Un outil prédictif avancé identifie les points chauds de criminalité à haut risque en temps réel

• Un nouvel algorithme, nommé Ensemble Poisson Kalman Filter (EnPKF), peut suggérer la zone où la criminalité est la plus susceptible de se produire au cours de la prochaine heure. 
• Cela peut également indiquer quelles ressources seraient nécessaires pour lutter contre de tels crimes. 

Les services de police et de lutte contre la criminalité sont confrontés à de nombreuses pressions et contraintes sur leurs ressources, un fait qui alimente le développement d'outils de police intelligents pour aider les agents à prendre de meilleures décisions sur où concentrer leurs efforts.

La séquence de répliques de type épidémique (ETAS) est l’un des modèles les plus populaires appliqués aux données sur la criminalité pour prévoir les futures scènes de crime. Jusqu'à présent, cette technique basée sur une grille a réussi à prédire deux fois plus de crimes qu'un seul enquêteur humain.

Le modèle ETAS est basé sur la philosophie selon laquelle les crimes se produisent de manière stochastique, mais le taux d'occurrence des crimes dépend de l'histoire, ce qui signifie que les crimes commis dans une région augmenteront le taux de génération de crimes futurs dans les mêmes endroits ou à proximité pendant au moins une durée spécifique.

Cependant, cela ne prend pas en compte la nature probabiliste du processus criminel sous-jacent. De plus, il ne peut pas retracer l'incertitude en temps réel, qui pourrait survenir en raison de données limitées et bruyantes ou d'erreurs de sélection de modèle.

Filtre de Kalman Ensemble Poisson

À l’aide du modèle ETAS, une équipe internationale de chercheurs a développé un nouvel algorithme capable de traiter rapidement les données en temps réel sur la criminalité urbaine et de prévoir où les activités illégales pourraient se reproduire. La méthodologie, nommée Ensemble Poisson Kalman Filter (EnPKF), est assez similaire à celle utilisée dans les missions Apollo et les prévisions météorologiques.

Bien que la « prévisibilité » puisse être décrite de plusieurs manières, dans cette étude, les chercheurs se sont concentrés sur un type particulier d’événement et de système de prévision. Ils ont envisagé un modèle qui déclenche un « signal » pour alerter sur un événement d’intérêt à venir. Par exemple, cela peut suggérer la zone où un crime est le plus susceptible de se produire au cours de la prochaine heure.

Dans les applications actuelles de séries chronologiques, le modèle est simplifié pour prévoir si la prochaine activité illégale se produira ou non dans les prochaines heures (fixes). Dans l'ensemble, l'algorithme peut fournir aux départements de la criminalité des suggestions sur les endroits où des points chauds de criminalité mineure pourraient survenir et sur les ressources qui seraient nécessaires pour faire face à de telles activités illégales.

Référence :ScienceDirect | est ce que je:10.1016/j.csda.2018.06.014 | Université du Surrey 

Tests et autres applications

Le nouveau modèle est testé sur un ensemble de données contenant plus de 1 000 crimes de gangs survenus entre 1999 et 2002 à Los Angeles. Ils ont comparé les résultats avec un filtre à particules de grande taille, démontrant ainsi son efficacité dans la pratique.

Le principal atout de l'EnPKF par rapport au filtre à particules réside dans sa précision améliorée et la diminution des fluctuations de Monte-Carlo dans le contexte d'une taille d'échantillon plus petite. Cependant, le système est loin d'être parfait :il a tendance à générer des ensembles sous/sur-étalés pour certaines estimations de paramètres.

Lire :Un nouvel algorithme de véhicule autonome peut changer de voie de manière agressive

L'équipe travaille actuellement au développement d'une extension de grande dimension d'EnPKF et analyse son efficacité avec des données de cambriolage. Les chercheurs pensent que le système a diverses applications ; EnPKF peut être utilisé pour suivre les répliques des tremblements de terre, les retards des trains et les réclamations d'assurance.