点击下方小卡片关注情报分析师
警方阻止犯罪通常依赖于刑事违法报告，这含蓄地表明了犯罪、警务和社会之间的复杂关系。结果，犯罪预测和预测性警务引发了争议，最新的人工智能算法对犯罪的社会系统产生了有限的洞察力。
在这项研究中表明，虽然预测模型可以进行犯罪监控，但它们也可以通过追踪犯罪执法中的系统性偏差来监控国家。我们引入了一种随机推理算法，通过从事件报告中学习时空相关性来预测犯罪，在芝加哥，对于每周预测的约1000英尺内的犯罪，接收器操作特征曲线下的平均面积约为90%。这种预测使我们能够研究犯罪模式的扰动，这种扰动表明对犯罪增加的反应受到邻近地区社会经济状况的影响，耗尽了社会经济落后地区的政策资源，如美国八个主要城市所示。
在这篇文献中表明，城市中的犯罪可以提前一周或几周可靠地预测，从而实现基于模型的模拟，揭示报告的违法行为模式和相应的警察执法模式。我们从公开记录的历史事件日志中学习，并验证下一年中超出训练样本的事件。使用来自芝加哥市的事件数据，利用时空网络推断算法推断过去事件发生的模式，并构建本地估计者的通信网络(格兰杰网络)以进行预测。
除了芝加哥，我们还分析了美国另外七个主要城市公共领域的犯罪事件日志:底特律、费城、亚特兰大、奥斯汀、旧金山、洛杉矶和波特兰。在所有这些城市中，我们在预测暴力和财产犯罪方面获得了相对较高的性能，平均AUC值在86%和90%之间。
此外，我们在芝加哥观察到的扰动反应模式，即警察资源从弱势社区向优势社区的去分配，在所有这些城市都得到了复制。虽然犯罪率随着当地社区社会经济地位的下降而上升，但在犯罪率上升5-10%后，每周预测事件的数量会下降。因此，犯罪率上升导致报案数量减少，这种模式在社会经济地位较低的社区更为常见。
完整《美国AI 新算法提前预测犯罪》中英文已上传至情报学院知识星球，
长按识别下方二维码加入知识星球APP下载。