多尺度視角特征動(dòng)態(tài)融合的盜竊犯罪預(yù)測模型

石拓，張齊，石磊

（1.北京警察學(xué)院 公安管理系，北京 102202;2.北京警察學(xué)院 北京市公安局警察學(xué)院警務(wù)情報(bào)與數(shù)據(jù)智能標(biāo)準(zhǔn)實(shí)驗(yàn)室，北京 102202;3.中國傳媒大學(xué) 媒體融合與傳播國家重點(diǎn)實(shí)驗(yàn)室，北京 100024）

盜竊犯罪是始終困擾社會治安穩(wěn)定的一大難 題，它是犯罪人以非法占有為目的，從而實(shí)施嚴(yán)重影響社會秩序、侵犯他人人身財(cái)產(chǎn)安全的犯罪行為[1]。根據(jù)中國統(tǒng)計(jì)年鑒關(guān)于公安機(jī)關(guān)立案的刑事案件統(tǒng)計(jì)情況，近20 年來，中國盜竊類案件數(shù)始終占到案件總數(shù)的一半以上[2]，給人民的財(cái)產(chǎn)和隱私安全帶來巨大威脅。特別是近幾年來，盜竊案件呈現(xiàn)出作案手段隱蔽、案件線索難尋的特點(diǎn)，所以在此類案件的防控中主動(dòng)預(yù)防優(yōu)于被動(dòng)響應(yīng)?！皩?shí)現(xiàn)對犯罪空間內(nèi)的發(fā)案趨勢進(jìn)行預(yù)測”是開展主動(dòng)預(yù)防的最優(yōu)路徑，也是公安機(jī)關(guān)實(shí)現(xiàn)“智慧警務(wù)”運(yùn)作模式的必然選擇。如果能夠?qū)崿F(xiàn)對犯罪空間內(nèi)發(fā)案趨勢的有效預(yù)測，則可以較為準(zhǔn)確地研判各個(gè)犯罪空間內(nèi)的發(fā)案情況，從而鎖定犯罪熱點(diǎn)地區(qū)，為公安機(jī)關(guān)提前防控、合理布警提供科學(xué)依據(jù)。

在實(shí)戰(zhàn)工作中，盜竊犯罪發(fā)案趨勢的預(yù)測多依靠公安辦案經(jīng)驗(yàn)或人工統(tǒng)計(jì)規(guī)律給出定性的結(jié)論[3]。如今伴隨著大數(shù)據(jù)環(huán)境的數(shù)據(jù)挖掘和人工智能技術(shù)的崛起，該類犯罪的發(fā)案趨勢便可依賴智能技術(shù)得到更為科學(xué)精準(zhǔn)的定量結(jié)論，為打防工作提供科學(xué)量化指導(dǎo)。

目前，借助智能算法進(jìn)行盜竊犯罪預(yù)測研究主要是從時(shí)空角度入手，依托歷史發(fā)案數(shù)據(jù)，融合地理空間特征構(gòu)建數(shù)學(xué)模型，預(yù)測犯罪的高發(fā)區(qū)域和時(shí)段[4]。顏靖華等[5]以天為犯罪預(yù)測時(shí)間尺度，應(yīng)用LSTM 記憶盜竊犯罪案件的長期或短期特征，得到每日盜竊犯罪案件數(shù)量的預(yù)測結(jié)果。沈寒蕾等[6]構(gòu)建二值化長短期記憶模型BDLSTM 和頻數(shù)統(tǒng)計(jì)長短期記憶模型RD-LSTM,對入室盜竊案件發(fā)生概率及案件發(fā)生數(shù)量進(jìn)行預(yù)測。朱小波等[7]引入粒子群PSO 優(yōu)化算法，構(gòu)建改進(jìn)后的PSO-BP 神經(jīng)網(wǎng)絡(luò)模型,對一般盜竊犯罪數(shù)量進(jìn)行預(yù)測。陳笛[8]應(yīng)用ARIMA 模型和指數(shù)平滑模型對盜竊犯罪發(fā)案數(shù)量進(jìn)行預(yù)測，從時(shí)序維度的犯罪預(yù)測上取得了一定效果。石拓等[9]基于Bagging 算法，提出了基于特征選擇準(zhǔn)確度和差異性雙重考量的集成學(xué)習(xí)算法,通過對影響盜竊犯罪發(fā)生因子的有效選擇,利用更少維度的特征數(shù)據(jù)集提升盜竊犯罪預(yù)測效率和準(zhǔn)度。翟一鳴等[10]基于Prophet 算法將節(jié)假日因素納入時(shí)序分析模型中，對現(xiàn)有的犯罪預(yù)測模型進(jìn)行多重優(yōu)化,豐富了犯罪預(yù)測方法的體系。

