基于随机森林的犯罪风险预测模型研究

doi:10.3969/j.issn.1000-5641.2017.04.008

华东师范大学学报(自然科学版) ›› 2017, Vol. ›› Issue (4): 89-96.doi: 10.3969/j.issn.1000-5641.2017.04.008

基于随机森林的犯罪风险预测模型研究

王雨晨, 过仲阳, 王媛媛

华东师范大学地理科学学院, 上海 200241

收稿日期:2016-06-28 出版日期:2017-07-25 发布日期:2017-07-20
通讯作者: 过仲阳,男,教授,博士生导师,研究方向为数据挖掘和遥感图像处理.E-mail:zyguo@geo.ecnu.edu.cn. E-mail:zyguo@geo.ecnu.edu.cn
作者简介:王雨晨,男,硕士研究生,研究方向为数据挖掘.E-mail:wangyc_ecnu@qq.com.
基金资助:
国家自然科学基金人才培养项目（J1310028）

A forecasting model of crime risk based on random forest

WANG Yu-chen, GUO Zhong-yang, WANG Yuan-yuan

School of Geographic Sciences, East China Normal University, Shanghai 200241, China

Received:2016-06-28 Online:2017-07-25 Published:2017-07-20

摘要/Abstract

摘要： 犯罪预测是犯罪预防的前提，也是公安部门亟待解决的问题.随机森林作为一种组合分类方法，具有准确率高、速度快、性能稳定的特性，且能够给出指标重要性评价，本文将其应用于犯罪风险预测中.实验证明，随机森林方法选出的指标集可以显著地提高预测准确率，基于该方法构建的预测模型相较于神经网络与支持向量机具有更高的准确性和稳定性，能够满足犯罪风险预测的需求.

关键词: 随机森林, 犯罪风险预测, 指标集选择

Abstract: Crime prediction has always been an outstanding issue for public security department. Random forest is a combined classification method with high accuracy, high speed, and stable performance, which is suitable for solving the problem of predicting crime risk. In the meantime, this method can choose the index group for predicting crime risk more objectively. As proved by studies, the index group chosen by random forest method can significantly improve the accuracy of prediction, and the predictive model based of this method is more accurate and stable, so it can meet the demand of crime risk prediction.

Key words: random forest, crime risk prediction, index group selection

中图分类号:

TP18

王雨晨, 过仲阳, 王媛媛. 基于随机森林的犯罪风险预测模型研究[J]. 华东师范大学学报(自然科学版), 2017, (4): 89-96.

WANG Yu-chen, GUO Zhong-yang, WANG Yuan-yuan. A forecasting model of crime risk based on random forest[J]. Journal of East China Normal University(Natural Sc, 2017, (4): 89-96.

参考文献

[1] 赵军. 我国犯罪预测及其研究的现状、问题与发展趋势[J]. 湖南大学学报(社会科学版), 2011, 25(3): 155-160.
[2] 金光, 钱家麒, 钱江波, 等. 基于数据挖掘决策树的犯罪风险预测模型[J]. 计算机工程, 2003, 29(9): 183-185.
[3] 王慧, 王京. 属性约简的决策树分类算法对未成年人犯罪行为的分析[J]. 中国人民公安大学学报(自然科学版), 2011(4): 29-32.
[4] 李明, 薛安荣, 王富强, 等. 犯罪量动态优化组合预测方法[J]. 计算机工程, 2011, 37(17): 274-278.
[5] 于红志, 刘凤鑫, 邹开其. 改进的模糊BP神经网络及在犯罪预测中的应用[J]. 辽宁工程技术大学学报(自然科学版), 2012, 31(2): 244-247.
[6] 陈鹏, 胡啸峰, 陈建国. 基于模糊信息粒化的支持向量机在犯罪时序预测中的应用[J]. 科学技术与工程, 2015, 15(35): 54-57.
[7] HAN J W, MICHELINE K, PEI J. 数据挖掘: 概念与技术[M]. 北京: 机械工业出版社, 2015: 245-249.
[8] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[9] 方匡南, 吴见彬, 朱建平, 等. 随机森林研究方法综述[J]. 统计与信息论坛, 2011, 26(3): 32-38.
[10] 林成德, 彭国兰. 随机森林在企业信用评估指标体系确定中的应用[J]. 厦门大学学报(自然科学版), 2007, 46(2): 199-203.
[11] 张华伟, 王明文, 甘丽新. 基于随机森林的文本分类模型研究[J]. 山东大学学报(理学版), 2006, 41(3): 139-143.
[12] ANANTHA M P, LOUIS R I, ANDY L. Newer classification and regression tree techniques: Bagging and random forests for ecological Prediction[J]. Ecosystems, 2006, 9: 181-199.
[13] CAROLIN S, ANNE L B, THOMAS K, et al. Conditional variable importance for random forests[J]. BMC Bioinformatics, 2008, 9: 307-317.
[14] VERIKAS A, GELZINIS A, BACAUSKIENE M. Mining data with random forests: A survey and results of new tests[J]. Pattern Recognition, 2011, 44: 330-349.
[15] RAMON D U, SARA A. Gene selection and classification of microarray data using random forest[J]. BMC Bioinformatics, 2006, 7: 3-15.
[16] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 137-141.
[17] CAROLIN S, ANNE L B, ACHIN Z, et al. Bias in random forest variable importance measures: Illustrations, sources and a solution[J]. BMC Bioinformatics, 2007, 8: 25-45.

