[论文解读] Crime Rate Prediction with Region Risk and Movement Patterns.

Shakila Khan Rumi, Phillip Luong+1 more|arXiv (Cornell University)|Jul 25, 2019

Human Mobility and Location-Based Analysis参考文献 17被引用 8

一句话总结

本文提出了一种区域风险因子，该因子整合了按月聚合的犯罪率与来自四平方（FourSquare）数据的人类移动模式，以预测城市区域的犯罪率。通过从该风险因子中提取特征，并在多个城市的实际数据上进行测试，研究显著提升了犯罪预测的准确性，确立了区域风险作为城市犯罪动态的强大预测因子。

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.

研究动机与目标

• 理解人类移动模式如何影响城市犯罪动态。
• 解决现有犯罪预测模型忽视综合时空移动数据的局限性。
• 开发一种结合犯罪频率与人类移动的区域风险因子，以提升预测性能。
• 利用多个城市的实际数据验证基于区域风险因子的特征的有效性。

提出的方法

• 通过在每个城市区域对不同时间间隔内的月度犯罪次数和人类移动量进行聚合，计算区域风险因子。
• 从区域风险因子中提取特征，以捕捉犯罪与移动在时空上的模式。
• 利用来自四平方（FourSquare）基于位置的社交网络数据，提取移动量和兴趣点（Place of Interest, POI）信息。
• 使用多个城市的实际犯罪与移动数据训练和评估机器学习模型，以测试特征性能。
• 采用基于时间区间的聚合方法，以建模区域风险随时间的动态变化。
• 在多个城市开展实验，以确保所提出特征的泛化能力。

实验结果

研究问题

• RQ1 将人类移动模式与犯罪数据整合，能在多大程度上提升犯罪率预测的准确性？
• RQ2 区域风险因子在多大程度上优于仅使用犯罪数据或仅使用移动数据的传统预测因子？
• RQ3 基于区域风险因子提取的特征能否在不同城市环境和城市规模下实现泛化？
• RQ4 区域风险中的哪些特定时空模式对预测性能贡献最大？

主要发现

• 与仅使用犯罪或移动数据的模型相比，区域风险因子显著提升了犯罪率预测的准确性。
• 基于区域风险因子提取的特征在所有测试城市中均持续优于基线模型。
• 区域风险中的时间模式——尤其是月度聚合——对预测未来犯罪率表现出强大的预测能力。
• 将人类移动与犯罪数据整合，能够比孤立指标更有效地捕捉动态的城市犯罪模式。
• 该方法在多样化城市环境中表现出稳健性能，表明其具备良好的泛化能力。
• 研究证实，区域风险作为预测因子比单独使用犯罪频率或移动量更具信息量。