利用签到有向图建模区域犯罪风险
社会与信息网络
2020-08-13 v2 机器学习
机器学习
摘要
基于位置的社交网络 Foursquare 反映了一座城市的人类活动。从 Foursquare 推断的流动性动态有助于我们理解城市社会事件如犯罪。本文中，我们利用 Foursquare 数据提出一个区域间聚合移动的有向图。我们从不同时段的移动方向、数量与犯罪历史推导区域风险因子。随后，我们提出一组新特征，有向图流特征 (DIFFER)，其与区域风险因子相关联。观察到 DIFFER 与犯罪数量间存在可靠相关性。我们在芝加哥与纽约市两座城市使用 Linear、XGBoost 与 Random Forest 回归验证了 DIFFER 在月度犯罪数量上的有效性。
引用
@article{arxiv.1908.02570,
title = {Modelling Regional Crime Risk using Directed Graph of Check-ins},
author = {Shakila Khan Rumi and Flora D. Salim},
journal= {arXiv preprint arXiv:1908.02570},
year = {2020}
}
备注
4 Pages, This paper has been accepted to publish in Proceedings of the 29th ACM International Conference on Information and Knowledge Management (CIKM' 20)