HDM-GNN：一种用于犯罪预测的异构动态多视图图神经网络

《ACM Transactions on Sensor Networks》：HDM-GNN: A Heterogeneous Dynamic Multi-view Graph Neural Network for Crime Prediction

犯罪时空关联建模与多视角融合预测研究

　　

摘要

近年来，智能城市引起了广泛关注。这些城市利用物联网（IoT）支持的传感器从各种来源收集数据，从而在多个领域（如公共安全）提升居民的生活质量。准确的犯罪预测对于提升公共安全至关重要。然而，复杂的时空依赖性使得这一任务变得极具挑战性，原因主要有两个方面：1）犯罪的时空依赖性不仅体现在与相邻区域的相关性上，还体现在与遥远区域之间的潜在关联上，例如人员流动的连通性和功能相似性；2）犯罪事件在时间上存在短周期重复和长周期变化的趋势。大多数现有研究在处理多视角相关性时存在不足，因为它们通常将所有相关性同等对待，而没有考虑这些相关性之间的差异。在本文中，我们提出了一种名为“异构动态多视角图神经网络”（HDM-GNN）的区域级犯罪预测模型。该模型能够利用异构的城市数据来表示犯罪的动态时空依赖性，并融合来自多个视角的各种区域相关性。通过整合多个GAT模块和门控CNN模块，可以得出全局的时空依赖性和长周期的时间相关性。我们使用多个真实世界数据集进行了大量实验来评估该方法的有效性，结果表明我们的方法优于现有的最佳模型。所有代码均可在以下链接获取：https://github.com/ZJUDataIntelligence/HDM-GNN。