Dans une étude publiée dans le Science des données de l'EPJ journal, l'équipe de chercheurs du RMIT montre comment les données de localisation et d'activité des utilisateurs de l'application Foursquare, lorsqu'il est couplé à des algorithmes de recommandation, nous permet de prédire les crimes avec plus de précision que jamais.

Les utilisateurs de Foursquare partagent leur emplacement et leur activité lorsqu'ils s'enregistrent à divers endroits. L'étude a utilisé les données de plus de 20, 000 check-ins par les utilisateurs à Brisbane, et près de 230, 000 check-ins par les utilisateurs à New York.

L'informaticienne du RMIT, le Dr Flora Salim, dit que cette dynamique, les données en temps réel sur les mouvements de personnes dans une ville sont très précieuses pour comprendre la probabilité de différentes situations dans une zone.

Mais pour combler les nombreuses lacunes de ces données géolocalisées, les chercheurs ont également développé des algorithmes de recommandation, similaires à ceux utilisés pour recommander des chansons similaires sur Spotify.

"De toute évidence, la grande majorité des habitants de la ville n'utilisaient pas toujours l'application et ceux qui commettaient des crimes ne publiaient probablement pas sur l'application à ce sujet, " dit-elle. " Alors, nous avons utilisé des systèmes de recommandation pour combler les lacunes et prédire d'autres activités dans un scénario donné."

Lors des tests sur les deux villes, le système a mieux prédit des types spécifiques de criminalité dans des parties spécifiques de la ville que les modèles existants de prédiction de la criminalité basés sur les tendances de la criminalité.

A Brisbane, le système s'est avéré 16% plus précis pour prédire les agressions que les modèles actuels, 6% plus précis pour prédire l'entrée illégale, 4% de mieux pour les délits de drogue et le vol et 2% de mieux pour la prédiction de fraude.

A New York, il a amélioré la précision des prédictions de 4 % pour les délits de vol et de drogue, fraude et entrée illégale, tout en améliorant les prédictions d'agression de 2%.

Salim dit qu'étant donné la rareté des ensembles de données utilisés dans l'étude, ces résultats sont significatifs.

« Sur la base de ces résultats positifs, cette technologie pourrait permettre à la police de concevoir des stratégies de patrouille plus efficaces avec des ressources limitées en envoyant des agents aux endroits où la criminalité est plus probable, " elle dit.

Le système peut également être facilement mis à l'échelle pour traiter des échantillons plus volumineux à partir de presque toutes les plateformes de médias sociaux, application ou réseau mobile qui collecte des données géolocalisées.

« L'utilisation généralisée des médias sociaux tels que Twitter et Foursquare, qui collectent tous d'énormes quantités de données sur notre emplacement, activités et préférences - offre des opportunités sans précédent pour capturer le mouvement et l'activité des personnes à travers une ville, " elle dit.

L'étude n'est qu'un exemple de la façon dont nos données peuvent être utilisées pour prédire nos actions pour toute une gamme d'applications.

Un autre projet de Salim est impliqué dans la recherche d'algorithmes pour prédire, avec des niveaux de précision élevés, ce que nous ferons dans la seconde moitié de notre journée sur la base des modèles historiques et des données collectées à partir de la première moitié de notre journée.

« Recherche sur le modèle du mouvement humain, sur la base des données de nos applications mobiles, montre souvent à quel point nombre de nos activités sont prévisibles, " dit Salim.

Auteur principal et Ph.D. étudiante Shakila Khan Rumi, qui est supervisé par Salim et le Dr Ke Deng, dit que l'étude marque un pas en avant significatif sur les modèles de prédiction de la criminalité.

« Les modèles actuels de prévision de la criminalité à la pointe de la technologie reposent généralement sur des caractéristiques statiques relatives, notamment des informations historiques à long terme, informations géographiques et informations démographiques. Cette information change lentement au fil du temps, ce qui signifie que ces modèles traditionnels ne pouvaient pas capturer les variations à court terme des occurrences d'événements criminels, " dit Rumi.

"Nos résultats de test démontrent que l'amélioration des performances de prédiction après l'ajout de fonctionnalités dynamiques est considérable et statistiquement significative. C'est vraiment révolutionnaire."

Le groupe prévoit maintenant d'étendre le travail en formant les algorithmes à l'aide des données d'une ville et en augmentant sa capacité à appliquer ces apprentissages dans une ville différente où les modèles sont différents.