一种基于CEEMDAN-LSTM模型的接警数据预测方法技术

本发明专利技术公开了一种基于CEEMDAN

【技术实现步骤摘要】
一种基于CEEMDAN
‑
LSTM模型的接警数据预测方法


[0001]本专利技术涉及计算机技术中政工数据应用工程领域，具体为基于CEEMDAN
‑
LSTM模型的接警量预测方法服务于政工建设管理。

技术介绍

[0002]随着经济发展及政府职能的转变，报警服务的职能范围也在不断拓展，接警量的剧增逐渐超越了现实警务结构的承受能力。除了接警、派警外，还要承担咨询、求助以及纠纷调节等工作，庞大的接警数量导致相关部门工作量陡增，与此同时，由于无效警情及重复报警占据了一定比例，造成了警力浪费及警力分配的不合理。因此，有效地对接警数量进行分析和预测，对合理分配警力资源具有关键性的作用价值，对进一步的警情分析具有积极的促进作用。
[0003]接警量的预测是警力调配的理论依据和数据支撑，准确预测未来的接警量的变化情况，对于某些高发警情的预防与管控具有极为重要的意义。而对于接警量及类似时间序列数据预测，国内外的研究如下：对于公安接警量的预测方面，目前有基于支撑向量机回归的接警量预测，季节性ARIMA接警量预测模型，基于谱系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMDAN
‑
LSTM模型的接警数据预测方法，其特征在于，步骤如下：步骤1：获取目标数据序列的时间多因子特征，并将目标数据序列进行CEEMDAN信号分解方法提取IMFS分量：原始数据为日期时间列D、区域集合列I、区域接警量列Y，处理原始数据从日期时间列中提取多因子特征列X＝[X1,X2,X3]分别为对应的星期、月份、年份，从区域接警量列Y中使用CEEMDAN信号分解方法提取出分解分量集合IMFs＝[IMF1,IMF2,
…
IMF
n
]；步骤2：对各IMFS分量结合多因子特征输入LSTM神经网络模型中进行时间序列预测，得到每个IMF分量的对应训练模型和预测结果；步骤3：将IMFS分量结果进行线性加和，得到原始序列的未来N天预测结果；步骤4：基于预测结果结合实地应用需求考虑，计算距离与办案质量最优函数，而后对空闲警力进行对应警情量分配。2.根据权利要求1所述的基于CEEMDAN
‑
LSTM模型的接警数据预测方法，其特征在于，所述的CEEMDAN信号分解方法步骤如下：S1:在原始每日接警量时间序列中添加高斯白噪声并确定加噪次数：y
i
(t)＝y(t)+ε0n
i
(t),i＝1,2...T其中，y
i
(t)为加入噪声后的第i个序列，y(t)为原始序列，ε0n
i
(t)为要添加的服从ε0标准差N(0,1)分布的白噪声，添加T次数；S2:对每个新得到的x
i
(t)时间序列进行EMD，计算第一个imf1(t)分量和第一个残余分量r1(t)，即：r1(t)＝y(t)
‑
imf1(t)S3:在第一个残余分量r1(t)中再次加入标准正态分布的白噪声E，构建新的序列并分别对每个新序列进行EMD，计算第二个IMF分量，并得到残余分量：S4:重复上面步骤3)，对其余每个阶段，经过计算都可以得到关于目标数据分解的第N
‑
1个残余分量和第N个IMF分量，即：r
n
‑1(t)＝r
n
‑2(t)
‑
imf
n
‑1(t)S5:重复上面的S3和S4,直至所获得残余分量极值点个数不超过2个，那么不再分解EMD，算法终止；此时，已产生N个IMF分量，即原始序列最终被分解为N个IMF分量集合IMFs＝[IMF1,IMF2,
…
IMF
n
]和1个最终残余分量，即此时，原始序列y(t)已被分解为N个IMF分量和残余分量之和。3.根据权利要求1所述的基于CEEMDAN
‑
LSTM模型的接警数据预测方法，其特征在于，所述的LSTM神经网络模型由忘记门、输入门、输出门构成。
...

【专利技术属性】
技术研发人员：徐鲁强，吴黎平，白金生，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：