[論文レビュー] Deep Learning for Real Time Crime Forecasting

Bao Wang, Duo Zhang+3 more|arXiv (Cornell University)|Jul 9, 2017

Anomaly Detection Techniques and Applications被引用数 19

ひとこと要約

本論文では、ロサンゼルスにおける空間的・時間的犯罪分布を高い精度で予測するため、犯罪予測に適応された二段階のディープラーニングフレームワーク、ST-ResNetを提案する。空間的および時間的正則化を適用し、階層的残差畳み込みユニットを用いることで、6か月間の予測性能が著しく向上し、リアルタイムの公共安全応用における大きな可能性を示している。

ABSTRACT

Author(s): Wang, Bao; Zhang, Duo; Zhang, Duanhao; Brantingham, P; Bertozzi, Andrea L | Abstract: Accurate real time crime prediction is a fundamental issue for public safety, but remains a challenging problem for the scientific community. Crime occurrences depend on many complex factors. Compared to many predictable events, crime is sparse. At different spatio-temporal scales, crime distributions display dramatically different patterns. These distributions are of very low regularity in both space and time. In this work, we adapt the state-of-the-art deep learning spatio-temporal predictor, ST-ResNet [Zhang et al, AAAI, 2017], to collectively predict crime distribution over the Los Angeles area. Our models are two staged. First, we preprocess the raw crime data. This includes regularization in both space and time to enhance predictable signals. Second, we adapt hierarchical structures of residual convolutional units to train multi-factor crime prediction models. Experiments over a half year period in Los Angeles reveal highly accurate predictive power of our models.

研究の動機と目的

• 空間的・時間的におそろしく不規則な犯罪パターンのため、リアルタイムの犯罪予測が困難であるという課題に対処すること。
• 空間的および時間的正則化を用いて、元の犯罪データ内の弱い信号を強化することで、予測精度を向上させること。
• 複雑で低レギュラリティな犯罪分布を、複数の空間的・時間的スケールで捉えることができるスケーラブルなディープラーニングモデルの開発。
• 6か月間のロサンゼルスの実世界データを用いて、提案モデルの性能を評価すること。

提案手法

• 犯罪データのノイズを低減し、予測可能な信号を強化するために、元の犯罪データに空間的および時間的正則化を適用する。
• 最先端の空間的・時間的ディープラーニングモデルであるST-ResNetアーキテクチャを、犯罪予測タスクに適応させる。
• 犯罪パターンに内在する複雑な空間的・時間的依存関係をモデル化するために、階層的残差畳み込みユニットを採用する。
• 多要因表現を用いて犯罪データを訓練することで、多様な影響要因を捉える。
• 二段階パイプラインを採用：まずデータを前処理し、次に強化されたデータ上でディープラーニングモデルを訓練する。
• 低レギュラリティな犯罪データにおける学習の安定化と一般化性能の向上のため、残差学習を活用する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、犯罪の疎らさと不規則なパターンにかかわらず、リアルタイムで犯罪分布を効果的に予測できるか？
• RQ2 空間的および時間的正則化は、ディープラーニングフレームワーク内での犯罪データの予測可能性をどのように向上させるか？
• RQ3 階層的残差畳み込みネットワークは、都市環境における複雑な空間的・時間的犯罪ダイナミクスをどの程度効果的にモデル化できるか？
• RQ4 提案モデルは、ロサンゼルスの実世界犯罪データを6か月間の期間にわたり、どの程度の性能で予測するか？

主な発見

• 提案モデルは、ロサンゼルス地域における犯罪分布の予測において、極めて高い精度を示した。
• 空間的および時間的正則化により、元の犯罪データの信号対ノイズ比が顕著に向上し、モデル性能が向上した。
• 階層的残差畳み込みユニットの活用により、複雑で非線形的な空間的・時間的犯罪パターンの有効な学習が可能になった。
• 6か月間の評価期間において、強固でスケーラブルな予測精度を達成した。
• フレームワークは、さまざまな空間的・時間的スケールにおける低レギュラリティな犯罪分布を効果的に捉えた。
• 二段階アプローチ（データ前処理 → ディープラーニングモデリング）は、リアルタイムの犯罪予測に有効であることが実証された。