[論文レビュー] Efficient allocation of law enforcement resources using predictive police patrolling

Mateo Dulce, Simón Ramírez-Amaya+1 more|arXiv (Cornell University)|Nov 30, 2018

Optimization and Search Problems参考文献 1被引用数 5

ひとこと要約

本論文は、ボゴタ（コロンビア）の犯罪予測のため、空間的・時間的犯罪データと反復的カーネル密度推定を用いて、背景犯罪と引き金犯罪を区別する自己駆動型ポイント過程モデルを提案する。このモデルは固定帯域幅KDEおよび標準ホットスポットモデルを上回り、10%の都市面積がホットスポットとして特定された状況で59%のヒットレートを達成し、警察の資源配分効率を顕著に向上させた。

ABSTRACT

Efficient allocation of scarce law enforcement resources is a hard problem to tackle. In a previous study (forthcoming Barreras et.al (2019)) it has been shown that a simplified version of the self-exciting point process explained in Mohler et.al (2011), performs better predicting crime in the city of Bogotá - Colombia, than other standard hotspot models such as plain KDE or ellipses models. This paper fully implements the Mohler et.al (2011) model in the city of Bogotá and explains its technological deployment for the city as a tool for the efficient allocation of police resources.

研究の動機と目的

• 限られた警察資源を高犯罪都市環境に効率的に配分する課題に対処すること。
• 犯罪が将来の出来事に引き金を引く自己駆動効果を含む、空間的・時間的犯罪パターンを捉える予測モデルを開発すること。
• 予測分析を警察作業と統合したリアルタイムで現場に適用可能なシステムを展開すること。
• 標準的なホットスポット検出手法（KDEや楕円）と比較して、モデルの予測精度を検証すること。
• インタラクティブなウェブおよびモバイル可視化ツールを通じて、データドリブンで動的なパトロールスケジューリングを可能にすること。

提案手法

• モデルは、条件付き強度 λ(x,y,t) = μ(x,y)ν(t) + Σ g(x−xk,y−yk,t−tk) を用いる自己駆動型ポイント過程であり、μ と ν は空間的・時間的背景犯罪パターンを捉え、g は犯罪の引き金効果をモデル化する。
• 確率的分離技術を用いて、空間的・時間的近接性に基づき、犯罪を背景犯罪または後続災害（アフターマス）イベントに分類する。
• 変動帯域幅を用いた反復的カーネル密度推定を用いて、μ、ν、g 関数を推定し、各反復で引き金イベントの確率を更新する。
• アルゴリズムは、時間的指数関数的減衰と二変量正規分布の空間的分布を初期化として用い、確率行列 P のしきい値付き L2 ノルムで収束させる。
• モデルの妥当性評価にはボゴタの10%のサブセット（サンタ・フェ地区）を用い、10週間（2017年6月22日〜8月31日）を訓練期間、4週間（9月1日〜28日）をテスト期間として使用した。
• システムは、現地警察のデータシステムと統合されたハイブリッドウェブおよびモバイルアプリケーションを通じて展開され、パトロール計画のためのリアルタイムのヒートマップとホットスポット可視化を提供した。

実験結果

リサーチクエスチョン

• RQ1 自己駆動型ポイント過程モデルは、KDE や楕円といった標準的なホットスポット検出モデルを上回り、ボゴタの犯罪予測において優れた性能を示せるか？
• RQ2 変動帯域幅カーネル密度推定は、犯罪モデリングにおいて固定帯域幅と比較して予測精度をどのように向上させるか？
• RQ3 予測警察活動システムは、将来の犯罪の大部分を捉えるために必要な領域をどの程度縮小できるか？
• RQ4 実世界での展開において、モデルの性能は異なる時間窓および空間スケールでどのように変化するか？
• RQ5 現地の作業員は、データドリブンな予測ツールを運用意思決定に効果的に採用・統合できるか？

主な発見

• 自己駆動型ポイント過程モデルは4週間の犯罪予測で59%のヒットレートを達成し、固定帯域幅KDE（48%）および標準KDE（46%）モデルを上回った。
• 都市面積のわずか10%がホットスポットとして指定された状況で、モデルは全犯罪の59%を予測し、空間的効率性に優れたことを示した。
• 非パラメトリックなウィルコクソン符号順位検定において、変動帯域幅モデルは固定帯域幅モデル（p値 = 0.030）および標準KDE（p値 = 0.016）を有意に上回った。
• モデルの予測精度は時間経過とともに向上し、1週目は57%、3週目には62%まで上昇した。これは学習と適応の兆候である。
• 2017年11月以降、10の高犯罪地域で現場展開した結果、警察官による高い採用率が確認され、日常のパトロール計画にツールが統合された。
• ハイブリッドウェブおよびモバイルアプリケーションにより、犯罪強度のヒートマップと重要なホットスポットのリアルタイム可視化が可能になり、戦略的計画と現場作業の両方を支援した。