nach oben

Erschienen in:

2019 | OriginalPaper | Buchkapitel

Towards a Deep Learning Approach for Urban Crime Forecasting

verfasst von : Freddy Piraján, Andrey Fajardo, Miguel Melgarejo

Erschienen in: Applied Computer Sciences in Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

This paper presents a deep learning approach for urban crime forecasting. A deep neural network architecture is designed so that it can be trained by using geo-referenced data of criminal activity and road intersections to capture relevant spatial patterns. Preliminary results suggest this model would be able to identify zones with criminal activity in square areas of \(500 \times 500\) m\(^2\) in a weekly scale.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Optical Mark Recognition Based on Image Processing Techniques for the Answer Sheets of the Colombian High-Stakes Tests

Nächstes Kapitel Binary Optimisation with an Urban Pigeon-Inspired Swarm Algorithm

The database was provided by Fundación Ideas para la Paz.

The words theft and crime are used indistinctly throughout the document.

Each bi-dimensional map corresponds to a single channel from the input volume \(\mathbf {T}\).

Piza, E.L., Gilchrist, A.M.: J. Crim. Justice 54, 76 (2018). https://doi.org/10.1016/j.jcrimjus.2017.12.007CrossRef

Brelsford, C., Martin, T., Hand, J., Bettencourt, L.M.A.: Sci. Adv. 4(8), eaar4644 (2018). https://doi.org/10.1126/sciadv.aar4644CrossRef

Ratcliffe, J.: Crime mapping: spatial and temporal challenges. In: Piquero, A., Weisburd, D. (eds.) Handbook of Quantitative Criminology, pp. 5–24. Springer, New York (2010). https://doi.org/10.1007/978-0-387-77650-7_2CrossRef

King, T.C., Aggarwal, N., Taddeo, M., Floridi, L.: Sci. Eng. Ethics (2019). https://doi.org/10.1007/s11948-018-00081-0

Mohler, G., Brantingham, P.J., Carter, J., Short, M.B.: J. Quant. Criminol. (2019). https://doi.org/10.1007/s10940-019-09404-1

Stalidis, P., Semertzidis, T., Daras, P.: Examining deep learning architectures for crime classification and prediction (2018)

Brantingham, P.J., Valasik, M., Mohler, G.O.: Stat. Public Policy 5(1), 1 (2018). https://doi.org/10.1080/2330443X.2018.1438940CrossRef

Nobles, M.R.: Am. J. Crim. Justice (2019). https://doi.org/10.1007/s12103-019-09483-7CrossRef

Aaltonen, M., Oksanen, A., Kivivuori, J.: Criminology 54(2), 307 (2016). https://doi.org/10.1111/1745-9125.12103CrossRef

10.

Rumi, S.K., Deng, K., Salim, F.D.: EPJ Data Sci. 7(1), 43 (2018). https://doi.org/10.1140/epjds/s13688-018-0171-7CrossRef

11.

Blattman, C., Green, D., Ortega, D., Tobón, S.: Hotspot interventions at scale: the effects of policing and city services on crime in Bogotá, Colombia. Technical report, International Initiative for Impact Evaluation (3ie) (2018). https://doi.org/10.23846/DPW1IE88

12.

Bruinsma, G.J.N., Johnson, S.D.: The Oxford Handbook of Environmental Criminology. Oxford University Press, Oxford (2018). Google-Books-ID: qPdJDwAAQBAJCrossRef

13.

LeCun, Y., Bengio, Y., Hinton, G.: Nature 521, 436 (2015)CrossRef

14.

Adamson, G., Havens, J.C., Chatila, R.: Proc. IEEE 107(3), 518 (2019). https://doi.org/10.1109/JPROC.2018.2884923CrossRef

15.

Quick, M., Li, G., Brunton-Smith, I.: J. Crim. Justice 58, 22 (2018). https://doi.org/10.1016/j.jcrimjus.2018.06.003CrossRef

16.

Melgarejo, M., Obregon, N.: Entropy 20, 11 (2018). https://doi.org/10.3390/e20110874. http://www.mdpi.com/1099-4300/20/11/874CrossRef

17.

Su, J., Vargas, D.V., Sakurai, K.: IPSJ Trans. Comput. Vis. Appl. 11(1), 1 (2019). https://doi.org/10.1186/s41074-019-0053-3CrossRef

18.

Macêdo, D., Zanchettin, C., Oliveira, A., Ludermir, T.: Expert Syst. Appl. 124, 271 (2019). https://doi.org/10.1016/j.eswa.2019.01.066CrossRef

19.

Gao, H., Yuan, H., Wang, Z., Ji, S.: IEEE Trans. Pattern Anal. Mach. Intell. 1 (2019). https://doi.org/10.1109/TPAMI.2019.2893965

20.

Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., et al.: Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation, OSDI 2016, pp. 265–283. USENIX Association, Berkeley (2016)

21.

Kingma, D.P., Ba, J.: arXiv:1412.6980 [cs] (2014)

22.

Stehman, S.V.: Remote Sens. Environ. 62(1), 77 (1997). https://doi.org/10.1016/S0034-4257(97)00083-7CrossRef

23.

Tharwat, A.: Appl. Comput. Inform. (2018). https://doi.org/10.1016/j.aci.2018.08.003

24.

Wang, X., Jiang, X.: Sig. Process. 165, 104 (2019). https://doi.org/10.1016/j.sigpro.2019.06.018CrossRef

25.

Pierdzioch, C., Reid, M.B., Gupta, R.: J. Appl. Stat. 45(5), 884 (2018). https://doi.org/10.1080/02664763.2017.1322556MathSciNetCrossRef

26.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z.: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (2016). arXiv:1512.00567

27.

Wu, S., et al.: IEEE Trans. Neural Netw. Learn. Syst. 1–9 (2018). https://doi.org/10.1109/TNNLS.2018.2876179CrossRef

28.

Caplan, J.M., Kennedy, L.W. (eds.): Risk Terrain Modeling Compendium for Crime Analysis, Rutgers Center on Public Security (2011)

Titel: Towards a Deep Learning Approach for Urban Crime Forecasting
verfasst von: Freddy Piraján
Andrey Fajardo
Miguel Melgarejo
Verlag: Springer International Publishing
Buch: Applied Computer Sciences in Engineering
Print ISBN: 978-3-030-31018-9

Electronic ISBN: 978-3-030-31019-6

Copyright-Jahr: 2019
DOI: https://doi.org/10.1007/978-3-030-31019-6_16

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner