Predictive Hotspot Mapping for Data-driven Crime Prediction

Dit paper introduceert een niet-parametrisch model voor het voorspellen van criminaliteitshotspots op basis van historische data en expertinput, dat succesvol is getest in samenwerking met de politie van Delhi voor een efficiëntere toewijzing van patrouillevoertuigen.

De kern

Stel je voor dat de politie in een enorme, drukke stad als Delhi werkt met een beperkt aantal agenten en auto's. Het is als proberen een grote, donkere tuin te bewaken met slechts een paar lantaarnpalen. Waar zet je die lichten neer? Als je ze overal even vaak zet, zijn ze ergens vergeten. Als je ze alleen op de plekken zet waar gisteren een dief was, ben je misschien te laat voor de nieuwe plek waar hij vandaag gaat slaan.

Dit artikel beschrijft een slimme manier om precies te voorspellen waar en wanneer er straks een overval of zakkenroller zal plaatsvinden, zodat de politie daar op tijd kan zijn.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. De Probleemstelling: De "Gok" vs. De "Voorspelling"

Vroeger deden politieagenten vaak op basis van een gevoel of een vaste routine. "We gaan elke dinsdagavond naar het station." Maar criminelen zijn slim; ze veranderen hun patronen.

• De analogie: Stel je voor dat je probeert een vis te vangen in een meer. Als je elke dag op exact dezelfde plek je hengel uitgooit, vang je misschien de eerste dag wat, maar de vissen leren je patroon en zwemmen weg. Je moet weten waar de vissen nu zijn, niet waar ze gisteren waren.

2. De Oplossing: Een "Slimme Radar" (Het Model)

De auteurs (wetenschappers van het IIM Ahmedabad) hebben een computerprogramma gemaakt dat werkt als een slimme, levende radar. Dit programma heet een "niet-parametrisch model met kernel-dichtheid". Klinkt ingewikkeld, maar het is eigenlijk heel logisch:

• Het is een foto die steeds scherper wordt: Het programma kijkt naar duizenden meldingen van de afgelopen tijd. Het tekent een kaart waar de kans op een misdrijf het grootst is.
• Het kijkt naar tijd én ruimte: Het weet niet alleen waar het gebeurt, maar ook wanneet. Een plek kan veilig zijn om 10 uur 's ochtends, maar gevaarlijk om 10 uur 's avonds. Het model combineert deze twee dingen.
• Het is flexibel: Het past zich aan. Als er een nieuwe markt opent of een brug wordt afgebroken, verandert het patroon. Het model leert van deze veranderingen.

3. De Menselijke Factor: De "Oude Varkens" in de Ruimte

Dit is het meest unieke deel van het artikel. Veel computermodellen werken alleen met cijfers uit het verleden. Maar wat als er iets nieuws gebeurt dat nog niet in de cijfers staat? Bijvoorbeeld: "Er is een nieuwe bouwplaats die donker is" of "Er loopt een bekende dader vrij rond."

• De analogie: Stel je voor dat je een supercomputer hebt die alle verkeersgegevens kent. Maar als er plotseling een boom op de weg ligt, weet de computer dat niet totdat er een auto stopt.
• De oplossing: De auteurs hebben een manier bedacht om politieagenten (de experts) hun "buikgevoel" of nieuwe informatie in het systeem te laten stoppen. De agenten kunnen via een app zeggen: "Hey, in dit straatje is het donker en er is een nieuwe ingang, pas op!" Het computermodel neemt dit dan mee en past de voorspelling direct aan. Het is een samenwerking tussen de slimme machine (die duizenden cijfers ziet) en de ervaren agent (die de straat kent).

4. Wat levert dit op? (De Resultaten)

De auteurs hebben dit getest in samenwerking met de politie van Delhi. De resultaten waren indrukwekkend:

• Efficiëntie: Als de politie slechts 20% van de stad bewaakt (de plekken die het model als "rood" markeert), vangen ze ongeveer 80% van de straatcrimes.
• Dynamiek: De "gevaarlijke plekken" veranderen elke week, en zelfs elke dag. Wat gisteren gevaarlijk was, is vandaag misschien veilig. Het model zegt de politie: "Verplaats je lantaarnpalen vandaag naar hier, morgen naar daar."
• Geen vaste patronen: Het bleek dat agenten vaak vasthielden aan vaste routes (bijvoorbeeld altijd bij de tempel of het metrostation). Het model liet zien dat niet alle tempels gevaarlijk zijn, en dat er juist gevaarlijke plekken zijn die niemand in de gaten had.

