Eine systematische Überprüfung der Multi-Skalen-Spatio-Temporal-Methoden zur Verbrechensvorhersage

Kriminalität ist stets eines der wichtigsten sozialen Probleme und stellt eine große Bedrohung für die öffentliche Sicherheit und die Menschen dar. Eine genaue Verbrechensvorhersage kann der Regierung, der Polizei und den Bürgern helfen, effektive Maßnahmen zur Verbrechensprävention durchzuführen. In diesem Papier wird die Forschung zur Verbrechensvorhersage systematisch aus verschiedenen zeitlichen und räumlichen Perspektiven überprüft. Wir beschreiben den aktuellen Stand der Forschung zur Verbrechensvorhersage aus vier Perspektiven (Vorhersageinhalt, Verbrechensarten, Methoden und Bewertung) und konzentrieren uns auf die Vorhersagemethoden. Je nach verschiedenen zeitlichen und räumlichen Maßstäben wird die zeitliche Verbrechensvorhersage in kurzfristige, mittelfristige und langfristige Vorhersagen unterteilt, während die räumliche Verbrechensvorhersage in Mikro-, Meso- und Makroebene unterteilt wird. Die Klassifikation der spatio-temporalen Verbrechensvorhersage kann eine Permutation der Klassifikationen der zeitlichen und räumlichen Verbrechensvorhersage sein. Eine Vielzahl von Methoden zur Verbrechensvorhersage und Bewertungskriterien werden ebenfalls zusammengefasst, und verschiedene Vorhersagemethoden und Modelle werden verglichen und bewertet. Nach Durchsicht der Literatur wurde festgestellt, dass es in der aktuellen Forschung noch viele Einschränkungen gibt: (i) die Datenarmut ist schwer effektiv zu bewältigen; (ii) die Praktikabilität, Interpretierbarkeit und Transparenz der Vorhersagemodelle sind unzureichend; (iii) das Bewertungssystem ist relativ einfach; und (iv) die Forschung zur Entscheidungsanwendung fehlt. In diesem Zusammenhang werden die folgenden Vorschläge zur Lösung der oben genannten Probleme unterbreitet: (i) die Verwendung von Transformer-Lerning-Technologie, um mit spärlichen Daten umzugehen; (ii) die Einführung von Methoden zur Modellinterpretation, wie Shapley additive Erklärungen (SHAPs), um die Interpretierbarkeit der Modelle zu verbessern; (iii) die Etablierung eines Satzes standardisierter Bewertungssysteme für die Verbrechensvorhersage auf verschiedenen Ebenen, um die Nutzung von Daten und Bewertungskriterien zu standardisieren; und (iv) die Integration von Reinforcement Learning, um genauere Vorhersagen zu erreichen und gleichzeitig den Wandel der Anwendungsergebnisse zu fördern.