上能够建模城市环境中复杂的时空犯罪动态？
• RQ4 所提出的模型在洛杉矶六个月内的真实犯罪数据上的表现如何？

主要发现

• 所提出的模型在洛杉矶地区犯罪分布预测方面表现出极高的准确性。
• 空间和时间正则化显著提高了原始犯罪数据的信噪比，从而提升了模型性能。
• 采用分层残差卷积单元可有效学习复杂且非线性的时空犯罪模式。
• 该模型在为期六个月的评估期内实现了强大的预测准确性，表明其具备鲁棒性和可扩展性。
• 该框架成功捕捉了在不同时空尺度下低规律性的犯罪分布。
• 两阶段方法——先数据预处理，再进行深度学习建模——在实时犯罪预测中被证明是有效的。