CN107251058A - 犯罪预报系统 - Google Patents
犯罪预报系统 Download PDFInfo
- Publication number
- CN107251058A CN107251058A CN201580076841.3A CN201580076841A CN107251058A CN 107251058 A CN107251058 A CN 107251058A CN 201580076841 A CN201580076841 A CN 201580076841A CN 107251058 A CN107251058 A CN 107251058A
- Authority
- CN
- China
- Prior art keywords
- crime
- forecast
- data
- period
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
一种犯罪预报系统和方法,用于存储犯罪数据和天气数据,并且通过基于预报天气状况和犯罪数据之间的相关关系调整历史犯罪率来确定犯罪预报。该犯罪预报系统和方法还可以存储事件数据,并且通过基于未来事件和犯罪数据之间的相关关系进一步调整历史犯罪率,来确定犯罪预报。
Description
相关申请的交叉引用
本申请要求2014年12月24日提交的美国临时专利申请62/096,631的优先权,在此通过引用包含其全部内容。
背景技术
目前的犯罪分析系统可以向执法机构提供历史犯罪数据,由此使得执法官员能够基于过去犯罪活动来部署资源。然而,目前的犯罪分析系统无法确定过去犯罪和天气状况(或以前事件)之间的相关关系,并且无法基于诸如预报天气状况(或未来事件)等的实时数据来提供犯罪预报。
目前的犯罪统计向个人和企业所有者提供关于街区是相对安全还是不安全的总体观念。然而,再次地,个人和企业所有者无权访问基于过去犯罪统计和诸如预报天气状况(或未来事件)等的实时数据之间的相关关系所确定的犯罪预报。
因此,需要如下的一种犯罪预报系统和方法,其中该犯罪预报系统和方法使得执法机构能够准确且有效地部署资源,使得个人能够提高情境意识并选择安全的行进路线,并且使得企业所有者能够预期企业位置处的犯罪风险。
发明内容
为了克服现有技术中的这些和其它缺点,提供如下的一种犯罪预报系统和方法,其中该犯罪预报系统和方法存储犯罪数据和天气数据,并且通过基于预报天气状况和犯罪数据之间的相关关系调整历史犯罪率来确定犯罪预报。该犯罪预报系统和方法还可以存储事件数据,并且通过基于未来事件和犯罪数据之间的相关关系进一步调整历史犯罪率来确定犯罪预报。
附图说明
参考附图可以更好地理解典型实施例的方面。附图中的组成成分不一定按比例绘制,而是重点在于示出典型实施例的原理。
图1是根据本发明的典型实施例的犯罪预报系统所输出的图形用户界面的关注点视图的图;
图2是根据本发明的典型实施例的犯罪预报系统的概览;
图3是根据本发明的典型实施例的图2所示的犯罪预报系统的框图;
图4是根据本发明的典型实施例的犯罪预报系统所输出的图形用户界面的街面视图的图;
图5A和5B是示出根据本发明的典型实施例的犯罪预报系统所输出的图形用户界面的街区视图的图;
图6是示出根据本发明的典型实施例的犯罪预报系统所输出的图形用户界面的行进路线视图的图;
图7是示出根据本发明的典型实施例的、犯罪预报系统经由图形用户界面所输出的犯罪警报模块和查询警报模块的图;
图8是示出根据本发明的典型实施例的、犯罪预报系统经由图形用户界面所输出的每小时犯罪指数模块和每日犯罪指数模块的图;
图9是示出根据本发明的典型实施例的、犯罪预报系统经由图形用户界面所输出的模块的图;以及
图10是示出根据本发明的典型实施例的用于输出犯罪预报的处理的流程图。
具体实施方式
现在参考示出本发明的典型实施例的各个视图的附图。在附图和这里的附图描述中,某些术语仅仅是出于方便而使用的,而不被视为限制本发明的实施例。此外,在附图和下文的描述中,相同的附图标记始终表示相同的元件。
图1示出根据本发明的典型实施例的犯罪预报系统200所输出的图形用户界面(GUI)的关注点视图100。如下所述,犯罪预报系统200可以输出针对多个用户识别位置110(在该示例中为丹佛市内和附近的关注点)的犯罪预报。
图2示出犯罪预报系统200的概览。犯罪预报系统200可以包括经由一个或多个网络230而连接至诸如一个或多个个人系统250以及一个或多个移动计算机系统260等的多个远程计算机系统240的一个或多个服务器210以及一个或多个数据库220。
一个或多个服务器210可以包括内部存储装置212和处理器214。一个或多个服务器210可以是任何合适的计算装置,其例如包括应用服务器和用于托管可由远程计算机系统240访问的网站的web服务器。一个或多个数据库220可以位于服务器210的内部,在这种情况下,数据库220可以存储在内部存储装置212上;或者一个或多个数据库220可以位于服务器212的外部,在这种情况下,数据库220可以存储在诸如外部硬盘阵列或固态存储器等的外部非暂时性计算机可读存储介质上。一个或多个数据库220可以存储在单个装置或多个装置上。网络230可以包括因特网、蜂窝网络、广域网(WAN)、局域网(LAN)等的任意组合。经由网络230的通信可以通过有线和/或无线连接来实现。远程计算机系统240可以是被配置为经由网络230来发送和/或接收数据的任何合适的电子装置。远程计算机系统240可以例如是网络连接计算装置,诸如个人计算机、笔记本计算机、智能电话、个人数字助理(PDA)、平板计算机、笔记本计算机、便携式天气检测器、全球定位卫星(GPS)接收器、网络连接交通工具等。个人计算机系统250可以包括内部存储装置252、处理器254、输出装置256和输入装置258。一个或多个移动计算机系统260可以包括内部存储装置262、处理器264、输出装置266和输入装置268。内部存储装置212、252和/或262可以是诸如硬盘或固态存储器等的非暂时性计算机可读存储介质,用于存储在由处理器214、254或264执行时执行这里描述的特征的相关部分的软件指令。处理器214、254和/或264可以包括中央处理单元(CPU)、图形处理单元(GPU)等。处理器214、254和264可被实现为单个半导体芯片或多于一个芯片。输出装置256和/或266可以包括显示器、扬声器、外部端口等。显示器可以是被配置为输出可见光的任何合适的装置,诸如液晶显示器(LCD)、发光聚合物显示器(LPD)、发光二极管(LED)、有机发光二极管(OLED)等。输入装置258和/或268可以包括键盘、鼠标、追踪球、静止照相机或摄像机、触摸板等。触摸板可以覆盖或集成有显示器以形成触敏显示器或触摸屏。
犯罪预报系统200可以通过处理器214、254或264中的一个或多个处理器所执行的、存储在内部存储装置212、252和/或262中的一个或多个内部存储装置上的软件指令来实现。
图3是根据本发明的典型实施例的犯罪预报系统200的框图。犯罪预报系统200可以包括犯罪统计数据库320、地理信息系统(GIS)340、用户位置数据库360、分析单元380和图形用户界面(GUI)390。
