In een studie gepubliceerd in de EPJ-gegevenswetenschap logboek, het team van RMIT-onderzoekers laat zien hoe locatie- en activiteitsgegevens van gebruikers van de Foursquare-app, in combinatie met aanbevelingsalgoritmen, stelt ons in staat om misdaden nauwkeuriger te voorspellen dan ooit tevoren.

Foursquare-gebruikers delen hun locatie en activiteit wanneer ze op verschillende plaatsen 'inchecken'. De studie gebruikte gegevens van meer dan 20, 000 check-ins door gebruikers in Brisbane, en bijna 230, 000 check-ins door gebruikers in New York City.

RMIT computerwetenschapper Dr. Flora Salim zegt dat deze dynamische, realtime gegevens over mensenbewegingen in een stad zijn zeer waardevol om de waarschijnlijkheid van verschillende situaties in een gebied te begrijpen.

Maar om de vele hiaten in deze locatiegebaseerde gegevens op te vullen, onderzoekers ontwikkelden ook aanbevelingsalgoritmen, vergelijkbaar met de nummers die worden gebruikt om gerelateerde nummers op Spotify aan te bevelen.

"Het is duidelijk dat de grote meerderheid van de mensen in de stad de app niet altijd gebruikte en dat degenen die misdaden pleegden er waarschijnlijk niets over posten op de app. "zegt ze. "Dus, we gebruikten aanbevelingssystemen om de hiaten op te vullen en andere activiteiten in een bepaald scenario te voorspellen."

Bij tests in beide steden, het systeem voorspelde specifieke vormen van criminaliteit in specifieke delen van de stad beter dan bestaande misdaadvoorspellingsmodellen op basis van criminaliteitstrends.

in Brisbane, het systeem bleek 16% nauwkeuriger te zijn in het voorspellen van aanvallen dan de huidige modellen, 6% nauwkeuriger voor het voorspellen van illegale binnenkomst, 4% beter voor drugsdelicten en diefstal en 2% beter voor fraudevoorspelling.

In New York City, het verbeterde de voorspellingsnauwkeurigheid met 4% voor diefstal en drugsdelicten, fraude en illegale binnenkomst, terwijl de voorspellingen van een aanval met 2% worden verbeterd.

Salim zegt dat gezien de schaarste aan datasets die in het onderzoek zijn gebruikt, deze resultaten zijn significant.

"Op basis van deze positieve resultaten, deze technologie zou de politie in staat kunnen stellen om met beperkte middelen effectievere patrouillestrategieën te ontwikkelen door agenten naar plaatsen te sturen waar misdaad waarschijnlijker is, " ze zegt.

Het systeem kan ook eenvoudig worden opgeschaald om grotere monsters van bijna elk social media-platform te verwerken, app of mobiel netwerk dat locatiegebaseerde gegevens verzamelt.

"Het wijdverbreide gebruik van sociale media zoals Twitter en Foursquare, die allemaal enorme hoeveelheden gegevens over onze locatie verzamelen, activiteiten en voorkeuren—biedt ongekende mogelijkheden om de beweging en activiteit van mensen in een stad vast te leggen, " ze zegt.

Het onderzoek is slechts één voorbeeld van hoe onze gegevens kunnen worden gebruikt om ons handelen te voorspellen voor een hele reeks toepassingen.

Een ander project waar Salim bij betrokken is, kijkt naar algoritmen om te voorspellen, met een hoge mate van nauwkeurigheid, wat we in de tweede helft van onze dag gaan doen op basis van historische patronen en gegevens die zijn verzameld in de eerste helft van onze dag.

"Onderzoek naar het patroon van menselijke beweging, op basis van gegevens van onze mobiele apps, laat vaak zien hoe voorspelbaar veel van onze activiteiten zijn, ' zegt Salim.

Hoofdauteur en Ph.D. student Shakila Khan Rumi, die wordt begeleid door Salim en Dr. Ke Deng, zegt dat de studie een belangrijke stap voorwaarts betekent op het gebied van misdaadvoorspellingsmodellen.

"De huidige state-of-the-art misdaadvoorspellingsmodellen zijn over het algemeen gebaseerd op relatieve statische kenmerken, waaronder historische informatie op de lange termijn, geografische informatie en demografische informatie. Deze informatie verandert langzaam in de tijd, wat betekent dat deze traditionele modellen de kortetermijnvariaties in het optreden van misdaadgebeurtenissen niet konden vastleggen, ' zegt Rumi.

"Onze testresultaten tonen aan dat de verbetering van de voorspellingsprestaties na het toevoegen van dynamische functies aanzienlijk en statistisch significant is. Dat is echt revolutionair."

De groep is nu van plan het werk uit te breiden door de algoritmen te trainen met behulp van gegevens uit de ene stad en het vermogen om die lessen toe te passen in een andere stad waar de patronen anders zijn, te vergroten.