論文の概要: A Comparative Study on Crime in Denver City Based on Machine Learning
and Data Mining
- arxiv url: http://arxiv.org/abs/2001.02802v1
- Date: Thu, 9 Jan 2020 01:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 04:40:35.395504
- Title: A Comparative Study on Crime in Denver City Based on Machine Learning
and Data Mining
- Title（参考訳）: 機械学習とデータマイニングに基づくデンバー市における犯罪の比較研究
- Authors: Md. Aminur Rab Ratul
- Abstract要約: 2014年1月から2019年5月まで、アメリカ合衆国デンバー郡の現実の犯罪と事故のデータセットを分析した。
本研究の目的は、法執行機関や政府が予防措置の発見を支援することの見返りとして、発生の傾向を予測し、強調することである。
結果は、トレイン・テストの分割とk倍のクロスバリデーションという2つの一般的なテスト手法を使ってキャプチャされる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To ensure the security of the general mass, crime prevention is one of the
most higher priorities for any government. An accurate crime prediction model
can help the government, law enforcement to prevent violence, detect the
criminals in advance, allocate the government resources, and recognize problems
causing crimes. To construct any future-oriented tools, examine and understand
the crime patterns in the earliest possible time is essential. In this paper, I
analyzed a real-world crime and accident dataset of Denver county, USA, from
January 2014 to May 2019, which containing 478,578 incidents. This project aims
to predict and highlights the trends of occurrence that will, in return,
support the law enforcement agencies and government to discover the preventive
measures from the prediction rates. At first, I apply several statistical
analysis supported by several data visualization approaches. Then, I implement
various classification algorithms such as Random Forest, Decision Tree,
AdaBoost Classifier, Extra Tree Classifier, Linear Discriminant Analysis,
K-Neighbors Classifiers, and 4 Ensemble Models to classify 15 different classes
of crimes. The outcomes are captured using two popular test methods: train-test
split, and k-fold cross-validation. Moreover, to evaluate the performance
flawlessly, I also utilize precision, recall, F1-score, Mean Squared Error
(MSE), ROC curve, and paired-T-test. Except for the AdaBoost classifier, most
of the algorithms exhibit satisfactory accuracy. Random Forest, Decision Tree,
Ensemble Model 1, 3, and 4 even produce me more than 90% accuracy. Among all
the approaches, Ensemble Model 4 presented superior results for every
evaluation basis. This study could be useful to raise the awareness of peoples
regarding the occurrence locations and to assist security agencies to predict
future outbreaks of violence in a specific area within a particular time.
- Abstract（参考訳）: 一般大衆の安全を確保するため、犯罪防止はどの政府にとっても最優先事項の1つだ。
正確な犯罪予測モデルは、政府や法執行機関が暴力を予防し、犯罪を事前に検出し、政府の資源を割り当て、犯罪を引き起こす問題を認識するのに役立つ。
将来指向のツールを構築するためには、可能な限り早い段階で犯罪パターンを調べ、理解することが不可欠である。
本稿では,2014年1月から2019年5月にかけてアメリカ合衆国デンバー郡で発生した実世界の犯罪と事故のデータセットを分析した。
このプロジェクトは、警察機関や政府が、その予測率から予防措置を見つけることを支援する、発生の傾向を予測し、強調することを目的としている。
まず,複数のデータ可視化手法を応用した統計解析を行った。
次に、ランダムフォレスト、決定木、AdaBoost分類器、エクストラツリー分類器、線形識別分析、K-Neighbors分類器、および4組モデルなどの様々な分類アルゴリズムを実装し、15種類の犯罪を分類する。