犯罪统计数据库320存储犯罪数据322。在一些实施例中,犯罪统计数据库320还存储位置数据324、事件数据326和/或天气数据328。犯罪统计数据库320可以是任何有组织的信息集合,无论存储在单个有形装置还是存储在多个有形装置上。犯罪统计数据库320例如可被实现为图2所示的数据库220其中之一。
犯罪数据322可以包括表示犯罪的位置、时间、日期、星期几、类型(例如,袭击、盗窃、抢劫等)的信息。犯罪数据322还可以包括对各犯罪的严重度的估计。犯罪位置可以采用使得可以利用GIS 340来观看并分析各犯罪的位置的格式。犯罪类型还可以包括犯罪是否是财产犯罪、侵害人身罪等。对于财产犯罪,犯罪数据322还可以包括与财产有关的信息(例如,财产是否是企业、住宅、交通工具等)。对于各侵害人身罪,犯罪数据322还可以包括受害者是否认识袭击者或者袭击者是否是陌生人。犯罪数据322还可以包括与受害者有关的人口统计信息,诸如年龄、性别、种族、是否拉美族裔、经济状况等。可以经由GUI 390或者通过从其它源导入附加犯罪数据来更新犯罪数据322。
位置数据324可以包括诸如人口统计数据、执法边界、社区机构(例如,警察局、消防局、学校、教堂、医院等)的位置、企业的位置等的信息。人口资料数据可以采用用于基于住宅区的社会经济和人口构成来将住宅区分类为67个特色分区其中之一的tapestry分区的形式。可以基于共同经历(例如,出生于同一代、来自其它国家的移民)或人口统计特征来对这些分区进行分组。还可以基于地理密度(例如,主要城市中心、城市边缘、大都市、郊区边缘、半农村、农村)来对这些分区进行分组。可以经由GUI 390或者通过从其它源导入附加位置数据来更新位置数据324。
事件数据326存储诸如体育赛事、音乐会、游行等的过去事件的位置、日期和时间。这些事件还可以包括政府转移支出。事件数据326还可以包括未来事件的位置、日期和时间。可以经由GUI 390或者通过从其它源导入附加事件数据来更新事件数据326。
天气数据328包括与当前天气状况、历史(过去)天气状况和预报(未来)天气状况有关的信息。例如,可以从AccuWeather公司、AccuWeather企业解决方案公司、政府机构(诸如国家气象局(NWS)、国家飓风中心(NHC)、加拿大环境部、英国气象局、日本气象厅等)、其它私人公司(诸如维萨拉美国国家闪电检测网络、天气决策技术公司等)、个人(诸如观察者网络的成员等)等接收天气数据328。天气信息数据库还可以包括与从例如美国地质勘探局(USGS)接收到的自然灾害(诸如地震等)有关的信息。
天气状况例如可以包括:24小时最高温度、24小时最低温度、空气质量、冰量、雨量、降雪量、地面上的雪量、北极振荡(AO)、平均相对湿度、气压趋势、吹雪潜势、云幕、云幕高度、雷暴概率、足够的雪覆盖地面的概率、足够的雪弄湿场地的概率、冰雹概率、结冰概率、降水概率、降雨概率、降雪概率、云层、云层百分比、冷却度、日间天空条件、日间风向、日间阵风、日间风速、露点、厄尔尼诺南方涛动(ENSO)、蒸散量、预期雷暴强度级、洪灾潜势、热指数、加热度、高温、高潮警告、高湿球温度、最高相对湿度、结冰时数、降水时数、降雨时数、降雪时数、湿度、湖泊水位、液体当量降水量、低温、低湿球温度、最高紫外线(UV)指数、多变量ENSO指数(MEI)、马登-朱利安振荡(MJO)、月相、月出、月落、夜间天空条件、夜间风向、夜间阵风、夜间风速、正常低温、常温、一句话天气、降水量、降水累积、降水类型、降雪概率、足够的冰覆盖地面的概率、足够的冰弄湿场地的概率、降雨量、高、低(REALFEEL是AccuWeather公司的注册服务商标)、创纪录的低温、创纪录的高温、相对湿度范围、海平面气压、海面温度、天空条件、未来24小时内的降雪累积、太阳辐射、站台气压、日出、日落、温度、降雪类型、UV指数、可见度、湿球温度、风寒、风向、阵风、风速等。天气状况可以包括天气相关警告,诸如河流洪水警报、雷暴警戒框、龙卷风警戒框、中尺度讨论、多边形警告、区域/国家警告、前景、咨询、警戒、特殊天气通告、闪电警告、雷暴警告、暴雨警告、大风警告、高温警告或低温警告、局地风暴报告、地震和/或飓风影响预报等。可以基于诸如以下等的时间帧来表示各天气状况:日值、每小时预报值、每日预报值、一年以前的日值、前一时间段(例如,24小时、3小时、6小时、9小时、前1天、过去7天、当月至今、当年至今、过去12个月)内的累积或变化、气候平均值(例如,过去10年、20年、25年、30年等的平均值)、未来时间段(例如,24小时)内的预报累积等。
地理信息系统(GIS)340是被设计成捕获、存储、操纵、分析、管理和呈现地理区域数据的软件系统。(地理信息系统有时被称为地理区域信息系统)。GIS 340可被实现为图2所示的一个或多个服务器210所执行的软件指令。附加地或可选地,犯罪预报系统200可以使用诸如Google地图、Ersi等的第三方GIS。
用户位置数据库360存储表示远程计算机系统240(或用户)的位置的信息。用户或远程计算机系统240的位置可以是静态的(即,在用户或远程计算机系统240静止的情况下)或者动态的(即,在用户或远程计算机系统240在运动中的情况下)。在一些实例中,用户位置数据库360可以存储表示远程计算机系统240的实时(或近实时)动态位置的信息。另外,用户位置数据库360可以自动地和/或重复地更新,以包括表示远程计算机系统240的实时(或近实时)动态位置的信息。
可以利用远程计算机系统240(例如,利用并入远程计算机系统240内的全球定位卫星(GPS)装置)通过小区网络三角测量、网络识别等来确定远程计算机系统240的(静态或动态)位置。附加地或可选地,可以利用服务器210例如通过小区网络三角测量、网络识别等来确定远程计算机系统240的(静态或动态)位置。用户的静态位置可以是由用户例如通过经由GUI 390输入诸如地址、城市、邮政编码等的位置所输入的。用户的动态位置可以是由用户例如通过输入目的地并且使远程计算机系统240或服务器210确定从起点或当前位置起直到目的地为止的行进路线所输入的。用户位置数据库360可以是任何有组织的信息集合,无论存储在单个有形装置还是存储在多个有形装置上。用户位置数据库360例如可被实现为数据库220其中之一。
分析单元380可以通过利用一个或多个服务器210可访问且执行的以及/或者利用远程计算机系统240下载并执行的软件指令来实现。分析单元380可被配置为接收来自犯罪统计数据库320、GIS 340、用户位置数据库360和GUI390的信息。
图形用户界面390可以是使得用户能够输入供发送至犯罪预报系统200的信息的任何界面、和/或将从犯罪预报系统200接收到的信息输出至用户的任何界面。图形用户界面390可以通过存储在远程计算机系统240上并且由远程计算机系统240执行的软件指令来实现。
分析单元380使用GIS 340来标绘犯罪数据322中的各个犯罪的位置和时间。分析单元380判断犯罪数据322与位置数据324中的一个或多个变量是否相关。例如,分析单元380判断犯罪(或特定类型的犯罪)与街区人口统计、执法边界和/或社区机构或企业附近是否相关。如果人口统计数据包括用于对相似的住宅区进行分类和分组的tapestry分割,则分析单元380判断相似的住宅区是否经历了相似数量和/或类型的犯罪。
