都市の時空間犯罪予測のための共起誘導型マルチソース融合による動的転移学習

科学分野:

• コンピュータサイエンス
• 犯罪学
• データサイエンス

背景:

• 時空間犯罪予測は、リソース割り当てにとって不可欠ですが、データ疎性と、活用されていない犯罪共起パターンに悩まされています。
• 既存のモデルは、堅牢性や、異なる犯罪タイプ間で限られたデータから効果的に学習することに苦労しています。

研究 の 目的:

• 時空間犯罪予測のための新しい転移学習アプローチを開発すること。
• データ疎性に対処し、犯罪タイプ間の相関の利用を強化すること。
• 犯罪予測モデルの堅牢性と精度を向上させること。

主な方法:

• 多様な犯罪タイプ間で時空間的特徴を共有するための転移学習フレームワークを提案しました。
• 犯罪カテゴリを区別するために適応的重み更新メカニズムを組み込みました。
• POI（Point of Interest）や気象データなどの環境要因を統合しました。

主要な成果:

• モデルは、異なる犯罪タイプにわたる潜在的な時空間的特徴を効果的に捉えました。
• 特に疎なデータを持つ犯罪タイプにおいて、予測性能と堅牢性が大幅に向上しました。
• 犯罪予測の強化のために環境的特徴を組み込むことの利点を示しました。

結論:

• 転移学習は、時空間犯罪予測におけるデータ疎性に対する実行可能なソリューションを提供します。
• 提案された方法は、犯罪タイプ間の関係と環境要因をうまく活用しました。
• このアプローチは、法執行機関にとっての犯罪予測の実用性を高めます。