一种基于深度学习和神经网络的青少年犯罪概率预测方法

本发明属于犯罪概率预测领域，特别提供了一种基于深度学习和神经网络算法的青少年犯罪概率预测方法，通过将数据分为动态和静态特征，灵活地利用长短期记忆网络LSTM和全连接层进行处理。LSTM能够捕捉数据中的时间依赖关系，有助于模型理解和预测青少年行为随时间变化的趋势。而使用全连接层处理静态特征则是因为静态特征不受时间影响，具有相对稳定性。综合动态和静态特征的处理，使得我们能够更准确地捕获青少年行为的动态变化和静态特性，从而提高了模型的适应性和泛化能力。通过持续的离线训练，我们的模型不断更新神经网络的权重值与偏置，提高了对青少年行为的预测准确性和可靠性，为行为干预等提供更有力的理论依据。