近10年来犯罪时空预测国内外研究与实践进展

基于地点的犯罪时空预测由于不直接涉及个人数据，且可与警务巡逻和精准化治安防控策略有机结合，现已成为预测性警务领域的研究热点和主要实践方向。本文对2013年以来国内外犯罪时空预测的最新进展进行综述，主要工作包括：(1)总结了该领域研究在文献数量快速增加、研究主题日益多元、主要研究群体分布相对集中等方面的总体特征；(2)梳理了犯罪时空预测的目标主体、时间尺度、空间尺度、模型方法、精度评价、实践效果评估六大基本要素的新变化、新指标或新进展；(3)介绍了常用犯罪时空预测软件及各国预测性警务实践；(4)探讨了在实践应用的各个阶段所面临的伦理问题及挑战，以及各界为规避此问题做出的尝试；(5)展望了犯罪时空预测后续研究重点。本研究为犯罪时空预测领域勾勒出一个较为全面和清晰的轮廓，可为国内犯罪地理、智慧警务、警用地理信息系统（PGIS）等相关领域的研究者和从业人员提供有益参考。     

基于注意力机制的城市轨道交通网络级多步短时客流时空综合预测模型

准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础,提出了城市轨道交通网络级多步短时客流预测模型（STIPM）。该预测模型由3个分支组成,分支一以时间序列进站客流为输入,提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性;分支二以基于时间步的OD数据为输入,提出了深度注意力模块挖掘数据中大量的时间、空间相关性,利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息,从而完成了拓扑网络信息提取;分支三的输入为POI数据,使用CNN网络获取其时空相关性,并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下,获得更长的预测时间和更详细的预测信息,本文采用“神经网络多输出”策略,完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试,并将预测结果与10个基准模型和4个消融实验模型进行对比,在RMSE、MAE与WMAPE评估指标中,STIPM模型均得到最高的预测精度,结果表明该模型具有一定的优越性与鲁棒性。     

顾及地理-语义动态的城市热点预测框架

城市热点时空预测是城市管理和智慧城市建设的一项长期而富有挑战性的任务。准确地进行城市热点时空预测可以提高城市规划、调度和安全保障能力并降低资源消耗。现有的区域级深度时空预测方法主要利用基于地理网格的图像、给定的网络结构或额外的数据来获取时空动态。通过从原始数据中挖掘出潜在的自语义信息,并将其与基于地理空间的网格图像融合,也可以提高时空预测的性能,基于此,本文提出了一种新的深度学习方法地理语义集成神经网络(GSEN),将地理预测神经网络和语义预测神经网络相叠加。GSEN模型综合了预测递归神经网络（PredRNN）、图卷积预测递归神经网络（GC-PredRNN）和集成层的结构,从不同的角度捕捉时空动态。并且该模型还可以与现实世界中一些潜在的高层动态进行关联,而不需要任何额外的数据。最终在3个不同领域的实际数据集上对本文提出的模型进行了评估,均取得了很好的预测效果,实验结果表明GSEN模型在不同城市热点时空预测任务中的推广性和有效性,利用该模型可以更好地进行城市热点时空预测,解决一系列如犯罪、火灾、网约车预订等等现代城市发展中亟需解决的相关问题。     

基于MLP神经网络的大气加权平均温度模型

以中国西南地区2015~2017年探空数据为实验数据,使用多层感知器（MLP）神经网络回归方法建立西南地区的加权平均温度(T_m)模型。将气象参数（地表温度、水汽压）和非气象参数（高程、纬度和年积日）作为模型输入因子,由数值积分法计算得到的T_m作为学习目标,通过神经网络模型进行迭代训练从而得到中国西南地区的T_m。以2018年探空站T_m数据为参考值,对MLP模型精度进行验证,并与Bevis模型和GPT3模型进行对比分析。结果表明,MLP模型的年均RMSE和年均bias分别为1.99 K和0.15 K,比Bevis模型、GPT3模型年均RMSE分别降低1.36 K(40.6%)和1.51 K(43.1%),年均bias分别下降0.70 K（82.4%）和1.04 K（87.4%）,且该模型在中国西南区域不同高程、纬度和季节的精度与稳定性优于Bevis模型和GPT3模型。     

