Key points are not available for this paper at this time.
Pour diverses raisons, la prédiction est utilisée dans presque tous les secteurs. De nombreuses fonctions sociétales, comme la prédiction criminelle, en dépendent. Les outils de fouille de données abondent en matière de prédiction traditionnelle. Ces approches manquent de précision lorsqu'il s'agit de nouveaux types de données et sont quelque peu obsolètes. Elles prennent également beaucoup de temps. Au lieu des méthodes de fouille de données anciennes, les réseaux de neurones artificiels fonctionnent bien. Cette étude utilise un modèle de Prédiction Criminelle basé sur l'Apprentissage Profond Hybride (HDLCP) pour prévoir l'activité criminelle ; le modèle est ensuite testé pour sa précision en utilisant la technique de l'Arbre de Décision (AD) pour la validation croisée. À l'aide des ensembles de données actuels, des informations supplémentaires sont anticipées. L'activité criminelle est périlleuse et répandue, affectant les sociétés du monde entier. L'espérance de vie, la croissance du PIB et le prestige national sont tous impactés par les taux de criminalité. De nouvelles méthodes et des technologies sophistiquées sont nécessaires pour améliorer l'analyse criminelle afin de protéger les communautés et d'assurer la sécurité de la société dans son ensemble. Un certain nombre de probabilités criminelles dans une zone donnée peuvent être étudiées, détectées et prédites par l'approche proposée. En utilisant plusieurs approches de fouille de données, l'auteur explique les différentes formes d'étude criminelle et de prédiction criminelle.
Tamilselvi et al. (Fri,) ont étudié cette question.