为数据源进行深加工,在其中寻找规律和趋势。
犯罪也能预测?
莫回有点奇怪,虽然他自己就是玩大数据起家的,但是他对犯罪这个领域基本没有太多经验,所以他对于这个领域大数据是否能够起作用也不太敢确定。
莫回找到这个软件的验收报告,在报告里给出了检验数据,按照京都市警察局的验收实测,使用这个系统之后,犯罪率平均下降了15%,报警电话数量下降了30%,很多案件都是现场抓获。警员按照系统提示,在某段时间加强某个区域的巡逻,准确了抓获了正在进行犯罪得罪犯。
真行啊!
大数据居然能够预测犯罪!
看到这里,莫回来了兴趣,他想了想,调出这个系统的产品需求书,开始认真研究这个系统的设计思想。
经过几天的研究,莫回发现,这个系统的设计思想比较有意思,首先将犯罪行为进行分类,比如分成入室盗窃案、诈骗案、盗窃案、抢劫案、强奸案等等类型。
然后根据每种犯罪得类型进行进一步分析,比如入室盗窃案又分偶发和惯犯,其中还有团伙和单人犯罪,然后根据既有的犯罪历史数据进行分析,寻找其中的共性特点,比如某个地段属于高发地段,某个地段发生概率非常小;比如这些盗窃案存在时间特征,一般年前、节前高发,夜晚高发,等等。
这些规律被找出来之后,开始将既往犯罪数据以时间、地点、人数、类型的参数输入地图中,在地图中进行综合分析。
通过各种算法寻找各关键参数之间的潜在规律之外,整个京都在地图上被划分成数以万计的单元空间,每个空间可能只代表一栋楼,一个院落,一座商场、一个小区之类的。
然后这些空间单元开始被赋值,既往的犯罪数据按照时间线在地图上打点,随着时间的推移,随着既往犯罪数据开始打点,整个京都内部十几万个单元的赋值开始变化。
赋的这个值其实就是该单元内,犯罪行为发生的概率值,这个值随时都处在变化过程中,并且时刻受到周围其他相邻单元的影响。
当既往犯罪数据随着时间轴的前进,逐步落点在地图上之后,每个单元的犯罪概率值在不断变化的同时,也开始不断的修正。
当整个20年的时间轴全部演进完成,某个单元即时的犯罪概率与时间、与周边单元犯罪发生、与犯罪类型等等之间的关系,就通过大数据算法被找出了各种潜在的规律。
这些规律被重新带入到计算方法中,更新犯罪概率的算法,让它与既往数据达到最佳的吻合,到了这时候,整个系统基本就调整完成。
它就可以开始预测将要发生的犯罪了,并且它还将根据最新的犯罪数据随时进行微调,始终保持最佳的预测状态。
请收藏:https://m.frgls.com
(温馨提示:请关闭畅读或阅读模式,否则内容无法正常显示)