[論文レビュー] Crime in Urban Areas: A Data Mining Perspective

Xiangyu Zhao, Jiliang Tang|arXiv (Cornell University)|Apr 22, 2018

Crime Patterns and Interventions参考文献 78被引用数 9

ひとこと要約

本稿は、環境的・社会的犯罪学理論をビッグ都市データと統合することで、犯罪予測、パターン検出、警察活動戦略最適化のための高度な計算モデルを可能にする都市犯罪分析のためのデータマイニングフレームワークを提示する。スパティオトロピカルデータ、マルチソース特徴量、機械学習技術（特にディープラーニングと強化学習）を活用し、複雑な犯罪パターンを解明し、都市の安全を向上させる。

ABSTRACT

Urban safety and security play a crucial role in improving life quality of citizen and the sustainable development of urban. Traditional urban crime research focused on leveraging demographic data, which is insufficient to capture the complexity and dynamics of urban crimes. In the era of big data, we have witnessed advanced ways to collect and integrate fine-grained urban, mobile, and public service data that contains various crime-related sources as well as rich environmental and social information. The availability of big urban data provides unprecedented opportunities, which enable us to conduct advanced urban crime research. Meanwhile, environmental and social crime theories from criminology provide better understandings about the behaviors of offenders and complex patterns of crime in urban. They can not only help bridge the gap from what we have (big urban data) to what we want to understand about urban crime (urban crime analysis); but also guide us to build computational models for crime. In this article, we give an overview to key theories from criminology, summarize crime analysis on urban data, review state-of-the-art algorithms for various types of computational crime tasks and discuss some appealing research directions that can bring the urban crime research into a new frontier.

研究の動機と目的

• 従来の人口統計ベースの都市犯罪研究の限界を克服するため、細分化され、リアルタイムの都市データを活用すること。
• 犯罪学理論と計算モデルを統合することで、ビッグ都市データと実行可能な犯罪インサイトの間のギャップを埋めること。
• 犯罪予測、ホットスポット検出、パトロール最適化といったデータ駆動型の計算タスクを通じて、都市犯罪分析を前進させること。
• 線形特徴量統合や静的モデリングといった現在の手法におけるギャップを特定・解決するため、エンドツーエンドで適応可能なフレームワークを提案すること。
• 将来的な研究を、複雑なスパティオトロピカルモデリング、マルチソースデータ統合、警察活動戦略のシミュレーションベースの評価へと導くこと。

提案手法

• 環境犯罪学理論（例：ルーティン・アクティビティ理論、合理的選択理論）と社会的犯罪学理論（例：社会的分崩壊理論）を統合し、モデル設計を支援する。
• 人間の移動、気象データ、POI、公共サービス記録など、マルチソースの都市データを活用して犯罪の文脈を豊かにする。
• クラスタリング、分類、回帰などのデータマイニング技術を用いて、犯罪パターンの発見と予測を実施する。
• RNN、CNN、GCNなどのディープラーニングモデルを活用し、線形関係を超えた複雑なスパティオトロピカル犯罪パターンを捉える。
• 異種のデータソースから特徴量を自動的に抽出できるエンドツーエンド学習フレームワークを提案する。
• 変動する都市犯罪環境に適応する警察活動戦略を、ディープ強化学習を用いて探求する。

実験結果

リサーチクエスチョン

• RQ1 犯罪学理論をビッグ都市データと効果的に統合することで、犯罪分析をどのように改善できるか？
• RQ2 現在のモデルが捉えられていない都市犯罪の主なスパティオトロピカルパターンは何か？
• RQ3 移動、天候、POIなどのマルチソース都市データを効果的に統合することで、犯罪予測の精度をどのように向上できるか？
• RQ4 都市要因と犯罪の間の動的かつ非線形な相互作用をモデル化するための計算技術は何か？
• RQ5 都市犯罪シミュレーションと強化学習は、警察活動戦略の事前評価をどのように支援できるか？

主な発見

• 従来の人口統計ベースの犯罪研究は、動的で多様なコミュニティレベルの変動を捉えられていないため、不十分である。
• 移動、天候、POIデータを含むビッグ都市データは、犯罪モデリングと予測を著しく向上させる豊富な文脈的情報を提供する。
• ディープラーニングモデルは、動的環境において従来の統計的手法を上回る複雑なスパティオトロピカル犯罪パターンを捉える強力な可能性を示している。
• 現在のアルゴリズムはしばしばマルチソースデータを線形的に扱い、特徴量間の非線形的依存関係や階層的関係を逃している。
• エンドツーエンド学習フレームワークは、手作業による特徴量設計への依存を軽減し、多様な都市的文脈にわたるモデルの汎化能力を向上させる。
• 都市シミュレーションと強化学習は、実世界への導入前に警察活動戦略の評価と最適化を支援する有望な道筋を提供する。