論文の概要: Forecasting Crime Using ARIMA Model

• arxiv url: http://arxiv.org/abs/2003.08006v1
• Date: Wed, 18 Mar 2020 01:32:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 20:23:09.878385
• Title: Forecasting Crime Using ARIMA Model
• Title（参考訳）: ARIMAモデルを用いた予測犯罪
• Authors: Khawar Islam and Akhter Raza
• Abstract要約: ロンドン地区における犯罪率の予測は,ロンドンにおける大規模な犯罪データセットを抽出し,将来における犯罪数を予測する。 ロンドン警視庁がウェブサイトやその他の資料から収集した実際の犯罪のデータセット。 データ抽出(DE)、非構造化データのデータ処理(DP)、IBM SPSSの可視化モデル。
• 参考スコア（独自算出の注目度）: 1.90365714903665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data mining is the process in which we extract the different patterns and useful Information from large dataset. According to London police, crimes are immediately increases from beginning of 2017 in different borough of London. No useful information is available for prevent crime on future basis. We forecasts crime rates in London borough by extracting large dataset of crime in London and predicted number of crimes in future. We used time series ARIMA model for forecasting crimes in London. By giving 5 years of data to ARIMA model forecasting 2 years crime data. Comparatively, with exponential smoothing ARIMA model has higher fitting values. A real dataset of crimes reported by London police collected from its website and other resources. Our main concept is divided into four parts. Data extraction (DE), data processing (DP) of unstructured data, visualizing model in IBM SPSS. DE extracts crime data from web sources during 2012 for the 2016 year. DP integrates and reduces data and give them predefined attributes. Crime prediction is analyzed by applying some calculation, calculated their moving average, difference, and auto-regression. Forecasted Model gives 80% correct values, which is formed to be an accurate model. This work helps for London police in decision-making against crime.
• Abstract（参考訳）: データマイニングとは,大規模データセットからさまざまなパターンや有用な情報を抽出するプロセスである。 ロンドン警察によると、犯罪は2017年の初めからロンドン各区で増加している。 今後、犯罪防止のための有用な情報は得られない。 我々は,ロンドン地区における犯罪率の予測を,ロンドンにおける大規模な犯罪データセットを抽出し,将来における犯罪数を予測する。 ロンドンにおける犯罪予測に時系列ARIMAモデルを用いた。 2年間の犯罪データを予測するARIMAモデルに5年間のデータを与える。 対照的に指数的滑らかな ARIMA モデルはより高い適合値を持つ。 ロンドン警視庁がウェブサイトやその他の資料から収集した実際の犯罪のデータセット。 私たちの主な概念は4つの部分に分かれている。 データ抽出(DE)、非構造化データのデータ処理(DP)、IBM SPSSの可視化モデル。 DEは、2012年の2016年のWebソースから犯罪データを抽出する。 DPはデータを統合して還元し、事前に定義された属性を与える。 犯罪予測は、いくつかの計算を適用して分析され、その移動平均、差、自動回帰を計算する。 予測モデルは80%の正確な値を与えるが、これは正確なモデルである。 この作業はロンドン警察の犯罪に対する意思決定に役立つ。

関連論文リスト

• Crime Prediction using Machine Learning with a Novel Crime Dataset [0.0]
  バングラデシュは貧困、人口増加、その他多くの社会経済的問題による犯罪率が高い。 法執行機関にとって、将来の犯罪活動を防ぐためには犯罪パターンを理解することが不可欠である。 本稿では,バングラデシュにおける6574件の犯罪事件に関する時間的,地理的,天気,人口統計データを含む新たな犯罪データセットを提案する。
  論文  参考訳（メタデータ） (2022-11-03T01:55:52Z)
• If it Bleeds, it Leads: A Computational Approach to Covering Crime in Los Angeles [79.4098551457605]
  本稿では,犯罪に関する古典的ニュース記事から原典型的報道形態を学習し,その構造を学習することで,個々の犯罪を網羅するシステムを提案する。 私たちの研究が、これらのコンポーネントを併用して犯罪を報道するニュース記事の骨格を形成するシステムに繋がることを期待しています。
  論文  参考訳（メタデータ） (2022-06-14T19:06:13Z)
• 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)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• 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)
• 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)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)
• Exploring Spatio-Temporal and Cross-Type Correlations for Crime Prediction [48.1813701535167]
  我々は,都市犯罪のクロスタイプと時間的相関を利用した犯罪予測を行う。 犯罪予測のための相関関係を数学的にモデル化するコヒーレントな枠組みを提案する。 犯罪予測における相関関係の重要性を理解するために、さらなる実験が行われた。
  論文  参考訳（メタデータ） (2020-01-20T00:34:53Z)
• Perfecting the Crime Machine [1.266953082426463]
  本研究では、異なる機械学習技術を用いて犯罪関連統計、特にフィラデルフィアの犯罪タイプを予測する。 犯罪の場所と時刻を主な特徴として使用し、生データにある2つの特徴から異なる特徴を抽出し、多数のクラスラベルを扱うモデルを構築します。 本稿では,ランダムフォレストが,エラーログ損失2.3120の犯罪種別予測モデルとして最適であることを示す。
  論文  参考訳（メタデータ） (2020-01-14T23:25:40Z)

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。