5. De Toekomst: Drones en Slimme Steden

Het artikel sluit af met een visie voor de toekomst. Stel je voor dat deze slimme radar niet alleen auto's stuurt, maar ook drones.

• De analogie: In plaats van dat een agent in een auto door de stad rijdt en hoopt iets te zien, kan een groepje drones (een "zwerm") boven de "rode zones" vliegen. Ze hebben een vogelperspectief en kunnen alles zien. De computer stuurt hen precies naar de plek waar het risico het grootst is op dat moment.

Samenvatting

Dit artikel gaat over het maken van een slimme, samenwerkende voorspellingstool.

1. Het gebruikt geschiedenis (data) om patronen te zien.
2. Het gebruikt menselijke kennis (agenten) om nieuwe risico's direct op te vangen.
3. Het levert een dynamische kaart op die elke week verandert, zodat de politie niet blindelings rondrijdt, maar precies op de juiste plek op het juiste moment staat.

Het is alsof je de politie een kristallen bol geeft, maar dan een die niet magisch is, maar gebaseerd op cijfers, ervaring en slimme technologie, zodat ze de stad veiliger kunnen maken met minder middelen.

Technische samenvatting

Probleemstelling

Politieafdelingen wereldwijd worstelen met de uitdaging om criminelen te voorspellen en te voorkomen met beperkte middelen. Hoewel er veel onderzoek is gedaan naar voorspellende algoritmen op basis van historische data, missen bestaande methoden vaak de flexibiliteit om expertkennis (menselijke oordelen) te integreren.

• De beperking van puur datagedreven modellen: Traditionele modellen vertrouwen uitsluitend op historische incidenten. Ze kunnen echter geen rekening houden met nieuwe, niet-historische factoren zoals bouwprojecten, defecte verkeerslichten, tijdelijke bushaltes, of informatie over voorwaardelijk vrijgelaten criminelen, totdat er daadwerkelijk misdrijven plaatsvinden.
• De behoefte: Er is een behoefte aan een systeem dat historische data combineert met real-time inlichtingen van experts om patrouille- en bewakingsoperaties te optimaliseren. Dit is cruciaal voor het beheer van straatafval (zoals zakkenrollen en overvallen) in Delhi, waar de politie werkt met een hoge criminaliteitsdichtheid.

Methodologie

De auteurs stellen een niet-parametrisch model voor op basis van een spatio-temporele blokgewogen adaptieve Kernel Density Estimation (KDE).

1. Kern van het model:

   • Het model schat de waarschijnlijkheidsdichtheid van criminele gebeurtenissen in ruimte (lengte- en breedtegraad) en tijd (tijd van de dag).
   • In plaats van een statisch model, gebruikt het een Bayesiaanse framework om parameters te schatten.
   • Adaptieve Bandbreedte: Het model past de bandbreedte (smoothness) lokaal aan op basis van de dichtheid van de data. In gebieden met veel incidenten is de bandbreedte smaller (meer detail), en in gebieden met weinig data breder.
   • Tijdscomponent: Voor de tijd van de dag wordt een circulaire verdeling (von Mises verdeling) gebruikt om de cyclische aard van de dag (24 uur) correct te modelleren.
   • Blokgewichting: Historische data wordt opgedeeld in blokken (bijv. weken). Het model leert dynamische gewichten voor deze blokken, zodat het niet automatisch aannemen dat de meest recente week het meest voorspellend is, maar de gewichten aanpast op basis van de data.

2. Integratie van Expert Input:

   • Een unieke innovatie is de mogelijkheid om een extra "expert-blok" toe te voegen aan de dataset.
   • Politieagenten kunnen via een mobiele applicatie (zoals de "eBeat Book") locaties markeren waar zij op basis van hun ervaring verwachten dat misdrijven zullen plaatsvinden (bijv. gebieden met slechte verlichting of nieuwe bouw).
   • Het model combineert deze expert-data met historische data via een gewogen som in de likelihood-functie. De gewichten worden Bayesiaans geschat.

