首页|基于随机森林和时空核密度方法的不同周期犯罪热点预测对比

基于随机森林和时空核密度方法的不同周期犯罪热点预测对比

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
犯罪预测对于制定警务策略、实施犯罪防控具有重要意义.机器学习和核密度是2类主流犯罪热点预测方法,然而目前还鲜有研究对这2类方法在不同时间周期下的犯罪预测效果进行系统比较,本文试图对此进行补充.本文以2013-2016年5月的公共盗窃犯罪历史数据作为输入,分别对比了在接下来2周、1个月、2个月、3个月4个不同时间周期随机森林方法与基于时空邻近性的核密度方法的犯罪热点预测效果,结果发现:在各时间周期上,随机森林分类热点预测方法的面积和案件量命中率均比时空核密度方法准确性高;并且2种方法均能有效地识别犯罪热点中的高发区域,其中在较小范围较短时间内随机森林识别热点中的高发区效率更高,而在较大范围较长时间周期上时空核密度方法识别高发区更优.
Comparison of random forest algorithm and space-time kernel density mapping for crime hotspot prediction

柳林、刘文娟、廖薇薇、余洪杰、姜超、林荣平、纪佳楷、张政

展开 >

中山大学地理科学与规划学院综合地理信息研究中心,广州510275

广州大学地理科学学院公共安全地理 信息分析中心,广州510006

辛辛那提大学地理系,美国辛辛那提OH45221-0131

时空核密度 随机森林算法 犯罪热点预测 犯罪高发区识别

国家自然科学重点基金广东省自然科学基金研究团队项目国家自然科学基金广东省科技计划项目

415311782014A030312010411711402015A020217003

2018

10.18306/dlkxjz.2018.06.003

地理科学进展
中国科学院地理科学与资源研究所 中国地理学会

地理科学进展

CSTPCDCSSCICSCD北大核心
影响因子：2.458
ISSN：1007-6301
年,卷(期)：2018.37(6)
  • 28
  • 6