神經(jīng)網(wǎng)絡在巡防警情預測中應用研究*

高廣銀 曹紅根 沈 楊

（1.南京理工大學泰州科技學院 泰州 225300）（2.興化市電子政務中心 泰州 225300）

1 引言

公安巡防保證了社會治安穩(wěn)定良好，基層公安部門治安管理和警務工作的一項重要內(nèi)容即警情研判和預測分析，對案件發(fā)生轄區(qū)內(nèi)的所有案件發(fā)生數(shù)量進行預測，根據(jù)預測結果分析出哪些轄區(qū)的警情會增加，及時調(diào)配警力適當增加這些轄區(qū)的警力配置，從而降低轄區(qū)內(nèi)警情。為克服當前公安警情預測分析主要依靠經(jīng)驗分析的不足，引入數(shù)據(jù)分析技術進行量化研究，挖掘出社會安全狀態(tài)的變化及其規(guī)律，為未來特定階段可能出現(xiàn)的警情數(shù)量進行預測，使得相關部門能做好預案準備［1］。

2 相關工作

將現(xiàn)代數(shù)據(jù)分析手段應用于警情研判和預測分析正在不斷發(fā)展，并取得了一定成果。黃超等（2011）提出了應用平均值分析、回歸分析等簡單統(tǒng)計方法，描述治安警情的一些周期性外在特征，但對于警情時間序列本身所隱含的內(nèi)在信息如波動性等難以挖掘［2］。盧睿（2015）將灰色系統(tǒng)理論應用于網(wǎng)絡犯罪研究，通過三角函數(shù)變換對不確定因素建模，在缺乏大量數(shù)據(jù)支撐的條件下提高了預測精度［3］。陳鵬等（2015）應用ARIMA模型和指數(shù)平滑模型對某市警情數(shù)據(jù)分別建模，并得出ARIMA模型更適用于警情分析的短期預測的結論，因為指數(shù)平滑模型對治安案件變化的短期趨勢和隨機波動性表現(xiàn)不夠［4］。宋兆銘等（2018）將ARIMA模型應用于某市刑事類警情預測，對2015年1月至2017年12月刑事類警情數(shù)據(jù)進行建模，對2018年1月進行預測，結果認為該模型在一定條件下有效，即針對刑事類警情［5］。現(xiàn)有方法有一定局限性，即假定未來的條件與現(xiàn)在的條件是相似的，但警情并不是一個穩(wěn)定的狀態(tài)，警情的產(chǎn)生是一個復雜的非線性動態(tài)系統(tǒng)，比如警務活動的主體及對象、外在環(huán)境本身及其變化，這些因素都可能改變時間序列的趨勢。對于復雜非線性問題可以使用神經(jīng)網(wǎng)絡模型描述，神經(jīng)網(wǎng)絡模型基于歷史數(shù)據(jù)樣本自動學習，通過優(yōu)化參數(shù)擬合描述樣本數(shù)據(jù)規(guī)律的最佳隱函數(shù)，并且隱函數(shù)越復雜，神經(jīng)網(wǎng)絡的應用效果就越好［6～8］。因而，神經(jīng)網(wǎng)絡已經(jīng)成為目前非線性預測中較為常用的方法。

3 用于巡防警情預測的神經(jīng)網(wǎng)絡

建立神經(jīng)網(wǎng)絡模型包括確定網(wǎng)絡的輸入變量、網(wǎng)絡層數(shù)、選擇傳遞函數(shù)、設置學習速率等。通過對警情影響因素進行分析和表示確定輸入變量，結合問題復雜度設置網(wǎng)絡層數(shù)并選擇傳遞函數(shù)。最后對模型進行訓練、預測以及誤差分析。

3.1 警情影響因素分析

單純地應用時間序列法對巡防警情進行預測的實際效果還不夠理想，是因為僅通過時間這一個維度刻畫對警情的影響，忽略了其非線性動態(tài)特征，即影響警情的其他因素，如轄區(qū)地理位置、有效接處警、警情同比環(huán)比變化和是否節(jié)假日等。本文分析巡防相關因素，如轄區(qū)地理位置、特殊節(jié)假日、警情環(huán)比變化等，進行歸一化表示，具體如下：轄區(qū)在非商業(yè)中心區(qū)用“1”表示，商業(yè)中心區(qū)用“0.75”表示；特殊節(jié)假日用“1”表示，非節(jié)假日用“0.5”表示；同比警情數(shù)變化，上升用“1”表示，持平用“0.5”表示，下降用“0”表示。通過對這些警情影響因素的分析可以確定神經(jīng)網(wǎng)絡輸入變量。

3.2 設計神經(jīng)網(wǎng)絡

1）確定網(wǎng)絡層數(shù)

神經(jīng)網(wǎng)絡通過設置多個隱含層表征問題的非線性，亦可針對單層網(wǎng)絡增加隱含層的神經(jīng)元個數(shù)實現(xiàn)對非線性的映射，本文根據(jù)警務系統(tǒng)要求采用單隱層的神經(jīng)網(wǎng)絡，即包含三層：輸入層、單隱層和輸出層。設置時間窗口，即t-5、t-4、t-3、t-2、t-1、t時刻來預測t+1時刻的警情數(shù)，其中t可以指一天、一周、一月或一季度等，同時考慮3.1中警情影響因素，最終確定輸入層的神經(jīng)元數(shù)為9，即6個時刻的警情數(shù)及3個影響因素。根據(jù)Kolmogorov定理計算得出隱藏層的神經(jīng)元數(shù)為19。預測t+1時刻的警情數(shù)，輸出層的神經(jīng)元數(shù)為1。

2）選擇傳遞函數(shù)