基于街景影像多特征融合的广州市越秀区街道空间品质评估

全面准确地描述街景影像的多层次特征在基于街景影像对街道空间品质进行评估的研究中具有重要意义。以广州市越秀区为例,获取前后左右各视角街景影像中手工设计的特征（SURF特征、HOG特征）和基于深度学习的特征（语义特征）,基于单一特征和多特征融合采用支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）训练各视角的评估模型。结果表明,以基于SVM建立的单特征模型为例,基于HOG特征（73.03%）、语义特征（72.28%）的模型平均精度优于SURF特征（56.00%）,基于SVM前后左右各视角模型的最优分类精度为82.8%（前）、81.7%（后）、76.6%（左）、76.6%（右）,而基于RF各视角模型的最优分类精度为82.8%（前）、85.0%（后）、78.1%（左）、70.3%（右）。前后视角的模型精度略优于左右视角。各视角最优模型均为多特征融合模型,最优模型平均分类精度和Kappa系数可达80.6%和0.62。利用街景影像评估街道空间品质时,各算法之间性能差异微弱,而特征选择及组合方式是提升精度的关键。越秀区街道空间品质存在明显空间分异,其西南部的街道空间品质亟待提升。本研究构建了基于街景影像多特征融合的大规模高精度街道空间品质测度方法,实现了对越秀区街道空间品质的评估,研究结果可为相关部门进行街道环境综合整治提供参考。     

基于多源数据的北京市朝阳区人口时空格局评估与预测

城市人口分布与活动呈现高度的时空动态变化,掌握人口时空变化特征并进行未来预测,对于精准人口评估、有效的政策措施制定、实时的人口预警与调控等具有重要意义。本研究利用以手机信令数据为主的多源时空数据,首先利用地理探测q统计进行探索性数据分析,其次结合贝叶斯模型进行北京市朝阳区居住人口的时空变化探究及时空预测,以期达到对朝阳区人口的动态评估与预测。首先,选用地理探测q统计进行空间异质性探测,用贝叶斯时空层次模型探究基于手机信令数据推算的北京市朝阳区居住人口的总体空间效应、总体时间效应以及局部变化趋势;其次,选用贝叶斯高斯预测过程模型,基于朝阳区各街乡的居住人口及相关人口影响因子数据进行朝阳区各街乡2017年12月的居住人口预测。时空探究表明：朝阳区居住人口在空间上存在完美空间分异,整体呈现沿环路由内向外递增的空间分布格局,整体时间趋势表现为增长,各街乡局部时间变化趋势呈现一定差异。预测的空间分布与实测空间分布整体一致,精度较高,各街乡预测精度不一。结果表明基于贝叶斯理论的时空层次模型和高斯预测过程模型可以为多源时空数据下的多尺度精准识别与人口时空模式挖掘提供有效的方法支撑。     

基于LSTM的城市道路交通速度预测

交通预测对于交通智能管控具有重要的作用,实时准确的交通速度预测是相关研究领域中亟待解决的问题。传统预测方法难以应对日益复杂的交通数据,深度学习作为一种以数据为导向的新技术,在交通预测领域得到了广泛应用。综合利用城市道路交通的时空关联特征,搭建基于长短期记忆(LSTM)的城市道路交通速度预测模型,模型在时间特征上考虑了近历史时刻和远历史时刻的速度信息,以及待预测时刻的时刻值;在空间特征上集成了目标路段的上下游路段速度信息。基于武汉市出租车GPS数据和高德开放交通数据,开展数据处理与路段速度预测实验,分析预测模型参数与特征对预测结果的影响,并通过与传统方法的对比验证模型的有效性。     

CALPUFF模型模拟结果的时空多维可视化表达

大气污染扩散模型数值模拟结果的时空多维可视化表达,能有效展示大气污染扩散空间分布,为快速高效辅助后期污染分析与应急决策提供重要的参考。CALPUFF模型能高效模拟污染物在大气环境中时空变化的扩散过程,而现有大气污染扩散模型模拟结果可视化表达普遍存在不能有效集成地理信息、缺失部分重要维度特征等问题。论文首先分析了CALPUFF模型,及其与组件式GIS紧密集成的技术方案,为模型模拟结果与地理信息集成提供了技术支持。然后,基于CALPUFF模型的数值计算模拟结果,详细研究了风场数据预处理及其矢量绘制方法,浓度场的数据预处理及其栅格渲染方法。在三维地形场景下,探究了大气污染物的时空扩散模拟可视化表达方法,给出了CALPUFF模型模拟结果与三维地形场景的集成表达策略。最后,通过组件式GIS,构建了福州市三维地形场景,以大气污染CALPUFF扩散模拟结果为例,在WPF系统框架下,实现了风场和浓度场的时空动态模拟和空间层级多维可视化表达。实验结果表明,本文所采用的时空可视化技术方案能将CALPUFF模型模拟结果,有效集成三维地形场景,实现模型模拟结果在时间维度上动态扩散和在空间维度上的层级分布,可为大气污染模拟结果的时空多维可视化提供参考。     

