《表3 模型预测效果对比:基于LSTM网络的盗窃犯罪时间序列预测研究》
将平稳后的训练集中所有的特征进行归一化处理,转化为适用于LSTM模型训练的数据集,并输入LSTM模型,通过Adam优化方法经过多次分析测试,分别得到训练后的模型1、模型2、模型3。模型1的参数步数设置为1,隐藏层单元数为15,神经元个数为1;模型2的参数步数设置为1,隐藏层单元数为20,神经元个数为2;模型3的参数步数设置为1,隐藏层单元数为15,神经元个数为1。拟合结果如图3所示,虚线前的日期为训练集,虚线后的日期为测试集。在训练集中,LSTM模型较好地捕捉了盗窃犯罪案件数量的波动,拟合效果较好。将测试集结果输入LSTM模型进行性能评估,结果如表3所示。模型1、模型2的预测性能评估指标PRMSE分别为18.4%、11.7%,表明测试结果较好。模型3的测试集每日案件数量随时间波动较大,预测性能评估指标PRMSE为41.9%,表明LSTM模型在对波动较大的盗窃犯罪案件数据进行预测时,结果存在一定的影响。
图表编号 | XD00198146000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.25 |
作者 | 颜靖华、侯苗苗 |
绘制单位 | 中国科学院文献情报中心、中国科学院大学经济与管理学院图书情报与档案管理系、中国人民公安大学信息网络安全学院、中国人民公安大学信息网络安全学院 |
更多格式 | 高清、无水印(增值服务) |