论文标题：Dynamic road crime risk prediction with urban open data (基于城市公开数据的动态犯罪风险预测)

期刊：Frontiers of Computer Science

作者：Binbin ZHOU , Longbiao CHEN , Fangxun ZHOU , Shijian LI , Sha ZHAO , Gang PAN

发表时间：23 Nov 2021

DOI：10.1007/s11704-021-0136-z

微信链接：点击此处阅读微信文章

导读

犯罪风险预测有助于提高城市安全和市民生活质量。然而现有的犯罪预测研究侧重于粗粒度的研究，较少考虑去捕捉城市中犯罪的动态性。数据的稀缺性是细粒度犯罪预测研究一个关键的挑战。首先，不是所有的犯罪事件都有记录，有一些犯罪事件因为一些原因并没有上报到警局；其次，犯罪事件本身发生的频率通常较低。在本文中，我们从犯罪数据的零膨胀角度出发研究城市犯罪风险预测。首先，针对部分犯罪事件未报案的问题，我们提出了一种交叉聚合软计算(CASI)方法来填补可能存在的未报案数据。然后基于动态计算的犯罪风险，我们从各种城市数据源中设计了上下文特征（包括POI分布、出租车移动数据、人口特征等），并提出了一个零膨胀负二项式回归（ZINBR）模型来预测道路上的犯罪风险。最后我们利用纽约市的真实数据进行实验。实验结果表明我们提出的方法可以准确预测道路犯罪风险。

文章精要

摘要

Crime risk prediction is helpful for urban safety and citizens’ life quality. However, existing crime studies focused on coarse-grained prediction, and usually failed to capture the dynamics of urban crimes. The key challenge is data sparsity, since that 1) not all crimes have been recorded, and 2) crimes usually occur with low frequency. In this paper, we propose an effective framework to predict fine-grained and dynamic crime risks in each road using heterogeneous urban data. First, to address the issue of unreported crimes, we propose a cross-aggregation soft-impute (CASI) method to deal with possible unreported crimes. Then, we use a novel crime risk measurement to capture the crime dynamics from the perspective of influence propagation, taking into consideration of both time-varying and location-varying risk propagation. Based on the dynamically calculated crime risks, we design contextual features (i.e., POI distributions, taxi mobility, demographic features) from various urban data sources, and propose a zero-inflated negative binomial regression (ZINBR) model to predict future crime risks in roads. The experiments using the real-world data from New York City show that our framework can accurately predict road crime risks, and outperform other baseline methods.

相关内容推荐：

基于图应用特征的高效内存数据布局策略 2021 16(1): 161607

误差约束条件下的差分隐私优化发布机制 2021 16(1): 161608

基于RDMA和SkipList 的高效范围查询键值存储 2021 15(6): 156617

基于异构属性信息增强的网络表征深层框架 2021 15(6): 156616

数据库中平均开心率最大化加速算法 2021 15(6): 156618

一种面向物联网再制造的PCB产品质量状态编码方案 2021 15(5): 155615

VColor*：一种实用的大图着色方法 2021 15(4): 154610

基于多任务协调的信息网络融合 2021 15(4): 154608

分布式日志存储结构中的增量连接视图维护 2021 15(4): 154607

基于内容和协同过滤的时间感知混合推荐方案 2021 15(4): 154613

基于kNN的最优位置查询算法 2021 15(2): 152606

如何进行精准高效日志修复？一文阐述日志修复算法 2021 15(2): 152605

【FCS 信息系统专栏】一种基于RkNN的空间位置影响力评价与查询算法 2021 15(2): 152604

Frontiers of Computer Science

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中13种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn