(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919633.7 (22)申请日 2022.08.02 (71)申请人 武汉烽火技术服务有限公司 地址 430205 湖北省武汉市东湖开发区关 山二路附4号 申请人 湖北工业大 学 (72)发明人 张玉泉　严灵毓　徐爱波　赵明明　 李海涛　张磊　胡记伟　 (74)专利代理 机构 深圳市六加知识产权代理有 限公司 4 4372 专利代理师 向彬 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/26(2012.01) G06F 119/02(2020.01) (54)发明名称 一种基于时间特征的犯罪数据预测方法和 装置 (57)摘要 本发明涉及犯罪数据预测技术领域， 特别是 涉及一种基于时间特征的犯罪数据预测方法和 装置。 其方法包括依据历史犯罪数据特点构建 ARIMA模型， 并通过实验获取犯罪数据集中的线 性部分的第一预测值和残差值； 利用获取的残差 数据特点构建LS TM模型， 获取 非线性部分的第二 预测值； 利用LS TM模型对获取的第一预测值和第 二预测值进行探究预测， 获取最终的预测结果。 本发明将ARIMA与LSTM组合对数据进行预测， 将 ARIMA模型和LSTM模型的优势组合在一起， 发挥 数据价值将其运用在预测犯罪的犯罪预测领域 中， 以便于对城市的犯罪预防和干预工作提供科 学的决策和指导 意见。 权利要求书2页 说明书7页 附图2页 CN 115238585 A 2022.10.25 CN 115238585 A 1.一种基于时间特 征的犯罪数据预测方法， 其特 征在于， 包括： 依据历史犯罪数据特点构建ARIMA模型， 并通过实验获取犯罪数据集中的线性部分的 第一预测值和残差值； 利用获取的残差数据特点构建LSTM模型， 获取非线性部分的第二预测值； 利用LSTM模型对获取的第一预测值和第二预测值进行探究预测， 获取最终的预测结 果。 2.根据权利要求1所述的基于时间特征的犯罪数据预测方法， 其特征在于， 所述构建 ARIMA模型之前， 还 包括对犯罪数据的处 理， 获取ARIMA模型内的参数， 具体包括： 采集初始时段至t时段的原 始犯罪数据； 对犯罪数据序列进行平稳性检测， 待平稳性检测合格后， 获取ARIMA模型中的差分阶 数， 以及ARIMA模型的自回归阶数和移动回归阶数。 3.根据权利要求1所述的基于时间特征的犯罪数据 预测方法， 其特征在于， 所述依据历 史犯罪数据特点构建ARIMA模型， 并获取数据集中的线性部分的预测值和残差值， 具体包 括： 构建AR模型， 获取AR模型的函数表达式， 并根据AR模型的函数表达式获取犯罪数据对 应的时间序列值和残差值； 构建MA模型和差分的阶数， 获取MA模型的函数表达式， 并根据MA模型的函数表达式获 取数据集中的线性部分的预测值。 4.根据权利要求1所述的基于时间特征的犯罪数据预测方法， 其特征在于， 所述LSTM模 型内的网络神经元cell的结构包括细胞状态Ct、 遗忘门ft、 输入门it和输出门ot， 在整个循 环周期内定义和维护一个内部记忆单元状态， 即细胞状态Ct； 通过遗忘门ft、 输入门it和输 出门ot三个门结构对细胞状态更新， 神经 元Cell中每个时刻不同门g ate的计算公式如下： 遗忘门： ft＝σ(Wf×[ht‑1,xt]+bf) 输入门： it＝σ(Wi×[ht‑1,xt]+bi) 输入的候选状态： 记忆细胞的输出： 输出门： ot＝σ(Wo×[ht‑1,xt]+bo) ht＝ot×tanh(Ct) 其中， ft、 it、 ot、 Ct、 分别表示遗忘门、 输入门、 输出门、 记忆细胞的输出、 输入的候选 状态， Wf、 Wi、 Wc、 Wo、 bf、 bi、 bc、 bo分别表示对应权重系数矩阵和偏置项， σ、 tanh分别表示 sigmoid和双曲正切激活函数。 5.根据权利要求1所述的基于时间特征的犯罪数据预测方法， 其特征在于， 所述利用 LSTM模型对获取的第一预测值和第二预测值进行探究预测， 获取最终的预测结果， 具体包 括： 整合时间序列数据， 将犯罪数据转换为时间序列数据； 使用ARIMA模型对转换后的时间序列数据进行数据拟合， 获取线性部分的预测值， 以及 非线性部分的预测值， 并将非线性部分的预测值 生成残差序列； 对于非线性部分的数据使用LSTM模型进行拟合， 得 出LSTM模型拟合的预测值；权　利　要　求　书 1/2 页 2 CN 115238585 A 2利用LSTM模型挖掘线性与非线性关系， 生成最终的预测结果。 6.根据权利要求2所述的基于时间特征的犯罪数据预测方法， 其特征在于， 所述ARIMA 模型的表达式为： 其中， Zt表示t时段的初步预测流数据， Zt‑1表示t‑1时段的原始的犯罪数据， Zt‑p表示t‑p 时段的原始的犯罪数据， μt表示t时段的预测误差， μt‑1表示t‑1时段的预测误差， μt‑q表示t‑ q时段的预测误差， 均表示回归系数， 由模型训练时优化确 定回归系数。 7.根据权利要求2所述的基于时间特征的犯罪数据 预测方法， 其特征在于， 在对犯罪数 据的处理过程中， 对犯罪数据的样本进行归一化处理， 处理后将犯罪数据 处理成时间序列 数据放入 模型进行训练。 8.根据权利要求1 ‑7任一所述的基于时间特征的犯罪数据预测方法， 其特征在于， 对于 ARIMA模型， 所述ARIMA模 型内的函数表达式在获取数据集中的线性部 分的预测值和残差值 之前， 需预 先进行定标， 通过定标确定ARIMA模型表达式的数据参数。 9.根据权利要求1 ‑7任一所述的基于时间特征的犯罪数据预测方法， 其特征在于， 在对 ARIMA模型进行定阶之前还包括检测模 型的平稳性， 具体利用观 察法、 单位根检验和白噪声 检验法中的一种或多种方法来检测模型的平稳性。 10.一种基于时间特 征的犯罪数据预测装置， 其特 征在于， 包括： 至少一个处 理器； 至少一个存 储器； 其中， 所述至少一个处理器以及所述至少一个存储器相互通信连接， 所述至少一个存 储器存储有可被所述至少一个处理器执行 的指令， 所述指令被所述至少一个处理器执行， 以使所述至少一个处理器能够执行本发明权利要求1 ‑9任一项权利要求所提供的一种基于 时间特征的犯罪数据预测方法。权　利　要　求　书 2/2 页 3 CN 115238585 A 3