Разработчики представили инновационную ИИ‑модель, способную прогнозировать уровень преступности с высокой точностью. Система, описанная в Международном журнале инновационных вычислений и приложений, объединяет несколько подходов машинного обучения, чтобы анализировать не только локации и время совершения преступлений, но и более широкие социальные закономерности.
В основе разработки — комбинация сверточной нейронной сети, которая выявляет взаимосвязи между разными районами города, и трансформера, фиксирующего временные тренды. Для повышения качества данных и устойчивости обучения авторы дополнительно задействовали генеративно‑состязательную сеть (GAN), усовершенствованную с помощью вариационного автокодировщика. Такой подход позволяет снизить типичные проблемы машинного обучения — смещение результатов или эффект исчезающих градиентов, когда процесс обучения теряет эффективность.
При тестировании на исторических данных из ряда городов США, в том числе Лос‑Анджелеса и Сиэтла, модель показала впечатляющие результаты. Точность прогнозирования грабежей составила 86,3%, тогда как лучшие из существующих конкурирующих систем показали лишь 83,2%. Высокие показатели зафиксированы и по другим категориям преступлений.
Подобные прогнозы могут стать ценным инструментом для правоохранительных органов: с их помощью получится точнее определять районы с повышенным риском и рациональнее распределять патрульные ресурсы. У технологии есть и ограничения: в районах с небольшим объемом данных о преступлениях или вовсе без исторической статистики точность снижается.
Исследователи планируют сосредоточиться на адаптации модели к условиям дефицита данных. Для этого предполагается использовать трансферное обучение — метод, позволяющий переносить наработки, полученные при анализе одних территорий, на другие, где информации существенно меньше.
Таким образом, новая разработка открывает дополнительные возможности для превентивной работы в сфере общественной безопасности, хотя и требует доработки для применения в условиях дефицита данных. Сочетание нескольких методов машинного обучения позволило создать более гибкую и точную систему, чем прежние решения, и задать новый ориентир в области криминологического прогнозирования.
Ранее Наука Mail рассказывала, что машинное обучение повысило доходность на фондовом рынке.
