顾及案发时间不确定性的公安事件时空同现模式挖掘方法技术

本发明专利技术公开了一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，所述方法包括：确定多类公安事件数据集；根据每类公安事件所记录的可能案发时间区间，分析所述每类公安事件在单位时间内的概率分布，为所述每类公安事件案发时间构建概率表达模型；根据每类公安事件案发时间的概率分布密度函数，计算参与候选时空同现模式中公安事件实例间的时空距离，并进一步度量候选时空同现模式频繁度，以确定所述候选时空同现模式是否为时空同现模式。本发明专利技术通过为公安事件案发时间建立概率模型，充分考虑公安事件案发时间不确定性，从而提高公安事件时空同现模式挖掘方法识别结果的准确率。

Mining Method of Spatio-temporal Co-occurrence Model of Public Security Events Considering Uncertainty of Incident Time

The invention discloses a method for mining spatio-temporal co-occurrence patterns of public security incidents, which takes into account the uncertainty of incident time. The method includes: determining data sets of multiple types of public security incidents; analyzing the probability distribution of each type of public security incidents in unit time according to the possible incident time intervals recorded by each type of public security incidents, and constructing a probability expression model for the incident time of each type of public security incidents. According to the probability distribution density function of the incident time of each type of public security event, the spatiotemporal distance between the public security event instances in the candidate spatiotemporal co-occurrence mode is calculated, and the frequency of the candidate spatiotemporal co-occurrence mode is further measured to determine whether the candidate spatiotemporal co-occurrence mode is spatiotemporal co-occurrence mode. The invention establishes a probability model for the time of public security incidents, fully considers the uncertainty of the time of public security incidents, thereby improving the accuracy of the identification result of the method of mining the spatiotemporal co-occurrence pattern of public security incidents.