基于随机森林的犯罪风险预测模型研究

A forecasting model of crime risk based on random forest

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王畅, 马丹, 许华容, 陈攀峰, 陈梅, 李晖. SA-MGKT: 基于自注意力融合的多图知识追踪方法[J]. 华东师范大学学报（自然科学版）, 2024, 2024(5): 20-31.
[2]	孔超, 陈家会, 孟丹, 刁华彬, 王维, 张丽平, 刘涛. 面向MOOCs的个性化知识概念推荐[J]. 华东师范大学学报（自然科学版）, 2024, 2024(5): 32-44.
[3]	郑智鸿, 宋海川. 基于组对比学习的弱监督三维点云语义分割方法[J]. 华东师范大学学报（自然科学版）, 2024, 2024(2): 108-118.
[4]	何鑫鑫, 宋海川. 基于隐层傅里叶卷积的非平稳纹理合成方法[J]. 华东师范大学学报（自然科学版）, 2024, 2024(2): 119-130.
[5]	姜璐璐, 孙司琦, 邹海东, 陆丽娜, 冯瑞. 基于双视图特征融合的糖尿病视网膜病变分级[J]. 华东师范大学学报（自然科学版）, 2023, 2023(6): 39-48.
[6]	史洪玮, 洪道诚, 施连敏, 杨迎尧. 异构编码联邦学习[J]. 华东师范大学学报（自然科学版）, 2023, 2023(5): 110-121.
[7]	高祥云, 孟丹, 罗明凯, 王俊, 张丽平, 孔超. 支持隐私保护的端云协同训练[J]. 华东师范大学学报（自然科学版）, 2023, 2023(5): 77-89.
[8]	班启敏, 吴雯, 胡文心, 林晖, 郑巍, 贺樑. 基于学习者知识和性格的个性化课程推荐[J]. 华东师范大学学报（自然科学版）, 2022, 2022(6): 87-101.
[9]	黄彩蝶, 王昕萍, 陈良育, 刘勇. 基于堆叠门控循环单元残差网络的知识追踪模型研究[J]. 华东师范大学学报（自然科学版）, 2022, 2022(6): 68-78.
[10]	吴豪杰, 王妍洁, 蔡文炳, 王飞, 刘洋, 蒲鹏, 林绍辉. 基于隐层相关联算子的知识蒸馏方法[J]. 华东师范大学学报（自然科学版）, 2022, 2022(5): 115-125.
[11]	周雪茗, 黄定江. 小样本实例分割综述[J]. 华东师范大学学报（自然科学版）, 2022, 2022(5): 136-146.
[12]	郭晨亮, 林欣, 殷玥. 基于异构网络的无监督作者名称消歧[J]. 华东师范大学学报（自然科学版）, 2021, 2021(6): 147-160.
[13]	梁宝华, 吴其林. 近似边界精度信息熵的属性约简[J]. 华东师范大学学报(自然科学版), 2018, 2018(3): 97-108,156.
[14]	陈雷慧, 匡俊, 陈辉, 曾炜, 郑建兵, 高明. 跨领域推荐技术综述[J]. 华东师范大学学报(自然科学版), 2017, 2017(5): 101-116,137.
[15]	陈海龙, 彭伟. 改进BP神经网络在交通事故预测中的研究[J]. 华东师范大学学报(自然科学版), 2017, 2017(2): 61-68.