挖掘大规模人类移动数据用于长期犯罪预测
计算机与社会
2018-06-06 v1
摘要
基于人口普查数据的传统犯罪预测模型存在局限，因为它们未能捕捉人类活动的复杂性与动态性。随着普适计算的兴起，有机会利用能更好代理城市中人类存在的这些数据来改进此类模型。本文中，我们利用大规模人类移动数据，在犯罪学与城市研究理论指导下，构建了一套广泛的犯罪预测特征。我们采用机器学习中的平均与提升集成技术，考察它们在预测纽约市人口普查 tract 级别不同犯罪类型年度计数上的能力。我们的研究表明，源自Foursquare场所与签到、地铁乘坐和出租车乘坐的时空特征，改进了依赖人口普查与POI数据的基线模型。所提模型在地理样本外测试集上绝对R^2指标达65%，在时间样本外测试集上达89%。这证明，除区域常住居民外，该处流动人群对该区域犯罪水平具有强预测性。我们深入主要犯罪类别，发现人类动态特征的预测增益因犯罪类型而异：此类特征在重大盗窃案中提升最大，而袭击案已可由人口普查特征较好预测。此外，我们识别并讨论了主要犯罪类别的顶级预测特征。这些结果为城市政策或执法负责人提供了宝贵见解。
引用
@article{arxiv.1806.01400,
title = {Mining large-scale human mobility data for long-term crime prediction},
author = {Cristina Kadar and Irena Pletikosa},
journal= {arXiv preprint arXiv:1806.01400},
year = {2018}
}