【技术实现步骤摘要】
顾及案发时间不确定性的公安事件时空同现模式挖掘方法
本专利技术涉及本专利技术涉及时空数据挖掘与时空统计领域，尤其涉及一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法。
技术介绍
探索公安事件与环境因素间的相关性，及各类公安事件间的交互性，是减少各类公安事件出现的重要途径之一。目前，分析多类公安事件内部及其与外部因素(如社会、经济、地理环境因素)的研究方法主要有三种，即热点分析方法、回归分析方法和关联分析方法。其中热点分析方法首先将公安事件高密度区域识别为时空热点，然后与外部环境因素进行叠置分析。然而热点分析方法只能进行定性分析，难以定量描述公安事件与外部因素的相关性。因此有学者应用传统一元回归模型、多元回归模型量化表达公安事件与外部因素的相关性，由于地理事件在时空中具有异质性、依赖性，因此学者进一步应用空间自回归模型、地理加权回归模型量化公安事件与外部因素关联性。然而该方法在选择回归模型时具有主观性，并且尚缺乏多类公安事件间的内部关联关系识别方面的工作。为解决上述问题，学者们使用灰色关联方法和时空关联模式挖掘方法度量多类公安事件间的时空交互关系。其中灰色关联方法仅从时间维度，根据多类公安事件在时空中发展中发生数量变化的相似性度量其相关性，并未考虑到公安事件的空间位置属性。时空关联方法则充分考虑公安事件发生的时空位置，挖掘存在时空交互的关联模式。时空同现模式挖掘方法是时空关联方法的重要组成部分，旨在发现频繁满足空间邻近关系的地理事件集合，可为识别多类公安事件间的时空关联关系提供理论指导和科学支撑。以上现有方法均未考虑到公安事件实际案发时间与登记时间存在差异的问题，较大的时间偏差很可能使得挖掘结果中存在误差，导致得到错误结论，从而可能造成相关部门决策失误。现有针对公安事件案发时间具有不确定性的技术工作集中应用于分析公安事件日分布趋势，以识别某类公安事件的发生高峰期和低谷期，而公安事件关联分析中案发时间不确定性的建模仍未引起重视。
技术实现思路
本专利技术的目的在于克服现有技术中存在的缺陷，提供一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，以解决现有时空同现模式挖掘方法难以准确分析公安事件间的交互机制的技术问题。本专利技术采用以下技术方案：一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，所述方法包括：S1、确定多类公安事件数据集；S2、根据所述数据集中的每类公安事件所记录的可能案发时间区间，分析所述每类公安事件在单位时间内的概率分布，为所述每类公安事件案发时间构建概率表达模型，得到所述每类公安事件案发时间的概率分布密度函数；S3、根据所述每类公安事件案发时间的概率分布密度函数，计算参与候选时空同现模式中公安事件实例间的时空距离，并进一步度量候选时空同现模式频繁度；S4、根据所述候选时空同现模式频繁度确定所述候选时空同现模式是否为时空同现模式。进一步，所述步骤S2包括：S21、使用统一的时间分辨率将单位时间划分为若干时间槽；S22、统计每类公安事件中的每个实例案发时间区间跨越的时间槽数量；S23、按照所述时间槽的顺序逐步累加所述每类公安事件的平均发生概率，得到所述每类公安事件的时间概率分布；S24、对所述每类公安事件的时间概率分布散点进行曲线拟合得到所述每类公安事件的时间概率分布函数，将所述时间概率分布函数进行求导得到所述每类公安事件的时间概率分布密度函数。进一步，所述步骤S23还包括：针对所述每个时间槽累加所述每个实例发生在该时间槽的概率，将所述每个时间槽的累加和除以该类公安事件的实例总量，得到该类公安事件的平均发生概率。进一步，所述步骤S24还包括：采用最小二乘法对所述公安事件的时间概率分布曲线进行曲线拟合。进一步，所述步骤S3包括：S31、计算所述每类公安事件的每个实例在其可能案发时间区间内的均值和方差；S32、对包含k类公安事件的候选时空同现模式，根据所述均值和方差计算每两类公安事件实例间的时空距离，根据所述每两类公安事件实例间的时空距离确定候选时空同现模式的实例集合；S33、根据所述候选时空同现模式的实例集合，计算候选时空同现模式的参与指数，根据所述参与指数判定该候选时空同现模式是否为时空同现模式。进一步，所述步骤S31包括：对公安事件Ei的每个实例ei，计算发生在其可能案发时间区间内的概率，计算公式如下：其中，fi(t)表示所述实例ei所属的所述公安事件Ei的时间概率分布密度函数，tstart表示所述实例ei可能案发时间的起始值，tend表示所述实例ei可能案发时间的终止值；通过fi(t)/S计算所述实例ei在其可能案发时间区间内的概率分布密度函数，根据所述概率分布密度函数计算所述实例ei在其可能案发时间区间内的均值和方差。进一步，所述根据所述均值和方差计算每两类公安事件实例间的时空距离，具体包括：其中，Ds(ei,ej)表示实例ei，ej间的空间距离，xi，xj的分别表示实例ei，ej的空间坐标中的x值，yi，yj的分别表示实例ei，ej的空间坐标中的y值；Dt(ei,ej)表示实例ei，ej间的时间距离，分别是实例ei，ej在所述可能案发时间区间下的均值，var(ti)，var(tj)分别表示实例ei，ej在所述可能案发时间区间下的方差。进一步，所述根据所述每两类公安事件实例间的时空距离确定候选时空同现模式的实例集合具体包括：当Ds(ei,ej)小于空间距离阈值θs，并且Dt(ei,ej)小于时间距离阈值θt，则所述实例ei，ej满足时空邻近关系，当k类公安事件的k个实例两两互相满足所述时空邻近关系，则称集合I＝{e1,e2,...,ek}是候选时空同现模式C的一个实例。进一步，所述候选时空同现模式的参与指数的计算公式如下：其中，分母表示公安事件Ei的实例个数，分子表示所述候选时空同现模式C的实例中公安事件Ei的实例个数。进一步，所述根据所述参与指数判定该候选时空同现模式是否为时空同现模式具体包括：当CPI(C)大于用户设定的频繁阈值ε，则将所述候选时空同现模式C识别为时空同现模式。本专利技术的优点和有益效果在于：本专利技术提供一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，通过为公安事件案发时间建立概率模型，充分考虑公安事件案发时间不确定性，从而提高公安事件时空同现模式挖掘方法识别结果的准确率。附图说明图1为本专利技术的顾及案发时间不确定性的公安事件时空同现模式挖掘方法流程示意图；图2(a)为本专利技术扰乱治安的空间分布示意图；图2(b)为本专利技术盗窃电动车的空间分布示意图；图3(a)为本专利技术扰乱治安概率分布函数示意图；图3(b)为本专利技术盗窃电动车概率分布函数示意图；图4(a)为本专利技术扰乱治安概率分布密度函数示意图；图4(b)为本专利技术盗窃电动车概率分布密度函数示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，为本专利技术的顾及案发时间不确定性的公安事件时空同现模式挖掘方法流程示意图。所述方法包括：S1、确定多类公安事件数据集；S2、根据所述本文档来自技高网...

