论文部分内容阅读
社区是若干社会群体或聚居在某个区域内的人所组成的社会共同体,是与人们息息相关的生活基本单元。因此社区治安稳定与否是局部反应社会治安是否稳定的一面镜子,社区的治安稳定直接影响(反映)了整体社会治安稳定水平,因此能否及时有效评估社区治安风险度,对社区治安风险进行风险评估,提升社区治安稳定有着重要的意义。目前基层警力严重不足,很多公安工作处于被动状态,为了更好的维护社区治安稳定,通过开展社区治安风险精准预测,为优化警力分配提供决策支持,提高公安机关打击违法犯罪快速反应能力。本文基于目前社区治安状况,分析、提取影响社区治安风险的关键因素,挖掘各个因素之间的关系,进而对社区治安案件进行精准预测,最终对社区治安风险度做出评估预警。本文主要工作内容如下:(1)基于相关因素分析理论,甄选影响社区治安风险的特征因素。本文通过对所采集数据进行分析、预处理,利用相关分析初步筛选出影响社区治安风险的时间序列特征因素,并剔除在短时间内对社区治安风险影响小甚至不会产生变化的特征因素,为构建社区治安案件预测模型奠定基础。(2)基于多通道的卷积神经网络,提出社区治安案件预测模型。该预测模型对传统的卷积神经网络进行改进,由单通道网络变为多通道网络以适应社区治安风险的多个特征因素同时输入的需求。改进后的网络扩大了卷积神经网络的感受野,使预测模型精度得到提高。通过实验结果表明,多通道卷积神经网络预测精度可达87.7%。(3)根据不同模型在不同任务中预测性能的差异,提出基于神经网络搭建的综合预测模型。综合预测模型中的两个单一模型分别是CART回归树预测模型与多通道卷积神经网络预测模型,把每个单一模型的输出值作为该模型的输入值,根据不同任务学习性能的好坏来分配权重,最终返回基于该输入的预测结果,即为社区治安案件预测结果。通过实验结果表明,本文提出的综合预测模型预测精度可达92.5%。本文对社区治安案件预测分别构建的两个单一模型,CART回归树模型和多通道卷积神经网络模型预测精度均在80%以上,有较好的预测性能,但与本文提出的综合预测模型相比,综合预测模型具备更高的预测精度和鲁棒性。