論文の概要: An Event-centric Framework for Predicting Crime Hotspots with Flexible Time Intervals
- arxiv url: http://arxiv.org/abs/2411.01134v1
- Date: Sat, 02 Nov 2024 04:38:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:50:47.901879
- Title: An Event-centric Framework for Predicting Crime Hotspots with Flexible Time Intervals
- Title(参考訳): フレキシブル時間間隔で犯罪ホットスポットを予測するイベント中心フレームワーク
- Authors: Jiahui Jin, Yi Hong, Guandong Xu, Jinghui Zhang, Jun Tang, Hancheng Wang,
- Abstract要約: FlexiCrimeは、フレキシブルな時間間隔で犯罪のホットスポットを予測する新しいイベントフレームワークである。
犯罪状況の特徴を学習する犯罪イベント間の相関を捉えるために、連続的な注意ネットワークが組み込まれている。
過去の犯罪事件の頻度を考慮し、特定の時間と場所における特定の犯罪種のリスクを測定する。
- 参考スコア(独自算出の注目度): 15.749155522310941
- License:
- Abstract: Predicting crime hotspots in a city is a complex and critical task with significant societal implications. Numerous spatiotemporal correlations and irregularities pose substantial challenges to this endeavor. Existing methods commonly employ fixed-time granularities and sequence prediction models. However, determining appropriate time granularities is difficult, leading to inaccurate predictions for specific time windows. For example, users might ask: What are the crime hotspots during 12:00-20:00? To address this issue, we introduce FlexiCrime, a novel event-centric framework for predicting crime hotspots with flexible time intervals. FlexiCrime incorporates a continuous-time attention network to capture correlations between crime events, which learns crime context features, representing general crime patterns across time points and locations. Furthermore, we introduce a type-aware spatiotemporal point process that learns crime-evolving features, measuring the risk of specific crime types at a given time and location by considering the frequency of past crime events. The crime context and evolving features together allow us to predict whether an urban area is a crime hotspot given a future time interval. To evaluate FlexiCrime's effectiveness, we conducted experiments using real-world datasets from two cities, covering twelve crime types. The results show that our model outperforms baseline techniques in predicting crime hotspots over flexible time intervals.
- Abstract(参考訳): 都市における犯罪のホットスポットの予測は、社会的に重要な意味を持つ複雑で重要な課題である。
多くの時空間的相関と不規則性は、この取り組みに重大な課題をもたらす。
既存の手法では、固定時間粒度とシーケンス予測モデルが一般的である。
しかし、適切な時間粒度を決定することは困難であり、特定の時間窓の不正確な予測につながる。
例えば、12:00から20:00にかけての犯罪ホットスポットは?
この問題に対処するために、フレキシクレーム(FlexiCrime)という、フレキシブルな時間間隔で犯罪のホットスポットを予測する新しいイベント中心のフレームワークを紹介します。
FlexiCrimeは、犯罪イベント間の相関を捉え、犯罪コンテキストの特徴を学習し、時間や場所の一般的な犯罪パターンを表現する。
さらに,過去の犯罪発生頻度を考慮し,犯罪発生の特徴を学習し,特定の犯罪種のリスクを所定時間と位置で測定するタイプアウェア時空間法を提案する。
犯罪状況と進化する特徴を合わせて、将来的な時間間隔が与えられた都市部が犯罪ホットスポットであるかどうかを予測することができる。
FlexiCrimeの有効性を評価するために、12の犯罪タイプをカバーする2つの都市の実世界のデータセットを用いて実験を行った。
その結果,本モデルでは,フレキシブルな時間間隔で犯罪のホットスポットを予測するためのベースライン手法よりも優れていた。
関連論文リスト
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - SpatialRank: Urban Event Ranking with NDCG Optimization on
Spatiotemporal Data [55.609946936979036]
本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。
本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
論文 参考訳(メタデータ) (2023-09-30T06:20:21Z) - 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) - HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime
Forecasting [11.469930516486901]
本稿では,犯罪予測のための新しい設計を複数用意した,HAGENと呼ばれるエンドツーエンドのグラフ畳み込みリカレントネットワークを提案する。
GNNのホモフィリーな仮定に基づいて、領域グラフの最適化を規則化するホモフィリーな制約を提案する。
また、犯罪の埋め込みを取り入れ、地域と犯罪カテゴリー間の相互依存をモデル化する。
論文 参考訳(メタデータ) (2021-09-27T07:46:05Z) - 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) - Belief Rule Based Expert System to Identify the Crime Zones [0.0]
本稿では,犯罪帯の特定に焦点をあて,犯罪ホットスポットの頻繁なパターンを生成するために,Belief Rule Baseアルゴリズムをどのように実行したかを明らかにする。
また,本論文では,潜在的な犯罪の予測に専門家システムをどのように利用したかを示した。
論文 参考訳(メタデータ) (2020-05-10T04:07:38Z) - 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。