分析单元380还判断犯罪数据322与事件数据326中的一个或多个变量是否相关。例如,分析单元380可以判断为犯罪数据322中所包括的犯罪(或特定类型的犯罪)按1.25的系数与特定类型的事件线性相关(这意味着,在该事件类型附近,犯罪或犯罪类型的可能性增加了25%)。
分析单元380还判断犯罪数据322与天气数据326中的一个或多个变量是否相关。例如,分析单元380可以判断为犯罪数据322中所包括的犯罪(或特定类型的犯罪)按0.0002的系数与暴风雪那样的状况线性相关,而犯罪(或特定类型的犯罪)按1.4的系数与高于95华氏度的温度线性相关(这意味着,在暴风雪期间,犯罪是极不可能的,但在高温下,与常温情况相比,犯罪的可能性增加了40%)。
基于以上讨论的相关关系,分析单元380确定在特定位置处或在人口统计方面的相似位置中、在一天中的特定时间、在一周内的特定日、在一年中的特定季节和/或特定社区机构或特定类型的企业附近发生犯罪的可能性。基于过去的针对个人的犯罪,分析单元380可以确定针对任何个人、针对不认识犯罪者的个人和/或针对特定人口群体中的个人发生犯罪的可能性。基于过去的财产犯罪,分析单元380可以确定在交通工具中、在财产处、在住宅处、在企业处和/或在特定类型的企业处发生犯罪的可能性。
分析单元380还可以基于过去犯罪(或特定类型的犯罪)与事件数据326中所包括的过去事件的相关关系,来确定在事件数据326中所包括的未来事件的附近发生犯罪(或特定类型的犯罪)的可能性。
分析单元380还可以基于过去犯罪(或特定类型的犯罪)与天气数据328中所包括的过去天气状况的相关关系,来确定在天气数据328中所包括的预报天气状况中发生犯罪(或特定类型的犯罪)的可能性。
可以随时间而更新犯罪数据322。同样,还可以更新位置数据324、事件数据326和/或天气数据328。因此,分析单元380可以判断(更新后的)犯罪数据322与(潜在更新后的)位置数据324、(潜在更新后的)事件数据326和/或(潜在更新后的)天气数据328是否相关。
犯罪数据322可以包括来自官方来源的犯罪信息。另外,犯罪数据322可以包括源自于因特网、社交媒体(例如,Facebook、Twitter等)、因特网搜索(例如,Google、Bing、Aliaba等)、面部识别系统等的(原始或分析后的)犯罪信息。根据(原始或分析后的)犯罪信息所推导出的犯罪的位置可以是根据上传/发布犯罪信息的用户的位置或者根据犯罪信息所推导出的。根据(原始或分析后的)犯罪信息所推导出的犯罪的时间可以是根据上传/发布犯罪信息的时间或者根据该信息所推导出的。
犯罪数据322可以包括与所举报的犯罪是否导致定罪有关的信息。然后,可以使用分析单元380来跨司法管辖区比较执法的有效性。犯罪数据322还可以包括与所举报的犯罪是否被判断为虚假举报有关的信息。然后,可以使用分析单元380来分析虚假的犯罪举报。
犯罪预报系统200输出“犯罪预报”。如这里所使用的,“犯罪预报”可以指代表示如以上所确定的发生犯罪的可能性的信息。该犯罪预报可以由犯罪预报系统200表示为发生犯罪的几率、发生犯罪的几率和基线(例如,在较大地理区域中发生犯罪的几率)之间的差异、基于该犯罪发生的几率或者犯罪发生的几率和基线之间的差异而选择的标度值(例如,0~100)或者类别(例如,A~F或绿色-红色)。
返回参考图1,犯罪预报系统200可以针对关注点视图100中的多个用户识别位置110(在该示例中为丹佛市内和附近的关注点)输出犯罪预报。GUI390可以使用GIS 340来在地图上标绘犯罪预报。GUI 390可以使得用户能够指定这些犯罪预报的犯罪类型(例如,使用犯罪类型框120)和/或犯罪时间段(例如,使用时间段框130)。分析单元380计算在用户指定时间段内在各个用户识别位置中将发生用户指定犯罪其中之一的可能性,并且经由GUI390来针对各个用户识别位置输出犯罪预报。
图4示出根据本发明的典型实施例的犯罪预报系统200所输出的图形用户界面390的街面视图400。在图4中,向虚线框420中的各条街道加不同深浅的红色阴影(这表示相对于基线的高犯罪预报),并且向虚线框440中的各条街道加不同深浅的蓝色阴影(这表示相对于基线的较低犯罪预报)。再次地,GUI390可以使得用户能够指定犯罪预报的犯罪类型(例如,使用犯罪类型框480)和/或时间段。基线可以是针对较大地理区域(诸如较大的都市区域或州或国家)的犯罪预报。分析单元380相对于基线(例如,国家平均值)来计算在街面视图400的各条街道上将发生用户所指定的犯罪的可能性,并且根据犯罪预报来使街面视图400的各条街面着色。
图5A和5B示出根据本发明的典型实施例的犯罪预报系统200所输出的图形用户界面390的街区视图500a和500b。
如图5B所示,犯罪预报系统200可以针对多个街区510输出犯罪预报。再次地,GUI390可以使用GIS 340来在地图上标绘犯罪预报。再次地,GUI 390可以使得用户能够指定这些犯罪预报的犯罪类型(例如,使用犯罪类型框480)和/或时间段(例如,使用日期框580)。分析单元380计算在用户指定时间段内在各个街区510中将发生用户指定犯罪其中之一的可能性,并且经由GUI 390来针对各个街区510输出犯罪预报。参考图5B,如街区512、514和516所示,犯罪预报从第一个日期(2016年12月11日)到第二个日期(2016年12月12日)可能增加。
图6示出根据本发明的典型实施例的犯罪预报系统200所输出的图形用户界面390的行进路线视图600。在图6中,实线610的颜色为绿色(这表示低犯罪预报),并且向虚线620加黄色和红色的阴影(这表示中等水平犯罪预报和高犯罪预报)。
如图6所示,犯罪预报系统200可以针对沿着行进路线的各点输出犯罪预报。再次地,GUI 390可以使得用户能够指定这些犯罪预报的犯罪类型和/或时间段。由于行进路线视图600旨在帮助旅客,因此犯罪预报系统200可被预设为输出针对与旅客有关的犯罪(诸如受害者不认识犯罪者的个人犯罪、汽车盗窃等)的犯罪预报。
图7~10示出犯罪预报系统200经由GUI 390所输出的模块。犯罪预报系统200可以与PCT申请PCT/US 14/55004中所述的可定制天气分析系统合并,上述申请通过引用而全文并入于此。
图7示出根据本发明的典型实施例的、犯罪预报系统200经由GUI 390所输出的犯罪警报模块710和查询警报模块720。
如犯罪警报模块710所示,犯罪预报系统200可以在犯罪预报超过警报阈值的情况下输出警报。犯罪预报系统200可以使得用户能够识别一个或多个位置、犯罪、犯罪类型、时间段和/或警报阈值。分析单元380计算在用户指定时间段内在各个用户识别位置中将发生犯罪(或用户指定犯罪或属于用户指定犯罪类型的犯罪)的可能性,并且如果在用户识别位置中犯罪预报超过(预先确定的或用户指定的)警报阈值,则输出犯罪预报(如例如犯罪警报模块710中所示)。
