#今日论文推荐# ICDE 2022 | 港大等提出：基于时空自监督学习的犯罪预测

#今日论文推荐# ICDE 2022 | 港大等提出：基于时空自监督学习的犯罪预测

犯罪问题已成为许多城市关注的主要问题，准确的犯罪预测对于政府相关部门的事先决策至关重要。预测城市中每个地理区域的城市犯罪非常具有挑战性，因为复杂的时空犯罪模式因地点和时间段而异。现有的时空预测方法中，基于深度学习方法因神经网络结构具有强大的特征表示能力而脱颖而出。这些深度时空预测方法主要专注于学习时空表征，尽管它们在之前的预测任务中取得了较好效果，但是在预测城市犯罪方面存在局限性。
考虑到实际的场景，犯罪预测问题存在以下独特的挑战：
1. 稀疏监督信号：现有的时空预测模型在有监督学习框架下进行时空预测任务，这需要足够的监督信号来学习准确的时空表征。但是犯罪数据是非常稀疏的，因为犯罪仅在少数时间和少数地区中发生。我们在下图中展示了不同城市犯罪序列密度的分布情况（某个区域发生犯罪的天数/总天数），其中横坐标表示犯罪类型，纵坐标表示区域数量。可以发现，大多数地区的犯罪序列密度较低（例如，[0,0.25]）。稀疏的犯罪信号使得现有的深度模型很难生成准确的时空表征，可能会引发过拟合。

2. 倾斜的犯罪数据分布：城市不同区域的犯罪发生率往往呈现较为倾斜的数据分布，如下图所示。其中 x 轴表示地区索引，y 轴表示对应地区总犯罪数量。在学习地理位置之间的空间依赖关系时，神经网络模型容易受到犯罪多发区域的影响，会牺牲数据较为稀疏区域的预测性能；现有基于图神经网络的时空预测方法中的邻域信息聚合机制将扩大差异分布带来的影响。

论文题目：Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction
详细解读：https://www.aminer.cn/research_report/63077b917cb68b460f0bc672https://www.aminer.cn/research_report/63077b917cb68b460f0bc672
AMiner链接：https://www.aminer.cn/?f=cs