相关实验视频
Updated: Jun 28, 2026
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.4K
对比XAI技术来解释微型地方的短期盗窃预测
Robin Khalfa1, Naomi Theinert1, Wim Hardyns1,2
1Department of Criminology, Criminal Law and Social Law, Ghent University, Universiteitstraat 4, Ghent, 9000 Belgium.
Computational urban science
|May 12, 2025
概括
这项研究比较了可解释的AI (XAI) 方法来解释盗窃预测. 它发现建筑环境的特征是关键的全球预测因素,但当地解释不同,敦促谨慎选择预防犯罪的方法.
科学领域:
- 犯罪学 犯罪学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 机器学习模型越来越多地用于犯罪预测.
- 现有的研究经常使用夏普利增量解释 (SHAP) 来解释这些模型.
- 需要比较各种可解释的人工智能 (XAI) 技术来预测犯罪.
研究的目的:
- 实证地比较多种XAI技术来解释短期盗窃预测.
- 评估SHAP与其他XAI方法一起进行全球和本地解释性评估.
- 评估不同XAI方法对预防犯罪战略的影响.
主要方法:
- 使用76个特征 (2014-2018年数据) 训练了一个XGBoost模型,以预测比利时根特的每周住宅盗窃热点.
- 系统评估SHAP,LIME和其他XAI技术用于模型解释.
- 分析了全球和地方特征的重要性,重点关注建筑环境,土地使用,社会人口统计和季节性.
主要成果:
- 建筑环境和土地利用是全球 burglary 风险的一致预测因素.
- 对于特征重要性的本地解释在XAI技术之间有很大差异,特别是在SHAP和LIME之间.
- 环境和社会混乱特征之间的复杂相互作用影响了短期的盗窃风险.
结论:
- 在将机器学习预测转化为可操作的犯罪预防策略时,选择XAI技术至关重要.
- 需要综合方法来理解犯罪预测因素的复杂相互作用.
- 需要进一步关注XAI在犯罪科学中的方法论意义.
