Geoinformatik und Geostatistik: Ein Überblick

Kriminalitätskartierung mithilfe künstlicher intelligenter Agenten im Nairobi City County, Kenia

Mbani BO, Odera PA und Kenduiywo BK

Die Analyse und Vorhersage von Kriminalität bleibt eine ziemlich schwierige Aufgabe, da das Kriminalitätssystem übermäßig komplex ist. In Nairobi stellt die Kriminalität trotz verstärkter Bemühungen zur Bekämpfung des Lasters eine zunehmende Herausforderung für die Polizei dar. Dies liegt daran, dass die zugrunde liegenden Faktoren, die zu einem Anstieg der Kriminalität führen, darunter die Verbreitung von
leichten Schusswaffen, die Präsenz organisierter krimineller Banden, eine ungleiche Ressourcenverteilung, eine schlechte Stadtplanungspolitik, Jugendarbeitslosigkeit und Drogenmissbrauch in Verbindung mit einer sowohl in Bezug auf Ressourcen als auch Logistik schlecht vorbereiteten Polizei, noch immer nicht vollständig angegangen werden können. Folglich
ist der Zusammenhang zwischen dem Auftreten von Straftaten und dem räumlichen Ort des Verbrechens eine Schlüsselbeziehung bei der Modellierung von Kriminalität. In diesem Artikel wird ein agentenbasierter räumlich-zeitlicher Ansatz zur Modellierung von Kriminalitätsereignissen vorgestellt, der die Konvergenz der beiden Technologien nutzt: künstliche Intelligenz und geografische Informationssysteme. Künstliche Intelligenz (KI) wird
verwendet, um menschliches Verhalten in Agenten einzubauen, die die räumliche Umgebung autonom erkunden und gleichzeitig aus Erfahrungen lernen. Insbesondere ist der in der Studie verwendete KI-Algorithmus eine Form des Verstärkungslernens, das als Q-Learning bezeichnet wird. Reinforcement Learning ist eine Art maschineller Lernansatz
, der den Agenten die Fähigkeit einprägt, sich in Straßennetzen zurechtzufinden und im Verlauf der Simulation in jeder Iteration aus Erfahrungen zu lernen. In dieser Simulation wurden drei Arten von Agenten entwickelt: Täter-, Ziel- und Wächter-Agenten. Die Multi-Agenten-Simulation wurde mit der Netlogo-Software entwickelt. Netlogo
Die Umgebung ermöglicht es einem Benutzer, eine künstliche Umgebung zu entwerfen, die die drei Agenten umfasst, einschließlich möglicher Orte von Verbrechensereignissen, nachdem mehrere Iterationen zur Generierung von Verbrechensmustern durchgeführt wurden. Zusätzlich zur Gestaltung von Agenten, die an einem Verbrechensereignis beteiligt sind, wurde ein Risikogeländemodell generiert, indem eine Reihe potenzieller Risikofaktoren, die ein Verbrechensereignis beeinflussen, überlagert wurden. Diese Faktoren wurden zunächst mithilfe eines Chi-Quadrat-Tests auf ihre Kolokalisierung mit Verbrechensereignissen getestet und schließlich überlagert, um eine Risikogeländeoberfläche zu generieren. Eine Validierung zur Prüfung der Genauigkeit des Modells wurde durchgeführt, indem die von der Simulation generierten Verbrechenszahlen mit denen verglichen wurden, die von den Behörden gemeldet wurden. Die für den Vergleich verwendete Metrik ist der Spearman-Rangkorrelationskoeffizient. Die Validierung ergibt einen Korrelationskoeffizienten von 0,4, was darauf hinweist, dass ein gewisser Grad an positiver Korrelation vorliegt, da wir für eine perfekte positive Korrelation einen Korrelationskoeffizienten von 1 erwarten. Der Korrelationskoeffizient ist aufgrund verschiedener Annahmen, die in dieser Simulation getroffen wurden, etwas niedrig, z. B. dass Agenten sich nur entlang eines Straßennetzes bewegen dürfen und die Art des Verbrechens auf Straßenraub beschränkt ist. Darüber hinaus ist die Menge der potenziellen Risikofaktoren, die bei der Generierung der Risikooberfläche berücksichtigt werden, begrenzt, während in der Realität die Faktoren, die zu Straftaten führen, komplex, mehrdimensional und nahezu unendlich zahlreich sind.