基于随机森林和时空核密度方法的不同周期犯罪热点预测对比

作者：柳林,刘文娟,廖薇薇,余洪杰,姜超,林荣平,纪佳楷,张政

摘要：犯罪预测对于制定警务策略、实施犯罪防控具有重要意义。机器学习和核密度是2类主流犯罪热点预测方法,然而目前还鲜有研究对这2类方法在不同时间周期下的犯罪预测效果进行系统比较,本文试图对此进行补充。本文以2013-2016年5月的公共盗窃犯罪历史数据作为输入,分别对比了在接下来2周、1个月、2个月、3个月4个不同时间周期随机森林方法与基于时空邻近性的核密度方法的犯罪热点预测效果,结果发现：在各时间周期上,随机森林分类热点预测方法的面积和案件量命中率均比时空核密度方法准确性高;并且2种方法均能有效地识别犯罪热点中的高发区域,其中在较小范围较短时间内随机森林识别热点中的高发区效率更高,而在较大范围较长时间周期上时空核密度方法识别高发区更优。

发文机构：中山大学地理科学与规划学院综合地理信息研究中心 广州大学地理科学学院公共安全地理信息分析中心 辛辛那提大学地理系

关键词：时空核密度随机森林算法犯罪热点预测犯罪高发区识别space-time kemel densityrandom forest algorithmcrime hotspot predictionhigh crime areas identification

分类号： TP274[自动化与计算机技术—控制科学与工程][自动化与计算机技术—检测技术与自动化装置]