CLAB模型：一种乘客出租出行需求短时预测的深度学习模型

乘客出行需求预测是智能交通系统的组成部分,准确的出行需求预测,对于车辆调度具有重要的意义;然而现有的预测方法无法准确的挖掘其潜在的时空相关性,且大都忽略历史流入量对出行需求的影响。为了进一步挖掘时空大数据中的时空特性及提升模型预测乘客出行需求的精度,本文提出了一种乘客出租出行需求短时预测CLAB(Conv-LSTM Attention BiLSTM)模型。CLAB模型设置了3个模块分别为基于注意力机制的Conv-LSTM模块和2个BiLSTM模块,基于注意力机制的Conv-LSTM模块提取临近时刻乘客出行需求量中的空间特征和短时时间特征,其中注意力机制能自动分配不同的权重来判别不同时间的需求量序列重要性;为了探索长期时间特征,用2个BiLSTM模块来提取历史流入量序列时间特征和日乘客需求量序列的时间特征。采用厦门岛的网约车和巡游车的订单数据进行实验,结果表明：(1) CLAB模型更适用于使用30 min历史数据预测未来5 min短时乘客出行需求;(2)与基准预测模型相比,CLAB模型的整体的效果误差更低,具有更好的预测效果,CLAB模型比CNN-LSTM、LSTM、BiLSTM、CNN...     

基于路段-路口联合建模的对偶图卷积网络的行程时间估计方法

估计给定路径的行程时间在许多城市交通系统中起着重要作用，例如导航、路线规划和拼车等。然而，现有的大多数工作都侧重于对路段或交叉路口进行单独建模，这并不能准确估计行驶时间，因为交叉路口和路段作为路径的基本要素不仅各自包含多样化的空间属性和时间动态，而且它们之间还具备较强的耦合相关性。为了解决上述问题，本论文提出了一种新颖的端到端深度学习框架，即面向行程时间估计的对偶图卷积网络（DGCN-TTE）来对交叉路口和路段进行联合建模。具体来说，这个模型采用对偶图卷积方法来捕获路口和路段的复杂关系，其中构建节点图来刻画路口之间的相关性，构建边图来表征路段之间的交互特征。为了捕捉空间和时间特征的联合关系，模型中还引入了一种在捕捉时间依赖性的同时结合了从多个邻域范围内整合多尺度空间关系的时空学习模块。本论文通过对3个真实世界的轨迹数据集上的充分的实验来评估提出的DGCN-TTE模型，结果表明该模型显著优于现有的方法，评估指标相比于次优方法最多可以获得超过10%的提升。     

融合历史犯罪数据的疑犯社会活动位置预测

由于重点跟踪人员（疑犯）的社会活动监控数据可获取性差,难以直接反映疑犯的社会活动时空模式,降低了案情分析和犯罪风险预测的有效性。为此,本文提出了融合犯罪记录的位置预测（Crime Records enhanced Location Prediction,CReLP）模型,将疑犯犯罪记录信息融入协同过滤算法,预测疑犯在未来对任意位置的访问频度。该方法利用张量（Tensor）表达疑犯在不同时段和位置上的访问频度,基于疑犯的犯罪事件数据构建疑犯时空关联度矩阵,利用该矩阵约束正则化的张量分解（Tensor Decomposition）过程,以解算出张量中的缺失值,进而获得各疑犯的潜在时空分布模式。实验采用包含了241个疑犯、1.9万个位置记录的真实疑犯位置数据集进行了模型测试,结果表明本文方法在均方根误差和 top-k 最小搜寻距离2个指标上都超过其他Baseline方法32%~63%和14%~26%,大幅提高了位置时空预测的有效性和健壮性。     

