Prediktive rumlige modeller for kriminalitetsanalyse - dummier

Du kan indarbejde prædiktive statistiske modeller i forbrydelsesanalysemetoder til at producere analyser, der beskriver og forudsiger, hvor og hvilken slags kriminelle aktiviteter der sandsynligvis vil forekomme.

Prediktive rumlige modeller kan hjælpe dig med at forudsige adfærd, placering eller kriminelle aktiviteter hos gentagne lovovertrædere. Du kan også anvende statistiske metoder til spatio-temporal data for at fastslå årsagssammenhængende eller korrelative variabler, der er relevante for kriminalitet og retshåndhævelse.

Følgende liste indeholder typer af tilgange, der er nyttige i spatial predictive modellering til kriminalanalyse:

• Clustering: Du kan bruge kernedensitets estimeringsmetoder til at kvantificere rumlig tæthed af kriminelle aktiviteter og at skabe komparative foranstaltninger mellem tæthederne af kriminel aktivitet i forhold til basisbefolkningen i det berørte område.

  Kerneldensitetsestimering (KDE) er en udjævningsmetode, der virker ved at placere en kerne - eller en vægtningsfunktion, der er nyttig til kvantificering af tæthed - på hvert datapunkt i datasættet og derefter opsummering af kernerne for at generere et kerne tætheds estimat for den overordnede region.

• Avanceret rumlig statistik: Et eksempel herpå er at bruge regressionsanalyse til at fastslå, hvordan en eller flere uafhængige kriminalvariabler direkte forårsager eller korrelerer med en afhængig kriminalvariabel. Endelig bruges avancerede rumlige statistikker til at lave adfærdsmæssige forudsigelser for gentagne lovovertrædere og at forudsige fremtidig kriminel aktivitet baseret på historiske optegnelser om kriminel adfærd og information om nutidige forhold.