基于隨機森林和時空核密度方法的不同周期犯罪熱點預測對比

作者：柳林,劉文娟,廖薇薇,余洪杰,姜超,林榮平,紀佳楷,張政

摘要：犯罪預測對于制定警務策略、實施犯罪防控具有重要意義。機器學習和核密度是2類主流犯罪熱點預測方法,然而目前還鮮有研究對這2類方法在不同時間周期下的犯罪預測效果進行系統比較,本文試圖對此進行補充。本文以2013-2016年5月的公共盜竊犯罪歷史數據作為輸入,分別對比了在接下來2周、1個月、2個月、3個月4個不同時間周期隨機森林方法與基于時空鄰近性的核密度方法的犯罪熱點預測效果,結果發現：在各時間周期上,隨機森林分類熱點預測方法的面積和案件量命中率均比時空核密度方法準確性高;并且2種方法均能有效地識別犯罪熱點中的高發區域,其中在較小范圍較短時間內隨機森林識別熱點中的高發區效率更高,而在較大范圍較長時間周期上時空核密度方法識別高發區更優。

發文機構：中山大學地理科學與規劃學院綜合地理信息研究中心 廣州大學地理科學學院公共安全地理信息分析中心 辛辛那提大學地理系

關鍵詞：時空核密度隨機森林算法犯罪熱點預測犯罪高發區識別space-time kemel densityrandom forest algorithmcrime hotspot predictionhigh crime areas identification

分類號： TP274[自動化與計算機技術—控制科學與工程][自動化與計算機技術—檢測技術與自動化裝置]