基于Jarrett-Butterfly优化算法的旋转不变坐标卷积神经网络犯罪预测模型研究

为解决犯罪预测中数据旋转敏感性和特征选择效率低下的问题，研究人员提出了一种结合旋转不变坐标卷积神经网络(RICCNN)与Jarrett-Butterfly优化算法(JBOA)的新型犯罪预测模型RICCNN-CP-JBOA。通过STSUKF数据预处理、RQCT动态特征提取和PO特征选择，模型在准确率、F1分数等指标上较现有方法提升19-29%，为犯罪防控提供了更精准的时空分析工具。

　　

犯罪活动具有高度动态性和空间异质性，传统预测模型难以应对数据旋转带来的特征失真问题。现有方法如随机森林(RF)和支持向量机(SVM)在犯罪热点识别中存在精度不足、计算复杂度高等缺陷。尤其当犯罪数据分布呈现旋转变化时，模型性能显著下降。此外，特征选择与参数优化的耦合问题长期未被有效解决，导致预测结果可靠性不足。

针对这些挑战，国内研究人员开发了RICCNN-CP-JBOA系统。该研究创新性地将旋转不变坐标卷积神经网络(Rotation Invariant Co-ordinate CNN, RICCNN)与Jarrett-Butterfly优化算法(JBOA)相结合，通过三阶段处理流程提升预测效能：首先采用亚自适应两阶段无迹卡尔曼滤波(Sub Adaptive Two-stage Unscented Kalman Filtering, STSUKF)处理缺失数据；随后利用随机量子电路变换(Random Quantum Circuits Transform, RQCT)提取时空动态特征；最终通过鹦鹉优化(Parrot Optimization, PO)算法筛选六类关键特征。JBOA则用于优化RICCNN的超参数，实现模型性能的全局最大化。

数据预处理与特征工程
STSUKF通过两阶段噪声消除机制处理犯罪数据集中的缺失值和异常点，其自适应协方差调整策略使数据清洗误差降低23.6%。RQCT通过量子比特映射将传统特征转换为高维希尔伯特空间，有效捕获犯罪事件的时空非线性关联。PO算法基于信息素衰减机制筛选出凶杀、抢劫等六类暴力犯罪的核心特征，特征维度压缩率达67%。

模型架构与优化
RICCNN创新性地在卷积层嵌入极坐标变换模块，使模型对犯罪热点的旋转变化保持鲁棒性。测试表明，在数据旋转30°时仍能保持91.2%的分类准确率。JBOA采用蝴蝶觅食行为模拟策略优化网络参数，相比传统PSO算法，收敛速度提升38%，且避免陷入局部最优。

性能验证
实验对比RF、SVM等基线模型显示，RICCNN-CP-JBOA在暴力犯罪预测中实现89.4%准确率（较最优基线提升29.27%），F1-score达0.872。特别在旋转数据场景下，其ROC-AUC值稳定在0.92±0.03，显著优于传统CNN的0.76±0.05。模型对低频率犯罪（如绑架案）的召回率提升至82.1%，有效缓解了类别不平衡问题。

该研究首次将量子计算特征提取与生物启发优化算法结合应用于犯罪预测领域。RICCNN-CP-JBOA不仅解决了空间数据旋转敏感性的核心难题，其模块化设计还为其他时空预测任务提供了可扩展框架。实际部署中，模型可辅助执法部门实现犯罪热点72小时精准预警，为智慧城市建设提供关键技术支撑。论文成果发表于《Expert Systems with Applications》，为犯罪学与人工智能的跨学科研究树立了新范式。