Усовершенствованный инструмент прогнозирования определяет горячие точки преступности с высоким уровнем риска в режиме реального времени

• Новый алгоритм под названием Ensemble Poisson Kalman Filter (EnPKF) может указать область, где с наибольшей вероятностью произойдет преступление в течение следующего часа. 
• Он также может сказать, какие ресурсы потребуются для борьбы с такими преступлениями. 

Полиция и криминальные департаменты сталкиваются с большим давлением и ограничениями в своих ресурсах. Этот факт способствует развитию умных полицейских инструментов, помогающих офицерам принимать более обоснованные решения о том, куда направить свои усилия.

Последовательность афтершоков типа эпидемии (ETAS) — одна из популярных моделей, которая применяется к данным о преступности для прогнозирования будущих мест преступлений. На данный момент этот метод, основанный на сеточных картах, успешно предсказал в два раза больше преступлений, чем один следователь-человек.

Модель ETAS основана на философии, согласно которой преступления происходят стохастически, но уровень совершения преступлений зависит от истории. Это означает, что преступления, происходящие в регионе, повысят будущий уровень преступности в тех же или близлежащих местах, по крайней мере, на определенный период времени.

Однако он не учитывает вероятностный характер лежащего в основе преступного процесса. Кроме того, он не может отслеживать неопределенность в реальном времени, которая может возникнуть из-за ограниченных и зашумленных данных или ошибок выбора модели.

Ансамбль Пуассона-Калмана

Используя модель ETAS, международная группа исследователей разработала новый алгоритм, который может быстро обрабатывать в реальном времени данные о городской преступности и прогнозировать, где незаконная деятельность может повториться. Методология, названная Ансамбльным фильтром Пуассона-Калмана (EnPKF), очень похожа на ту, которая используется в миссиях Аполлона и прогнозировании погоды.

Хотя «предсказуемость» можно описать по-разному, в этом исследовании исследователи сосредоточились на определенном типе событий и системе прогнозирования. Они рассмотрели модель, которая запускает «сигнал» тревоги о предстоящем интересующем событии. Например, он может указать место, где в течение следующего часа с наибольшей вероятностью произойдет преступление.

В текущих приложениях с временными рядами модель упрощается, чтобы прогнозировать, произойдет ли следующая незаконная деятельность в течение следующих нескольких (фиксированных) часов. В целом алгоритм может предоставить криминальным отделам рекомендации о том, где могут возникнуть очаги мелкой преступности и какие ресурсы потребуются для борьбы с такой незаконной деятельностью.

Ссылка:ScienceDirect | doi:10.1016/j.csda.2018.06.014 | Университет Суррея 

Тестирование и другие приложения

Новая модель тестируется на наборе данных, содержащем более 1000 преступлений, совершенных бандами в период с 1999 по 2002 год в Лос-Анджелесе. Они сравнили результаты с фильтром частиц большого размера, продемонстрировав его эффективность на практике.

Ключевым преимуществом EnPKF по сравнению с фильтром твердых частиц является его повышенная точность и меньшие колебания Монте-Карло в контексте меньшего размера выборки. Однако система далека от совершенства:она имеет тенденцию генерировать ансамбли недостаточного/избыточного расширения для некоторых оценок параметров.

Читайте:Новый алгоритм беспилотных автомобилей может агрессивно менять полосу движения

В настоящее время команда работает над разработкой многомерного расширения EnPKF и анализирует его эффективность с помощью данных о взломах. Исследователи полагают, что у системы есть множество применений; EnPKF можно использовать для отслеживания последствий землетрясений, задержек поездов и страховых претензий.