[论文解读] Criminal Geographical Profiling: Using FCA for Visualization and Analysis of Crime Data

Quist-Aphetsi Kester|arXiv (Cornell University)|Oct 2, 2013

Rough Sets and Fuzzy Logic参考文献 6被引用 4

一句话总结

本文提出使用形式概念分析（FCA）来可视化和分析犯罪地理数据，通过识别犯罪类型、地点和犯罪人之间的模式。通过基于属性关系构建Galois格，该方法能够在更新犯罪数据的同时实现动态可视化并提取洞察，同时保留先前识别出的模式。

ABSTRACT

Fighting criminal activities in our modern societies required the engagement of intelligent information systems that can analyze crime data geographically and enable new concepts to be deduced from it. These information systems should be able to create visualization of such data as well as have the capability of giving new incite of information, if data is updated whilst maintaining the previously predicted patterns. This paper proposed the use of Formal Concept Analysis, or Galois Lattices, a data analysis technique grounded on Lattice Theory and Propositional Calculus, for the visualization and analysis of crime data. This method considered the set of common and distinct attributes of crimes in such a way that categorization are done based on related crime types, geographical locations and the persons involved.

研究动机与目标

• 开发一个用于地理分析犯罪数据的智能信息系统。
• 实现实时集成新数据后犯罪模式的动态可视化。
• 在数据更新过程中保持与先前预测模式的一致性。
• 识别不同犯罪类型、地点和个体之间共有的和独特的属性。
• 通过结构化数据分析，为执法机构提供可操作的洞察。

提出的方法

• 基于格理论和命题演算，将形式概念分析（FCA）应用于犯罪数据。
• 从犯罪类型、地点和涉案人员等犯罪属性构建Galois格。
• 使用属性导向的数据建模方法，根据共享特征对犯罪进行分组。
• 可视化生成的格，以揭示犯罪模式之间的层次关系。
• 确保在新增数据时格结构保持一致，从而保留先前的洞察。
• 利用FCA处理复杂、多维数据的能力，实现犯罪画像。

实验结果

研究问题

• RQ1 FCA如何用于从多维犯罪数据中提取有意义的模式？
• RQ2 在整合新犯罪数据时，FCA能否保持先前识别出的模式？
• RQ3 在格结构中可视化犯罪属性能获得哪些洞察？
• RQ4 犯罪类型、地点和犯罪人的共享属性在形式概念格中如何关联？
• RQ5 FCA在多大程度上支持对动态演变犯罪数据的实时分析？

主要发现

• FCA通过分层的Galois格可视化复杂犯罪数据，揭示了犯罪之间隐藏的关系。
• 该方法在引入新数据时成功保持了先前识别出的模式，确保了分析的连续性。
• 基于共享属性（类型、地点、人员）的犯罪分类在格结构中得到了有效捕捉。
• 格表示法允许直观地探索犯罪聚类和异常情况。
• 该方法支持从更新数据中推导出新洞察，而无需重新处理整个数据集。
• 该系统在执法情报系统中具备实际部署的可行性。