論文の概要: Innovative LSGTime Model for Crime Spatiotemporal Prediction Based on MindSpore Framework
- arxiv url: http://arxiv.org/abs/2503.20136v1
- Date: Wed, 26 Mar 2025 00:57:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:18:14.813285
- Title: Innovative LSGTime Model for Crime Spatiotemporal Prediction Based on MindSpore Framework
- Title(参考訳): MindSpore フレームワークに基づく犯罪時空間予測のための革新的LSG時間モデル
- Authors: Zhenkai Qin, Weibao Zhong, Caifeng Gao,
- Abstract要約: 本稿では,Long Short-Term Memory(LSTM)とGated Recurrent Unit(RU)とMultiheadparse Self-attentionメカニズムを統合した犯罪時空間予測モデルLGSTimeを提案する。
統合モデルは、複雑な時間的データを扱うために、それぞれのテクニックの強みを活用する。
CNNモデルと比較して、Mean Squared Error(MSE)、Mean Absolute Error(MAE)、Root Mean Squared Error(RMSE)の2.8%、1.9%、および1.4%のパフォーマンス向上を示す。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: With the acceleration of urbanization, the spatiotemporal characteristics of criminal activities have become increasingly complex. Accurate prediction of crime distribution is crucial for optimizing the allocation of police resources and preventing crime. This paper proposes LGSTime, a crime spatiotemporal prediction model that integrates Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and the Multi-head Sparse Self-attention mechanism. LSTM and GRU capture long-term dependencies in crime time series, such as seasonality and periodicity, through their unique gating mechanisms. The Multi-head Sparse Self-attention mechanism, on the other hand, focuses on both temporal and spatial features of criminal events simultaneously through parallel processing and sparsification techniques, significantly improving computational efficiency and prediction accuracy. The integrated model leverages the strengths of each technique to better handle complex spatiotemporal data. Experimental findings demonstrate that the model attains optimal performance across four real - world crime datasets. In comparison to the CNN model, it exhibits performance enhancements of 2.8\%, 1.9\%, and 1.4\% in the Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE) metrics respectively. These results offer a valuable reference for tackling the challenges in crime prediction.
- Abstract(参考訳): 都市化の加速に伴い、犯罪活動の時空間的特性はますます複雑になっている。
犯罪の正確な予測は、警察の資源配分の最適化と犯罪防止に不可欠である。
本稿では,Long Short-Term Memory(LSTM),Gated Recurrent Unit(GRU),およびMulti-head Sparse Self-attentionメカニズムを統合した犯罪時空間予測モデルLGSTimeを提案する。
LSTMとGRUは、季節性や周期性といった犯罪時系列の長期的依存関係を独自のゲーティング機構を通じて捉えている。
一方,Multi-head Sparse Self-attention(マルチヘッドスパース自己注意)機構は,並列処理とスパーシフィケーション技術を通じて犯罪事象の時間的特徴と空間的特徴の両方に焦点を合わせ,計算効率と予測精度を大幅に向上させる。
統合モデルは、それぞれのテクニックの強みを活用して、複雑な時空間データを扱う。
実験結果から、このモデルが4つの実世界犯罪データセットで最適なパフォーマンスを達成することが示された。
CNNモデルと比較して、平均正方形誤差(MSE)、平均絶対誤差(MAE)、ルート平均正方形誤差(RMSE)でそれぞれ2.8\%、1.9\%、1.4\%のパフォーマンス向上を示す。
これらの結果は、犯罪予測の課題に取り組む上で貴重な参考となる。
関連論文リスト
- Crime Forecasting: A Spatio-temporal Analysis with Deep Learning Models [18.101456404865157]
ディープラーニングモデルは、特定の日における都市分割犯罪数を予測する。
我々は、犯罪数予測をシーケンスチャレンジとして定式化し、入力データと予測ターゲットの両方を保存する。
本稿では,CNN(Conalvolution Networks)とLSTM(Long-Term Memory)ネットワークを組み合わせた新しいモデルを提案する。
論文 参考訳(メタデータ) (2025-02-11T11:16:59Z) - UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。
我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。
不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
論文 参考訳(メタデータ) (2024-10-03T17:39:38Z) - 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) - Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks [12.027484258239824]
犯罪事件は、特に小さな地域や特定の期間内では、まばらである。
伝統的な時空間深層学習モデルは、しばしばこの空間性に苦しむ。
時空間多変量ゼロ拡張負二項グラフニューラルネットワーク(STMGNN-ZINB)という新しいアプローチを導入する。
論文 参考訳(メタデータ) (2024-08-08T03:25:41Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳(メタデータ) (2024-05-30T03:32:44Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳(メタデータ) (2024-05-03T15:54:50Z) - Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。
提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。
単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
論文 参考訳(メタデータ) (2023-10-03T01:13:17Z) - 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) - Multi-axis Attentive Prediction for Sparse EventData: An Application to
Crime Prediction [16.654369376687296]
本稿では,2つの観測角度による事象伝播の短期的ダイナミクスと長期的意味論の両方を抽出するための,純粋に注意的なアプローチを提案する。
提案したコントラスト学習目的は,MAPSEDのセマンティクスとイベントのダイナミックスを捉える能力を大幅に向上させる。
論文 参考訳(メタデータ) (2021-10-05T02:38:46Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z)
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。