雖然上述時(shí)空視角下的盜竊犯罪預(yù)測方法已有一定的研究積累，但現(xiàn)有預(yù)測方法主要存在兩方面問題：1)空間維度下的多視角特征融合度不夠，僅以空間區(qū)域內(nèi)已發(fā)案件數(shù)據(jù)為單一輸入特征開展預(yù)測，缺乏其他視角下的特征融入；2)時(shí)間序列維度下的預(yù)測動(dòng)態(tài)適應(yīng)性不足，即若采用不同歷史天數(shù)預(yù)測未來發(fā)案情況，需要重新構(gòu)造相應(yīng)天數(shù)的樣本數(shù)據(jù)訓(xùn)練模型，不能實(shí)現(xiàn)天數(shù)的動(dòng)態(tài)調(diào)整來預(yù)測發(fā)案，致使時(shí)空視角下盜竊犯罪預(yù)測的準(zhǔn)確率、魯棒性及靈活性無法兼顧，限制了現(xiàn)有模型預(yù)測的效能。

鑒于以上問題，本文提出一種基于自注意力和多尺度視角特征動(dòng)態(tài)融合的盜竊犯罪預(yù)測模型(a theft crime prediction model based on the dynamic fusion of self attention and multi-scale perspective features,DF-SAMS）。首先，以盜竊發(fā)案的經(jīng)緯度位置信息為基礎(chǔ)，將犯罪數(shù)據(jù)投射到一定大小地圖柵格內(nèi)，并在數(shù)據(jù)預(yù)處理中構(gòu)建了一種面向不同時(shí)間長度的動(dòng)態(tài)自適應(yīng)數(shù)據(jù)預(yù)處理方法（one for all），將不同時(shí)序長度的已發(fā)盜竊案件數(shù)據(jù)，匹配為預(yù)期時(shí)序長度的訓(xùn)練數(shù)據(jù)，采用Glove模型映射后進(jìn)一步拼接天氣、時(shí)間、區(qū)域位置屬性情況特征向量，構(gòu)造出多維度特征融合的輸入向量；其次，采用自注意力機(jī)制動(dòng)態(tài)計(jì)算出自定義時(shí)間范圍內(nèi)各天內(nèi)發(fā)案數(shù)據(jù)的依賴關(guān)系，生成多視角特征動(dòng)態(tài)融合的向量；隨后，在CNN 卷積模塊采用多尺度窗口信息融合方式，捕獲高層次特征，最終實(shí)現(xiàn)盜竊犯罪輸入信息的多維高階特征編碼，送入分類器，預(yù)測出每個(gè)地圖柵格內(nèi)的發(fā)案態(tài)勢。通過引入本文所提算法，能夠顯著提升盜竊案件預(yù)測的準(zhǔn)確率和靈活性，為公安部門在盜竊犯罪防控甚至更多類型犯罪預(yù)測場景中，提供新的技術(shù)思路和研究范式。

