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.
ระเบียนต้นฉบับ
การอ้างอิงถูกคัดลอกตามต้นฉบับจากระเบียนต้นฉบับของวิธีดำเนินการ ไม่มีการอ้างสิทธิ์ในระดับการตรวจสอบใด ๆ ที่อนุมานได้จากสิ่งเหล่านี้
- 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
ข้อเรียกร้องที่ดูแลจัดการ
ข้อเรียกร้องถูกจัดเก็บไว้ในบัญชีแยกประเภทหลักฐาน โดยแต่ละรายการมีชุดการประเมินของตนเอง
มุมมองนี้ไม่ได้สร้างการประเมินข้อเรียกร้องขึ้นมาเมื่อบัญชีแยกประเภทไม่มี
วิธีดำเนินการที่เกี่ยวข้อง
สร้างจากกราฟวิธีดำเนินการและแสดงเป็นความสัมพันธ์ที่แนะนำโดยเครื่องจักร — ไม่มีการอ้างสิทธิ์หลักฐานใด ๆ ที่อนุมานได้