面向公共利益的机器学习：预测城市犯罪模式以提升社区安全

近年来，城市安全已成为城市规划者和执法机构高度关注的问题。对可能发生的犯罪事件进行准确预测，可以显著提升预防措施和资源分配。然而，许多执法部门缺乏分析和应用先进 AI 和 ML 技术的工具，而这些工具能够支持城市规划者、监控计划和安全领导者采取积极措施以实现整体社区安全。本文探讨了 ML 技术在预测城市地区犯罪时空模式方面的有效性。利用加利福尼亚州圣何塞市的警察调度呼叫数据，研究目标是在将呼叫划分为优先级类别时实现高准确率，特别是针对需要执法部门立即响应的更危险的情况。该分类依据呼叫的时间、地点和性质进行。研究步骤包括数据提取、预处理、特征工程、探索性数据分析，以及不同监督机器学习模型和神经网络的实现、优化与调优。在不同犯罪类别粒度和位置精度下，检验了不同模型和特征的准确率和精确率。结果表明，与多种其他模型相比，随机森林分类模型在局部层面识别危险情况及其相应优先级方面最为有效，准确率高（Accuracy = 85%，AUC = 0.92），同时确保假阴性最少。尽管还需要进一步的研究和数据收集以纳入其他社会和经济因素，但这些结果为执法机构优化资源、制定积极的部署策略以及调整响应模式提供了有价值的见解，从而以无偏见的方式提升整体公共安全水平。