1 模型框架

本文所提出的基于自注意力和多尺度視角特征動(dòng)態(tài)融合（DF-SAMS）的盜竊犯罪預(yù)測模型結(jié)構(gòu)如圖1 所示。該DF-SAMS 模型主要由4 個(gè)模塊組成：動(dòng)態(tài)自適應(yīng)數(shù)據(jù)預(yù)處理模塊、多視角特征動(dòng)態(tài)融合、多尺度窗口編碼器模塊以及分類器模塊。

圖1 多尺度視角特征動(dòng)態(tài)融合的盜竊犯罪預(yù)測模模型Fig.1 Prediction model of theft crime based on DF-SAMS

1.1 動(dòng)態(tài)自適應(yīng)數(shù)據(jù)預(yù)處理

盜竊犯罪案件原始數(shù)據(jù)只包含發(fā)案位置的文本描述信息，需要應(yīng)用地址信息編碼，將盜竊犯罪發(fā)案區(qū)位投射于對應(yīng)地圖經(jīng)緯度位置上。隨后將數(shù)據(jù)進(jìn)一步處理為預(yù)期長度的特征序列表示，實(shí)現(xiàn)時(shí)序數(shù)據(jù)的動(dòng)態(tài)自適應(yīng)處理。具體可以分為地圖經(jīng)緯投射、時(shí)序動(dòng)態(tài)自適應(yīng)處理和分布式向量表征三步。

1.1.1 地圖經(jīng)緯投射

采用百度地圖地址解析，抽取犯罪案件發(fā)生地的經(jīng)緯度信息。將對應(yīng)研究區(qū)域的矢量地圖進(jìn)行預(yù)設(shè)數(shù)量（ 5×5、7×7、9×9）的柵格劃分，得到每一網(wǎng)格的經(jīng)緯度范圍，而后將發(fā)案地點(diǎn)以經(jīng)緯度為依據(jù)，按照日期投射到對應(yīng)的柵格地圖上，統(tǒng)計(jì)獲得每一網(wǎng)格內(nèi)每天的盜竊犯罪發(fā)案個(gè)數(shù)，數(shù)據(jù)處理樣例如圖2 所示。

圖2 不同柵格尺度下盜竊發(fā)案數(shù)據(jù)地圖投射處理樣例Fig.2 Example of map projection processing of theft data under different grid divisions

1.1.2 時(shí)序動(dòng)態(tài)自適應(yīng)處理

由以上的數(shù)據(jù)預(yù)處理過程，可以得到每個(gè)網(wǎng)格在每天的盜竊犯罪發(fā)案統(tǒng)計(jì)信息，隨后將數(shù)據(jù)送入時(shí)序動(dòng)態(tài)自適應(yīng)處理步驟。在傳統(tǒng)方法中，假設(shè)采用m天的盜竊發(fā)案歷史數(shù)據(jù)進(jìn)行預(yù)測，就需要將訓(xùn)練數(shù)據(jù)統(tǒng)一構(gòu)造為序列長度為m的形式，即 IDk=[dk1dk2···dkm]，其中 IDk表示第k個(gè)柵格區(qū)域的標(biāo)號，dkl,l∈[1,m]表 示第k個(gè)柵格區(qū)域內(nèi)的第l天的盜竊犯罪發(fā)案歷史記錄。當(dāng)模型需要采用不同時(shí)序長度的發(fā)案歷史數(shù)據(jù)，即m取不同數(shù)值時(shí)，則每次都需要重新將數(shù)據(jù)整理成對應(yīng)長度為不同數(shù)值m的序列來從頭訓(xùn)練對應(yīng)模型，大大增加了模型訓(xùn)練的數(shù)據(jù)預(yù)處理工作量。為解決上述問題，本文在數(shù)據(jù)處理模塊中提出一種可以將不同時(shí)序長度的發(fā)案數(shù)據(jù)補(bǔ)齊為預(yù)期長度序列（one for all）的方法，假設(shè)擬利用時(shí)序長度為m天的歷史數(shù)據(jù)訓(xùn)練模型進(jìn)行預(yù)測，只需要在生成訓(xùn)練數(shù)據(jù)時(shí)，將所有訓(xùn)練數(shù)據(jù)統(tǒng)一構(gòu)造成長度為預(yù)期長度為n的序列。當(dāng)m＜n時(shí)，從列表左側(cè)擴(kuò)充 (n-m)天的歷史數(shù)據(jù)，用特殊標(biāo)簽“UNK”代替；當(dāng)m≥n時(shí)，將會從列表左側(cè)將數(shù)據(jù)截?cái)喑砷L度為n的序列，如此就可以實(shí)現(xiàn)發(fā)案數(shù)據(jù)時(shí)序動(dòng)態(tài)自適應(yīng)處理的目標(biāo)。由于采用該方法生成的模型訓(xùn)練數(shù)據(jù)包含不同時(shí)間范圍的歷史數(shù)據(jù)，所以只需一次性處理數(shù)據(jù)，就可以得到自適應(yīng)利用不同范圍天數(shù)的歷史發(fā)案數(shù)據(jù)預(yù)測犯罪趨勢的能力，大幅降低了重復(fù)處理和訓(xùn)練的工作量。

