基于神经网络算法的毒品滥用预测与区域可视化研究
来源:用户上传
作者:
摘要：现今，毒品滥用已经成为影响社会安全的重要课题，为了对毒品滥用进行可控性预测。本文以美国五个州各县的毒品滥用情况为例，选取2010-2017年美国关于毒品滥用情况的数据，建立神经网络算法，对2018年毒品可能的出现地点进行预测，并且进行数据可视化展示。本文做出一点探索性的工作，旨在为毒品滥用的研究提供可行性的思路与分析方法，将神经网络模型与毒品滥用问题进行结合。
关键词：毒品滥用;神经网络;可视化展示
1综述及数据
1.1概述
毒品犯罪是各国政府所关注的重点问题，其危害大，传播广，已经成为社会安全的重要因素。在犯罪学研究领域中，犯罪地理学主要研究了犯罪现象的空间发生、发展和分异规律，并基于预测结果进行预防和控制犯罪[1]。我国正处于全面建成小康社会、全面建设社会主义现代化国家阶段。对努力实现民族伟大复兴的当代中国而言，毒品对民众健康、国家发展、民族未来有极大危害[2]。目前在我国禁毒、缉毒工作中，尤其是对于预防吸毒工作，针对吸毒行为态势的整体性分析和预测研究较少[3]。本文以美國往年毒品犯罪数据为例，以神经网络模型建立算法。对毒品出现地点进行预测工作，并对我国毒品防治工作的开展提供借鉴。
1.2数据来源综述
本文选取美国疾病控制中心的网站的数据，包括美国五个州（VAOHPAKYWV）及其各县2010-2017年的毒品滥用汇报数（DR）、各州县的名称以及邮政编号（FIPS）、每种毒品在各县及各州县的毒品总滥用数。实验选取了年份（YYYY），洲名（State），县名（COUNTY），毒品名（SubstanceName）和对应的毒品滥用数（DrugReports，DR）这五类数据，精简数据特征并建立算法。
本文基于R语言的map包来绘制毒品出现地点图，使得实验数据可视化。由于map包中包含美国所有州县的地图，本文对数据进行了筛选，仅保留了实验所需要的五州及其各县的地图数据。
2基于神经网络的毒品犯罪学预测
2.1神经网络及其构建
本文构建了4层深度学习（Deep-Learning，DL）模型，节点表示为（7，7，7，1）的全连接层，网络结构如图1所示。
2.2预测结果
（1）数据编码。通过对数据进行筛选统计，如下表所示十一种毒品的出现次数远高于其他毒品，故本文选取这些毒品进行实验。
本文对数据进行编码。在所有县中，以上十一种毒品所对应的DR编码为“1”，代表该县在该年实验出现毒品，而其他毒品的DR编码为“0”。记该数据为编码毒品汇报（Leveled-DrugReports，LDR）数据，用于神经网络学习。
（2）模型训练与预测结果。本文选取2010～2016年的LDR数据作为训练集与验证集，预测2018年十一种毒品的出现情况。
为了使数据可视化，本文结合预测结果和美国地图，绘制了2018年各县实验毒品分布图，如图2所示。
根据图2可以看出，毒品的出现呈现较为集中的态势，且每一个集中点有多种毒品同时出现，不难假设该地区为毒品的爆发及滥用区。在实际的应用中，这将对毒品防治，毒品相关案件分析起到帮助性的作用。
3总结
本文通过结合神经网络算法与数据可视化，预测并绘制了2018年美国五个州各县的毒品滥用情况图。美国阿片类危机同样是中国乃至全人类的共同问题，尽管联邦政府对毒品问题采取多项打击措施，但该问题的复杂性导致措施并没有起到明显效果[4]。我国警方已加大毒品犯罪打击力度，强化社会治安综合治理，加大法治宣传力度，在一定程度上降低了毒品犯罪的发生率[5]。但截至目前，关于毒品防治，依旧比较缺乏关于吸毒行为的数学建模以及数学分析方法。本文旨在为毒品滥用的研究提供可行性的思路，有助于减少地区毒品案件发生率，一定程度上协助缉毒民警工作，并对我国毒品防治工作的开展提供借鉴。
参考文献：
[1]张宁，王大为.基于风险地形建模的毒品犯罪风险评估和警务预测[J].地理科学进展，2018，37（08）：1131-1139.
[2]周秀银.汲取“枫桥经验”走中国特色毒品问题治理之路[J].公安学刊（浙江警察学院学报），2019（04）：26-32.
[3]芦佳.大数据在吸毒行为预测中的应用[J].江苏警官学院学报，2019，34（01）：71-75.
[4]2002."LearningRepresentationsbyBack-PropagatingErrors"，CognitiveModeling，ThadPolk，ColleenSeifert.
[5]袁莎.美国阿片类毒品危机及中美禁毒合作[J].和平与发展，2019（01）：101-115+135-136.
[6]刘懿.关注毒品犯罪新动向依法惩处“零容忍”[N].人民法院报，2019-08-13（006）.
转载注明来源:https://www.xzbu.com/1/view-15106087.htm
