基于改进PSO-BP神经网络算法在一般盗窃犯罪预测中的应用

针对BP神经网络对初始权重敏感,容易陷入局部最优解的问题,引入粒子群优化算法(PSO),对网络权重进行全局搜索,同时采用BP神经网络权重更新方法对PSO搜索到的权重和阈值进行进一步的更新,构建改进后的PSO-BP神经网络模型,对一般盗窃犯罪数量进行预测。应用美国芝加哥市2015年-2017年盗窃犯罪数据以及总人口数、房价中位数、本科率等11个影响因子数据,对改进前后的模型进行了预测对比实验。结果表明,改进后的PSO-BP神经网络模型成功克服了BP模型的缺陷,相对误差由4.68%降低到1.635%。     

多尺度视角特征动态融合的盗窃犯罪预测模型

针对盗窃犯罪时空预测特征融合不精、时序动态适应性不足问题,提出自注意力和多尺度多视角特征动态融合的预测模型。首先,以盗窃发案的位置信息为基础,将数据投射到地图栅格内,通过构建一种可将不同时序长度案件数据匹配为自适应长度数据的方法,并组合向量映射后的天气、作案时间、地理位置等属性,构造多维度特征融合的输入向量;其次,采用自注意力机制生成多视角特征动态融合的向量;最后,通过采用多尺度窗口CNN对多视角特征动态融合向量进行编码后送入分类器,预测出每个地图栅格内的发案态势。在某市盗窃数据集上验证,本文方法在3种地理栅格尺度下,预测准确率最高可达到0.899,显著优于其他对比模型。     

一种基于预测模型的均值偏移加速算法

为了减少均值偏移算法的计算量,提出一种基于预测模型的均值偏移加速算法．根据迭代序列不同的 收敛特点,建立收敛预测模型,通过减少每次迭代时矢量离收敛点的距离来实现加速．从理论上证明了其收敛速度 比原均值偏移算法快,实验结果也进一步表明,该算法明显地提高了收敛速度,同时可以保证跟踪的准确性．     

时间序列模式及其预测模型算法应用

通过对时间序列模式分析研究,提出了时问序列的趋势性、季节性和随机性分析的应用模型及随机性12类预测数学模型算法,以该算法实现的数据挖掘系统经实际应用后效果很好。     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

疫情防控形势下网络盗窃犯罪发展研究

自新冠疫情爆发以来,更频繁的网络接触增加了网络盗窃犯罪的受害概率,司法机关对网络盗窃犯罪的打击受限,网络盗窃犯罪活动日益猖獗,我国网络环境充斥着众多虚假链接和木马病毒等流毒,严重威胁到了公民的财产安全和网络安全。此次研究以网络盗窃这一典型的网络犯罪为研究对象,对当下网络盗窃犯罪的发展趋势、网络盗窃查处面临的主要困难进行了揭露,并以此提出了需要迫切解决的问题和整改措施。     

数字时代身份盗窃犯罪的规制与应对

身份盗窃通常是指窃取和使用个人身份以获得经济利益或从事其他犯罪活动的行为,数字时代各国对身份盗窃犯罪的规制将日趋完善。美国通过《防止身份盗窃及假冒法》等联邦立法和州立法,构建起身份盗窃行为独立成罪模式;德国没有专门的身份盗窃犯罪立法,而是在个人信息刑法保护体系中统一规制;英国更重视通过前置法实施严格监管,以降低身份信息泄露、滥用和欺诈的可能性。我国与德国的规制模式类似,但存在忽视个人身份保护、身份盗窃刑法评价不全面以及个人信息保护范围过窄等问题。面对数字时代深度伪造技术的冲击,对身份盗窃犯罪的规制更加捉襟见肘。当前,我国应通过采取个人身份的刑法统一保护模式,将非法使用个人信息行为入刑、扩展个人身份信息的刑法保护范围以及完善身份证件类犯罪规制,建构现有的刑法身份保护体系,加强刑法规定之间的衔接。     

多变量灰色预测模型算法的Matlab程序

讨论了多变量灰色预测模型的算法,给出多变量灰色预测模型的Matlab程序．通过实例说明算法程序的应用和效果．     

基于QPSO—WNN算法的煤矿人因可靠性预测模型研究

从生理及心理、安全管理、文化素质和工作环境4个方面提炼62个影响因子,分析煤矿安全中影响人因可靠性;采用小波神经网络(WNN)建立预测模型,为了解决小波神经网络算法易于使网络陷进局部极值,不能获得全局最优值的问题,采用量子粒子群算法(QPSO)对网络进行优化;采用220个训练样本数据对网络进行训练,然后采用100个测试样本数据进行测试,结果显示网络预测精度及收敛速度大大提高;并以某煤矿为例对其人因可靠性进行预测实例研究,结果显示该模型能较准确的预测人因可靠性。     

网络盗窃犯罪的发展新趋势及侦查革新

近年来,网络盗窃犯罪手段不断更新,团伙化、职业化、产业化、专业化趋势明显,与上下游犯罪一起形成了完整的黑色产业链.实践中面临案件发现难、线索调查难、证据收集难等严峻挑战.创新侦查模式,强化数据导侦的能力,加强对上下游犯罪的打击力度,建立高效的侦查协作机制,有助于公安机关不断提升打击此类犯罪的效能.     