采用多模型融合方法评价滑坡灾害易发性:以湖北省五峰县为例

不同的易发性评价模型可以得到有差异的滑坡空间预测结果，选取最优模型甚至综合各模型的优势是提高易发性评价精度的有效方法。为检验模型融合思路的有效性，以鄂西地区五峰县渔洋关镇为研究区，提取坡度、地层、断层、河流、公路等7个滑坡成因条件，分别采用信息量模型、证据权模型和频率比模型进行滑坡易发性评价；并将3种模型分别进行归一化、主成分分析（PCA，Principal component analysis）和优势融合，得到了6幅易发性分区图。结果表明:优势耦合模型精度最高（90.3%），频率比模型次之（89.7%），归一化融合模型和PCA融合模型分别为89.3%和89.1%，以上4种结果的精度均高于证据权模型（87.7%）和信息量模型（87.6%）；6幅预测图对应的评价结论与历史滑坡空间分布的实际情况相符。空间一致性对比结论表明，主成分融合模型与优势耦合模型的同格率高达68%，其预测结果避免了单个模型预测结论带来的偶然性和片面性，说明多模型融合方法与优势耦合模型在提高滑坡易发性预测精度上是可行性的，该思路对其他地区滑坡灾害易发性评价具有借鉴意义。      

顾及时空对象空间相互作用的疫情风险评估建模与应用

新型冠状病毒肺炎（Coronavirus Disease 2019,COVID-19）在全球的传播仍在持续,根据COVID-19在国内早期的扩散特征,从地理学角度出发,构建了一种顾及时空对象空间相互作用机制的疫情风险评估模型,模型在参照时空对象空间相互作用迁移型传导模式的基础上,重点考虑了疫情传播的时空过程、并兼顾空间依赖及空间异质性因素,实现了疫情风险城际传播的关联性、动态性分析。在实证研究阶段,基于该模型对武汉及其主要影响城市在2020年1月上旬到4月上旬的疫情风险及动态演变进行了评估,通过与基于城市对象自身属性计算得到的实时疫情风险指数及其空间分布进行比较,验证了基于时空对象的空间相互作用模型在疫情风险评估方面的有效性。结果表明：① 模型能兼顾疫情传播的空间依赖及空间异质性特征,体现疫情风险的城际传播过程,为疫情传染风险评估及相关空间问题的研究提供了一种新的视角和方法;② 来自源对象的输入性疫情风险与对象间的空间相互作用强度存在显著正相关性,因此在疫情防控中要结合空间相互作用的主要影响因素进行综合决策。     

基于LSTM神经网络的青藏高原月降水量预测

青藏高原的降水量预测不仅为该地区水资源合理规划利用提供依据,同时对中国及周边国家气候变化研究有着重要的意义。论文利用1990—2016年青藏高原降水量数据,采用长短期记忆神经网络（LSTM）对青藏高原月降水量进行预测,主要包括：① 使用青藏高原86个测站1990—2013年的月降水资料,预测各个测站2014—2016年的月降水量,并与传统的RNN、NAR、SSA和ARIMA预测模型相比,平均决定系数R²分别提高了0.07、0.15、0.13和0.36,均方根误差（RMSE）和平均绝对误差（MAE）表现更低;② 分析了降水量预测精度的空间分布特征,将各模型的R²在青藏高原地区内插值,分析R²的空间分布特征,发现所有模型降雨稀少的干旱地区和降雨多的湿润地区R²较低,在气候稳定、降水规律性明显的地区R²较高,且LSTM模型R²≥0.6的空间范围远大于传统模型;③ 分析了不同预测长度对各模型预测精度的影响,发现所有模型会随着预测长度增加而预测精度降低,但在不同的预测长度下LSTM预测的RMSE值都低于其他模型。     

香港地区顾及高度改正的加权平均温度模型

选用2012~2017年Kings Park 站探空资料,基于迭代最小二乘方法构建2种香港地区顾及高度改正的加权平均温度模型--T_m_hk1和T_m_hk2,并利用2018年探空资料对模型在香港地区的精度和适用性进行评估。结果表明,在香港地区,依赖测站温度的T_m_hk1模型具有较高的精度,年均偏差优于0.3 K,均方根误差优于1.8 K,与Bevis公式和GPT2w模型相比,T_m_hk1模型的精度分别提升35.4%和29.7%;而不依赖气象参数的T_m_hk2模型与GPT2w模型的精度相当,年均方根误差均优于2.5 K,Bevis公式的精度最差(RMS为2.7 K),且具有较大负偏差(bias为－1.8 K)。从季节性分析可知,Bevis公式、T_m_hk2 和GPT2w模型精度具有明显的季节性变化,总体为夏季精度较高(RMSE为1.3~2.2 K),冬季精度较低(RMSE为3.0~4.4 K);T_m_hk1模型在各季节均具有最高精度（RMSE为1.4~2.4 K）和适用性。     

