Development of Macro-Level Crime and Collision Prediction Models to Support Data-Driven Approach to Crime and Traffic Safety (DDACTS)
Notice bibliographique
Résumé
The number of violent crimes and fatal-injury collisions concerns many jurisdictions. Traditional enforcement tactics are often reactive, relying on historical crime and collision data to select locations for law enforcement. Advanced law enforcement tactics take a proactive approach. Such tactics include Data-Driven Approaches to Crime and Traffic Safety (DDACTS), which uses predicted numbers of crimes and collisions to identify locations for law enforcement. This DDACTS study was conducted in Regina, Saskatchewan, Canada. The research developed macro-level prediction models to predict violent crimes and collisions in each traffic analysis zone (TAZ) in Regina. The zonal nature of the analysis is important for overcoming confidentiality and privacy issues associated with violent crimes and fatal-injury collisions. Fifty-four input variables were used to describe each TAZ’s crimes, collisions, socio-demographic, road inventory, traffic, and land use characteristics. The analysis used negative binomial regression coupled with the empirical Bayes method (a popular approach in transportation, but relatively new to crime mapping) to develop two statistical models that predict the long-term mean value for the number of violent crimes/collisions per zone. Cumulative residual plots were used as the main goodness-of-fit test. The findings are summarized on a map showing the top ten hotzones for violent crimes, the top ten hotzones for fatal-injury collisions, and the zones where the crime and collisions zones overlap. The overlapping zones are the DDACTS zones. By focusing law enforcement in the DDACTS zones, it may be possible to reduce violent crimes and fatal-injury collisions simultaneously and use limited resources more cost effectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».