ترجمه فارسی مقاله پیش‌بینی جرم آگاه از عدم قطعیت با شبکه‌های عصبی گراف چند متغیره مکانی-زمانی

چکیده

Crime forecasting is a critical component of urban analysis and essential for stabilizing society today. Unlike other time series forecasting problems, crime incidents are sparse, particularly in small regions and within specific time periods. Traditional spatial-temporal deep learning models often struggle with this sparsity, as they typically cannot effectively handle the non-Gaussian nature of crime data, which is characterized by numerous zeros and over-dispersed patterns. To address these challenges, we introduce a novel approach termed Spatial Temporal Multivariate Zero-Inflated Negative Binomial Graph Neural Networks (STMGNN-ZINB). This framework leverages diffusion and convolution networks to analyze spatial, temporal, and multivariate correlations, enabling the parameterization of probabilistic distributions of crime incidents. By incorporating a Zero-Inflated Negative Binomial model, STMGNN-ZINB effectively manages the sparse nature of crime data, enhancing prediction accuracy and the precision of confidence intervals. Our evaluation on real-world datasets confirms that STMGNN-ZINB outperforms existing models, providing a more reliable tool for predicting and understanding crime dynamics.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی جرم یک مؤلفه مهم تجزیه و تحلیل شهری است و برای تثبیت جامعه امروز ضروری است.بر خلاف سایر مشکلات پیش بینی سری زمانی ، حوادث جرم به ویژه در مناطق کوچک و در دوره های زمانی خاص پراکنده است.مدل های یادگیری عمیق مکانی و مکانی سنتی اغلب با این کمبود مبارزه می کنند ، زیرا آنها به طور معمول نمی توانند ماهیت غیر گاوسی داده های جرم را کنترل کنند ، که توسط صفرهای متعدد و الگوهای پراکنده مشخص می شود.برای پرداختن به این چالش ها ، ما یک رویکرد جدید به نام شبکه های عصبی نمودار منفی دوتایی منفی چند متغیره موقت مکانی را معرفی می کنیم (STMGNN-ZINB).این چارچوب برای تجزیه و تحلیل همبستگی های مکانی ، زمانی و چند متغیره ، شبکه های انتشار و حلقوی را به کار می برد و باعث می شود پارامتری توزیع احتمالی حوادث جرم باشد.STMGNN-ZINB با ترکیب یک مدل دوتایی منفی با تورم صفر ، به طور موثری ماهیت پراکنده داده های جرم را مدیریت می کند ، باعث افزایش دقت پیش بینی و دقت فواصل اطمینان می شود.ارزیابی ما در مجموعه داده های دنیای واقعی تأیید می کند که STMGNN-ZINB از مدل های موجود بهتر است ، ابزاری قابل اطمینان تر برای پیش بینی و درک پویایی جرم فراهم می کند.