基于ann时间序列公安预测模型研究

《基于ann时间序列公安预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于ANN时间序列公安预测模型研究：随着数据库技术的广泛应用，110接处警系统中保存着大量的数据，包括案发时间、案发地点、警情级别、警力部署、案件性质等，而且这些数据在不断增加。现有的公安业务系统并不能将这些数据中存在的潜在问题、警情反应出来，为维护社会治安提供动态监控和科学决策。在本项目中，我们根据公安领域的特征，在充分分析业务知识的基础上，结合数据挖掘中成熟的算法，采用基于神经元X络理论（ANN）的数据挖掘算法，构建公安预测模型，对已有的大量的公安数据进行海量分析，挖掘出隐藏在其中的重要信息，为公安业务的预测管理，领导决策等提供有效的帮助。　　关键字:ANN数据挖掘公

2、安预测　　：F224：A：1007-9416（2011）05-0161-02　　　　1、预测预警在公安工作中的现状及重要性　　犯罪分析是结合社会的人口统计、空间因素对犯罪和法律执行信息的定性与定量的研究，从而了解罪犯、阻止犯罪、减少社会的混乱状态和评估组织流程。　　随着数据库技术的广泛应用，110接处警系统中保存着大量的数据，包括案发时间、案发地点、警情级别、警力部署、案件性质等，而且这些数据在不断增加。现有的公安业务系统并不能将这些数据中存在的潜在问题、警情反应出来，为维护社会治安提供动态监控和科学决策。能否充分、有效地利用这些数据，发现隐藏在其背后的重要信息，为公安的

3、预测预警提供有力的依据，以提高执法效率和快速反应能力，及时预防和打击犯罪活动，这已经成为公安预测预警领域的一个重要研究方向。目前，已有的公安预测预警系统一般是接处警系统中的一个子模块，准确的说是统计模块，即针对历年的接处警数据，进行时间、地点、案件类型等维度上的统计，并没有应用数据挖掘的概念和技术进行警情预测和风险防范。为此，将数据挖掘技术引入公安预测预警领域，无疑具有非常积极的意义。　　2、相关技术研究　　2.1ANN（人工神经X络）　　ANN（Artificialneural个值，采用描述如下：　　X=F（X,X,X，.....,X）(3-1)　　即使用神经X络来拟合

4、函数F来预测未来的值。当m等于1时，是一步预测，X络输出个数为1，一次可计算一步的预测值；当m大于1时，是多步预测，在预测过程中，可将得到的预测值作为下一步预测的输入来计算进一步的预测值，进行迭代式的多步预测。　　我们知道，对于ANN算法来说，可以使用均方差使得BP算法收敛。在时间序列ANN预测模型中我们仍然可以使用均方差来实现BP的算法收敛。在时间序列ANN模型中仍然使用表示单元i到单元j之间的权重，实际在做BP算法其中的核心就是不断的去调整权重值。在这里用表示在时间点t,t-1,t-2,……,t-n-1的输入值。用表示在时间t上的预测值，表示的是的实际值。对于单元j的

5、输入和输出分别为：　　；//单元j的数据　　//单元j的输出　　后传算法是用来计算最后方差之和，计算误差的公式如下：　　对于算法的收敛条件和传统的ANN算法一致，但是整个算法的输入和以前有点不同，输入的和传统的有些不同，输入单元以前是对挖掘对象的属性，对于现在来说，是一个时间序列的数据。　　对于上面提出的时间序列模型，我们仅仅能够预测一些有连续的时间序列数对，对于一些预测来说是没有连续的时间序列的，例如四季数据，它是一个周期性变化的数据。对于公安的数据来说，它既有连续性的变化的数据，又有一些周期性变化的数据，例如在对于某一天的预测来说，它可以简单的看成是连续性的数据，它的

6、预测值可能去它前面的n小时有关系；而对于一些预测它是周期性，例如计算2011年春季的数据预测，它的预测值可能仅仅是以前的，例如2008年，2009年和2010的春季数据有关。所以在实际的预测中，我们可以将两个不同的预测模型组合，形成一个组合式的ANN预测模型。　　通过对于多维时间序列的ANN模型我们可以知道，在做模型验证的时候，对于每个时间序列的数据仍然需要做同样的工作，最　　后实现预测功能。　　4、ANN数据挖掘应用　　实验数据主要是来自于公安的110报警数据，其中选取的主要字段有：报警时间、接警类型、报警细类、警情级别以及案发地点字段。在时间选取方面主要是采取了周期性

7、和非周期性，例如使用小时作为单位，将一天分为24小时。ANN算法可以根据这些字段，预测发生的警情级别。样例数据如下　　下面的结果是ANN算法中训练数据选择：2008-8-1到2008-8-2日的数据，测试数据为2008-10-8到2008-10-9的结果，其中主要是根据ANN来预测警情级别，实践证明预测模型预测出来的结果比较准确。　　注：“本文中所涉及到的图表、公式、注解等请以PDF格式阅读”