在另一实施例中,如果针对远程计算机系统240的位置的犯罪预报超过(预先确定的或用户指定的)警报阈值,则犯罪预报系统200可以向该远程计算机系统240输出犯罪警报。远程计算机系统240的位置可以由远程计算机系统240或服务器210来确定,并且存储在用户位置数据库360中。在本实施例中,分析单元380计算在远程计算机系统240的位置处将发生犯罪(或用户指定犯罪或属于用户指定犯罪类型的犯罪)的可能性,并且如果犯罪预报超过(预先确定的或用户指定的)警报阈值,则输出犯罪警报。在本实施例中,犯罪预报系统200可被预设为确定针对与个人有关的犯罪(例如,受害者不认识犯罪者的个人犯罪)的犯罪预报。
在另一实施例中,犯罪预报系统200可以针对移动计算机系统260的位置将犯罪预报输出至该移动计算机系统260。该犯罪预报可被表示为表示犯罪预报或者相对于基线的犯罪预报的标度(例如,0~100或绿色-黄色-红色)。该基线可以是移动计算机系统260的先前位置。
如查询警报模块720所示,犯罪预报系统200可以使得用户能够基于用户指定查询来接收犯罪预报。用户指定查询可以包括一个或多个犯罪类型、多个用户识别位置、以及用户指定时间段。查询警报模块720表示:在6pm~12am内,用户识别位置中的69个用户识别位置的针对所有犯罪的犯罪预报(“总犯罪指数”)大于50;用户识别位置中的50个用户识别位置的针对抢劫的犯罪预报大于75;用户识别位置中的29个用户识别位置的针对汽车盗窃的犯罪预报大于30;以及用户识别位置中的15个用户识别位置具有针对扰乱公共秩序的犯罪预报。
图8示出根据本发明的典型实施例的、犯罪预报系统200经由GUI 390所输出的每小时犯罪指数模块810和每日犯罪指数模块820。
每小时犯罪指数模块810示出针对用户识别位置的每小时犯罪预报(在该实例中为针对盗窃和纵火的犯罪预报)的折线图。每日犯罪指数模块820示出针对用户识别位置的每日犯罪预报(在该实例中为针对毒品犯罪和杀人的犯罪预报)的折线图。
图9示出根据本发明的典型实施例的、犯罪预报系统200经由GUI 390所输出的模块910和920。是诸如120分钟等的短时间段内的超本地化的、以分钟为单位的预报。(MINUTECAST是AccuWeather公司的注册服务商标)。模块910表示在120分钟内不存在犯罪威胁,这意味着犯罪预报低于阈值。模块920表示在75分钟内预报出更高的犯罪水平。时间线示出表示高犯罪预报的绿色区域922、表示更高犯罪预报的黄色区域924、以及表示甚至更高犯罪预报的红色区域926。
图10示出根据本发明的典型实施例的用于输出犯罪预报的处理1000。
在步骤1002中,确定一个或多个位置。各位置可以是单个点(例如,地址、交叉点、经度和纬度等)或者更大的地理区域(例如,街区、政治分区、执法管辖区等)。这些位置可以是由用户输入的、基于移动计算机系统260的位置所确定的、基于行进路线所确定的,等等。如果犯罪预报系统200正输出地图(如例如街区视图500a和500b中所示),则这些位置可以基于用户经由GUI 390可见的位置来确定。
在步骤1004中,确定时间段。在一些实例中,该时间段可以是由用户所输入的(例如,如以上参考关注点视图100、街区视图500a和500b以及查询模块720所述)。默认时间段可以是包括当前时间的时间段。例如,默认时间段可以是如以上参考街面视图400、行进路线视图600、犯罪警报模块710所述的、开始于当前时间并且延伸到不久的未来的时间段。在另一示例中,默认时间段可以是如以上参考每小时犯罪预报模块810和每日犯罪预报模块820所述的、结束于当前时间并且延伸到最近的过去的时间段。
在一些实例中,犯罪预报系统200针对所有的犯罪输出犯罪预报。在其它实例中,犯罪预报系统200针对有限的犯罪子集输出犯罪预报。在这些实例中,在步骤1006中,确定一个或多个犯罪类型。犯罪类型可以是特定罪行(例如,袭击、盗窃、抢劫等)。犯罪类型还可以按罪行的严重性(例如,重罪、轻罪等)或者罪行的严重度来定义。犯罪类型还可以通过犯罪是否是财产犯罪、侵害人身罪等来定义。对于财产犯罪,犯罪类型可以通过财产的类型(交通工具、住宅、企业、诸如零售店等的特定类型的企业等)来定义。对于各侵害人身罪,犯罪类型可以通过受害者是否认识袭击者或者袭击者是否是陌生人、以及/或者与受害者有关的人口统计信息(例如,年龄、性别、种族、是否拉美族裔、经济状况等)来定义。犯罪类型可以由用户指定。犯罪类型可以利用犯罪预报系统200基于正在确定的犯罪预报的类型来选择。例如,当犯罪预报系统200正在确定经由行进路线视图600所要输出的犯罪预报时,犯罪预报系统200可以选择与个人旅客有关的犯罪类型(例如,受害者不认识犯罪者的个人犯罪、汽车盗窃等)。
在步骤1008中,针对步骤1002中所确定的各个位置确定历史犯罪率。(除非用户没有指定犯罪类型,否则)针对步骤1006中所确定的各个犯罪类型,在与步骤1004中所确定的时间段相同的时间段(例如,一天中的同一时间、一周中的同一天、一年中的同一季节等)内,基于犯罪数据322中的针对步骤1002中所确定的位置的实例来确定历史犯罪率。
在步骤1010中,针对步骤1002中所确定的各位置确定犯罪预报。犯罪预报可以等于步骤1008中所确定的历史犯罪率。附加地或可选地,犯罪预报系统200可以通过基于事件数据324中所包括的即将发生的事件和/或天气数据328中的天气预报调整步骤1008中所确定的历史犯罪率,来确定犯罪预报。犯罪预报系统200可以通过进行以下操作,来基于事件数据324调整犯罪预报:判断事件数据324是否包括在步骤1004中所确定的时间段内针对步骤1002中所确定的位置的任何事件;判断事件数据324中所包括的事件的类型是否与如上所述的犯罪数据322相关;以及基于事件数据324中所包括的事件的类型和犯罪数据322之间的相关关系(如果存在的话)来调整犯罪预报。同样,犯罪预报系统200可以通过进行以下操作,来基于天气数据328调整犯罪预报:判断在步骤1004中所确定的时间段内针对步骤1002中所确定的位置的天气预报;判断预报天气状况是否与如上所述的犯罪数据322相关;以及基于天气状况和犯罪数据322之间的相关关系(如果存在的话)来调整犯罪预报。
在步骤1012中,针对步骤1002中所确定的各位置输出犯罪预报。
犯罪预报系统200为执法机构提供了益处。例如,街道视图400以及街区视图500a和500b提供可以使得执法机构能够准确且有效地部署资源的信息。在另一示例中,执法官员可以配备有可被配置为输出上述的特征中的一些特征或所有特征的移动计算机系统260(例如,摩托罗拉解决方案公司所制造的智能数据门户(IDP))。因此,执法官员可以具有针对移动计算机系统260附近的位置的实时犯罪预报。
犯罪预报系统200为个人提供了益处。例如,犯罪预报系统200使得个人能够选择安全的行进路线(例如,如行进路线视图600所示)。在另一示例中,犯罪预报系统200使得个人能够通过(例如,如犯罪警报模块710以及模块910和920所示)输出犯罪警报来提高这些个人的情境感知。犯罪预报可以是由犯罪预报系统200针对特定用户所定制的。例如,分析单元380可以确定针对用户群体的个人发生犯罪的可能性。
