مروری بر پیش‌بینی وقوع تجمعات غیرقانونی با استفاده از مجموعه روش‌های یادگیری ماشین

زمینه و هدف: امروزه شبکه‌های اجتماعی، محل حکمرانی و بستری مناسب برای دشمنان کشور شده است. در جریان تجمع‌هایی که گاهی در کشور رخ داده، به‌درستی اثبات شده که شبکه‌های اجتماعی و پیام‌رسان‌های خارجی، محلی برای ساماندهی، مدیریت، تحریک، ترغیب و حتی آموزش جوانان برای اغتشاش و خرابکاری بوده است. در حال حاضر با افزایش سریع انواع جرائم، روش‌های سنتی بررسی جرم قادر به ارائه نتایج مطلوب نبوده، زیرا سرعت آن‌ها کند و ناکارآمد است. هدف از این مطالعه این است که چگونه یادگیری ماشین می‌تواند توسط نهادهای امنیتی یا انتظامی برای کشف، پیشگیری و مقابله با تجمعات غیر قانونی با سرعتی بسیار دقیق و سریع استفاده شود.روش‌شناسی: برای دست‌یابی به این هدف تعداد 73 مقاله در بازه زمانی 2012 تا 2023 که در آن از روش‌های یادگیری ماشین استفاده شده مورد بررسی قرار گرفت. مشاهده می‌کنیم که اکثر مقالات از رویکرد یادگیری ماشین با نظارت و داده‌های برچسب‌گذاری‌شده استفاده می‌‌کنند.یافته‌ها و نتیجه‌گیری: با این حال شبکه‌های عصبی مصنوعی با 44 درصد، روش‌های جنگل تصادفی با 30 درصد و روش k-نزدیک‌ترین همسایه با 26 درصد متداول‌ترین روش‌های مورد استفاده بودند؛ همچنین 62 درصد از محققان از مجموعه داده‌های مجرمانه برخط پورتال‌های عمومی بر روی شبکه اینترنت و 38 درصد نیز از مجموعه داده‌های رسمی و خصوصی سازمان‌های قانونی از جمله پلیس در تحقیقات خود استفاده کرده‌اند. نتایج تحقیق نشان می‌دهند که به‌کارگیری روش‌های جنگل تصادفی بهترین کارائی را داشته است؛ اما برای مجموعه داده‌های بزرگ، استفاده از روش‌های شبکه عصبی مصنوعی بهترین نتایج را برای پیش‌بینی وقوع جرم بر اساس زمان و مکان آن برآورده ساخته است.

a review on predicting the occurrence of illegal gatherings using a set of machine learning methods

nowadays, social networks have become a place of governance and a suitable platform for the enemies of the country. during the gatherings that have sometimes occurred in the country, it has been rightly proven that social networks and foreign messengers have been a place for organizing, managing, inciting, persuading and even training young people for rioting and vandalism. at present, with the rapid increase of all types of crimes, the traditional methods of crime investigation have not been able to provide the desired results, because their speed is slow and inefficient. the purpose of this study is how machine learning can be used by security or law enforcement agencies to detect, prevent and deal with illegal gatherings with a very accurate and fast speed. in order to achieve this goal, 73 articles in the period from 2012 to 2023 were analyzed in which machine learning methods were used. we can see that most of the articles use the machine learning approach with supervised and labeled data. however, artificial neural networks with 44%, random forest methods with 30% and k-nearest neighbor method with 26% were the most commonly used methods. also, 62% of the researchers have used criminal data sets from public portals on the internet and 38% have used official and private data sets of legal organizations, including the police, in their research. the results of the research show that the use of random forest methods has the best performance, but for large data sets, the use of artificial neural network methods has provided the best results for predicting the occurrence of crime based on its time and place.