通过城市指标和统计学习进行犯罪预测
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
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
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
使用手机数据和人口统计数据,基于聚合的匿名化人类行为数据进行犯罪预测,实验结果表明,该犯罪预测模型在伦敦的真实犯罪数据上的准确率接近 70%,结果对数据驱动式犯罪分析具有重要意义。
Sep, 2014
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
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
本研究探讨了社会人口统计学、建筑环境特征和环境危害暴露特征在确定社区癌症患病率方面的相互作用。通过使用来自美国五个大都市统计区的数据:芝加哥,达拉斯,休斯敦,洛杉矶和纽约,该研究实施了一个 XGBoost 机器学习模型来预测癌症患病率的程度,并评估了不同特征的重要性。研究结果表明,年龄、少数民族地位和人口密度是癌症患病率中最具影响力的因素之一。同时,研究还探讨了可减轻癌症患病率的城市规划和设计策略,重点关注绿地、开发区和总排放量。通过一系列基于因果推断的实验评估,研究结果显示,增加绿地、减少开发区和总排放量可以缓解癌症患病率。本研究的发现为城市特征和社区健康之间的相互作用提供了更好的理解,并显示可解释的机器学习模型在促进公共卫生的综合城市设计中的价值。该研究还为城市规划和设计提供了可操作性的见解,强调了通过综合城市设计策略来解决城市健康差距的多方面方法的必要性。
Jun, 2023
该研究利用不同的在线新闻网站进行犯罪数据爬取、词干提取,运用了位置查找算法、余弦相似度、朴素贝叶斯分类器以及一种自定义的犯罪预测模型来估计特定地点的犯罪率,并对犯罪地点进行排名和预测未来的犯罪发生率。
May, 2023
本文研究了超过 150 篇文章,探讨了机器学习和深度学习算法在犯罪预测方面的应用,分析了犯罪预测所需的数据集和机器学习和深度学习的主要方法,并提出了可用于提高预测准确性的因素和未来研究方向,为犯罪预测领域的研究人员提供有价值的参考。
Mar, 2023