Das fortschrittliche Vorhersagetool lokalisiert Hotspots mit hohem Kriminalitätsrisiko in Echtzeit

• Der neue Algorithmus namens Ensemble Poisson Kalman Filter (EnPKF) kann den Bereich vorschlagen, in dem innerhalb der nächsten Stunde am wahrscheinlichsten Kriminalität auftritt. 
• Es kann auch Aufschluss darüber geben, welche Ressourcen erforderlich wären, um solche Verbrechen zu bekämpfen. 

Polizei- und Kriminalbehörden stehen unter großem Druck und verfügen nur über eingeschränkte Ressourcen – eine Tatsache, die das Wachstum intelligenter Polizeiinstrumente vorantreibt, die Beamten dabei helfen sollen, bessere Entscheidungen darüber zu treffen, wo sie ihre Anstrengungen einsetzen sollen.

Epidemic Type Aftershock Sequence (ETAS) ist eines der beliebtesten Modelle, das auf Kriminalitätsdaten angewendet wird, um zukünftige Tatorte vorherzusagen. Bisher konnte diese gitterkartenbasierte Technik doppelt so viele Verbrechen vorhersagen wie ein einzelner menschlicher Ermittler.

Das ETAS-Modell basiert auf der Philosophie, dass Straftaten stochastisch passieren, die Kriminalitätshäufigkeit jedoch von der Geschichte abhängt. Das bedeutet, dass Straftaten innerhalb einer Region die künftige Kriminalitätsrate an denselben oder nahegelegenen Orten für mindestens einen bestimmten Zeitraum erhöhen.

Es berücksichtigt jedoch nicht den probabilistischen Charakter des zugrunde liegenden Kriminalitätsprozesses. Außerdem kann es keine Unsicherheiten in Echtzeit verfolgen, die aufgrund begrenzter und verrauschter Daten oder Modellauswahlfehlern entstehen könnten.

Ensemble-Poisson-Kalman-Filter

Mithilfe des ETAS-Modells hat ein internationales Forscherteam einen neuartigen Algorithmus entwickelt, der schnell Echtzeitdaten zur städtischen Kriminalität verarbeiten und vorhersagen kann, wo es erneut zu illegalen Aktivitäten kommen könnte. Die Methode mit dem Namen „Ensemble Poisson Kalman Filter“ (EnPKF) ist der bei Apollo-Missionen und Wettervorhersagen verwendeten Methode sehr ähnlich.

Obwohl „Vorhersagbarkeit“ auf verschiedene Arten beschrieben werden kann, konzentrierten sich die Forscher in dieser Studie auf eine bestimmte Art von Ereignis und Prognosesystem. Sie dachten über ein Modell nach, das ein „Signal“ auslöst, um auf ein bevorstehendes Ereignis von Interesse aufmerksam zu machen. Es kann beispielsweise den Bereich vorschlagen, in dem es in der nächsten Stunde am wahrscheinlichsten zu Straftaten kommen wird.

In aktuellen Zeitreihenanwendungen wird das Modell vereinfacht, um vorherzusagen, ob die nächste illegale Aktivität innerhalb der nächsten (festgelegten) Stunden stattfinden würde oder nicht. Insgesamt kann der Algorithmus den Kriminalbehörden Hinweise darauf geben, wo sich Brennpunkte kleinerer Kriminalität ergeben könnten und welche Ressourcen zur Bekämpfung solcher illegalen Aktivitäten erforderlich wären.

Referenz:ScienceDirect | doi:10.1016/j.csda.2018.06.014 | Universität von Surrey 

Testen und andere Anwendungen

Das neue Modell wird anhand eines Datensatzes getestet, der über 1.000 Bandenverbrechen enthält, die zwischen 1999 und 2002 in Los Angeles begangen wurden. Sie verglichen die Ergebnisse mit einem Partikelfilter mit großer Probengröße und demonstrierten so dessen Wirksamkeit in der Praxis.

Die Hauptstärke von EnPKF gegenüber Partikelfiltern liegt in der verbesserten Genauigkeit und den geringeren Monte-Carlo-Schwankungen bei kleineren Probengrößen. Allerdings ist das System alles andere als perfekt:Es neigt dazu, für einige Parameterschätzungen Ensembles mit Unter-/Überverteilung zu generieren.

Lesen Sie:Neuer Algorithmus für selbstfahrende Fahrzeuge kann aggressiv die Spur wechseln

Das Team arbeitet derzeit daran, eine hochdimensionale Erweiterung von EnPKF zu entwickeln und deren Wirksamkeit anhand von Einbruchsdaten zu analysieren. Forscher glauben, dass das System vielfältige Anwendungsmöglichkeiten hat; Mit EnPKF können Nachbeben von Erdbeben, Zugverspätungen und Versicherungsansprüche verfolgt werden.