犯罪预报系统200还为企业所有者提供了益处。例如,犯罪预报系统200使得企业所有者能够预期企业位置处的犯罪(例如,零售盗窃、财产犯罪等)的风险(例如,如查询模块720所示)。在另一示例中,决定在即将发生的事件期间是否保持营业的企业所有者可以使用犯罪预报系统200来判断在该事件期间犯罪的风险是否增加。
尽管上文描述了优选实施例,但是阅览了本发明的本领域技术人员能够容易理解在本发明的范围内能够实现其它实施例。例如,特定数量的硬件组件、软件模块等的公开仅仅是示例性的而非限制性的。因此,本发明应当被解释为仅受所附权利要求书的限制。
Claims (20)
1.一种计算机实现的方法,用于确定并输出犯罪预报,所述方法包括以下步骤:
将犯罪数据存储在数据库中,其中所述犯罪数据包括表示犯罪的位置和时间的信息;
将天气数据存储在所述数据库中,其中所述天气数据包括过去天气状况和预报天气状况;
确定犯罪预报位置;
确定犯罪预报时间段;
基于所述天气数据,来确定在所述犯罪预报时间段内针对所述犯罪预报位置的预报天气状况;
基于所述犯罪数据和所述天气数据中所包括的所述过去天气状况,来确定所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系;
基于所述犯罪数据,来确定在与所述犯罪预报时间段相似的时间段内在所述犯罪预报位置中的历史犯罪率;
通过基于所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系调整所述历史犯罪率,来确定所述犯罪预报;以及
将所述犯罪预报输出至远程计算机系统。
2.根据权利要求1所述的方法,其中,与所述犯罪预报时间段相似的时间段是一天中与所述犯罪预报时间段相同的时间的时间段。
3.根据权利要求1所述的方法,其中,还包括以下步骤:
将事件数据存储在所述数据库中,其中所述事件数据包括过去事件和未来事件;
基于所述事件数据,来确定在所述犯罪预报时间段内在所述犯罪预报位置中的未来事件;以及
基于所述犯罪数据和所述事件数据中所包括的所述过去事件,来确定所述犯罪数据中所包括的犯罪和所述过去事件之间的相关关系,
其中,所述犯罪预报是通过基于所述犯罪数据中所包括的犯罪和所述未来事件之间的相关关系进一步调整所述历史犯罪率所确定的。
4.根据权利要求1所述的方法,其中,
所述犯罪数据还包括表示犯罪的类型的信息,
所述方法还包括确定犯罪类型,
所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系是基于属于所述犯罪类型的犯罪和所述预报天气状况之间的相关关系所确定的,
所述历史犯罪率是基于在与所述犯罪预报时间段相似的时间段内在所述犯罪预报位置中针对属于所述犯罪类型的犯罪的历史犯罪率所确定的,以及
所述犯罪预报是通过基于属于所述犯罪类型的犯罪和所述预报天气状况之间的相关关系调整所述历史犯罪率所确定的。
5.根据权利要求3所述的方法,其中,由用户输入犯罪类型。
6.根据权利要求3所述的方法,其中,基于用户的人口统计资料来选择并确定犯罪类型。
7.根据权利要求1所述的方法,其中,所述犯罪预报时间段是由用户指定的。
8.根据权利要求1所述的方法,其中,所述犯罪预报时间段是基于当前时间所确定的。
9.根据权利要求1所述的方法,其中,所述犯罪预报位置是由用户识别的。
10.根据权利要求1所述的方法,其中,所述犯罪预报位置是基于所述远程计算机系统的位置所选择的。
11.一种犯罪预报系统,包括:
数据库,用于存储犯罪数据和天气数据,其中所述犯罪数据包括表示犯罪的位置和时间的信息,以及所述天气数据包括过去天气状况和预报天气状况;以及
分析单元,用于进行以下操作:
确定犯罪预报位置;
确定犯罪预报时间段;
基于所述天气数据,来确定在所述犯罪预报时间段内针对所述犯罪预报位置的预报天气状况;
基于所述犯罪数据和所述天气数据中所包括的所述过去天气状况,来确定所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系;
基于所述犯罪数据,来确定在与所述犯罪预报时间段相似的时间段内在所述犯罪预报位置中的历史犯罪率;
通过基于所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系调整所述历史犯罪率,来确定犯罪预报;以及
将所述犯罪预报输出至远程计算机系统。
12.根据权利要求11所述的犯罪预报系统,其中,与所述犯罪预报时间段相似的时间段是一天中与所述犯罪预报时间段相同的时间的时间段。
13.根据权利要求11所述的犯罪预报系统,其中,
所述数据库存储包括过去事件和未来事件的事件数据,以及
所述分析单元进行以下操作:
基于所述事件数据,来确定在所述犯罪预报时间段内在所述犯罪预报位置中的未来事件;以及
基于所述犯罪数据和所述事件数据中所包括的所述过去事件,来确定所述犯罪数据中所包括的犯罪和所述过去事件之间的相关关系,以及
所述犯罪预报是通过基于所述犯罪数据中所包括的犯罪和所述未来事件之间的相关关系进一步调整所述历史犯罪率所确定的。
14.根据权利要求11所述的犯罪预报系统,其中,
所述犯罪数据还包括表示犯罪的类型的信息,
方法还包括确定犯罪类型,
所述犯罪数据中所包括的犯罪和所述预报天气状况之间的相关关系是基于属于所述犯罪类型的犯罪和所述预报天气状况之间的相关关系所确定的,
所述历史犯罪率是基于在与所述犯罪预报时间段相似的时间段内在所述犯罪预报位置中针对属于所述犯罪类型的犯罪的历史犯罪率所确定的,以及
所述犯罪预报是通过基于属于所述犯罪类型的犯罪和所述预报天气状况之间的相关关系调整所述历史犯罪率所确定的。
15.根据权利要求13所述的犯罪预报系统,其中,由用户输入犯罪类型。
16.根据权利要求13所述的犯罪预报系统,其中,基于用户的人口统计资料来选择并确定犯罪类型。
17.根据权利要求11所述的犯罪预报系统,其中,所述犯罪预报时间段是由用户指定的。
18.根据权利要求11所述的犯罪预报系统,其中,所述犯罪预报时间段是基于当前时间所确定的。
19.根据权利要求11所述的犯罪预报系统,其中,所述犯罪预报位置是由用户识别的。
20.根据权利要求11所述的犯罪预报系统,其中,所述犯罪预报位置是基于所述远程计算机系统的位置所选择的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462096631P | 2014-12-24 | 2014-12-24 | |
US62/096,631 | 2014-12-24 | ||
PCT/US2015/067694 WO2016106417A1 (en) | 2014-12-24 | 2015-12-28 | Crime forecasting system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107251058A true CN107251058A (zh) | 2017-10-13 |
Family