1.1.3 多視角特征分布式表征

根據(jù)公安實(shí)踐經(jīng)驗(yàn)可知，盜竊犯罪的發(fā)案態(tài)勢與案發(fā)當(dāng)天的天氣、作案時(shí)間和地理位置屬性有極強(qiáng)相關(guān)性[11-13]，為此本文進(jìn)一步引入多視角特征作為輸入以提升盜竊犯罪預(yù)測精度。將發(fā)案數(shù)據(jù)、天氣、作案時(shí)間、地理位置共4 種特征向量進(jìn)行融合作為模型輸入。具體做法是對4 種輸入特征均采用分布式向量表示。由于每天的發(fā)案是離散數(shù)據(jù)，因此可以對于每個(gè)柵格區(qū)域中的盜竊案件預(yù)設(shè)歷史天數(shù)的發(fā)案序列 IDk通過預(yù)訓(xùn)練Glove embedding 模型，將其映射為維度s維的分布式向量。

針對天氣、作案時(shí)間和地理位置3 類特征則通過構(gòu)建特征詞表，隨機(jī)初始化為固定維度分別為i、j、o維的向量，隨后在模型訓(xùn)練過程中不斷更新向量參數(shù)，對此3 種特征進(jìn)行分布式向量表征。

最后將案件個(gè)數(shù)、天氣、作案時(shí)間和地理位置這4 種向量的序列矩陣，直接拼接構(gòu)成n(s+i+j+o)維的矩 陣X=[X1X2···Xn]T，其中n表示樣 本的容量。進(jìn)一步用Xt,t∈[1,n]表 示樣本集X中的某個(gè)樣本元素。然后將此時(shí)獲得的X作為輸入向量，送入到多視角特征動(dòng)態(tài)融合模塊，以進(jìn)一步捕獲時(shí)序依賴特征信息。

1.2 多視角特征動(dòng)態(tài)融合

在時(shí)間序列預(yù)測任務(wù)中，常常基于CNN 編碼器[14-16]或是LSTM 編碼器對輸入特征間的依賴關(guān)系進(jìn)行提取[17-19]。CNN 特征編碼器只能捕獲窗口范圍內(nèi)的特征依賴關(guān)系，缺乏更多尺度下的關(guān)系考量；而基于LSTM 的特征編碼器雖然能捕獲較大范圍的特征信息，但該編碼器仍存在長距離依賴捕獲能力不足的問題。為了解決上述問題，本文引入自注意力（self-attention）機(jī)制，動(dòng)態(tài)融合一段時(shí)間范圍內(nèi)各天盜竊發(fā)案數(shù)據(jù)的歷史信息依賴關(guān)系，以進(jìn)一步提取更大范圍的潛在時(shí)序關(guān)聯(lián)信息。

