Crime Prediction Modeling
Crime prediction modeling forecasts where and when crime is most likely to occur next, so that limited resources can be directed before incidents happen rather than after. It spans simple historical hot-spot extrapolation, statistical self-exciting point processes that treat crimes as triggering further crimes, and modern machine-learning models that blend spatial, temporal, and environmental features. The statistical foundation was sharpened by Mohler and colleagues' 2011 demonstration that earthquake-style self-exciting (Hawkes) point processes — in which each crime raises the short-term risk of nearby crimes — forecast urban crime more accurately than conventional hot-spot maps.
Zdrojový záznam
Citace zkopírované doslovně ze zdrojového záznamu metody. Nejsou z nich vyvozovány žádné ověření na úrovni tvrzení.
- Mohler, G. O., Short, M. B., Brantingham, P. J., Schoenberg, F. P., & Tita, G. E. (2011). Self-exciting point process modeling of crime. Journal of the American Statistical Association, 106(493), 100–108. · DOI 10.1198/jasa.2011.ap09546
- Perry, W. L., McInnis, B., Price, C. C., Smith, S. C., & Hollywood, J. S. (2013). Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations. RAND Corporation. · ISBN 9780833081483
Spravovaná tvrzení
Tvrzení uložená v registru důkazů, každé s vlastním hodnocením.
Tento pohled nevymýšlí hodnocení tvrzení, pokud registr žádné neobsahuje.
Související metody
Vygenerováno z grafu metod a zobrazeno jako strojově navržené vztahy – nejsou z nich vyvozována žádná tvrzení o důkazech.