顾及上网行为特征的手机用户停留行为预测方法

随着信息通讯技术的发展,手机成为人类日常生活不可缺少的一部分,人类活动逐渐从现实空间延伸至网络空间,在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。当前个体出行行为预测建模较少考虑上网行为与出行行为间的关系,本文提出一种融合上网行为特征的手机用户停留行为预测模型,通过时空约束定义手机用户的停留行为,在考虑个体出行行为时空偏好的同时,融合手机用户使用的APP组合、上网流量、上网次数等上网行为特征以及天气信息等外部特征,从时间、空间的角度进行特征交叉,构建从特征到模型均具有高可解释性的手机用户停留行为预测模型。实验证明：本文模型预测准确率为80.31%,且在融合上网行为特征、天气等外部因素后,比仅使用个体出行特征进行手机用户停留行为预测提升了12.08%。     

基于时空多图卷积网络的网约车乘客需求预测

随着智能手机的普及,网约车成为常用的出行替代方式。网约车运营平台因此成为智能交通系统的主要组成部分,在满足公众出行需求中发挥重要作用。乘客需求预测是网约车系统需要解决的核心问题,现有文献中提出的模型忽略了长期时间相关性及多种空间相关性,本文针对现有研究成果存在的局限性,在充分考虑网约车乘客出行需求时空相关独特性的基础上,提出一种融合全局特征的时空多图卷积网络(Spatio-Temporal Multi-Graph Convolutional Network Fused With Global Features,GST-MGCN)模型。该模型遵循临近性、周期性和趋势性(Closeness, Period and Trend,CPT)范式,利用时序信息拟合时间依赖关系;通过识别多种空间语义相关性构建对应的关系图结构、建立多图卷积模型;模型中的全局特征融合模块,使用门控融合和总和融合方法分别捕捉乘客需求的突变和渐变。以海口市数据集为样本的实验结果表明,本文提出的GSTMGCN模型MAE、RMSE和MAPE指标的值分别是2.269、3.917、21.447,优于其他同类主流模型。本研究证明提出...     

顾及对象特征的地面式光伏电站提取及减碳效益评估

准确、高效地获取地面光伏电站的空间部署现状，科学估算光伏电站发电效益及其碳减排成效，对未来光伏电站建设的合理布局与光伏资源的有效利用具有重要意义。本文以我国西部新疆维吾尔自治区、青海省和西藏自治区作为研究区：(1)使用以ResNet50作为骨干网络的ResNet50-UNet网络分割模型自动提取地面光伏电站，在深度学习广泛应用于遥感语义分割/地表覆盖分类的背景下，本文未局限于单一地对网络模型的不断改进上，而同时考虑了如何充分发挥输入样本的自身优势，研究中基于Sentinel-2A遥感影像挖掘光伏电站纹理特征，强调地物固有特征在智能化深度学习中的应用价值，模型提取精度得到显著提升；(2)针对提取结果边界精度较差的问题，提出结合ArcGIS和eCognition多尺度分割优化处理光伏电站提取结果的技术路线，高保真还原地面光伏电站真实形态。经后处理优化，提取结果的Kappa系数达93.71%,mIoU值达94.05%；(3)碳减排效益评估时，准确估算光伏电站发电量是进行该工作的重要前提，本文基于光伏电站提取结果，从内部结构复杂的光伏用地中准确提取发电量估算公式中的重要参数之一——光伏方阵面积...     

GIS空间分析技术在地理数据处理中的应用研究

地理空间数据GIS的处理中,空间分析是其分析、模拟、预测和调控过程的基础理论和技术。空间分析大量时空模型的建立与应用是地学分析区域性或全球性地理问题的重要手段,是新的挑战和机遇。作者从空间分析的定义及空间分析的应用研究出发,认为现代地理学的应用离不开空间分析的支撑;另外空间分析日趋成为自然地理学深化研究、应用的重要技术途径。地学数据GIS的分析处理,须与有空间特征的时空模型、数据挖掘、可视化技术整合,以及关注多维信息空间要素关联性的多元应用。     

基于手机定位数据的城市人口分布近实时预测

精细时空尺度下城市人口分布的近实时预测可为优化公共资源配置、协助城市交通诱导、制定公共安全应急预案、探索城市居民活动规律等提供重要科学依据。本文采用城市手机定位数据,基于时间序列分析方法,分别建立参数预测模型和非参数预测模型,对精细尺度下的城市人口空间分布开展近实时预测。预测结果表明,基于时间序列分析方法的预测模型可为精细尺度下的城市人口分布近实时预测提供方法支持;在本文实验条件下,从人口规模、时空分布、多时间尺度、特殊事件等多个角度评估模型精度,非参数预测模型其预测误差均小于参数预测模型,且预测结果更为稳定。