在將各類別特征向量化表示形成特征輸入矩陣X后，給每天的數(shù)據(jù)向量Xt隨機(jī)初始化一個(gè)keyt值，k eyt值是一個(gè)用戶可自己設(shè)置的維度為p的向量，取值將會在算法模型的不斷訓(xùn)練中通過學(xué)習(xí)獲得。然后利用點(diǎn)積模型計(jì)算自注意力層輸入Xt與各個(gè)天數(shù)向量表征之間的相似度，通過相似度對比得出該天與各發(fā)案天數(shù)Xkey的重要程度，得到注意力得分 Score(keyt,Xkey)，再利用softmax函數(shù)將注意力得分轉(zhuǎn)換為[0,1]之間的概率分布[20]，得到權(quán)重系數(shù)αt，根據(jù)權(quán)重系數(shù)對輸入X序列元素進(jìn)行加權(quán)求和，得到自注意力模塊計(jì)算的更新向量,t∈[1,n]，具體計(jì)算如下：

1.3 多尺度窗口編碼器

經(jīng)過多視角特征動(dòng)態(tài)融合模塊計(jì)算后，就得到了各歷史天數(shù)之間的依賴關(guān)系。為了捕獲更高層次的特征，本文采用多尺度窗口CNN 特征編碼器，對盜竊犯罪發(fā)案的高階信息采取進(jìn)一步融合編碼，如圖3 所示。

圖3 基于CNN 的多尺度窗口編碼器Fig.3 Multi-scale window encoder based on CNN

采用3 種不同尺度大小的卷積窗口捕獲2-gram、3-gram、4-gram 的特征，通過該模塊模型將獲得更多尺度的犯罪發(fā)案依賴信息，多窗口的卷積操作計(jì)算公式為

式中：Ua_gram表示輸入數(shù)據(jù)經(jīng)過不同尺度卷積核操作后的計(jì)算結(jié)果；a表示采用的卷積核尺寸。然后疊加偏置c，再使用激活函數(shù)f激活得到所需的特征，進(jìn)一步更新公式為

上述不同尺寸的卷積窗口得到的特征大小也是不一樣的，因此對每個(gè)計(jì)算后的特征向量再使用池化函數(shù)，使它們的維度相同，此處采用K-max pooling 方法[21]進(jìn)一步提取特征，計(jì)算公式為

式（6）表示保留Ua_gram中前K個(gè)信息值的最大值，最后將3 種窗口編碼后的特征進(jìn)行拼接形成融合向量v，送入后續(xù)分類器模塊進(jìn)行犯罪發(fā)案態(tài)勢預(yù)測。

1.4 分類器

在公安實(shí)際工作中，盜竊犯罪的打防工作更多關(guān)注未來時(shí)段內(nèi)發(fā)案情況的高低態(tài)勢[22]，進(jìn)而可根據(jù)發(fā)案態(tài)勢尋得犯罪熱點(diǎn)區(qū)域進(jìn)行布防[23]，實(shí)現(xiàn)針對盜竊犯罪的提前預(yù)警和警力部署。為此本文立足實(shí)踐需求，將發(fā)案態(tài)勢分為高發(fā)、中發(fā)、低發(fā)3 個(gè)熱度等級，把模型的最后模塊設(shè)計(jì)為分類器，將前期模塊計(jì)算處理后的特征向量用softmax 函數(shù)進(jìn)行分類，得到當(dāng)前輸入樣本條件下的未來目標(biāo)天數(shù)發(fā)案預(yù)測分布P。Softmax 函數(shù)是深度學(xué)習(xí)中常用且有效的分類器，計(jì)算公式為

