从人口统计和移动数据探索犯罪预测
利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型,并提高预测的准确性,并且对主要犯罪类别的预测特征进行了深入分析,为城市政策或执法部门提供了有价值的信息。
Jun, 2018
本研究利用深度学习直接对原始手机元数据建模,通过时间模式预测用户的基本人口统计信息,包括年龄和性别,并通过对模型假设的验证,获得了最先进的预测准确性。
Nov, 2015
本研究利用监督学习技术预测犯罪活动,通过分析先前犯罪活动记录和模式,该系统基于决策树和 K 最近邻算法进行预测,同时使用随机森林算法和 Adaboost 提高准确性,并使用过采样来提高准确性。
Mar, 2020
通过统计分析以及利用 Apriori 算法找出犯罪热点、利用决策树分类器及朴素贝叶斯分类器预测潜在的犯罪类型,再结合人口统计数据对犯罪数据集进行分析,以识别可能影响社区安全的因素。通过该研究,可以提高人们对危险区域的认识,并帮助机构预测特定地点在特定时间内的犯罪行为。
Aug, 2015
本研究介绍了一种新的犯罪数据集,该数据集包含有关孟加拉国 6574 起犯罪事件的时间、地理、天气和人口统计数据,使用五种监督学习分类算法对这个数据集进行评估,并获得了令人满意的结果。此外,对数据集的各方面进行了探索性分析,并预计该数据集将为孟加拉国等国家的犯罪事故预测系统提供基础。
Nov, 2022
利用人类移动数据增强的深度学习架构已经显示出能提高利用历史犯罪数据训练的短期犯罪预测模型的准确性。本文提出了一种新型的迁移学习框架,通过将在有丰富移动数据的源地区训练的深度学习犯罪预测模型权重传输到目标地区,对其本地犯罪预测模型进行微调,从而提高犯罪预测准确性。结果显示该迁移学习框架提高了移动数据稀缺的目标城市的 F1 得分,尤其是在可用移动数据月份数较少的情况下。我们还展示了这种 F1 得分的提升在美国不同类型的犯罪和各种城市中都是普遍的。
Jun, 2024
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022
本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据,探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系,并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明,通过聚类方法可以鲁棒地识别用户的家庭和办公室,并且其通勤距离可以通过引力模型进行合理地解释。
Nov, 2012
本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况,通过和其他预测方法的比较证明了其更高的准确度,并提出使用三值化技术解决实际资源短缺的问题。
Nov, 2017
本文研究犯罪现象受到生理、社会和经济等因素影响,特别是针对通过时空信息预测盗窃这一单一犯罪案件的时空模型和不同算法进行探究,其中 XGBoost 算法表现最优,F1 分数为 0.86。
Apr, 2023