論文の概要: Time-series Crime Prediction Across the United States Based on Socioeconomic and Political Factors

• arxiv url: http://arxiv.org/abs/2409.00640v1
• Date: Sun, 1 Sep 2024 07:17:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 13:09:07.911484
• Title: Time-series Crime Prediction Across the United States Based on Socioeconomic and Political Factors
• Title（参考訳）: 社会経済・政治要因に基づく米国全土の時系列犯罪予測
• Authors: Patricia Dao, Jashmitha Sappa, Saanvi Terala, Tyson Wong, Michael Lam, Kevin Zhu,
• Abstract要約: 男女比、高校卒業率、政治的地位、失業率、州ごとの中央値所得を含むデータセットを用いて、長期記憶とゲット・リカレント・ユニット・モデルを構築した。 このモデルの平均損失値は70.792.30であり、平均エラー率は9.74パーセントであるが、どちらの値も極端な外れ値の影響を受け、正しい最適化が可能である。
• 参考スコア（独自算出の注目度）: 1.9461727843485295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional crime prediction techniques are slow and inefficient when generating predictions as crime increases rapidly \cite{r15}. To enhance traditional crime prediction methods, a Long Short-Term Memory and Gated Recurrent Unit model was constructed using datasets involving gender ratios, high school graduation rates, political status, unemployment rates, and median income by state over multiple years. While there may be other crime prediction tools, personalizing the model with hand picked factors allows a unique gap for the project. Producing an effective model would allow policymakers to strategically allocate specific resources and legislation in geographic areas that are impacted by crime, contributing to the criminal justice field of research \cite{r2A}. The model has an average total loss value of 70.792.30, and a average percent error of 9.74 percent, however both of these values are impacted by extreme outliers and with the correct optimization may be corrected.
• Abstract（参考訳）: 従来の犯罪予測手法は、犯罪が急速に増加するにつれて予測を生成する際に遅く、非効率である。 従来の犯罪予測手法を強化するために、性別比、高校卒業率、政治的地位、失業率、州ごとの中央値所得を含むデータセットを用いて、長期記憶・累積単位モデルを構築した。 他にも犯罪予測ツールはあるかもしれないが、手選択された要因でモデルをパーソナライズすることは、プロジェクトにユニークなギャップを与える。 効果的なモデルを作成することで、政策立案者は犯罪に影響を及ぼす地域において、特定の資源や法律を戦略的に割り当てることができる。 このモデルの平均損失値は70.792.30であり、平均エラー率は9.74パーセントであるが、どちらの値も極端な外れ値の影響を受け、正しい最適化が可能である。

関連論文リスト

• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• 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)
• Improving the Fairness of Deep-Learning, Short-term Crime Prediction with Under-reporting-aware Models [1.1062397685574308]
  本稿では,予測公正性を高めるために2つのアプローチのパワーを組み合わせた新しいディープラーニングアーキテクチャを提案する。 提案手法は, 内処理脱バイアスモデルと比較して, 犯罪予測の公平性を向上することを示す。
  論文  参考訳（メタデータ） (2024-06-06T04:05:23Z)
• Optimising Equal Opportunity Fairness in Model Training [60.0947291284978]
  既存のデバイアス法、例えば、敵の訓練や、表現から保護された情報を取り除くことは、バイアスを減らすことが示されている。 2つの新たな学習目標を提案し,2つの分類課題における高い性能を維持しつつ,バイアスの低減に有効であることを示す。
  論文  参考訳（メタデータ） (2022-05-05T01:57:58Z)
• 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)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• 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。