基于改进萤火虫算法优化的电力光纤线路状态预测模型研究

为了提升电力通信系统光纤线路状态预测的准确率,提出一种基于改进萤火虫(Firefly Algorithm, FA)算法优化的电力光纤线路状态预测模型(FA-ARIMA-GRU)。首先,针对FA寻优过早收敛和寻优精度低等问题,对整体距离进行指数加权平均,设计了迭代衰减步长因子,并且对偏差修正进行考虑,从而改善上述FA所存在的问题;其次,将改进的FA用于ARIMA-GRU光功率预测模型输入参数的优化,从而在一定程度提升ARIMA-GRU预测模型输入参数的准确性;最终,通过仿真试验对FA-ARIMA-GRU预测模型的效果进行验证,结果表明FA-ARIMA-GRU预测模型具有较优的预测效果,精准预测光功率值,提前掌握电力光纤的线路状态,预知光纤线路故障、有效规避故障和保障电力通信传输通畅不间断。     

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明：该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。     

基于LightGBM算法的能见度预测模型

为了提高能见度预报的准确率,尤其是低能见度预报的准确率,提出一种基于集成学习随机森林和LightGBM的能见度预测模型.首先,以数值模式系统的气象预报数据为基础,结合地面气象观测数据、PM2.5浓度观测数据,利用随机森林算法构建特征向量;其次,针对不同时间跨度的缺失数据,设计了3种缺失值处理方法对缺失值进行替代,生成用...     

基于群体决策特征的中式自选餐厅菜品销量预测模型

从中式自选餐厅的运营流水数据中刻画餐饮消费者群体的膳食特征,并对餐厅菜品销量进行预测。由于中式自选餐厅每日供应的菜品变化巨大,传统的时间序列预测方法难以解决问题,为此提出了一种基于决策理论的预测模型。通过MACBETH方法和期望效用理论将餐厅的菜品转换为统一的效用值,作为就餐群体选择菜品的依据,使用决策权重代表消费者群体的膳食特征,然后基于行为决策理论设计餐饮消费者的决策模型来预测各个菜品的销量。使用了中式自选餐厅的流水数据训练销量预测模型,模型在训练集的交叉熵为0.082,在测试集上的交叉熵为0.086。相比基于神经网络的预测模型,该模型精确度更高,并具有良好的解释性。因此,该模型能够精确预测给定菜品供应下中式自选餐厅的菜品销量,从而支持中式自选餐厅的高效运营。     

基于BASFPA-BP的可靠性预测模型研究

软件可靠性预测以软件可靠性预测模型为基础,对软件的可靠性以及与其直接相关的度量进行分析、评价和预测,利用软件运行中所收集的失效数据对未来的软件可靠性进行预测,成为了评估软件失效行为和保障软件可靠程度的重要手段。BP神经网络结构简单、参数少、易实现,在软件可靠性预测领域已经得到了广泛应用。然而基于传统BP神经网络搭建的软件可靠性预测模型的预测精度无法达到预期目标,因此提出了基于BASFPA-BP的软件可靠性预测模型。该模型利用软件失效数据,在BP神经网络训练过程中利用BASFPA算法优化网络权值、阈值,从而提高模型的预测精度。选用3组公开的软件失效数据,将实际值与预测值的均方误差作为预测结果的衡量标准,同时将BASFPA-BP与FPA-BP,BP,Elman这3种模型进行对比研究。实验结果表明,基于BASFPA-BP的软件可靠性预测模型在同类型模型中实现了较高的预测精度。     

基于预测模型的传感器网络近似数据采集算法

基于模型的数据采集技术可以有效抑制不必要的数据传输,节省能量开销,已经在传感器网络中得到广泛应用。对传统基于模型的数据采集进行了改进,提出基于卡尔曼滤波器的近似数据采样算法ADCA。ADCA可以在一定误差范围内有效获取数据。空间相近的节点被组织成簇,簇头和成员分别建立卡尔曼滤波模型,并保存对方的镜像模型。簇头节点可以为成员节点产生近似的数据,所以用户查询可以通过簇头来回答。实验表明ADCA具有较好的性能。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于回归分析的备件故障率预测模型

根据备件的故障率可以有效地指导备件的存储策略，该文在介绍了几种典型故障率曲线的基础上，给出了一般预测模型的步骤及其流程图，此后建立了一个基于回归分析的备件故障率预测模型，并利用此模型对某一备件的故障率进行了预测，最后，利用相关系数对二者的相关性进行了分析，说明了二者有较好的线性关系。