[논문 리뷰] Crime in Urban Areas: A Data Mining Perspective

Xiangyu Zhao, Jiliang Tang|arXiv (Cornell University)|2018. 04. 22.

Crime Patterns and Interventions참고 문헌 78인용 수 9

한 줄 요약

이 논문은 환경 범죄학 이론과 사회 범죄학 이론을 대규모 도시 데이터와 융합하여 도시 범죄 분석을 위한 데이터 마이닝 프레임워크를 제안한다. 이는 범죄 예측, 패턴 탐지 및 경찰 전략 최적화를 위한 고도화된 계산 모델을 가능하게 한다. 특히, 시공간 데이터, 다중 소스 특징, 기계 학습 기법—특히 딥 러닝과 강화 학습—을 활용하여 복잡한 범죄 패턴을 규명하고 도시 안전을 향상시키는 데 기여한다.

ABSTRACT

Urban safety and security play a crucial role in improving life quality of citizen and the sustainable development of urban. Traditional urban crime research focused on leveraging demographic data, which is insufficient to capture the complexity and dynamics of urban crimes. In the era of big data, we have witnessed advanced ways to collect and integrate fine-grained urban, mobile, and public service data that contains various crime-related sources as well as rich environmental and social information. The availability of big urban data provides unprecedented opportunities, which enable us to conduct advanced urban crime research. Meanwhile, environmental and social crime theories from criminology provide better understandings about the behaviors of offenders and complex patterns of crime in urban. They can not only help bridge the gap from what we have (big urban data) to what we want to understand about urban crime (urban crime analysis); but also guide us to build computational models for crime. In this article, we give an overview to key theories from criminology, summarize crime analysis on urban data, review state-of-the-art algorithms for various types of computational crime tasks and discuss some appealing research directions that can bring the urban crime research into a new frontier.

연구 동기 및 목표

• 세밀하고 실시간 도시 데이터를 활용하여 기존의 인구 통계 기반 도시 범죄 연구의 한계를 해결하고자 한다.
• 범죄학 이론과 계산 모델을 융합하여 대규모 도시 데이터와 실질적인 범죄 통찰 간 격차를 메우고자 한다.
• 범죄 예측, 핫스팟 탐지, 순찰 최적화와 같은 데이터 기반 계산 작업을 통해 도시 범죄 분석을 발전시키고자 한다.
• 선형 특징 융합과 정적 모델링과 같은 기존 방법의 격차를 식별하고 보완하기 위해 종단간, 적응형 프레임워크를 제안하고자 한다.
• 향후 연구를 복잡한 시공간 모델링, 다중 소스 데이터 통합, 그리고 경찰 전략의 시뮬레이션 기반 평가 방향으로 이끌고자 한다.

제안 방법

• 범죄학 이론을 기반으로 모델 설계를 지원하기 위해 환경 범죄학 이론(예: 일상 활동 이론, 합리적 선택 이론)과 사회 범죄학 이론(예: 사회적 해체 이론)을 통합한다.
• 인간 이동성, 기상 데이터, POI, 공공 서비스 기록 등 다양한 도시 데이터를 활용하여 범죄의 맥락을 풍부하게 한다.
• 범죄 패턴 탐지 및 예측을 위해 군집화, 분류, 회귀와 같은 데이터 마이닝 기법을 적용한다.
• 선형 관계를 초월하여 복잡한 시공간 범죄 패턴을 포착하기 위해 딥 러닝 모델(예: RNN, CNN, GCN)을 활용한다.
• 수작업 특징 공학 없이 이질적인 데이터 소스에서 자동으로 특징을 추출할 수 있는 종단간 학습 프레임워크를 제안한다.
• 동적인 도시 범죄 환경에 맞춰 진화하는 적응형 경찰 전략을 위해 딥 강화 학습을 탐색한다.

실험 결과

연구 질문

• RQ1 범죄학 이론을 대규모 도시 데이터와 효과적으로 융합하여 범죄 분석을 향상시킬 수 있는 방법은 무엇인가?
• RQ2 기존 모델이 포착하지 못하는 도시 범죄의 핵심 시공간 패턴은 무엇인가?
• RQ3 이동성, 기상, POI 등 다중 소스 도시 데이터를 효과적으로 융합하여 범죄 예측 정확도를 향상시킬 수 있는 방법은 무엇인가?
• RQ4 도시 요소와 범죄 간의 동적이고 비선형적 상호작용을 모델링할 수 있는 계산 기법은 무엇인가?
• RQ5 도시 시뮬레이션과 강화 학습은 경찰 전략의 사전 평가에 어떻게 기여할 수 있는가?

주요 결과

• 기존의 인구 통계 기반 범죄 연구는 정적이고 균일한 특징으로 인해 동적인 지역 수준의 변동성을 포착하지 못해 부족하다.
• 이동성, 기상, POI 데이터를 포함한 대규모 도시 데이터는 범죄 모델링과 예측에 있어 풍부한 맥락 정보를 제공하여 크게 향상시킨다.
• 딥 러닝 모델은 기존 통계적 방법에 비해 동적 환경에서 복잡한 시공간 범죄 패턴을 포착하는 데 강력한 잠재력을 보이며, 뛰어난 성능을 발휘한다.
• 현재 알고리즘은 다중 소스 데이터를 선형적으로 처리하는 경우가 많아 비선형적 종속성과 특징 간 계층적 관계를 놓치고 있다.
• 종단간 학습 프레임워크는 수작업 특징 공학에 대한 의존도를 감소시키고 다양한 도시 환경에서의 모델 일반화 능력을 향상시킨다.
• 도시 시뮬레이션과 강화 학습은 실제 도입 이전에 경찰 전략의 평가 및 최적화를 위한 유망한 길을 제시한다.