改进的GA-BP神经网络模型在财产犯罪预测中的应用

发现犯罪时空分布规律并预测犯罪发生,是提高警务策略有效预防、控制犯罪的重要方法。在分析财产犯罪时空规律的基础上,利用BP神经网络模型自动学习训练各因子与财产犯罪的非线性关系,建立了财产犯罪预测模型。针对BP神经网络模型易陷入局部最优和模型不稳定的缺陷,提出了利用遗传算法（GA）选择各因子最优的初始化权重和参数,并以此作为BP神经网络模型的初始化权重矩阵,通过对历史数据的学习及训练建立了改进后的GA-BP神经网络模型。利用某市2007~2012年财产犯罪、人口、GDP、土地利用等35个综合影响因子数据,对改进前后的模型进行了预测对比试验。结果表明,改进后的GA-BP神经网络模型成功克服了BP模型的缺陷,收敛迭代最小次数从117次改进到8次;10次计算收敛迭代次数最大误差从370次提高到5次;模型预测精度（RMES）从0.043 0提高到0.019 95。     

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。     

犯罪时空预测方法研究综述与展望

犯罪时空预测作为预测警务的核心支撑技术,自2000年左右至今得到了快速的发展.本文介绍了犯罪时空预测的实践背景和理论基础,将犯罪时空预测解构为利用历史案件的时空位置、时空环境和个体行为等要素,结合相应的算法模型预测未来案件时空分布的过程.然后,从输入要素的视角对当前的犯罪时空预测方法进行了总结和归纳,将其划分为基于案件...     

基于GIS的犯罪趋势预测研究

GIS在我国公安领域应用大多局限于数据显示和查询等较浅层次,针对该问题,在将GIS与犯罪预测研究相结合的基础上,详细介绍了不同情况下时间序列建模的方法,对其进行改进并运用于犯罪预测,建立了犯罪预测模型。通过对某市群体案件样品数据的建模分析,预测得到较理想的结果,并实现了对犯罪数据的动态可视化。