Prediktive romlige modeller for kriminalitetsanalyse - dummies

Du kan innlemme prediktive statistiske modeller i kriminalanalysemetoder for å produsere analyser som beskriver og forutsier hvor og hvilken slags kriminell aktivitet som sannsynligvis vil skje.

Prediktive romlige modeller kan hjelpe deg med å forutsi oppførsel, sted eller kriminelle aktiviteter for gjentatte lovbrytere. Du kan også bruke statistiske metoder til spatio-temporal data for å fastslå årsakssammenhengende eller korrelative variabler som er relevante for kriminalitet og rettshåndhevelse.

Følgende liste inneholder typer tilnærminger som er nyttige for romlig prediktiv modellering for kriminalanalyse:

• Clustering: Du kan bruke kjerne tetthets estimeringsmetoder for å kvantifisere romlig tetthet av kriminelle aktiviteter og å generere komparative tiltak mellom tettheten av kriminell aktivitet i forhold til basepopulasjonen i det berørte området.

  Kjernetetthetsestimering (KDE) er en utjevningsmetode som fungerer ved å plassere en kjernen - eller en vektingsfunksjon som er nyttig for kvantifisering av tetthet - på hvert datapunkt i datasettet og deretter summere kjernene for å generere en kjerne tetthetsestimat for hele regionen.

• Avansert romlig statistikk: Et eksempel på dette er å bruke regresjonsanalyse for å fastslå hvordan en eller flere uavhengige kriminalvariabler direkte forårsaker eller korrelerer med en avhengig kriminalvariabel. Til slutt benyttes avansert romlig statistikk for å gjøre adferdsmessige spådommer for gjentatte lovbrytere og forutsi fremtidig kriminell aktivitet basert på historiske dokumenter om kriminell oppførsel og informasjon om dagens forhold.