Prediktiva rumsliga modeller för brottsanalys - dummies

Du kan införliva prediktiva statistiska modeller i brottsanalysmetoder för att producera analyser som beskriver och förutsäger var och vilken typ av brottslig aktivitet som sannolikt kommer att inträffa.

Förutsägande rumsliga modeller kan hjälpa dig att förutsäga upprepade brottslingar beteende, plats eller brottslig verksamhet. Du kan också använda statistiska metoder för spatio-temporala data för att fastställa orsakssamband eller korrelativa variabler som är relevanta för brott och brottsbekämpning.

Följande lista innehåller typer av metoder som är till hjälp vid spatial prediktiv modellering för brottsanalys:

• Clustering: Du kan använda kärntäthetsberäkningsmetoder för att kvantifiera den rumsliga densiteten av kriminella aktiviteter och att skapa jämförande åtgärder mellan tätheten av brottslig aktivitet i förhållande till baspopulationen i det drabbade området.

  Kämdensitetsberäkning (KDE) är en utjämningsmetod som fungerar genom att placera en kärna - eller en viktningsfunktion som är användbar för att kvantifiera densitet - på varje datapunkt i datasetet och sedan summera kärnorna för att generera en kärntäthetsberäkning för hela regionen.

• Avancerad rumslig statistik: Ett exempel på detta är att använda regressionsanalys för att fastställa hur en eller flera oberoende brottsvariabler direkt orsakar eller korrelerar med en beroende brottsvariabel. Slutligen används avancerad rumslig statistik för att göra beteendeförutsägelser för upprepade brottslingar och förutspå framtida brottslig verksamhet utifrån historiska uppgifter om kriminellt beteende och information om nuvarande förhållanden.