Improved Crime Prediction Using Hybrid Neural Architecture Search Together with Hyperparameter Tuning
Notice bibliographique
Résumé
Different parts of the world have recorded an escalating number of criminal incidents, burdened the judicial system, and adversely impacted national security and economic development. Accurate prediction of crimes is crucial for law enforcement agencies to prevent proactively criminal activity and allocate resources effectively. Existing methods often address architecture design and hyperparameter tuning as separate processes. We present a combination of neural architecture search and hyperparameter tuning for improved crime prediction. The study method achieved automation of architecture discovery and fine-tuning of hyperparameters by utilizing Neural Architecture Search (NAS) to explore a wide range of neural network architectures for crime prediction and optimizing the hyperparameters of the discovered architecture for peak performance in binary crime prediction, respectively. The study used three datasets: criminal cases dataset (self-collected dataset), Vancouver crime data, and Austin crime data. The criminal cases dataset is extracted from a confidential database from certain countries, focusing on sensitive parts of those countries. The Vancouver crime and Austin crime datasets were sourced from the Kaggle website. The study considered the robust rank aggregation (RRA) feature selection method to rank and select the best features to predict crime behavior in some countries. The chosen features using robust rank aggregation included current position, age range, month, prisoner condition, and identified/unidentified (ide/unide). The hyperparameter tuning model of Architecture Search (NAS +) produced superior results across all datasets with an accuracy of 89.29% (AUC-ROC = 94.82% and recall = 64.54%) in the criminal cases dataset, 60.37% (AUC-ROC = 50.00% and recall = 100.00%) in the Vancouver dataset, and 86.68% (AUC_ROC = 65.40% and recall = 100.00%) in the findings which demonstrated that the proposed approach consistently outperforms conventional methods, making it an effective solution for the prediction of real-world crimes.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».