靖常峰：面向城市犯罪高风险区域预测的多尺度神经网络模型

2024-02-29     发布：信息工程学院    点击：487次

预测城市犯罪高风险区域对于保障公共安全和促进城市的可持续发展具有至关重要的意义。然而，现有方法在处理在时空敏感度和感知能力上仍显不足，难以从不均匀甚至稀疏分布的数据中挖掘时空依赖关系。为了应对这一挑战，本研究创新性的提出了一种多尺度神经网络模型——ST-HGNet模型及其注意力机制的变体模型ST-HGNet(a)。模型通过扩展不同尺度上的有效信息来探索时空模式，致力于不断提高稀疏类型数据的热点图位置预测精度。

该工作的主要贡献如下：

（1）考虑现有研究中感受野范围相对固定的限制，创新性地提出了融合多尺度架构、门控机制与注意力机制的模型策略。

（2）提供了多尺度分层门控架构的两种不同实现方法，按需融入注意力机制，能够动态地捕捉不同距离上的空间依赖性和不同趋势上的时间依赖性，从而显著提升特征的敏感性以及对稀疏特征的识别能力。

（3）本研究选取了公开数据集为案例进行预测实验。结果显示，ST-HGNet模型在多级空间分辨率预测中表现卓越。特别是，加入了自注意力机制的ST-HGNet(a)模型在1000米空间单元上的表现最为突出，平均命中率超过84%。

图1 ST-HGNet和ST-HGNet(a)网络结构

图2 HGConv / HGonv(a)多尺度预测模块

本研究发表地理信息科学与城市科学领域顶级期刊《Computers, Environment and Urban Systems》: Changfeng Jing（靖常峰）；Xinxin Lv（吕欣欣）； Yi Wang（王毅）, Mengjiao Qin（秦梦娇）；Shiyuan Jin（金士媛）；Sensen Wu（吴森森）；Gaoran Xu（许高然）. A deep multi-scale neural networks for crime hotspot mapping prediction. Computers, Environment and Urban Systems, 2024, 109, 102089.（中科院1区Top期刊，IF= 6.197）。

原文链接：https://doi.org/10.1016/j.compenvurbsys.2024.102089。