論文の概要: Analyzing the Impact of Foursquare and Streetlight Data with Human Demographics on Future Crime Prediction

• arxiv url: http://arxiv.org/abs/2006.07516v1
• Date: Sat, 13 Jun 2020 00:11:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 20:50:00.166798
• Title: Analyzing the Impact of Foursquare and Streetlight Data with Human Demographics on Future Crime Prediction
• Title（参考訳）: FoursquareとStreetlightデータと人間のデモグラフィーによる将来の犯罪予測への影響分析
• Authors: Fateha Khanam Bappee, Lucas May Petry, Amilcar Soares, Stan Matwin
• Abstract要約: 本研究では,将来の犯罪発生予測を改善するために,街灯インフラとFoursquareデータと人口統計特性を併用することを提案する。 提案手法はカナダ・ハリファックスの最小の地域について検討した。
• 参考スコア（独自算出の注目度）: 11.55636955646976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding the factors contributing to criminal activities and their consequences is essential to improve quantitative crime research. To respond to this concern, we examine an extensive set of features from different perspectives and explanations. Our study aims to build data-driven models for predicting future crime occurrences. In this paper, we propose the use of streetlight infrastructure and Foursquare data along with demographic characteristics for improving future crime incident prediction. We evaluate the classification performance based on various feature combinations as well as with the baseline model. Our proposed model was tested on each smallest geographic region in Halifax, Canada. Our findings demonstrate the effectiveness of integrating diverse sources of data to gain satisfactory classification performance.
• Abstract（参考訳）: 犯罪活動に寄与する要因の発見とその影響は、量的犯罪研究を改善するために不可欠である。 この懸念に対処するために、異なる視点と説明から幅広い特徴について検討する。 本研究は,将来の犯罪発生を予測するデータ駆動モデルの構築を目的としている。 本稿では,将来の犯罪発生予測を改善するために,街路灯インフラとFoursquareデータと人口動態特性を併用することを提案する。 本研究では,様々な特徴の組み合わせとベースラインモデルに基づいて分類性能を評価する。 提案モデルは,カナダのハリファックスにおいて,地理的に最小の地域を対象に実験を行った。 本研究は,多様なデータソースを統合することで,良好な分類性能が得られることを示す。

関連論文リスト

• Deep Learning Based Crime Prediction Models: Experiments and Analysis [1.4214002697449326]
  犯罪予測は、都市住民の安全を確保することの重要性から、広く研究されている研究課題である。 ディープラーニングに基づく犯罪予測モデルは、犯罪データの潜伏した特徴をキャプチャするために複雑なアーキテクチャを使用する。 我々は、最先端のディープラーニングに基づく犯罪予測モデルについて、総合的な実験的評価を行う。
  論文  参考訳（メタデータ） (2024-07-27T19:11:16Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Sensitivity, Performance, Robustness: Deconstructing the Effect of Sociodemographic Prompting [64.80538055623842]
  社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。 ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
  論文  参考訳（メタデータ） (2023-09-13T15:42:06Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Spatial-Temporal Meta-path Guided Explainable Crime Prediction [40.03641583647572]
  本稿では,犯罪行為の動的なパターンを捉えるために,時空間メタパスガイド付き説明可能な犯罪予測(STMEC)フレームワークを提案する。 我々は,特にフェロニー予測において,他の高度な時間モデルと比較してSTMECの優位性を示す。
  論文  参考訳（メタデータ） (2022-05-04T05:42:23Z)
• 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)
• AIST: An Interpretable Attention-based Deep Learning Model for Crime Prediction [0.30458514384586394]
  AISTは、犯罪予測のための注意ベースの解釈可能なSテンポラルネットワークです。 AISTは、特定の犯罪カテゴリの動的空間依存性と時間パターンをモデル化する。 実験では,実データを用いた精度と解釈の両面で,モデルの優越性を示す。
  論文  参考訳（メタデータ） (2020-12-16T03:01:15Z)
• 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)
• 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)

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。