پیش بینی زمانی مکانی وقوع جرم با استفاده از شبکه عمیق واحد بازگشی دروازه ای

جنایات و تخلفات تهدیدی برای برقراری عدالت است که کیفیت زندگی و رفاه ساکنان را تحت تاثیر قرار می دهد و باید کنترل شوند. همچنین پیش بینی دقیق جرم و روند آینده می تواند به افزایش ایمنی کلان شهرها کمک کند. قابلیت پیش بینی زمان و مکان وقوع جرم برای کمک به پیشگیری از وقوع آن است و از طریق سازمان دهی گشت های پلیس صورت می گیرد، اما هنوز نیاز به الگوریتم های پیش بینی دقیق احساس می شود که گشت های پلیس را به سمت فعالیت های مجرمانه هدایت کنند. در مطالعات قبلی از داده های حوزه های متعددی مانند جمعیت شناسی، اقتصاد و آموزش استفاده شده است. در این مطالعه از داده های سری زمانی جرم، فاصله از ایستگاه های پلیس و روزهای تعطیل در شهر نیویورک استفاده شده است و منطقه موردمطالعه به صورت یک شبکه ۱۰ در ۱۰ در نظر گرفته شده است سپس از یک معماری واحد برگشتی دروازه ای استفاده شد. پس از آموزش شبکه، مدل با داده های آزمون و معیار میانگین مربعات خطا مورد ارزیابی قرار گرفت و به خطای ۰.۰۲۷ رسید. برای بررسی دقیق تر مدل توسعه داده شده از دو معماری پرسپترون چندلایه و یک شبکه بازگشتی ساده استفاده شد. پس از آموزش، این دو شبکه به ترتیب خطای ۰.۰۴۸ و ۰.۰۳۳ به دست آمد که در مقایسه با مدل پیشنهادی خطای بیشتری داشتند. در این تحقیق مشخص شد که شبکه های دارای حافظه نسبت به معماری های ساده عملکرد بهتری خواهند داشت و اگر گام زمانی در داده ها زیاد باشد استفاده از معماری هایی که از انفجار گرادیان جلوگیری می کنند بسیار موفق تر خواهند بود.

کلیدواژه ها:

شبکه عصبی ، یادگیری عمیق ، پیش بینی جرم ، شبکه عصبی بازگشتی ، واحد برگشتی دروازه ای