Dinamik bir öngörücü polislik sistemi geliştirme

Geriye dönük öngörücü polislik teknikleri teorik değildir ve bu nedenle sokaklarda değişen suç riskini algılamada yetersiz kalmaktadır. Bu çalışmada, teoriye dayalı risk göstergelerinden yararlanan dinamik bir tahmine dayalı polislik sistemi geliştirmeyi amaçlıyoruz. Örnek, 2014-2019 yılları arasında Chicago'daki tüm hırsızlık ve soygun olaylarını içermektedir. İlk adımda, ağ K analizi ve segmentli regresyon tekniklerini birleştirerek, seçilen kentsel özellikler (örn. otobüs durağı, fast food restoranı, benzin istasyonu, bakkal, pub) etrafında uzamsal-zamansal suç riskini işlevselleştiren yeni, mesafeye duyarlı risk fonksiyonlarını tanıtıyoruz. İkinci adımda, grafik tabanlı derin öğrenme algoritmalarını (yani GraphWavenet, Spatiotemporal Graph Convolutional Networks) kullanarak çeşitli ağ tabanlı tahmine dayalı polislik yöntemleri geliştiriyoruz. Bu yöntemler haftalık ve gün içi etkin nokta tahminleri üretir. Bu yöntemleri, yeni risk işlevlerinden, 311 çağrıdan, park olaylarından ve birlikte meydana gelen suç olaylarından tasarlanmış bir risk puanı dahil olmak üzere çeşitli teori tabanlı risk göstergeleriyle tamamlıyoruz. Sonuçlar, kentsel özellikler etrafındaki suç riskinin mekâna, zamana ve suç türlerine göre değiştiğini göstermektedir. Ayrıca, bu riskin bölgesel sosyoekonomik özelliklerle önemli ölçüde ilişkili olduğu bulunmuştur. Bir diğer önemli sonuç, teoriye dayalı göstergelerin dahil edilmesinin geriye dönük yöntemlerin performansını %68'e kadar iyileştirdiğini göstermektedir. Algoritmalar arasında, GraphWavenet'in tahmin modellerinin çoğunda, %80'e varan doğrulukla benzerlerinden daha iyi performans gösterdiği bulunmuştur. Önerilen sistem, bir sonraki zaman adımında nispeten daha yüksek risklere sahip mikro coğrafi birimleri belirleyerek kolluk kuvvetlerinin operasyonlarını verimli bir şekilde planlamalarına yardımcı olur.