《疑犯追踪》现实版：人工智能使用社交媒体数据预测犯罪

在一项发表在《EPJ数据科学杂志》上的研究中，RMIT的研究团队展示了来自Foursquare应用用户的位置和活动数据加上推荐算法，可以如何使我们比以前更准确地预测犯罪。

Foursquare用户在不同地方“打卡”时，会分享他们的位置和活动。这项研究使用了布里斯班用户超过2万次的打卡记录和纽约市用户近23万次的打卡记录。

RMIT计算机科学家弗洛拉·萨利姆博士说，这种关于城市周围人们活动的动态实时数据对于了解一个地区不同情况的可能性非常有价值。

为了填补这些基于位置的数据中的许多空白，研究人员还开发了推荐算法，类似于Spotify上用来推荐相关歌曲的算法。

“显然，这座城市的大多数人并不总是在使用这款应用，而那些犯罪的人很明显也不会在这款应用上发帖说他要去犯罪，”她说，“因此，我们使用推荐系统来填补数据的空白，并预测任何给定场景中的其他活动。”

在这两个城市的测试中，该系统比现有的基于犯罪趋势的犯罪预测模型更好地预测了城市特定地区的特定类型的犯罪。

在布里斯班，该系统被发现在预测攻击方面比目前的模型更准确16%，在预测非法入侵方面更准确6%，在毒品犯罪和盗窃方面更准确4%，在预测欺诈方面更准确2%。

在纽约市，它将盗窃和毒品犯罪、欺诈和非法入境的预测准确率提高了4%，而攻击的预测准确率提高了2%。

萨利姆说，考虑到研究中使用的数据集存在稀疏性，这些结果意义非同一般。

她说:“基于这些积极的结果，这项技术可以让警察在有限的资源下设计出更有效的巡逻策略，把警察派往更有可能发生犯罪的地方。”

该系统还可以很容易地扩大规模，以处理几乎所有收集位置数据的社交媒体平台、应用程序或移动网络上更大的样本。

她说:“像Twitter和Foursquare这样的社交媒体正在被广泛使用，这些媒体都收集了大量关于我们的位置、活动和喜好的数据，这为我们掌握城市中人们的行踪和活动提供了前所未有的机会。”

这项研究只是众多应用一个例子，说明我们的数据可以如何被用来预测我们的行为。

另一个Salim参与的项目正在研究一种算法，这种算法根据我们以往以及上半天的历史模式和数据，可以非常精确地预测我们在下半天会做些什么。

萨利姆说:“基于移动应用数据的人类运动模式研究常常表明，我们的许多活动的可预测性是很高的。”

该研究的主要作者、博士生夏奇拉·汗·鲁米(Shakila Khan Rumi)在萨利姆和克·邓博士的指导下进行了研究，他说，这项研究标志着犯罪预测模型向前迈出了重要的一步。

“目前最先进的犯罪预测模型通常依赖于相对静态的特征信息，包括长期历史信息、地理信息和人口信息。随着时间的推移，这些信息慢慢大发生变化，这意味着这些传统的模型无法捕捉犯罪事件发生的短期变化，”鲁米说。

“我们的测试结果表明，增加动态特征后预测性能的改善是相当可观的，具有统计学意义，此外这还非常具有革命意义。

目前，该组织正计划通过训练算法，利用一个城市的数据进行学习，并提高其在另一个不同城市应用的能力，从而扩大这项工作的成果。