5、多元时间序列分析与犯罪新闻异常检测

多元时间序列分析与犯罪新闻异常检测

多元时间序列分析

特征选择

在多元时间序列分析中，采用交叉验证方法（10折）进行特征选择。结果显示，对于区间a选择了38个特征，对于区间b选择了45个特征。

RQA转换 - 向量方法

运用向量递归概念，在相关方程中，DV (i) 和DV (j) 是d维向量，并计算向量差在Rd中的范数。在本次实验中，使用欧几里得范数，并结合特定组合。当确定RP矩阵（RP[τ,m,RR]）计算的最优参数后，生成相应矩阵并提取14个RQA测量特征，包括递归率（RR）、确定性（DET）等。最后，将区间a和区间b的信息从19个属性压缩到14个属性。

机器学习算法

为了获得特征排名，在个体转换方法中使用XGBoost。为了比较两种方法，采用特定算法生成预测模型。同时，加入使用原始时间序列（19个属性）的先前研究结果，使用的模型基于人工神经网络（前缀“nn”）和支持向量机（前缀“svm”）。

结果

使用ROC曲线下面积（AUC）指标验证无监督转换的预测能力，比较个体方法（前缀“gbm individual”）和向量方法（前缀“gbm vector”）的结果。所有随机分类模型执行50次，结果表明，在区间a中个体方法获得最佳结果，在区间b中向量方法表现最佳，且两种方法均优于先前结果。

方法	区间a	区间b
个体方法