結果は、trail-test splitとk-fold cross-validationという、2つの一般的なテストメソッドを使って取得される。
さらに,精度,リコール,F1スコア,平均二乗誤差(MSE),ROC曲線,ペアTテストも有効である。
AdaBoost分類器を除いて、ほとんどのアルゴリズムは満足のいく精度を示している。
Random Forest、Decision Tree、Ensemble Model 1, 3, 4は、90%以上の精度を生み出す。
あらゆるアプローチの中で、Ensemble Model 4は評価基準ごとに優れた結果を示した。
本研究は,発生地に関する人々の意識を高め,特定の地域における暴力の発生を特定の時間内に予測するためのセキュリティ機関の支援に有用である。
関連論文リスト
- Machine Learning for Public Good: Predicting Urban Crime Patterns to Enhance Community Safety [0.0]
本稿では,都市部における犯罪の空間的・時間的パターンを予測するML手法の有効性について検討する。
研究目標は、呼び出しを優先度レベルに分類する際の高い精度を達成することである。
論文 参考訳（メタデータ） (2024-09-17T02:07:14Z) - CrimeAlarm: Towards Intensive Intent Dynamics in Fine-grained Crime Prediction [18.978423228112856]
本稿では,カリキュラム学習にインスパイアされた新たな相互蒸留戦略を取り入れた,きめ細かい連続犯罪予測フレームワークであるCristAlarmを提案する。
実験の結果、CristAlarmはNDCG@5で最先端の手法より優れており、NYC16では4.51%、CHI18では7.73%改善している。
論文 参考訳（メタデータ） (2024-04-10T05:44:28Z) - A Comparative Analysis of Multiple Methods for Predicting a Specific
Type of Crime in the City of Chicago [0.9799637101641152]
空間的特徴と時間的特徴を用いて盗難を予測するにはどうすればよいのか?
XBoostはF1スコア0.86で最高の結果を示した。
論文 参考訳（メタデータ） (2023-04-26T11:35:06Z) - Backdoor Attacks on Crowd Counting [63.90533357815404]
クラウドカウント(Crowd counting)は、シーンイメージ内の人数を推定する回帰タスクである。
本稿では,深層学習に基づくクラウドカウントモデルのバックドア攻撃に対する脆弱性について検討する。
論文 参考訳（メタデータ） (2022-07-12T16:17:01Z) - A Unified Evaluation of Textual Backdoor Learning: Frameworks and
Benchmarks [72.7373468905418]
我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。
また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
論文 参考訳（メタデータ） (2022-06-17T02:29:23Z) - Spatial-Temporal Hypergraph Self-Supervised Learning for Crime
Prediction [60.508960752148454]
本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。
都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。
また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
論文 参考訳（メタデータ） (2022-04-18T23:46:01Z) - Towards Adversarial Patch Analysis and Certified Defense against Crowd
Counting [61.99564267735242]
安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。
近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。
群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
論文 参考訳（メタデータ） (2021-04-22T05:10:55Z) - The effect of differential victim crime reporting on predictive policing
systems [84.86615754515252]
本研究では, 被害者の犯罪報告率の違いが, 共通犯罪ホットスポット予測モデルにおいて, 結果の相違をもたらすことを示す。
以上の結果から, 犯罪報告率の差は, 高犯罪から低犯罪へ, 高犯罪・中犯罪・高報道へ, 予測ホットスポットの移動につながる可能性が示唆された。
論文 参考訳（メタデータ） (2021-01-30T01:57:22Z) - Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。
提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
論文 参考訳（メタデータ） (2021-01-07T18:59:33Z) - Prediction of Homicides in Urban Centers: A Machine Learning Approach [0.8312466807725921]
本研究では、一般的なデータを用いたデータセットを用いて、殺人犯罪を予測する機械学習モデルを提案する。
生成されたデータセット上で、単純で堅牢なアルゴリズムで分析が行われた。
結果は,提案問題のベースラインとみなす。
論文 参考訳（メタデータ） (2020-08-16T19:13:53Z) - Crime Prediction Using Spatio-Temporal Data [8.50468505606714]
監視学習技術は、より正確な犯罪を予測するために使用される。
提案システムには、サンフランシスコ市で12年間にわたって行われた犯罪活動データセットが組み込まれている。
論文 参考訳（メタデータ） (2020-03-11T16:19:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。