[논문 리뷰] Crime Rate Prediction with Region Risk and Movement Patterns.

Shakila Khan Rumi, Phillip Luong외 1명|arXiv (Cornell University)|2019. 07. 25.

Human Mobility and Location-Based Analysis참고 문헌 17인용 수 8

한 줄 요약

이 논문은 도시 지역의 범죄율 예측을 위해 월간 집계된 범죄 빈도와 FourSquare 데이터로부터 유도된 인구 이동 패턴을 통합한 영역 위험 요소를 제안한다. 이 위험 요소에서 파생된 특징을 도출하고 여러 도시의 실세계 데이터를 활용해 검증한 결과, 범죄 예측 정확도가 크게 향상되었으며, 영역 위험 요소가 도시 범죄 동역학을 예측하는 데 강력한 예측 변수임을 입증하였다.

ABSTRACT

The location-based social network, FourSquare, helps us to understand a city's mass human mobility. It provides data that characterises the volume of movements across regions and Places of Interests(POIs) to explore the crime dynamics of a city. To fully exploit human movement into crime analysis, we propose the region risk factor which combines monthly aggregated crime and human movement of a region across different time intervals. We then derive a number of features using the region risk factor and conduct extensive experiments with real world data in multiple cities that verify the effectiveness of these features.

연구 동기 및 목표

• 인간의 이동 패턴이 도시 범죄 동역학에 미치는 영향을 이해하는 것.
• 기존의 범죄 예측 모델이 통합된 시공간적 이동 데이터를 간과하는 한계를 해결하는 것.
• 범죄 빈도와 인간 이동을 융합한 영역 위험 요소를 개발하여 예측 성능을 향상시키는 것.
• 다양한 도시의 실세계 데이터를 활용해 영역 위험 요소에서 파생된 특징의 효과성을 검증하는 것.

제안 방법

• 각 도시 영역에 대해 월간 범죄 건수와 인간 이동량을 다양한 시간 간격으로 집계하여 영역 위험 요소를 계산한다.
• 영역 위험 요소에서 시간적 및 공간적 패턴을 반영한 특징을 유도한다.
• 이동량과 POI(관심 장소) 정보를 추출하기 위해 FourSquare 기반 위치 기반 소셜 네트워크 데이터를 활용한다.
• 실세계의 범죄 및 이동 데이터를 활용해 기계학습 모델을 훈련하고 평가하여 특징 성능을 시험한다.
• 시간 간격 기반 집계를 활용해 시간에 따라 변화하는 영역 위험의 동적 변화를 모델링한다.
• 다양한 도시에서 실험하여 제안된 특징의 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 인간 이동 패턴을 범죄 데이터와 융합하면 범죄율 예측 성능이 어떻게 향상되는가?
• RQ2 영역 위험 요소는 기존의 전통적 범죄 또는 이동 전용 예측 모델보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ3 영역 위험에서 유도된 특징은 다양한 도시 환경과 도시 규모에 걸쳐 일반화 가능한가?
• RQ4 영역 위험에서 가장 높은 예측 성능에 기여하는 구체적인 시간적 및 공간적 패턴은 무엇인가?

주요 결과

• 영역 위험 요소는 단순히 범죄 또는 이동 데이터만 사용하는 모델보다 범죄율 예측 정확도가 뚜렷이 향상된다.
• 영역 위험에서 파생된 특징는 테스트된 모든 도시에서 기준 모델을 일관되게 능가한다.
• 영역 위험의 시간적 패턴—특히 월간 집계—는 향후 범죄율 예측에 강력한 예측 능력을 보인다.
• 범죄 데이터와 인간 이동 데이터의 융합은 고립된 지표보다 동적인 도시 범죄 패턴을 더 효과적으로 포착한다.
• 이 방법은 다양한 도시 환경에서 뛰어난 성능을 보이며 일반화 가능성을 입증한다.
• 연구는 영역 위험 요소가 범죄 빈도나 이동량 단독보다 더 정보가 풍부한 예측 변수임을 확인한다.