최근 범죄 발생의 예측에 관한 다양한 연구들이 진행되어 왔다. 이 예측 기능은 효율적으로 경찰의 순찰 경로를 구성하여 범죄 예방에 도움이 된다. 이전의 연구들은 인구, 경제, 그리고 교육과 같은 다양한 영역의 데이터를 사용해왔다. 그러나 그들의 예측 모델은 다른 영역의 데이터를 동등하게 다루고, 특징을 직접 연결한다. 결과적으로 이런 방법들은 범죄 발생 예측에서 비선형 관계의 발견의 어려움, 중복성, 그리고 다양한 ...
최근 범죄 발생의 예측에 관한 다양한 연구들이 진행되어 왔다. 이 예측 기능은 효율적으로 경찰의 순찰 경로를 구성하여 범죄 예방에 도움이 된다. 이전의 연구들은 인구, 경제, 그리고 교육과 같은 다양한 영역의 데이터를 사용해왔다. 그러나 그들의 예측 모델은 다른 영역의 데이터를 동등하게 다루고, 특징을 직접 연결한다. 결과적으로 이런 방법들은 범죄 발생 예측에서 비선형 관계의 발견의 어려움, 중복성, 그리고 다양한 데이터 셋 사이의 의존성과 같은 문제를 가진다. 범죄 예측 모델을 향상하기 위해 우리는 깨진 창문이론과 환경 디자인을 통한 범죄 예방과 같은 환경 컨텍스트 정보를 고려한다. 본 논문에서 우리는 심층 신경망 기반의 환경 컨텍스트 정보를 사용하는 특징 수준의 데이터 융합 방법을 제안한다. 우리의 데이터 셋은 다양한 온라인 데이터베이스로부터 수집된 일리노이 주 시카고 지역의 범죄 통계, 인구, 기상, 그리고 영상으로 구성된다. 학습 데이터를 생성하기 전에, 우리는 통계적 검정을 통해 범죄와 관련 된 데이터를 선택한다. 최종적으로 우리는 4 종류의 층들로 (공간적, 시간적, 환경 컨텍스트, 그리고 공동의 특징 재표현 층) 구성되어 있는 심층 신경망을 학습한다. 다양한 도메인에서 추출 된 중요한 데이터를 결합하여, 우리의 융합 심층신경망은 통계적으로 데이터의 중복성과 상대성을 분석하여 효율적인 의사 결정을 한다. 성능 실험 결과들은 우리의 심층 신경망 모델의 성능이 다른 예측 모델보다 범죄 발생 예측을 더욱 정확하게 하는 것을 보여준다.
최근 범죄 발생의 예측에 관한 다양한 연구들이 진행되어 왔다. 이 예측 기능은 효율적으로 경찰의 순찰 경로를 구성하여 범죄 예방에 도움이 된다. 이전의 연구들은 인구, 경제, 그리고 교육과 같은 다양한 영역의 데이터를 사용해왔다. 그러나 그들의 예측 모델은 다른 영역의 데이터를 동등하게 다루고, 특징을 직접 연결한다. 결과적으로 이런 방법들은 범죄 발생 예측에서 비선형 관계의 발견의 어려움, 중복성, 그리고 다양한 데이터 셋 사이의 의존성과 같은 문제를 가진다. 범죄 예측 모델을 향상하기 위해 우리는 깨진 창문이론과 환경 디자인을 통한 범죄 예방과 같은 환경 컨텍스트 정보를 고려한다. 본 논문에서 우리는 심층 신경망 기반의 환경 컨텍스트 정보를 사용하는 특징 수준의 데이터 융합 방법을 제안한다. 우리의 데이터 셋은 다양한 온라인 데이터베이스로부터 수집된 일리노이 주 시카고 지역의 범죄 통계, 인구, 기상, 그리고 영상으로 구성된다. 학습 데이터를 생성하기 전에, 우리는 통계적 검정을 통해 범죄와 관련 된 데이터를 선택한다. 최종적으로 우리는 4 종류의 층들로 (공간적, 시간적, 환경 컨텍스트, 그리고 공동의 특징 재표현 층) 구성되어 있는 심층 신경망을 학습한다. 다양한 도메인에서 추출 된 중요한 데이터를 결합하여, 우리의 융합 심층신경망은 통계적으로 데이터의 중복성과 상대성을 분석하여 효율적인 의사 결정을 한다. 성능 실험 결과들은 우리의 심층 신경망 모델의 성능이 다른 예측 모델보다 범죄 발생 예측을 더욱 정확하게 하는 것을 보여준다.
In recent years, various studies have been conducted on the prediction of crime occurrences. This predictive capability is intended to assist in crime prevention by facilitating effective implementation of police patrols. Previous studies have used data from multiple domains such as demographics, ec...
In recent years, various studies have been conducted on the prediction of crime occurrences. This predictive capability is intended to assist in crime prevention by facilitating effective implementation of police patrols. Previous studies have used data from multiple domains such as demographics, economics, and education. Their prediction models treat data equally from different domains. These methods have problems in crime occurrence prediction, such as difficulty in discovering highly nonlinear relationships, redundancies, and dependencies between multiple datasets. In order to enhance crime prediction models, we consider environmental context information, such as broken windows theory and crime prevention through environmental design. In this thesis, we propose a feature-level data fusion method with environmental context based on a deep neural network (DNN). Our dataset consists of data collected from various online databases of crime statistics, demographic and meteorological data, and images in Chicago, Illinois. Prior to generating training data, we select crime-related data by conducting statistical analyses. Finally, we train our DNN, which consists of the following four kinds of layers: spatial, temporal, environmental context, and joint feature representation layers. Coupled with crucial data extracted from various domains, our fusion DNN is a product of an efficient decision-making process that statistically analyzes the redundancy of data. Experimental performance results show that our DNN model is more accurate in predicting crime occurrences than other prediction models.
In recent years, various studies have been conducted on the prediction of crime occurrences. This predictive capability is intended to assist in crime prevention by facilitating effective implementation of police patrols. Previous studies have used data from multiple domains such as demographics, economics, and education. Their prediction models treat data equally from different domains. These methods have problems in crime occurrence prediction, such as difficulty in discovering highly nonlinear relationships, redundancies, and dependencies between multiple datasets. In order to enhance crime prediction models, we consider environmental context information, such as broken windows theory and crime prevention through environmental design. In this thesis, we propose a feature-level data fusion method with environmental context based on a deep neural network (DNN). Our dataset consists of data collected from various online databases of crime statistics, demographic and meteorological data, and images in Chicago, Illinois. Prior to generating training data, we select crime-related data by conducting statistical analyses. Finally, we train our DNN, which consists of the following four kinds of layers: spatial, temporal, environmental context, and joint feature representation layers. Coupled with crucial data extracted from various domains, our fusion DNN is a product of an efficient decision-making process that statistically analyzes the redundancy of data. Experimental performance results show that our DNN model is more accurate in predicting crime occurrences than other prediction models.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.