Nature子刊：新算法可提前一周预测两个街区内的犯罪，在美国8个城市准确率达90%

本篇文章主要是结合我之前面试的各种经历和实战开发中遇到的问题解决经验整理的，希望这篇《Nature子刊：新算法可提前一周预测两个街区内的犯罪，在美国8个城市准确率达90%》对你有很大帮助！欢迎收藏，分享给更多的需要的朋友学习~

芝加哥大学的助理教授Ishanu Chattopadhyay告诉 Insider，他和他的团队创造了一个「urban twin（城市双胞胎）」模型，通过对芝加哥从2014年到2016年底的犯罪数据的训练，可以预测接下来几周某些犯罪的可能性，并将范围缩小到两个街区半径内，准确率达到90% 。

Chattopadhyay表示，“我们报告了一种从个别事件层面预测城市犯罪的方法，其预测准确性远远高于过去。”

论文的合著者James Evans告诉《科学日报》：“我们证明了发现城市特有的犯罪模式对于预测报案的重要性，这产生了对城市社区的全新看法，使我们能够提出新颖的问题，并让我们以新的方式评估警方行动。”

该研究被发表在Nature Human Behavior上。

论文链接：

https://www.nature.com/articles/s41562-022-01372-0

预测未来的犯罪

模型的数据来自芝加哥市的历史数据，这些数据包括两大类报告事件: 暴力犯罪(谋杀、袭击和殴打)和财产犯罪(入室盗窃、盗窃和机动车盗窃)。

根据AreaVibes汇编的数据，2020年芝加哥的犯罪率比全国平均水平高出67%。 

之所以使用这些数据，是因为这些数据最有可能被报告给城市地区的警察，这些地区在历史上存在不信任和缺乏与执法部门合作的情况。 

与毒品犯罪、交通阻塞和其他轻微违法行为不同，此类犯罪也不太容易出现执法偏见。

通过对数据进行测试和验证，训练出的新模型通过观察离散事件的时间和空间坐标，可以准确预测未来几周事件的模式，地理范围可以控制到两个街区左右。

该模型在其他七个城市（亚特兰大、奥斯汀、底特律、洛杉矶、费城、波特兰和旧金山。）也得到了类似的结果，主要关注犯罪的类型和发生地点。 

“我们创造了一个城市环境的数字孪生兄弟。如果你从过去发生的事情中提供数据，它会告诉你将来会发生什么，”Chattopadhyay说，“这并不神奇，有一些局限性，但是我们验证了它，而且效果非常好。”

潜在的偏见

第一作者Ishanu Chattopadhyay谨慎地指出，“该工具的准确性并不意味着它应该被用来指导执法政策——例如，警察部门不应该使用它主动聚集到某个社区来预防犯罪，”Chattopadhyay 说。

相反，它应该被添加到城市政策和治安战略的工具箱中，以解决犯罪问题。

“现在，你可以把它当作一个模拟工具，看看如果城市某个地区的犯罪率上升，或者另一个地区的执法力度加大，会发生什么情况。如果你应用所有这些不同的变量，就可以看到系统是如何应对这些变量的。”Chattopadhyay解释道。

研究小组还研究了警察对犯罪的反应，通过分析事件发生后的逮捕人数，并比较不同社区的逮捕率。

根据Econofact编制的研究报告，维持治安方面的种族偏见造成了高昂的经济代价，并加剧了已经遭受严重剥夺的地区的不平等。他们发现，当富裕地区的犯罪率上升时，就会有更多的人被逮捕。但这种情况并没有发生在弱势社区，这表明警方的反应和执法不平衡。

因此，Chattopadhyay将这些数据和算法公之于众以加强审查，他希望这些发现能够用于高层政策，而不是作为警方的反应工具。

尽管如此，对于这样的研究，还是存在不少质疑的声音。

2016年，芝加哥警察局试验了一个模型来预测那些最有可能卷入枪击事件的人，但这份神秘的名单最终显示，56% 的居住在芝加哥的黑人男性出现在名单上，引发了对种族主义的指控。

虽然一些模型试图根除这些偏见，但它们往往产生相反的效果，有人指责潜在数据中的种族偏见加剧了未来的偏见行为。

剑桥循证警务中心的Lawrence Sherman告诉《新科学家》杂志，他担心这项研究会将警务数据纳入依赖于公民报告或警察出动寻找的犯罪行为的研究中。

Chattopadhyay同意这是一个问题，他的团队试图通过排除公民报告的犯罪和警察干预(通常涉及轻微的毒品犯罪和交通拦截)，以及更严重的暴力和财产犯罪(在任何情况下都更有可能被报告)来解释这一问题。 

Chattopadhyay说：“理想情况下，如果你能预测或预防犯罪，唯一的反应不应该是派遣更多的警察或让执法人员大量涌入某个特定社区。”

 “如果你能预防犯罪，我们还可以做很多其他事情来防止这类事情发生，这样就不会有人入狱，并帮助整个社会。” 

本篇关于《Nature子刊：新算法可提前一周预测两个街区内的犯罪，在美国8个城市准确率达90%》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！