先进的预测工具实时查明高风险犯罪热点
- 名为 Ensemble Poisson Kalman Filter (EnPKF) 的新算法可以建议未来一小时内最有可能发生犯罪的区域。
- 它还可以告诉我们需要哪些资源来解决此类犯罪。
警察和犯罪部门正面临着巨大的压力和资源限制，这一事实推动了智能警务工具的发展，以帮助警察更好地决定在哪里投入工作。
流行病型余震序列（ETAS）是应用于犯罪数据以预测未来犯罪现场的流行模型之一。到目前为止，这种基于网格地图的技术已成功预测的犯罪数量是单个人类调查员的两倍。
ETAS模型基于这样的理念：犯罪发生是随机的，但犯罪发生率是历史相关的，这意味着一个区域内发生的犯罪将提高至少在特定时间内相同或附近地点未来的犯罪生成率。
然而，它没有考虑潜在犯罪过程的概率性质。此外，它无法追踪实时不确定性，这种不确定性可能是由于数据有限和嘈杂或模型选择错误而引起的。
集成泊松卡尔曼滤波器
一个国际研究团队利用 ETAS 模型开发了一种新颖的算法，可以快速处理实时城市犯罪数据并预测非法活动可能再次发生的地点。该方法名为 Ensemble Poisson Kalman Filter (EnPKF)，与阿波罗任务和天气预报中使用的方法非常相似。
尽管“可预测性”可以用多种方式来描述，但在这项研究中，研究人员专注于特定类型的事件和预测系统。他们考虑了一种模型，可以触发“信号”来警告即将发生的感兴趣事件。例如，它可能会建议未来一小时内最有可能发生犯罪的区域。
在当前的时间序列应用中，模型被简化为预测下一个非法活动是否会在接下来的几个（固定）小时内发生。总体而言，该算法可以为犯罪部门提供哪些地方可能出现轻微犯罪热点以及需要哪些资源来处理此类非法活动的建议。
参考：ScienceDirect | doi:10.1016/j.csda.2018.06.014 |萨里大学
测试和其他应用
新模型针对包含 1999 年至 2002 年间发生在洛杉矶的 1000 多起帮派犯罪的数据集进行了测试。他们将结果与大样本颗粒过滤器进行了比较，证明了其在实践中的有效性。
与粒子滤波器相比，EnPKF 的关键优势在于它提高了精度，并且在较小样本量的情况下蒙特卡罗波动较小。然而，该系统远非完美：它往往会为某些参数估计生成欠扩展/过扩展的集合。
阅读：新的自动驾驶汽车算法可以积极改变车道
该团队目前正在开发 EnPKF 的高维扩展，并利用入室盗窃数据分析其有效性。 研究人员认为该系统有多种应用； EnPKF可用于跟踪地震余震、火车延误和保险索赔。
工业技术