【技术保护点】
1.一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，其特征在于，所述方法包括：S1、确定多类公安事件数据集；S2、根据所述数据集中的每类公安事件所记录的可能案发时间区间，分析所述每类公安事件在单位时间内的概率分布，为所述每类公安事件案发时间构建概率表达模型，得到所述每类公安事件案发时间的概率分布密度函数；S3、根据所述每类公安事件案发时间的概率分布密度函数，计算参与候选时空同现模式中公安事件实例间的时空距离，并进一步度量候选时空同现模式频繁度；S4、根据所述候选时空同现模式频繁度确定所述候选时空同现模式是否为时空同现模式。

【技术特征摘要】
1.一种顾及案发时间不确定性的公安事件时空同现模式挖掘方法，其特征在于，所述方法包括：S1、确定多类公安事件数据集；S2、根据所述数据集中的每类公安事件所记录的可能案发时间区间，分析所述每类公安事件在单位时间内的概率分布，为所述每类公安事件案发时间构建概率表达模型，得到所述每类公安事件案发时间的概率分布密度函数；S3、根据所述每类公安事件案发时间的概率分布密度函数，计算参与候选时空同现模式中公安事件实例间的时空距离，并进一步度量候选时空同现模式频繁度；S4、根据所述候选时空同现模式频繁度确定所述候选时空同现模式是否为时空同现模式。2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：S21、使用统一的时间分辨率将单位时间划分为若干时间槽；S22、统计每类公安事件中的每个实例案发时间区间跨越的时间槽数量；S23、按照所述时间槽的顺序逐步累加所述每类公安事件的平均发生概率，得到所述每类公安事件的时间概率分布；S24、对所述每类公安事件的时间概率分布散点进行曲线拟合得到所述每类公安事件的时间概率分布函数，将所述时间概率分布函数进行求导得到所述每类公安事件的时间概率分布密度函数。3.如权利要求2所述的方法，其特征在于，所述步骤S23还包括：针对所述每个时间槽累加所述每个实例发生在该时间槽的概率，将所述每个时间槽的累加和除以该类公安事件的实例总量，得到该类公安事件的平均发生概率。4.如权利要求3所述的方法，其特征在于，所述步骤S24还包括：采用最小二乘法对所述公安事件的时间概率分布曲线进行曲线拟合。5.如权利要求1所述的方法，其特征在于，所述步骤S3包括：S31、计算所述每类公安事件的每个实例在其可能案发时间区间内的均值和方差；S32、对包含k类公安事件的候选时空同现模式，根据所述均值和方差计算每两类公安事件实例间的时空距离，根据所述每两类公安事件实例间的时空距离确定候选时空同现模式的实例集合；S33、根据所述候选时空同现模式的实例集合，计算...

【专利技术属性】
技术研发人员：邓敏，陈袁芳，蔡建南，石岩，杨学习，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43