Cross-City Comparison of Crime-Prediction Models: A Scale Confound in Aggregate Poisson Likelihood, with a Four-City Demonstration

技术摘要：跨城市犯罪预测模型的比较研究

问题陈述
本文针对计数预测模型在跨人口统计评估中的方法论空白进行了探讨，特别是在亚城市级犯罪预测领域。虽然聚合事件加权泊松预测对数似然（PLL）被广泛用于比较不同犯罪密度辖区的模型性能，但作者证明该指标在本质上受到零率组成（zero-rate composition）的混淆。具体而言，单事件对数似然的上限在数学上依赖于预测均值（$\mu$），且随着 $\mu$ 的增加而变得更负。因此，具有较高事件密度（即较低零率）的人口区域会在聚合 PLL 排名中被系统性地惩罚，无论其实际模型质量如何。这种混淆会导致城市排名发生错位，从而得出误导性的结论。

方法论
本研究采用统一的 LightGBM 流水线，通过对波士顿（美国）、利兹、伯明翰和伦敦（英国）的犯罪事件数据进行四城市实证演示。

• 数据： 数据集由 H3 分辨率 9 的空间单元（约 0.105 km²）组成，按月粒度进行聚合。波士顿数据（2023 年 1 月至 2026 年 4 月）为日分辨率的 NIBRS 数据；英国数据（2023 年 3 月至 2026 年 2 月）为月分辨率的内政部数据。
• 模型： 为每个城市和原生犯罪类型分别训练独立的 LightGBM 提升器（共 36 个 $(city, type)$ 单元），使用泊松目标函数。模型利用了包含对数人口、时间滞后、滚动平均值和邻域总和在内的 14 个特征堆栈。
• 评估协议： 研究采用交错式第 3 年拆分法（24 个训练区间，通过交替偶/奇区间进行验证和测试）。指标在留出的测试集上计算。
• 指标分析： 作者通过代数推导了斯特林近似下的泊松对数似然极限，以展示其对 $\mu$ 的依赖性。他们比较了四种汇总指标：事件加权平均 PLL、nonzero_pll_mean（基于 $y>0$ 的条件平均 PLL）、calibration_ratio（观测均值/预测均值）以及 zero_rate。
• 负面结果目录： 本文记录了针对失窃类事件进行的四种梯度空间干预措施，这些措施是针对一种散度检测诊断工具（定义为 $\mu_{max} / \mu_{median} > 1000$）进行的测试：Tweedie 损失（$p=1.5$）、具有固定离散度的负二项（NB）损失、训练目标缩尾处理（winsorization）以及单类型学习率降低。

核心贡献

1. 识别规模混淆： 本文通过代数证明和实证证据表明，聚合事件加权 PLL 在具有不同零率组成的人口之间不具备可比性。在四个城市的语料库中，三种不同的指标产生了三种不同的排名第一的城市（伯明翰在聚合 PLL 上排名第一，波士顿在 nonzero_pll_mean 上排名第一，伦敦在 calibration_ratio 上排名第一），没有任何城市在所有三个指标中均保持第一。
2. 提出的指标对： 作者建议将 nonzero_pll_mean 和 calibration_ratio 作为跨人口评估的主要指标对，并同时报告 zero_rate 作为描述性背景。这种方法将模型在事件发生上的表现与数据分布的结构属性隔离开来。
3. 负面结果目录： 本文明确报告了在测试机制中未能提高预测效果的四种特定配置干预措施。至关重要的是，作者发现该散度诊断本身测量的是空间稀疏性（一种浓缩犯罪的结构属性），而非预测病理学，这使得上述干预措施显得多余或适得其反。

结果

• 指标差异： 研究证实，聚合 PLL 排名受零率组成驱动。例如，波士顿（74%）与伦敦（61%）之间 13.5 个百分点的零率差异解释了聚合 PLL 差距的大部分原因，尽管两者的单事件表现相当。
• 校准改进： 对波士顿校准率（最初为 0.849，而英国城市约为 0.93）的案例研究显示，这种差异并非通过改变模型架构解决，而是通过数据流水线的修正实现的：应用时间衰减权重、排除不完整的月份测试区间，并使用交错拆分以平衡季节效应。
• 干预结果：
  • Tweedie 损失 ($p=1.5$)：未能降低散度比，并在其他犯罪类型中导致了训练病理现象。
  • 负二项分布（固定 $\alpha$）：导致模型显著过度预测（校准率在 0.69–0.83 之间），相比于泊松基准表现较差。
  • 缩尾处理 (Winsorization)：99.9 百分位数的截断降低了散度比，但并未降低其他类型的性能，不过由于底层诊断目标有误，该方法未被采用。
  • 学习率降低：将失窃类事件的学习率降低 5 倍虽消除了散度标记，但却灾难性地降低了预测质量（校准率 $\approx 0.01$），因为模型无法学习稀疏的空间结构。

意义与范围
本文定位为一篇方法论笔记，而非对预测警务架构的泛化研究。

• 范围限制： 作者明确指出，四个城市的样本（$n=4$）均由高收入、OECD 成员国、英语国家及具有相似警务制度的普通法管辖区组成。因此，本研究并不声称 LightGBM 架构或特定负面结果具有跨司法管辖区的普适性。
• 主要贡献： 核心意义在于通过代数和实证证明了聚合 PLL 是一个存在规模混淆的度量指标。论文认为，在进行跨人口比较时，必须在报告 zero_rate 的同时报告 nonzero_pll_mean 和 calibration_ratio，以避免产生误导性排名。
• 程序性建议： 一个关键的启示是，当出现跨人口校准差异时，应在改变模型架构或损失函数之前，优先调查数据流水线的完整性（例如：截断的时间区间、不匹配的时间窗口）。
• 负面结果： 所报告的特定干预失败属于针对处理重尾、空间集中计数数据的从业者的配置特定观察，而非对这些技术的分类拒绝（例如，使用 MLE 估计 $\alpha$ 的负二项分布仍有待测试）。

论文总结道，聚合 PLL 中的规模混淆是一个测量层面的问题，其优先级高于更广泛的预测警务伦理辩论，因此有必要改变在比较研究中报告性能的方式。