論文の概要: Deep Learning for Crime Forecasting: The Role of Mobility at Fine-grained Spatiotemporal Scales

• arxiv url: http://arxiv.org/abs/2509.20913v1
• Date: Thu, 25 Sep 2025 08:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.802204
• Title: Deep Learning for Crime Forecasting: The Role of Mobility at Fine-grained Spatiotemporal Scales
• Title（参考訳）: 犯罪予測のための深層学習 : 微粒な時空間スケールにおけるモビリティの役割
• Authors: Ariadna Albors Zumel, Michele Tizzoni, Gian Maria Campedelli,
• Abstract要約: 歴史的犯罪や社会デマログラフィーデータとともに,マイクロレベルのモビリティ機能の導入が犯罪予測における予測性能を高めるか,どのように評価するかを評価するためのディープラーニングフレームワークを開発した。 我々は、各市の警察署から得られた犯罪事件データと、アメリカコミュニティサーベイの社会デマグラフィーデータと、Advanの人間モビリティデータとを併用する。 我々のディープラーニングモデルは、4つの都市で最高のリコール、精度、F1スコアを達成し、代替手法よりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objectives: To develop a deep learning framework to evaluate if and how incorporating micro-level mobility features, alongside historical crime and sociodemographic data, enhances predictive performance in crime forecasting at fine-grained spatial and temporal resolutions. Methods: We advance the literature on computational methods and crime forecasting by focusing on four U.S. cities (i.e., Baltimore, Chicago, Los Angeles, and Philadelphia). We employ crime incident data obtained from each city's police department, combined with sociodemographic data from the American Community Survey and human mobility data from Advan, collected from 2019 to 2023. This data is aggregated into grids with equally sized cells of 0.077 sq. miles (0.2 sq. kms) and used to train our deep learning forecasting model, a Convolutional Long Short-Term Memory (ConvLSTM) network, which predicts crime occurrences 12 hours ahead using 14-day and 2-day input sequences. We also compare its performance against three baseline models: logistic regression, random forest, and standard LSTM. Results: Incorporating mobility features improves predictive performance, especially when using shorter input sequences. Noteworthy, however, the best results are obtained when both mobility and sociodemographic features are used together, with our deep learning model achieving the highest recall, precision, and F1 score in all four cities, outperforming alternative methods. With this configuration, longer input sequences enhance predictions for violent crimes, while shorter sequences are more effective for property crimes. Conclusion: These findings underscore the importance of integrating diverse data sources for spatiotemporal crime forecasting, mobility included. They also highlight the advantages (and limits) of deep learning when dealing with fine-grained spatial and temporal scales.
• Abstract（参考訳）: 目的: 歴史的犯罪や社会デマログラフィーデータとともに, ミクロレベルのモビリティ機能の導入が, 微粒な空間的・時間的解決における犯罪予測における予測性能を高めるかどうかを, どのように評価するかを評価するためのディープラーニングフレームワークを開発する。 方法: アメリカ合衆国4都市(ボルチモア、シカゴ、ロサンゼルス、フィラデルフィア)に焦点を当て, 計算手法と犯罪予測に関する文献を進歩させる。 我々は、2019年から2023年にかけて収集された、各市の警察署から得られた犯罪事件データと、米国コミュニティサーベイの社会デマグラフィーデータと、Advanの人間のモビリティデータを組み合わせています。 このデータは、0.077 sqの同じ大きさの細胞でグリッドに集約される。 ConvLSTM(Convolutional Long Short-Term Memory)ネットワークは、14日間と2日間の入力シーケンスを使用して、犯罪の発生を12時間前に予測する。 また、ロジスティック回帰、ランダムフォレスト、標準LSTMの3つのベースラインモデルと比較した。 結果: より短い入力シーケンスを使用する場合, モビリティ機能を組み込むことで, 予測性能が向上する。 しかし,4つの都市において,最も高いリコール,精度,F1スコアを達成できる深層学習モデルを用いて,モビリティと社会デマログラフの両特徴を併用した場合の最良の結果が得られた。 この構成により、より長い入力シーケンスは暴力犯罪の予測を強化し、短いシーケンスは資産犯罪に対してより効果的である。 結論: これらの知見は, 時空間犯罪予測, モビリティを含む多種多様なデータソースの統合の重要性を裏付けるものである。 彼らはまた、きめ細かい空間的スケールと時間的スケールを扱う際に、ディープラーニングの利点(と限界)を強調している。

関連論文リスト

• Complementary Learning System Empowers Online Continual Learning of Vehicle Motion Forecasting in Smart Cities [50.14230518748104]
  本稿では、ディープニューラルネットワーク(DNN)に基づくモーション予測のためのタスクレスオンライン連続学習パラダイムであるDual-LSを紹介する。 3つの国にまたがる自然主義的なデータ、772,000台以上の車両、11,187kmの累積的な試験マイルは、Dual-LSが74.31%の破滅的な忘れを緩和していることを示している。
  論文  参考訳（メタデータ） (2025-08-27T06:19:21Z)
• Innovative LSGTime Model for Crime Spatiotemporal Prediction Based on MindSpore Framework [0.0]
  本稿では,Long Short-Term Memory(LSTM)とGated Recurrent Unit(RU)とMultiheadparse Self-attentionメカニズムを統合した犯罪時空間予測モデルLGSTimeを提案する。 統合モデルは、複雑な時間的データを扱うために、それぞれのテクニックの強みを活用する。 CNNモデルと比較して、Mean Squared Error(MSE)、Mean Absolute Error(MAE)、Root Mean Squared Error(RMSE)の2.8%、1.9%、および1.4%のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2025-03-26T00:57:38Z)
• Crime Forecasting: A Spatio-temporal Analysis with Deep Learning Models [18.101456404865157]
  ディープラーニングモデルは、特定の日における都市分割犯罪数を予測する。 我々は、犯罪数予測をシーケンスチャレンジとして定式化し、入力データと予測ターゲットの両方を保存する。 本稿では,CNN(Conalvolution Networks)とLSTM(Long-Term Memory)ネットワークを組み合わせた新しいモデルを提案する。
  論文  参考訳（メタデータ） (2025-02-11T11:16:59Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• 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)

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。