[논문 리뷰] Deep Learning for Real Time Crime Forecasting

Bao Wang, Duo Zhang외 3명|arXiv (Cornell University)|2017. 07. 09.

Anomaly Detection Techniques and Applications인용 수 19

한 줄 요약

이 논문은 라스베가스의 범죄 분포를 고정밀도로 예측하기 위해 범죄 예측에 적합한 두 단계 심층 학습 프레임워크인 ST-ResNet을 제안한다. 공간 및 시간 정규화를 적용하고 계층적 잔차 컨볼루션 유닛을 사용하여, 6개월 간의 예측 성능이 뛰어나며 실시간 공공안전 응용 분야에서 큰 잠재력을 보여준다.

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.

연구 동기 및 목표

• 공간과 시간에서의 희소성과 비정규성으로 인해 실시간 범죄 예측에 도전하는 문제를 해결하기 위해.
• 공간 및 시간 정규화를 통해 원시 범죄 데이터의 약한 신호를 향상시켜 예측 정확도를 향상시키기 위해.
• 다양한 공간-시간 척도에서 복잡한 비정규성의 범죄 분포를 포착할 수 있는 확장 가능한 심층 학습 모델을 개발하기 위해.
• 실제 라스베가스 데이터를 6개월 간 평가하여 제안된 모델의 성능을 평가하기 위해.

제안 방법

• 원시 범죄 데이터에 공간 및 시간 정규화를 적용하여 예측 가능한 신호를 증폭하고 노이즈를 감소시키기 위해.
• 최신의 스페이스타임 심층 학습 모델인 ST-ResNet 아키텍처를 범죄 예측 작업에 맞게 적응시켜 사용하기 위해.
• 범죄 패턴의 복잡한 공간 및 시간적 의존성을 모델링하기 위해 계층적 잔차 컨볼루션 유닛을 활용하기 위해.
• 다양한 영향 요인을 포착하기 위해 범죄 데이터의 다중 요인 표현을 사용하여 모델을 훈련시키기 위해.
• 두 단계 파ip라인 사용: 먼저 데이터 전처리를 수행하고, 그 다음 향상된 데이터를 기반으로 심층 학습 모델을 훈련시키기 위해.
• 희소성 있는 범죄 데이터에서 훈련의 안정성과 일반화 능력을 향상시키기 위해 잔차 학습을 활용하기 위해.

실험 결과

연구 질문

• RQ1 희소성과 비정규 패턴으로 인해 실시간으로 범죄 분포를 효과적으로 예측할 수 있는가?
• RQ2 공간 및 시간 정규화는 심층 학습 프레임워크 내에서 범죄 데이터의 예측 가능성에 어떻게 기여하는가?
• RQ3 계층적 잔차 컨볼루션 네트워크는 도시 환경에서 복잡한 공간-시간 범죄 동역학을 어느 정도 효과적으로 모델링할 수 있는가?
• RQ4 제안된 모델은 라스베가스에서 6개월 간의 실제 범죄 데이터에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 모델은 라스베가스 지역의 범죄 분포에 대해 매우 높은 예측 정확도를 보였다.
• 공간 및 시간 정규화는 원시 범죄 데이터의 신호 대 노이즈 비율을 크게 향상시켜 모델 성능을 향상시켰다.
• 계층적 잔차 컨볼루션 유닛의 사용은 비선형적이고 복잡한 공간-시간 범죄 패턴을 효과적으로 학습하는 데 기여했다.
• 6개월 평가 기간 동안 뛰어난 예측 정확도를 달성하여 모델의 강건성과 확장 가능성을 입증했다.
• 이 프레임워크는 다양한 공간-시간 척도에서 낮은 규칙성의 범죄 분포를 성공적으로 포착했다.
• 두 단계 접근 방식—데이터 전처리 후 심층 학습 모델링—이 실시간 범죄 예측에 효과적임을 입증했다.