犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted M...犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted Moving Average)的新算法,利用此算法去学习转移概率矩阵,然后对得到的矩阵做加权移动处理,进而来预测未来的犯罪率分布。本文所用数据集是中国某市2001年到2011年共11年间盗窃案发生的数据集,在此之上本文建立了VM(Vector Motion)模型,提出了TPML-WMA算法对犯罪率进行预测,并讨论了不同初始条件下算法的性能。本文还将所提出的算法与基于最小二乘法的经典线性回归方法进行比较。拟合的结果表明TPML-WMA模型的预测性能较线性回归模型有了很大提升。展开更多
文摘犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted Moving Average)的新算法,利用此算法去学习转移概率矩阵,然后对得到的矩阵做加权移动处理,进而来预测未来的犯罪率分布。本文所用数据集是中国某市2001年到2011年共11年间盗窃案发生的数据集,在此之上本文建立了VM(Vector Motion)模型,提出了TPML-WMA算法对犯罪率进行预测,并讨论了不同初始条件下算法的性能。本文还将所提出的算法与基于最小二乘法的经典线性回归方法进行比较。拟合的结果表明TPML-WMA模型的预测性能较线性回归模型有了很大提升。