傳遞函數(shù)通常選擇Log-Sigmoid函數(shù)及Purelin函數(shù)。

本文隱藏層選擇Log-Sigmoid函數(shù)作為傳遞函數(shù)，輸出層選擇Purelin函數(shù)作為傳遞函數(shù)。

3）調(diào)整學習速率

本文構建的神經(jīng)網(wǎng)絡輸入變量包含兩類：時間序列上警情數(shù)、警情影響因素，不同類的變量增加了網(wǎng)絡復雜性，因而采用自適應的學習速率，提高訓練效率，在不同的階段網(wǎng)絡的訓練將相應地被設置不同學習速率。

式中：η(k)表示學習速率，e(k)表示誤差函數(shù)。

4）改進權值更新

權值調(diào)整量為Δwji(n)，學習速率為η，學習速率的選擇與確定通過動量項α解決，具體地，實際權值調(diào)整量Δwji(n)定義為將前一次權值調(diào)整量Δwji(n-1)與本次誤差計進行疊加計算，得到權值調(diào)整量 ηδjxji。

動量項α的取值為（0，1）之間的常數(shù)，根據(jù)經(jīng)驗α通常設置為0.1。加入了動量項的神經(jīng)網(wǎng)絡將會降低誤差曲面局部敏感性，減少局部收斂帶來的網(wǎng)絡訓練過程震蕩，從而增強網(wǎng)絡的全局收斂性。

3.3 訓練神經(jīng)網(wǎng)絡

1）實驗數(shù)據(jù)

本文實驗數(shù)據(jù)來源于某市公安局2015年1月至2017年12月巡防系統(tǒng)中接處警記錄，共有8735條。統(tǒng)計并歸一化處理t時刻、t-1時刻、t-2時刻、t-3時刻、t-4時刻、t-5時刻警情數(shù)，記錄3個影響因素的值，給網(wǎng)絡的輸入變量賦值，以2016年1月～12月為例，如表1所示。神經(jīng)網(wǎng)絡的訓練樣本選自2015、2016年共6013個，測試樣本選自2017年共2722個。對原始數(shù)據(jù)歸一化處理及對預測數(shù)據(jù)還原處理的公式為

式中：x為原始數(shù)據(jù)，x'為歸一化后數(shù)據(jù)，xmax為原始最大值，xmin為原始最小值。

表1 警情數(shù)及轄區(qū)位置、節(jié)假日、同比變化

2）神經(jīng)網(wǎng)絡建模與訓練

本實驗環(huán)境基于Matlab，創(chuàng)建和訓練神經(jīng)網(wǎng)絡的代碼如下：

datain=importdata（‘datain.txt’）；

dataout=importdata（‘dataout.txt’）；

Threshold=［0 1；0 1；0 1；0 1；0 1；0 1；0 1；0 1；0 1；］；

net=newff（threshold，［19 1］，｛‘logsig’‘purelin’｝，‘traingdx’）；

net.trainparam.show=50

net.trainparam.goal=0.01

net.trainparam.epochs=500

net.trainparam.lr=0.1

net=train（net，datain，dataout）

神經(jīng)網(wǎng)絡在訓練100次數(shù)左右達到收斂，訓練曲線如圖1所示。

圖1 訓練誤差變化曲線圖

4 實驗結果

1）真值與預測值

真值表示實際警情數(shù)，預測值是對測試樣本應用訓練好的網(wǎng)絡進行預測得到的值，比較這兩個值可評價網(wǎng)絡的通用性。預測結果如圖2所示，展示數(shù)據(jù)為2017年10月。

圖2 預測值與實際警情數(shù)比較圖

2）本方法與傳統(tǒng)時間序列法

傳統(tǒng)時間序列預測法假定歷史趨勢延續(xù)不變，僅利用實際警情歷史數(shù)據(jù)構造模型，通常認為平均誤差在5%左右為預測效果良好。本文優(yōu)化了神經(jīng)網(wǎng)絡輸入變量，即確定轄區(qū)位置、同比警情變化及節(jié)假日等非時序輸入變量，構建非線性網(wǎng)絡，如表2所示，在增強網(wǎng)絡的表達能力的同時，也提高了預測的精度，平均相對誤差為4.3%，預測結果相對誤差小于5%的比例達到94.6%。

表2 與傳統(tǒng)時間序列預測法比較

3）誤差分析

本文方法相比較傳統(tǒng)方法預測的平均相對誤差改進較少，是因為存在少量的奇值，其預測結果偏差較大，這是由于警情動態(tài)變化以及警務工作的特點使得接處警原始數(shù)據(jù)未能客觀反映警情狀態(tài)，導致輸入變量值存在一定誤差，例如，在整理實驗數(shù)據(jù)過程中發(fā)現(xiàn)，某日某執(zhí)勤民警在處理當前警情時，現(xiàn)場發(fā)生另一起警情，處理完成后在執(zhí)勤日志中進行了記錄，但大平臺數(shù)據(jù)庫中未記錄。

5 結語

本文將神經(jīng)網(wǎng)絡應用于巡防警情預測研究，根據(jù)影響警情的因素優(yōu)化了網(wǎng)絡輸入變量，建立了用于巡防警情預測的神經(jīng)網(wǎng)絡。在實驗部分，將某市公安局提供的真實數(shù)據(jù)分成訓練樣本及測試樣本，首先訓練模型，其次應用模型進行預測，最后對實驗結果進行分析，并得出結論，即神經(jīng)網(wǎng)絡法比傳統(tǒng)時間序列預測法得到更好的預測結果，且預測精度有較大提高，但預測平均誤差無明顯改進。進一步的研究將完善數(shù)據(jù)的預處理，建立公安大平臺統(tǒng)一數(shù)據(jù)格式，考慮網(wǎng)絡采用多隱含層，從而提高網(wǎng)絡的泛化能力。