From classical models to artificial intelligence models: Prospects for crime prediction in the era of big data
Notice bibliographique
Résumé
Accurate crime prediction is crucial for effective law enforcement and security, enabling proactive resource allocation and risk reduction. Criminal behavior is influenced by complex, diverse socio-economic factors, necessitating advanced models capable of extracting intricate patterns from large datasets. This research presents a methodological and applied comparison of four primary categories of time series forecasting models: Statistical Models (AutoARIMA), Machine Learning models (AutoLightGBM), Deep Learning models (N-HiTS), and Foundation Models (TimeGPT). The study’s innovation lies in (1) integrating these diverse categories in a single comparative framework tailored for security decision-makers, (2) explicitly applying cutting-edge AI, particularly Foundation Models (TimeGPT) with pre-training on vast, multi-domain time series, for crime prediction for the first time, and (3) demonstrating a comprehensive application using daily crime data from Chicago (2017–2019), with the final month serving as a challenging test set for assessing robustness against sudden fluctuations. Results indicate that Foundation (TimeGPT) and Deep Learning (N-HiTS) models outperform in accuracy, effectively capturing nonlinear relationships and complex seasonality. Statistical (ARIMA) and traditional ML (LightGBM) models offer greater interpretability and faster training but are less adept at handling unexpected surges. This comparative, automated approach offers a practical solution for security agencies seeking AI adoption without significant programming complexity. The research underscores time series modeling’s role in enhancing security operations and explores new avenues for AI-driven proactive crime prevention using big data.
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 | 0,008 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».