ID=56151552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580076841.3A Pending CN107251058A (zh) | 2014-12-24 | 2015-12-28 | 犯罪预报系统 |
Country Status (13)
Country | Link |
---|---|
US (1) | US20160189043A1 (zh) |
EP (1) | EP3238145A4 (zh) |
JP (1) | JP2018505474A (zh) |
KR (1) | KR20170098281A (zh) |
CN (1) | CN107251058A (zh) |
AU (1) | AU2015369609A1 (zh) |
BR (1) | BR112017013451A2 (zh) |
CA (1) | CA2971441A1 (zh) |
HK (1) | HK1245464A1 (zh) |
MX (1) | MX2017008512A (zh) |
RU (1) | RU2686022C2 (zh) |
SG (1) | SG11201705199YA (zh) |
WO (1) | WO2016106417A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250699B (zh) * | 2016-08-04 | 2019-02-19 | 中国南方电网有限责任公司 | 利用enso综合指标进行厄尔尼诺/拉尼娜等级划分及径流预测方法 |
US20180096253A1 (en) * | 2016-10-04 | 2018-04-05 | Civicscape, LLC | Rare event forecasting system and method |
US20180232647A1 (en) * | 2017-02-10 | 2018-08-16 | International Business Machines Corporation | Detecting convergence of entities for event prediction |
US11520667B1 (en) * | 2017-05-03 | 2022-12-06 | EMC IP Holding Company LLC | Information technology resource forecasting based on time series analysis |
CN107832364B (zh) * | 2017-10-26 | 2021-06-22 | 浙江宇视科技有限公司 | 一种基于时空数据锁定目标对象的方法及装置 |
US11002555B2 (en) * | 2018-02-02 | 2021-05-11 | Base Operations Inc. | Generating safe routes for traffic using crime-related information |
AU2019284379A1 (en) | 2018-06-12 | 2021-01-28 | Intergraph Corporation | Artificial intelligence applications for computer-aided dispatch systems |
IT201900011373A1 (it) * | 2019-07-10 | 2021-01-10 | Elia Lombardo | Metodo per la previsione di reati predatori |
CN111612677B (zh) * | 2020-05-27 | 2023-08-25 | 北京明智和术科技有限公司 | 事件安全性的检测方法、检测装置、电子设备及存储介质 |
KR102430920B1 (ko) | 2020-08-14 | 2022-08-10 | 고려대학교 산학협력단 | 치안 및 공공 데이터 기반 범죄 신고 수 예측 장치 및 방법 |
US11451930B2 (en) | 2020-10-15 | 2022-09-20 | Conduent Business Services, Llc | Dynamic hotspot prediction method and system |
KR102492511B1 (ko) | 2020-12-10 | 2023-01-30 | 주식회사 제이콥시스템 | 범죄 대응을 위한 시뮬레이터 및 그 시뮬레이터의 구동방법 |
KR102618554B1 (ko) * | 2021-08-20 | 2023-12-28 | (주)카탈로닉스 | 야간 조도 데이터 활용 방법 |
JP7360109B1 (ja) | 2023-02-28 | 2023-10-12 | 株式会社ティファナ ドットコム | 障害事象推定装置、及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148894A (ja) * | 2005-11-29 | 2007-06-14 | Fuji Electric Retail Systems Co Ltd | 防犯装置、防犯システムおよび防犯プログラム |
US20090198641A1 (en) * | 2007-10-12 | 2009-08-06 | Enforsys, Inc. | System and method for forecasting real-world occurrences |
US20130057551A1 (en) * | 2007-10-01 | 2013-03-07 | David S. Ebert | Visual Analytics Law Enforcement Tools |
CN102520464B (zh) * | 2011-12-08 | 2013-06-12 | 南京成风大气信息技术有限公司 | 区域积涝预报系统及其预报方法 |
KR20140100173A (ko) * | 2013-02-05 | 2014-08-14 | 인터로젠 (주) | 기상정보를 이용한 범죄예측 서비스 제공 방법 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US222330A (en) * | 1879-12-02 | Improvement in spinning-frames | ||
JP4137672B2 (ja) * | 2003-03-06 | 2008-08-20 | 株式会社野村総合研究所 | 渋滞予測システムおよび渋滞予測方法 |
JP4429128B2 (ja) * | 2004-09-24 | 2010-03-10 | 株式会社竹中工務店 | 犯罪発生確率提示装置及び犯罪発生確率提示プログラム |
