基于签到、犯罪与事件响应数据联合学习的多警员高风险区域巡逻路由
社会与信息网络
2024-10-30 v2 机器学习
神经与进化计算
摘要
精心设计的警察巡逻路线对于提供社会中的社区安全与保障至关重要。以往工作主要集中于利用历史犯罪数据预测犯罪事件。利用从基于位置的社交网络（即签到）收集的大规模移动数据以及兴趣点（POI）数据来设计有效的警察巡逻在很大程度上未被充分研究。鉴于现实情况中有多名警察同时执勤，这使得问题的求解更为复杂。本文中，我们利用签到、犯罪、事件响应数据与POI信息，构建了面向多名警察的动态犯罪巡逻规划问题。我们提出了一种联合学习与非随机优化方法用于表示可能的解，其中多名警察首先同时巡逻高犯罪风险区域而非低犯罪风险区域。随后，实现元启发式遗传算法（GA）与布谷鸟搜索（CS）以寻找最优路线。所提方案的性能使用真实世界数据集得到验证，并与若干最先进方法进行比较。
引用
@article{arxiv.2008.00113,
title = {Multi-officer Routing for Patrolling High Risk Areas Jointly Learned from Check-ins, Crime and Incident Response Data},
author = {Shakila Khan Rumi and Kyle K. Qin and Flora D. Salim},
journal= {arXiv preprint arXiv:2008.00113},
year = {2024}
}
备注
10 pages, 7 figures; This work has been submitted to the IEEE for possible publication