論文の概要: Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction

• arxiv url: http://arxiv.org/abs/2204.08587v2
• Date: Sat, 7 May 2022 05:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 16:19:54.216979
• Title: Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction
• Title（参考訳）: 犯罪予測のための時空間ハイパーグラフ自己監視学習
• Authors: Zhonghang Li and Chao Huang and Lianghao Xia and Yong Xu and Jian Pei
• Abstract要約: 本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
• 参考スコア（独自算出の注目度）: 60.508960752148454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crime has become a major concern in many cities, which calls for the rising demand for timely predicting citywide crime occurrence. Accurate crime prediction results are vital for the beforehand decision-making of government to alleviate the increasing concern about the public safety. While many efforts have been devoted to proposing various spatial-temporal forecasting techniques to explore dependence across locations and time periods, most of them follow a supervised learning manner, which limits their spatial-temporal representation ability on sparse crime data. Inspired by the recent success in self-supervised learning, this work proposes a Spatial-Temporal Hypergraph Self-Supervised Learning framework (ST-HSL) to tackle the label scarcity issue in crime prediction. Specifically, we propose the cross-region hypergraph structure learning to encode region-wise crime dependency under the entire urban space. Furthermore, we design the dual-stage self-supervised learning paradigm, to not only jointly capture local- and global-level spatial-temporal crime patterns, but also supplement the sparse crime representation by augmenting region self-discrimination. We perform extensive experiments on two real-life crime datasets. Evaluation results show that our ST-HSL significantly outperforms state-of-the-art baselines. Further analysis provides insights into the superiority of our ST-HSL method in the representation of spatial-temporal crime patterns. The implementation code is available at https://github.com/LZH-YS1998/STHSL.
• Abstract（参考訳）: 多くの都市では犯罪が大きな問題となり、都市全体の犯罪発生をタイムリーに予測する需要が高まっている。 犯罪予測の正確な結果は、公共の安全に対する懸念を和らげるために、政府の事前決定にとって不可欠である。 多くの研究は、場所や時間にまたがる依存を探索する様々な時空間予測技術の提案に費やされているが、そのほとんどは、厳密な犯罪データに対する時空間表現能力を制限する教師付き学習方法に従っている。 近年の自己教師型学習の成功に触発されて,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワーク(ST-HSL)を提案する。 具体的には,都市空間全体における地域犯罪依存を符号化するクロスリージョンハイパーグラフ構造学習を提案する。 さらに,2段階の自己指導型学習パラダイムを設計し,地域的・世界レベルの空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。 2つの実生活犯罪データセットについて広範な実験を行う。 評価の結果,ST-HSLは最先端のベースラインよりも有意に優れていた。 さらに,時空間犯罪パターンの表現におけるST-HSL法の優位性について考察した。 実装コードはhttps://github.com/lzh-ys1998/sthslで入手できる。

関連論文リスト

• An Event-centric Framework for Predicting Crime Hotspots with Flexible Time Intervals [15.749155522310941]
  FlexiCrimeは、フレキシブルな時間間隔で犯罪のホットスポットを予測する新しいイベントフレームワークである。 犯罪状況の特徴を学習する犯罪イベント間の相関を捉えるために、連続的な注意ネットワークが組み込まれている。 過去の犯罪事件の頻度を考慮し、特定の時間と場所における特定の犯罪種のリスクを測定する。
  論文  参考訳（メタデータ） (2024-11-02T04:38:10Z)
• Spatial-Temporal Mixture-of-Graph-Experts for Multi-Type Crime Prediction [26.79981325208879]
  本稿では,複数タイプの犯罪予測のための時空間混在(ST-MoGE)フレームワークを提案する。 我々は,各犯罪カテゴリの特有かつ共有された犯罪パターンを捉えるために,注意を喚起したMGE(Mixture-of-Graph-Experts)モジュールを導入する。 そこで我々は,MGEを更新し,各専門家に特定のパターンモデリングに集中させるクロスエキスパートコントラスト学習(CECL)を提案する。
  論文  参考訳（メタデータ） (2024-09-24T05:41:11Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Spatial-Temporal Meta-path Guided Explainable Crime Prediction [40.03641583647572]
  本稿では,犯罪行為の動的なパターンを捉えるために,時空間メタパスガイド付き説明可能な犯罪予測(STMEC)フレームワークを提案する。 我々は,特にフェロニー予測において,他の高度な時間モデルと比較してSTMECの優位性を示す。
  論文  参考訳（メタデータ） (2022-05-04T05:42:23Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• The effect of differential victim crime reporting on predictive policing systems [84.86615754515252]
  本研究では, 被害者の犯罪報告率の違いが, 共通犯罪ホットスポット予測モデルにおいて, 結果の相違をもたらすことを示す。 以上の結果から, 犯罪報告率の差は, 高犯罪から低犯罪へ, 高犯罪・中犯罪・高報道へ, 予測ホットスポットの移動につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-30T01:57:22Z)
• C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak [54.39837683016444]
  C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。 C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。 新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
  論文  参考訳（メタデータ） (2020-12-22T17:02:54Z)
• Exploring Spatio-Temporal and Cross-Type Correlations for Crime Prediction [48.1813701535167]
  我々は,都市犯罪のクロスタイプと時間的相関を利用した犯罪予測を行う。 犯罪予測のための相関関係を数学的にモデル化するコヒーレントな枠組みを提案する。 犯罪予測における相関関係の重要性を理解するために、さらなる実験が行われた。
  論文  参考訳（メタデータ） (2020-01-20T00:34:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。