Voorspellende ruimtelijke modellen voor criminaliteitsanalyse - dummies

U kunt voorspellende statistische modellen opnemen in misdaadanalysemethoden om analyses te maken die beschrijven en voorspellen waar en welke soorten criminele activiteit waarschijnlijk zijn optreden.

Voorspellende ruimtelijke modellen kunnen u helpen het gedrag, de locatie of criminele activiteiten van recidivisten te voorspellen. U kunt ook statistische methoden toepassen op spatio-temporele gegevens om causatieve of correlatieve variabelen die relevant zijn voor criminaliteit en wetshandhaving te achterhalen.

De volgende lijst bevat typen benaderingen die nuttig zijn bij ruimtelijke voorspellende modellering voor misdaadanalyse:

• Clustering: U kunt methoden voor het berekenen van de korrels gebruiken om de ruimtelijke dichtheid van criminele activiteiten te kwantificeren en om vergelijkende metingen te genereren tussen de dichtheden van criminele activiteiten ten opzichte van de basispopulatie van het getroffen gebied.

  Kernel-dichtheidschatting (KDE) is een afvlakkingsmethode die werkt door een kernel - of een weegfunctie die nuttig is voor het kwantificeren van dichtheid - op elk gegevenspunt in de gegevensset te plaatsen en vervolgens de kernels te sommeren om een ​​kerneldichtheidsraming te genereren voor de gehele regio.

• Geavanceerde ruimtelijke statistieken: Een voorbeeld hiervan is het gebruik van regressieanalyse om vast te stellen hoe een of meer onafhankelijke misdaadvariabelen direct een afhankelijke criminaliteitsvariabele veroorzaken of daarmee correleren. Ten slotte worden geavanceerde ruimtelijke statistieken gebruikt om gedragsvoorspellingen te doen voor recidivisten en toekomstige criminele activiteiten te voorspellen op basis van historische gegevens over crimineel gedrag en informatie over de huidige omstandigheden.