[논문 리뷰] Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions

Varun Mandalapu, Lavanya Elluri외 2명|arXiv (Cornell University)|2023. 03. 28.

Crime Patterns and Interventions인용 수 9

한 줄 요약

이 논문은 기계학습 및 딥러닝을 이용한 범죄 예측에 관한 150편이 넘는 연구의 체계적 리뷰를 수행하여 데이터 세트, 기법, 추세를 집계하고 향후 연구 방향을 제시한다.

ABSTRACT

Predicting crime using machine learning and deep learning techniques has gained considerable attention from researchers in recent years, focusing on identifying patterns and trends in crime occurrences. This review paper examines over 150 articles to explore the various machine learning and deep learning algorithms applied to predict crime. The study provides access to the datasets used for crime prediction by researchers and analyzes prominent approaches applied in machine learning and deep learning algorithms to predict crime, offering insights into different trends and factors related to criminal activities. Additionally, the paper highlights potential gaps and future directions that can enhance the accuracy of crime prediction. Finally, the comprehensive overview of research discussed in this paper on crime prediction using machine learning and deep learning approaches serves as a valuable reference for researchers in this field. By gaining a deeper understanding of crime prediction techniques, law enforcement agencies can develop strategies to prevent and respond to criminal activities more effectively.

연구 동기 및 목표

• 동네(또는 이웃) 범죄 예측에 적용된 머신 러닝 및 딥러닝 접근 방식의 landscape를 요약한다.
• 범죄 예측에 사용되는 공개적으로 이용 가능한 데이터 세트와 그 특성을 확인한다.
• 연구 전반에 걸친 알고리즘, 특징 유형, 평가 지표의 추세를 분석한다.
• 정확도 및 적용 가능성을 개선하기 위한 격차, 도전 과제 및 향후 방향을 강조한다.

제안 방법

• IEEE, ACM, ScienceDirect 데이터베이스를 대상으로 체계적 문헌 검토를 수행하고 타깃 쿼리와 와일드카드를 사용한다.
• 자동 필터링에 이어 수작업 선별을 통해 관련 논문을 선정한다(주 본문과 부록에 대략 157편).
• 키워드 구름을 포함한 문헌의 예비 및 후속 분석을 수행하고 주요 주제를 식별하며 데이터 소스별 기술 유형 분류.
• 연구를 ML/DL 기술(분류, 회귀, 클러스터링 등)과 데이터 소스(범죄, 시공간, 비전, 소셜 미디어 등)별로 분류한다.
• 데이터 세트 자원을 요약하고 사용된 데이터 세트의 표를 제공한다(본문의 표 1 참조).
• 데이터 품질, 프라이버시, 모델의 해석 가능성과 같은 데이터 관련 과제에 대해 논의한다.

Figure 1: Steps involved for typical crime detection

실험 결과

연구 질문

• RQ1 최근 문헌에서 범죄 예측에 적용된 머신 러닝 및 딥러닝 기술은 무엇인가?
• RQ2 이웃/주거지 범죄 예측에 일반적으로 사용되는 데이터 세트와 데이터 원천은 무엇이며, 이들의 특성은 무엇인가?
• RQ3 모델 유형(분류, 회귀, 클러스터링) 및 평가 결과의 지배적 추세는 무엇인가?
• RQ4 정확도, 해석 가능성 및 실시간 적용 가능성을 개선하기 위해 식별된 격차와 향후 방향은 무엇인가?

주요 결과

• ML 기법이 문헌의 주도권을 잡고 있으며(67%), 그 뒤를 DL(21%)이 이으며, ML+DL, DL+NLP, ML+NLP의 비중은 더 작다.
• 분류가 주요 작업이다(63%), 회귀(29%), 클러스터링(6%), 혼합 방법(2%).
• 범죄 예측 연구의 대부분은 학술대회에서 발표되며(82%), 학술지 및 기타 저널은 더 적다.
• 도시 수준 범죄 데이터(예: NYC, Chicago, London) 및 글로벌 소스(감시 동영상, 소셜 미디어, 날씨 등)를 포함하여 광범위한 데이터 세트가 사용된다.
• 일부 맥락에서 높은 정확도를 보고한다(예: 특정 브라질 범죄 예측에서 최대 97%; 특정 표 항목은 방법별 성능 지표를 나타낸다).
• 리뷰는 도전 과제로 고품질 데이터의 가용성, 프라이버시/윤리 문제, 복잡한 모델의 해석 가능성 등을 강조한다.

Figure 2: Research paper selection methodology