费城犯罪态势：基于粒子优化的贝叶斯聚类
应用统计
2022-06-22 v3 统计方法学
摘要
准确估计犯罪随时间的变化，是更好理解大型城市环境公共安全的首要关键步骤。贝叶斯层次模型是在邻里层面研究城市犯罪动态空间变化的自然途径，因为它促进了空间相邻邻里间原则性的「信息共享」。然而，城市通常包含许多物理与社会边界，这些边界可能表现为犯罪模式中的空间不连续性。在此情形下，标准的先验选择常产生过度平滑的参数估计，最终可能导致失校准的预测。为防止潜在的过度平滑，我们引入一种先验，将邻里集合划分为若干簇，并在每簇内鼓励空间平滑。在模型实现方面，常规随机搜索技术计算上难以承受，因为它们必须遍历组合爆炸式的划分空间。我们引入一种集成优化过程，通过采用新的局部搜索策略求解一个优化问题，同时识别若干高概率划分。随后我们利用所识别的划分估计 2006 至 2017 年间费城的犯罪趋势。在模拟与真实数据上，我们提出的方法展现出良好的估计与划分选择性能。
引用
@article{arxiv.1912.00111,
title = {Crime in Philadelphia: Bayesian Clustering with Particle Optimization},
author = {Cecilia Balocchi and Sameer K. Deshpande and Edward I. George and Shane T. Jensen},
journal= {arXiv preprint arXiv:1912.00111},
year = {2022}
}