RU2006132460A (ru) * | 2006-09-11 | 2008-03-20 | Владимир Адольфович Таммео (RU) | Способ и устройство прогнозирования развития случайного процесса |
US20110208416A1 (en) * | 2007-08-13 | 2011-08-25 | Speier Gary J | System and method for travel route planning using safety metrics |
JP5061373B2 (ja) * | 2008-11-06 | 2012-10-31 | Necフィールディング株式会社 | 車両内犯罪防止システム、車両内犯罪防止方法および車両内犯罪防止プログラム |
JP5332057B2 (ja) * | 2008-12-26 | 2013-11-06 | 朋和 三木 | リスク算出装置およびリスク算出方法 |
US9129012B2 (en) * | 2010-02-03 | 2015-09-08 | Google Inc. | Information search system with real-time feedback |
US8712596B2 (en) * | 2010-05-20 | 2014-04-29 | Accenture Global Services Limited | Malicious attack detection and analysis |
CN104011763A (zh) * | 2011-12-27 | 2014-08-27 | 英特尔公司 | 情境和历史数据合并到路线确定中 |
US20140372038A1 (en) * | 2013-04-04 | 2014-12-18 | Sky Motion Research, Ulc | Method for generating and displaying a nowcast in selectable time increments |
US9129219B1 (en) * | 2014-06-30 | 2015-09-08 | Palantir Technologies, Inc. | Crime risk forecasting |
-
2015
- 2015-12-27 US US14/979,434 patent/US20160189043A1/en not_active Abandoned
- 2015-12-28 WO PCT/US2015/067694 patent/WO2016106417A1/en active Application Filing
- 2015-12-28 JP JP2017534605A patent/JP2018505474A/ja active Pending
- 2015-12-28 CN CN201580076841.3A patent/CN107251058A/zh active Pending
- 2015-12-28 AU AU2015369609A patent/AU2015369609A1/en not_active Abandoned
- 2015-12-28 EP EP15874372.4A patent/EP3238145A4/en not_active Withdrawn
- 2015-12-28 MX MX2017008512A patent/MX2017008512A/es unknown
- 2015-12-28 CA CA2971441A patent/CA2971441A1/en not_active Abandoned
- 2015-12-28 SG SG11201705199YA patent/SG11201705199YA/en unknown
- 2015-12-28 RU RU2017124627A patent/RU2686022C2/ru not_active IP Right Cessation
- 2015-12-28 KR KR1020177020255A patent/KR20170098281A/ko not_active Application Discontinuation
- 2015-12-28 BR BR112017013451A patent/BR112017013451A2/pt not_active Application Discontinuation
-
2018
- 2018-04-10 HK HK18104653.0A patent/HK1245464A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148894A (ja) * | 2005-11-29 | 2007-06-14 | Fuji Electric Retail Systems Co Ltd | 防犯装置、防犯システムおよび防犯プログラム |
US20130057551A1 (en) * | 2007-10-01 | 2013-03-07 | David S. Ebert | Visual Analytics Law Enforcement Tools |
US20090198641A1 (en) * | 2007-10-12 | 2009-08-06 | Enforsys, Inc. | System and method for forecasting real-world occurrences |
CN102520464B (zh) * | 2011-12-08 | 2013-06-12 | 南京成风大气信息技术有限公司 | 区域积涝预报系统及其预报方法 |
KR20140100173A (ko) * | 2013-02-05 | 2014-08-14 | 인터로젠 (주) | 기상정보를 이용한 범죄예측 서비스 제공 방법 |
Non-Patent Citations (1)
Title |
---|
阎耀军,张明: "犯罪预测时空定位信息管理系统的构建", 《中国人民公安大学学报(社会科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222666A (zh) * | 2018-11-26 | 2020-06-02 | 中兴通讯股份有限公司 | 一种数据计算方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
MX2017008512A (es) | 2018-03-16 |
AU2015369609A1 (en) | 2017-07-13 |
WO2016106417A1 (en) | 2016-06-30 |
EP3238145A1 (en) | 2017-11-01 |
HK1245464A1 (zh) | 2018-08-24 |
SG11201705199YA (en) | 2017-07-28 |
JP2018505474A (ja) | 2018-02-22 |