經(jīng)過以上各模塊的處理計(jì)算，實(shí)現(xiàn)了應(yīng)用預(yù)期時(shí)序長度的盜竊犯罪發(fā)案數(shù)據(jù)預(yù)測未來的發(fā)案態(tài)勢。本文采用模型計(jì)算得到的預(yù)測結(jié)果所對應(yīng)目標(biāo)日期發(fā)案數(shù)量的概率分布情況，與真實(shí)發(fā)案數(shù)量概率分布情況的接近程度作為模型的交叉熵?fù)p失函數(shù)，計(jì)算公式為

式中：p表示真實(shí)發(fā)案概率分布情況；q為預(yù)測得到的發(fā)案概率分布情況，該值越小表明模型越優(yōu)。在模型參數(shù)求解過程中，采用Adam 梯度下降法[24]更新計(jì)算參數(shù)，最終獲得使交叉熵?fù)p失函數(shù)取值最小的對應(yīng)參數(shù)即為模型最優(yōu)參數(shù)，最優(yōu)模型也隨之確定。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集及評價(jià)標(biāo)準(zhǔn)

本實(shí)驗(yàn)以“天”為研究的時(shí)間粒度，采用我國北方某大型城市B 市2014—2018 年，共1 862 天的實(shí)際盜竊犯罪案件情況為數(shù)據(jù)集，應(yīng)用氣象局發(fā)布的包括晴天、下雨、下雪等氣象數(shù)據(jù)作為天氣維度的特征描述；采用盜竊案件發(fā)案地點(diǎn)所屬的柵格區(qū)域數(shù)據(jù)為地理位置維度的特征描述。由于盜竊犯罪與季節(jié)和具體日期等時(shí)間特性具有相關(guān)性[25]，所以本文就以案發(fā)的具體日期作為作案時(shí)間維度的特征描述。分別設(shè)置樣本時(shí)間范圍為5～15 天的發(fā)案情況，分別嘗試將 5×5、7 ×7和9×9柵格地圖劃分下的數(shù)據(jù)作為訓(xùn)練集來預(yù)測未來一天的發(fā)案趨態(tài)勢，如利用2018 年1 月1 日至1 月5 日的數(shù)據(jù)預(yù)測1 月6 日的發(fā)案態(tài)勢，某柵格區(qū)域內(nèi)盜竊犯罪輸入的原始數(shù)據(jù)樣例如表1 所示。

表1 某柵格區(qū)域內(nèi)盜竊犯罪輸入的原始數(shù)據(jù)樣例Table 1 Original data sample of theft crime in a grid area

盜竊犯罪態(tài)勢預(yù)測問題本質(zhì)上是一個(gè)多分類問題，因此本文選擇精確率p、召回率r、F1值作為評價(jià)指標(biāo)。具體計(jì)算公式為

式中：TP 表示正類樣本被判定正類的數(shù)量；FP表示負(fù)類樣本被判定為正類的數(shù)量；FN表示正類樣本被判定負(fù)類的數(shù)量。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

為了兼顧算法模型預(yù)測能力的性能和效能，本文分別在 5×5、7×7和 9×9柵格的地圖劃分模式下開展測試實(shí)驗(yàn)，3 種劃分模式的實(shí)驗(yàn)過程參數(shù)設(shè)置保持一致，如表2 所示。

表2 實(shí)驗(yàn)參數(shù)設(shè)置Table 2 Experimental parameter setting

2.3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文所提DF-SAMS 模型的性能優(yōu)劣，分別選取了目前在犯罪預(yù)測場景中較為常用的CNN、LSTM、Bi-LSTM、LSTM-CNN 四個(gè)模型作對比。實(shí)驗(yàn)中針對不同的模型編碼器，均采用相同的特征向量數(shù)據(jù)作為輸入，分別在 5×5、7×7、9×9柵格地圖劃分模式下進(jìn)行測試，對比實(shí)驗(yàn)結(jié)果如表3～5 所示。

表3 5 ×5柵格地圖劃分下的模型對比效果Table 3 Model comparison effect under a grid map division of 5×5

