Innovative LSGTime Model for Crime Spatiotemporal Prediction Based on MindSpore Framework

要約

都市化の加速により、犯罪行為の時空間的特性はますます複雑になっています。
犯罪分布の正確な予測は、警察のリソースの配分を最適化し、犯罪を防止するために重要です。
このペーパーでは、長期記憶（LSTM）、ゲート再発ユニット（GRU）、および多毛のまばらな自己触媒メカニズムを統合する犯罪空間的予測モデルであるLGSTIMEを提案します。
LSTMとGRUは、独自のゲーティングメカニズムを通じて、季節性や周期性などの犯罪時系列に長期的な依存関係を捉えています。
一方、マルチヘッドスパースの自己触媒メカニズムは、並列処理とスパース化技術を通じて、犯罪イベントの時間的および空間的特徴の両方に同時に焦点を当て、計算効率と予測精度を大幅に改善します。
統合モデルは、複雑な時空データをよりよく処理するために、各手法の強度を活用します。
実験的調査結果は、モデルが4つの実際の世界犯罪データセットで最適なパフォーマンスを達成することを示しています。
CNNモデルと比較して、平均二乗誤差（MSE）、平均絶対誤差（MAE）、およびルート平均2乗誤差（RMSE）メトリックでそれぞれ2.8 \％、1.9 \％、および1.4 \％のパフォーマンス向上を示します。
これらの結果は、犯罪予測の課題に取り組むための貴重な参照を提供します。

要約(オリジナル)

With the acceleration of urbanization, the spatiotemporal characteristics of criminal activities have become increasingly complex. Accurate prediction of crime distribution is crucial for optimizing the allocation of police resources and preventing crime. This paper proposes LGSTime, a crime spatiotemporal prediction model that integrates Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and the Multi-head Sparse Self-attention mechanism. LSTM and GRU capture long-term dependencies in crime time series, such as seasonality and periodicity, through their unique gating mechanisms. The Multi-head Sparse Self-attention mechanism, on the other hand, focuses on both temporal and spatial features of criminal events simultaneously through parallel processing and sparsification techniques, significantly improving computational efficiency and prediction accuracy. The integrated model leverages the strengths of each technique to better handle complex spatiotemporal data. Experimental findings demonstrate that the model attains optimal performance across four real – world crime datasets. In comparison to the CNN model, it exhibits performance enhancements of 2.8\%, 1.9\%, and 1.4\% in the Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE) metrics respectively. These results offer a valuable reference for tackling the challenges in crime prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google