3. Schattingsprocedure:

   • Gezien de complexiteit en de grootte van de dataset (miljoenen records), wordt gebruik gemaakt van Gibbs-sampling voor de Bayesiaanse schatting.
   • Voor de daadwerkelijke voorspelling wordt een benadering gebruikt waarbij de parameters worden vastgezet op hun posteriore gemiddelde, wat de rekentijd aanzienlijk verkort (van >12 uur naar <1 uur op een HPC-server).

Belangrijkste Bijdragen

1. Methodologische Innovatie: Dit is, voor zover bekend, de eerste studie die een spatio-temporele KDE toepast met zowel adaptieve bandbreedtes als blokgewichting voor tijdsintervallen, specifiek ontworpen voor criminele voorspelling.
2. Integratie van Menselijke Expertise: Het model biedt een mechanisme om expertinformatie systematisch te integreren, wat een gat in de literatuur opvult waar de meeste modellen alleen op historische data vertrouwen.
3. Praktische Toepassing: Het model is ontwikkeld en gevalideerd in samenwerking met de Delhi Police, met een focus op straatafval (zakkenrollen en overvallen).
4. Open Data: De auteurs hebben een gemaskeerde versie van de dataset en het algoritme openbaar gemaakt voor verder onderzoek.

Resultaten

Het model (Model 5: spatio-temporeel, 52 weken historische data, adaptieve bandbreedte, Bayesiaanse schatting) werd getest op data van oktober 2020 tot maart 2021.

• Voorspellende Nauwkeurigheid:
  • Model 5 presteerde significant beter dan andere modellen (zoals puur ruimtelijke modellen of modellen met Silverman's vuistregel voor bandbreedte).
  • Door 20% van de stadsgebieden te monitoren (de "rode" en "gele" zones op de hotspotkaart), kon het model 75-80% van de daadwerkelijke straatafvalincidenten voorspellen.
  • Door 40% van de gebieden te monitoren, steeg dit naar 93-97% van de incidenten.
• Impact van Expert Input:
  • Simulaties toonden aan dat het toevoegen van expertinformatie (zelfs als deze slechts 10-30% van de toekomstige incidenten dekt) de voorspellende nauwkeurigheid (gemeten in AUC - Area Under the Curve) met 1% tot 4% verhoogde.
  • Dit betekent dat het model in staat is om extra incidenten te vangen die puur op basis van historische data niet voorspelbaar waren.
• Dynamische Aard:
  • De analyse toonde aan dat hotspots niet statisch zijn. Ze veranderen aanzienlijk van week tot week en zelfs binnen dezelfde dag (bijv. tussen 16:00-20:00 en 20:00-00:00).
  • Een statische patrouilleplanning zou leiden tot een verlies van ongeveer 0,5% in nauwkeurigheid, wat neerkomt op het niet voorspellen van ongeveer 5 incidenten per week.

Betekenis en Implicaties

• Operationele Besluitvorming: Het model stelt de politie in staat om patrouille-voertuigen (zoals de "Prakhar"-wagens) dynamisch in te zetten op basis van voorspellingen, in plaats van op basis van vaste routes of intuïtie.
• Efficiëntie: Door zich te concentreren op de top 20-40% van de risicogebieden, kan de politie met beperkte middelen een groot deel van de criminaliteit voorkomen of oplossen.
• Vertrouwen in AI: Door experts de mogelijkheid te geven input te geven, wordt de weerstand tegen "black box" AI-systemen bij beleidsmakers en agenten verminderd. Het creëert een collaboratief systeem.
• Toekomstperspectief: De methode is schaalbaar en kan worden geïntegreerd met nieuwe technologieën zoals drones voor bewaking, wat de dekking en efficiëntie verder kan vergroten.

Kortom, dit artikel presenteert een robuust, flexibel en praktisch bewezen framework dat historische data en menselijke intelligentie combineert om de criminaliteitsbestrijding in stedelijke gebieden te optimaliseren.