表4 7 ×7柵格地圖劃分下的模型對比效果Table 4 Model comparison effect under a grid map division of 7×7

表5 9 ×9柵格地圖劃分下的模型對比效果Table 5 Model comparison effect under a grid map division of 9×9

上述實(shí)驗(yàn)結(jié)果表明，在不同的地圖柵格尺度劃分下，5 個(gè)模型在盜竊犯罪時(shí)空預(yù)測場景中都表現(xiàn)出較好的性能。但由于CNN 和LSTM 在時(shí)序維度特征的提取上，存在范圍受限和長跨度依賴關(guān)系捕獲不佳的問題，所以各項(xiàng)評價(jià)指標(biāo)都明顯遜色于其他3 種模型。事實(shí)上盜竊犯罪發(fā)案在時(shí)間維度上也是存在較強(qiáng)依賴關(guān)系的，所以Bi-LSTM、LSTM-CNN 和本文所提出的DF-SAMS 模型都獲得了比較好的預(yù)測效果。但由于提出的DF-SAMS 模型融入多視角特征，并且在時(shí)序維度上引入了自注意力機(jī)制，同時(shí)又采用了多尺度窗口CNN 進(jìn)行特征編碼，所以在多樣性和高層次信息方面都捕獲了更好的特征，使得其實(shí)驗(yàn)的各項(xiàng)指標(biāo)顯著優(yōu)于其他模型，最高精確率達(dá)到了0.899，F(xiàn)1值也達(dá)到了0.901，這一水平的預(yù)測精度能夠很好地服務(wù)于公安防控實(shí)戰(zhàn)工作。

通過進(jìn)一步觀察實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，7×7柵格地圖劃分下的各模型預(yù)測效果都優(yōu)于 5×5柵格地圖劃分下的評價(jià)指標(biāo)，而采用 9×9柵格地圖劃分下的精確率p和F1值效果表現(xiàn)更佳，這在一定程度上揭示出在開展盜竊犯罪中，越是細(xì)粒度的空間劃分，越能夠取得較優(yōu)的預(yù)測效果，這也為公安數(shù)據(jù)警務(wù)建設(shè)提供了一種思路，即在犯罪時(shí)空預(yù)測中要盡量做到精細(xì)化、科學(xué)化分析。

為了進(jìn)一步驗(yàn)證本文在動(dòng)態(tài)自適應(yīng)數(shù)據(jù)預(yù)處理模塊所提出的one for all 訓(xùn)練方法在簡化數(shù)據(jù)處理過程中是否犧牲了預(yù)測效果，本文又分別在5×5和 9 ×9柵格地圖劃分下作了對比測試，實(shí)驗(yàn)選取預(yù)測效果較好的5、6、7 天作為訓(xùn)練數(shù)據(jù)時(shí)序天數(shù)，并對不同數(shù)據(jù)處理方法下的5、6、7 天預(yù)測指標(biāo)求平均值，用DF-SAMS(avg)表示，其測試結(jié)果如圖4～6 所示。

圖4 5×5 柵格地圖劃分下不同數(shù)據(jù)處理方式的測試對比效果Fig.4 Test comparison of different data processing methods under a grid division of 5×5

圖5 7×7 柵格地圖劃分下不同數(shù)據(jù)處理方式的測試對比效果Fig.5 Test comparison of different data processing methods under a grid division of 7×7

圖6 9×9 柵格地圖劃分下不同數(shù)據(jù)處理方式的測試對比效果Fig.6 Test comparison of different data processing methods under a grid division of 9×9

