Aprendizaje por transferencia dinámico con fusión multifuente guiada por coocurrencia para la predicción de delitos...

Área de la Ciencia:

• Ciencias de la Computación
• Criminología
• Ciencia de Datos

Sus antecedentes:

• La predicción de delitos espaciotemporales es vital para la asignación de recursos, pero sufre de escasez de datos y patrones de coocurrencia de delitos infrautilizados.
• Los modelos existentes luchan con la robustez y el aprendizaje eficaz a partir de datos limitados en diferentes tipos de delitos.

Objetivo del estudio:

• Desarrollar un enfoque novedoso de aprendizaje por transferencia para la predicción de delitos espaciotemporales.
• Abordar la escasez de datos y mejorar la utilización de las correlaciones entre delitos de diferentes tipos.
• Mejorar la robustez y la precisión de los modelos de predicción de delitos.

Principales métodos:

• Se propuso un marco de aprendizaje por transferencia para compartir características espaciotemporales entre diversos tipos de delitos.
• Se incorporó un mecanismo de actualización adaptativa de pesos para diferenciar las categorías de delitos.
• Se integraron factores ambientales como puntos de interés (POI) y datos meteorológicos.

Principales resultados:

• El modelo capturó eficazmente características espaciotemporales latentes en diferentes tipos de delitos.
• Demostró mejoras significativas en el rendimiento predictivo y la robustez, particularmente para tipos de delitos con datos escasos.
• Mostró el beneficio de incorporar características ambientales para mejorar la predicción de delitos.

Conclusiones:

• El aprendizaje por transferencia ofrece una solución viable a la escasez de datos en la predicción de delitos espaciotemporales.
• El método propuesto aprovecha con éxito las relaciones entre delitos de diferentes tipos y los factores ambientales.
• Este enfoque mejora la utilidad práctica de la predicción de delitos para las fuerzas del orden.