ABSTRACT
城市犯罪每天都對我們的生命造成嚴重負面影響，應該必須被及時管理，因此預測犯罪的發生在公眾安全上是一個十分重要的議題，
但現行的預測方法都無法十分有效的預測犯罪發生的模式，因為犯罪方法隨時間不斷改變，此研究中開發了一個新的犯罪預測框架--
DeepCrime, 為一個深度神經網路架構，能動態預測犯罪模式，並仔細探討犯罪與各種相關於城市空間的資料間的關係。此外，此框架
可自動分析不同時間上犯罪事件的相關性。特別，此框架可分析各區域中不同類型犯罪的相關性，並且整合空間、時間、不同類別間犯罪
特徵成為一個 representation vector ( 表達/描述向量，例如:one hot中一個字的描述向量可能為 0001或 0010等 )。透過細緻的階層式
循環網路 ( recurrent network ) 計算犯罪動態。利用現實的數據及進行測試後，以證明此框架優於其他犯罪預測方法。
INTRODUCTION
blabla...必須在犯罪發生前事先預測，才能及時阻止犯罪
通常犯罪預測會使用一些人口統計數據 ( 例如:種族構成、人口貧困程度 )，但這些資料屬於穩定性不易變動的資料，無法動態的去分析城
市空間上的犯罪模式....blabla大家做不到完善的動態犯罪預測
以下為 DeepCrime 框架開發時技術上的挑戰:
1. Temporal Dynamics of Crime Patterns ( 犯罪模式的時間動態 ): 這禮拜的犯罪情況不會與上禮拜相同，傳統方法 Temporal Dynamics
of Crime Patterns 或 Support Vector Regression (SVR) 使用固定的時間序列模型 ( a fixed temporal pattern of time series )，這是一大
限制。但是，若只考慮最近的數據，對歷史數據降低權重，可能會丟失多有用的訊息 (例: 需要長時間的犯罪在長期的表現)，且限制了本來就不
多的預測犯罪數據。
2. Complex Category Dependencies ( 複雜類別的依賴關係 ) : 不同地區的犯罪每個類別都應該會互相影響，昨天發生搶劫的地區，今天該
地區犯罪率應該下降，因為搶劫會導致警方加強巡邏
3. Inherent Interrelations with Ubiquitous Data ( 與普適數據的內在相互關係 ) : 各種無處不在的數據可能為捕獲犯罪模式提供有用的信息
4. Unknown Temporal Relevance ( 未知的時間相關性 )
總之
1. blablabla
Section2 定義問題
Section3 詳細描述犯罪預測模型
Section 4 結果展示
Section 5 相關工作
Section 6 總結
3 METHODOLOGY
DeepCrime framework 包含三個主要模型 Region-Category Interaction Encoder, Hierarchical Recurrent Framework , Attention Mechanism
3.1 Category Dependency Encoder
處理 region embedding vector 的過程中將使用 POI 訊息
(1) 限制條件:
Wpoi 為一個過渡的矩陣，其將 PM( POI 的矩陣 ) 映射到與 Er ( 區域向量 )相同的空間維度 =>反正就是變成一樣維度
為了找出犯罪類別間固定的依賴關係，使用 input weight vector μ ( J 維，代表 J 種犯罪類別 )，μ 中元素 μj 代表第j個犯罪類別與目標犯
罪類別的相關性權重
在第 k 個時間點，輸入權重向量 μ 和犯罪向量 CMi,k 生成一個新的向量，並把此向量輸入 recurrent framework 中
在城市異常 ( urban anomalies ) 的計算中， µ 和 AMi,k 間也進行類似計算
3.2 Hierarchical Recurrent Framework => 它是一個用在特徵在時間上關聯性的神經網路，會參考前或後或前後神經網路計算的輸出特徵
來做當輸出
分析時間與城市異常上的關聯性，使用各種不同 RNN 架構，例如: RNN, LSTM, GRU ( 與LSTM相似，為解決梯度消失問題BLABLA，我之
前使用在姿態辨識是覺得真的沒差很多，用哪個都可以 )
three-level GRU architecture:
1) first level Crime-GRU encoder : encodes the temporal dependencies of the time-ordered crime sequence CMi of region Ri
2) second level Anomaly-GRU encoder : models the time-ordered anomaly sequence AMi of region Ri in a similar way
3) Inter-GRU encoder : model the inherent dependencies between the occurrence of crimes and urban anomalies
( by concentrating their respective hidden state from each time slot )
Attention Mechanism可以帮助模型对输入的X每个部分赋予不同的权重，抽取出更加关键及重要的信息，使模型做出更加准确的判断，同时不会
对模型的计算和存储带来更大的开销，这也是Attention Mechanism应用如此广泛的原因。
架構說明
留言列表