上述實(shí)驗(yàn)中，one for all 訓(xùn)練方法得到的模型分別對采用歷史時(shí)間為5、6、7 天的數(shù)據(jù)樣本集進(jìn)行了測試，實(shí)驗(yàn)結(jié)果表明其在 5×5柵格地圖劃分下的預(yù)測平均精確率為0.872，而采用傳統(tǒng)的數(shù)據(jù)處理方法，即將訓(xùn)練數(shù)據(jù)分別構(gòu)造成長度為5、6、7 的向量，再分別訓(xùn)練單獨(dú)的預(yù)測模型，其預(yù)測準(zhǔn)確率分別為0.867、0.874、0.878，平均精確率為0.873，可見利用本文所提出的動(dòng)態(tài)自適應(yīng)數(shù)據(jù)預(yù)處理one for all 方法得到的預(yù)測結(jié)果與傳統(tǒng)數(shù)據(jù)處理方法所獲結(jié)果差距甚微，反而在r值和F1分值上的表現(xiàn)更優(yōu)。進(jìn)一步觀察到在 7×7和 9×9柵格地圖劃分下，one for all 訓(xùn)練方法得到的模型分別在采用歷史時(shí)間范圍為5、6、7 天時(shí)，對應(yīng)的平均預(yù)測精準(zhǔn)率分別達(dá)到了0.891 和0.893，與傳統(tǒng)數(shù)據(jù)處理方法所得預(yù)測結(jié)果的精度出入十分微小，在值和兩個(gè)指標(biāo)上的結(jié)果與傳統(tǒng)數(shù)據(jù)處理方法所得預(yù)測結(jié)果差距也不大。這說明本文所提出的one for all 模型數(shù)據(jù)處理方法不僅能實(shí)現(xiàn)采用一個(gè)模型預(yù)測不同時(shí)間范圍內(nèi)的犯罪態(tài)勢，而且能保證模型與傳統(tǒng)處理方法的預(yù)測結(jié)果基本持平，印證了所提模型在盜竊犯罪發(fā)案態(tài)勢預(yù)測上的運(yùn)算高效性和效果優(yōu)越性。

3 結(jié)束語

本文著眼于公安實(shí)戰(zhàn)部門對于盜竊犯罪智能化防控的需求，提出了基于自注意力機(jī)制和多尺度多視角特征動(dòng)態(tài)融合的預(yù)測模型。模型分別從訓(xùn)練數(shù)據(jù)預(yù)處理和深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)兩個(gè)角度出發(fā)。首先提出了one for all 的動(dòng)態(tài)自適應(yīng)數(shù)據(jù)的匹配方法，實(shí)現(xiàn)了在不損失預(yù)測效果的前提下節(jié)省模型的訓(xùn)練數(shù)據(jù)構(gòu)造工作量；其次，在模型的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中通過融入多視角特征提升預(yù)測效果，并嘗試引入了自注意力機(jī)制，以捕獲盜竊犯罪發(fā)案的時(shí)序依賴信息，進(jìn)一步使用多尺度窗口的CNN 編碼器提取更高階的依賴信息，達(dá)成了盜竊犯罪時(shí)空精準(zhǔn)預(yù)測的目標(biāo)。實(shí)驗(yàn)表明，本文提出的DF-SAMS 模型具有良好的特征提取和發(fā)案態(tài)勢預(yù)測性能，相較于實(shí)驗(yàn)中另外4 種常用的犯罪預(yù)測神經(jīng)網(wǎng)絡(luò)模型，本文所提模型表現(xiàn)出更好的測試結(jié)果。

未來工作中將繼續(xù)擴(kuò)充輸入特征，如考慮引入警力分布、交通設(shè)施等數(shù)據(jù)，并進(jìn)一步完善模型網(wǎng)絡(luò)結(jié)構(gòu)，探索更優(yōu)的參數(shù)設(shè)置和數(shù)據(jù)預(yù)處理方法，不斷提升模型訓(xùn)練效率和預(yù)測性能，以期實(shí)現(xiàn)對本文DF-SAMS 模型的進(jìn)一步優(yōu)化與改進(jìn)，更好提升公安機(jī)關(guān)開展盜竊犯罪打防工作的效率和準(zhǔn)度。