動的多重関係学習による犯罪予測のための空間-時間逐次ハイパーグラフネットワーク【JST・京大機械翻訳】

Xia Lianghao; Huang Chao; Xu Yong; Dai Peng; Bo Liefeng; Zhang Xiyue; Chen Tianyi

プレプリント

J-GLOBAL ID：202202208209163211 整理番号：22P0024672

動的多重関係学習による犯罪予測のための空間-時間逐次ハイパーグラフネットワーク【JST・京大機械翻訳】

Spatial-Temporal Sequential Hypergraph Network for Crime Prediction with Dynamic Multiplex Relation Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年01月07日プレプリントサーバーでの情報更新日： 2022年04月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

クロム予測は,公共安全と資源最適化にとって極めて重要であるが,2つの側面,すなわち,時間と空間にわたる犯罪パターンの動力学,犯罪事象は空間と時間領域の両方に不均等に分布する。ii)異なるタイプの犯罪(例えば,ft,Robbery,Assault,損傷)間の時間発展依存性が,犯罪の細粒意味論を明らかにする。これらの課題に取り組むために,著者らは,複雑な犯罪空間-時間パターンだけでなく,根底にあるカテゴリ-ワイズ犯罪意味関係も集合的に符号化するために,空間-一時的逐次ハイパーグラフネットワーク(ST-SHN)を提案した。具体的には,長範囲および大域的文脈の下で空間-時間動力学を取り扱うために,ハイパーグラフ学習パラダイムの統合によるグラフ構造化メッセージパッシングアーキテクチャを設計した。動的環境におけるカテゴリーごとの犯罪不均一関係を把握するために,著者らは,犯罪タイプを通して時間発展構造依存性を学ぶためにマルチチャネルルーティング機構を導入した。2つの実世界データセットに関する広範な実験を行い,提案したST-SHNフレームワークが,種々の最先端のベースラインと比較して,予測性能を著しく改良できることを示した。ソースコードはhttps://github.com/akaxlh/ST SHNで利用可能である。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

都市問題,都市防災

, , , , ,

前のページに戻る