RU2017124627A3 (zh) | 2019-01-24 |
RU2017124627A (ru) | 2019-01-24 |
EP3238145A4 (en) | 2018-07-11 |
US20160189043A1 (en) | 2016-06-30 |
CA2971441A1 (en) | 2016-06-30 |
BR112017013451A2 (pt) | 2018-03-06 |
KR20170098281A (ko) | 2017-08-29 |
RU2686022C2 (ru) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107251058A (zh) | 犯罪预报系统 | |
JP2018505474A5 (zh) | ||
US11554776B2 (en) | System and method for predicting of absolute and relative risks for car accidents | |
Deilami et al. | Urban heat island effect: A systematic review of spatio-temporal factors, data, methods, and mitigation measures | |
Cisneros et al. | Beach carrying capacity assessment through image processing tools for coastal management | |
CN107391943A (zh) | 可定制的天气分析系统、方法及计算机可读介质 | |
JP2019505049A (ja) | 天候に基づく産業分析システム | |
Quan | Rainstorm waterlogging risk assessment in central urban area of Shanghai based on multiple scenario simulation | |
US20080320036A1 (en) | Automatic data collection | |
BRPI0707138A2 (pt) | métodos para localizar e monitorar pelo menos um indivìduo localizado remotamente de uma rede de radiodifusão | |
Bokaie et al. | Seasonal monitoring of urban heat island using multi-temporal Landsat and MODIS images in Tehran | |
Kim et al. | A case study of environmental characteristics on urban road-surface and air temperatures during heat-wave days in Seoul | |
Ayanlade et al. | Evaluation of the intensity of the daytime surface urban heat island: how can remote sensing help? | |
Yahya et al. | The impact of dust and sandstorms in increasing drought areas in Nineveh province, north-western Iraq | |
Medeiros et al. | Stable boundary layer in complex terrain. Part II: Geometrical and sheltering effects on mixing | |
Felbermayr et al. | Shedding light on the spatial diffusion of disasters | |
US10282430B1 (en) | Determining content for delivery based on imagery | |
Dutta et al. | Glacier fluctuation using satellite data in Beas basin, 1972–2006, Himachal Pradesh, India | |
Wilson et al. | Land use/land cover planning nexus: a space-time multi-scalar assessment of urban growth in the Tulsa metropolitan statistical area | |
NZ749835A (en) | Crime forecasting system | |
Xu et al. | Spatial-temporal analysis of OpenStreetMap data after natural disasters: a case study of Haiti under Hurricane Matthew | |
Che et al. | Spatio-temporal characteristics of human activities using location big data in Qilian Mountain National Park | |
Mohapatra et al. | Short to medium range impact based forecasting of heavy rainfall in India | |
Demirtaş | The Cold Snaps of January 2022 in the Euro-Mediterranean Region in a Warming Climate: In Association with Atmospheric Blocking and the Positive North Atlantic Oscillation | |
Luo et al. | The Impact of Climate on Outbound Tourism in Hong Kong: Resident's Mode of Transport |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1245464 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171013 |
|
WD01 | Invention patent application deemed withdrawn after publication |