پیش بینی زمانی مکانی وقوع جرم با استفاده از شبکه عمیق واحد بازگشی دروازه‌ای

جنایات و تخلفات تهدیدی برای برقراری عدالت است که کیفیت زندگی و رفاه ساکنان را تحت تاثیر قرار می‌دهد و باید کنترل شوند. همچنین پیش‌بینی دقیق جرم و روند آینده می‌تواند به افزایش ایمنی کلان‌شهرها کمک کند. قابلیت پیش‌بینی زمان و مکان وقوع جرم برای کمک به پیشگیری از وقوع آن است و از طریق سازمان‌دهی گشت‌های پلیس صورت می‌گیرد، اما هنوز نیاز به الگوریتم‌های پیش‌بینی دقیق احساس می‌شود که گشت‌های پلیس را به سمت فعالیت‌های مجرمانه هدایت ‌کنند. در مطالعات قبلی از داده‌های حوزه‌های متعددی مانند جمعیت‌شناسی، اقتصاد و آموزش استفاده‌شده است. در این مطالعه از داده‌های سری زمانی جرم، فاصله از ایستگاه‌های پلیس و روزهای تعطیل در شهر نیویورک استفاده‌شده است و منطقه موردمطالعه به‌صورت یک شبکه 10 در 10 در نظر گرفته‌شده است سپس از یک معماری واحد برگشتی دروازه‌ای استفاده شد. پس از آموزش شبکه، مدل با داده‌های آزمون و معیار میانگین مربعات خطا مورد ارزیابی قرار گرفت و به خطای 0.027 رسید. برای بررسی دقیق‌تر مدل توسعه داده‌شده از دو معماری پرسپترون چندلایه و یک شبکه بازگشتی ساده استفاده شد. پس از آموزش، این دو شبکه به ترتیب خطای 0.048 و 0.033 به دست آمد که در مقایسه با مدل پیشنهادی خطای بیشتری داشتند. در این تحقیق مشخص شد که شبکه‌های دارای حافظه نسبت به معماری‌های ساده عملکرد بهتری خواهند داشت و اگر گام زمانی در داده‌ها زیاد باشد استفاده از معماری‌هایی که از انفجار گرادیان جلوگیری می‌کنند بسیار موفق‌تر خواهند بود.