Fortschrittliches Predictive Tool identifiziert High-Risk Crime Hotspots in Echtzeit

• Neuer Algorithmus „Ensemble Poisson Kalman Filter“ (EnPKF) schlägt Area vor, wo Crime innerhalb nächster Stunde am wahrscheinlichsten passiert.
• Zeigt auch benötigte Ressourcen für Bewältigung solcher Crimes.

Polizei & Kriminalabteilungen unter massivem Druck & Ressourcenbeschränkungen – treibt Wachstum smarter Policing Tools für bessere Entscheidungen bei Ressourcenallokation.

Epidemic Type Aftershock Sequence (ETAS): beliebtes Modell für Crime Data → Forecast zukünftiger Crime Scenes. Grid-Map-based Technique: bisher 2x mehr Crime vorhergesagt als einzelner Human Investigator.

ETAS Philosophie: Crimes geschehen stochastisch, aber Crime Occurrence Rate ist history-dependent – Crimes in Region erhöhen zukünftige Crime Generation Rate in gleicher/nahegelegener Location für bestimmte Dauer.

Limitierungen: Berücksichtigt nicht probabilistic Nature des underlying Crime Process. Kann Real-Time Uncertainty nicht tracken (limited/noisy Data, Model Selection Errors).

Ensemble Poisson Kalman Filter

Basierend auf ETAS: Internationales Forscherteam entwickelt neuartigen Algorithmus für schnelle Verarbeitung Real-Time Urban Crime Data & Forecast rekurrenter illegaler Aktivität. Methodik EnPKF ähnlich Apollo-Missionen & Weather Forecasting.

„Predictability“ definierbar auf verschiedene Arten – hier: Fokus auf bestimmten Event Type & Forecast System. Modell triggert „Signal“ für bevorstehenden Event of Interest. Beispiel: Area-Vorschlag für wahrscheinlichsten Crime innerhalb nächster Stunde.

Current Time-Series Applications: Model vereinfacht → Forecast ob nächste illegale Aktivität in nächsten wenigen (festen) Stunden erfolgt. Gesamt: Algorithm liefert Crime Departments Vorschläge für Minor Crime Hotspots & nötige Ressourcen.

Referenz: ScienceDirect | doi: 10.1016/j.csda.2018.06.014 | University of Surrey

Testing & Weitere Anwendungen

Neues Modell getestet gegen Dataset: 1.000+ Gang Crimes (1999–2002, Los Angeles). Vergleich mit Large Sample-Size Particle Filter → Effektivität in Praxis demonstriert.

Key Strength EnPKF vs. Particle Filter: Improved Accuracy & weniger Monte-Carlo Fluctuations bei kleineren Sample Sizes. System nicht perfekt: tendiert zu Under/Over-Spreading Ensembles für manche Parameter Estimates.

Lesen Sie auch: Neuer Self-Driving Vehicle Algorithmus wechselt aggressiv Spur

Team arbeitet an High-Dimensional Extension von EnPKF & Analyse Effectiveness mit Burglary Data. Forscher glauben: System vielseitig anwendbar – EnPKF für Earthquake Aftershocks, Train Delays, Insurance Claims.