Тема: Прогнозирование уровня преступности на основе статистических данных

Сегодня проблема снижения уровня преступности стоит очень остро. С давних времен существуют государственные структуры, которые занимаются розыском и поимкой преступников, а также стремятся предотвратить преступления. В современном мире технологий очень развиты системы видеонаблюдения, которые позволяют быстро разыскать человека, совершившего преступление, а методы криминалистики практически не оставляют преступнику шансов уйти от правосудия, даже если он не попал в объективы камер. Но гораздо лучше, если благодаря действию правоохранительных органов преступление не произошло вовсе. Благодаря развитию информационных технологий уже существует несколько экспериментальных систем, позволяющих предсказывать вспышки числа преступлений в том или ином районе города. Но пока эти системы распространены только в развитых странах мира, таких, например, как США или Великобритания.
В настоящей работе планируется разработать методы предсказания преступлений. В качестве данных для построения моделей используются реальные данные о преступлениях в городе Чикаго. Эти данные содержат подробное описание каждого преступления произошедшего в период с 2001 по 2015 года. Такое детальное описание позволяет заметить закономерности, которое не так очевидны, узнать когда, где и каких преступлений происходит больше, тем самым, возможно, придумать модели, которые позволят заранее узнать о том, куда стоит направить дополнительный патруль.
Структура работы имеет следующий вид. В 1 главе приводится обзор существующих работ по предсказанию преступности. Для построения прогнозов авторы данных работ применяют методы анализа временных рядов, но в своих прогнозах они опираются только на исторические данные о преступности и не учитывают влияние различных внешних факторов. В главе 2 формируются основные цели и задачи исследования, а именно построения качественных прогнозов уровня преступности. В главе 3 приводится описание наиболее популярных моделей анализа временных рядов, таких как регрессионные модели, авторегрессионные модели, модели экспоненциального сглаживания, нейросетевые модели и модели на основе марковских цепей. Глава 4 посвящена подробной визуализации данных и построению интерактивных карт преступности, которые позволяют наглядно представить данные о самых опасных районах и улицах города. В главе 5 на основе найденных закономерностей подбираются алгоритмы для построения прогнозов, строятся сами прогнозы и приводятся их оценки. Далее задача восстановления временного ряда сводится к задаче классификации для определения наиболее опасных дней с точки зрения количества преступлений. Данная задача решается посредством построения нейросетевой модели.
Купить

В данной работе приведен подробный анализ уровня преступности в Чикаго за 2001-2015 года. Была проанализирована связь уровня преступности и различных внешних факторов, таких как погодные условия, день недели, номер дня в году. Приведена визуализация данных, которая позволяет увидеть интересные закономерности. На основе географических данных о преступлениях, были построены интерактивные карты, на которых можно легко найти наиболее опасные улицы и районы города.
На основании выявленных закономерностей построены модели для прогнозирования уровня преступности для таких преступлений как нападения, побои, кражи со взломом, причинение ущерба, мошенничество, грабежи и воровство. Модели строились на данных за 2001-2014 года, а оценка проводилась на данных за 2015 год. Для построения моделей использовались алгоритмы машинного обучения, которые учитывают как исторические данные о преступлениях, так и другие внешние факторы. Приведен сравнительный анализ алгоритмов. Построенные модели показали достаточно высокую точность. Но наилучший результат показал алгоритм регрессии на основе случайных лесов.
Далее задача прогнозирования числа преступлений сведена к задаче классификации для выявления наиболее опасных дней c точки зрения количества преступлений. Данная задача решалась путем построения нейросетевой модели. Полученные результаты так же кажутся достаточно удовлетворительными.
Результаты полученные в рамках данного исследования могут оказаться полезными для прогнозирования уровня преступности и в других городах.
Данные методы прогнозирования временных рядов могут быть полезны для снижения уровня преступности, так как позволяют предсказывать неблагоприятные периоды, в которые необходимо усиливать патрулирование улиц города.

Купить