.png){kind=icon}
返回
A data-driven approach for predicting crime occurrence using machine learning models
.png){kind=icon}
PRE
AI
DOI：10.1007/s41060-025-00799-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
犯罪是一种违法行为，具有法律后果。对于执法机构而言，理解犯罪模式对于预防未来的犯罪活动至关重要。为此，这些机构需要一个结构化的犯罪数据库。本文介绍了一个新颖的犯罪数据集，其中包含关于孟加拉国6574起犯罪事件的时序、地理、天气和人口统计数据。我们通过手工收集七年间日报档案中的犯罪新闻文章。我们从这些原始文本中提取基本特征。利用这些基本特征，我们随后咨询标准地理定位和天气数据服务提供商，以获取与收集到的犯罪事件相关的信息。此外，我们从孟加拉国人口普查数据中收集人口信息。所有这些信息被整合，形成了一个标准的机器学习数据集。共为犯罪预测任务设计了36个特征。五种有监督的机器学习分类算法被拟合并评估于这个新开发的数据集上，并取得了令人满意的结果。我们还对数据集的各个方面进行了探索性分析。该数据集有望为孟加拉国及其他国家的犯罪发生率预测系统奠定基础。本研究的结果将帮助执法机构预测和控制犯罪，以及确保犯罪巡逻和预防的最优资源配置。已发布的该数据集旨在促进未来的研究。
Keyword:
Crime prediction
Machine learning
Data science
Data curing
Feature engineering
Decision tree
Random forest
AdaBoost
XGBoost
期刊
I
IF:
2.8
论文数:
1.1K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
分享收藏Spatio-temporal Crime Analysis and Forecasting on Twitter Data Using Machine Learning Algorithms基于机器学习算法的Twitter数据时空犯罪分析与预测
OAAI
OAAI分享收藏
查看更多内容