KR101853386B1 - 범죄 발생 예측 장치 및 방법 - Google Patents

범죄 발생 예측 장치 및 방법 Download PDF

Info

Publication number
KR101853386B1
KR101853386B1 KR1020170004246A KR20170004246A KR101853386B1 KR 101853386 B1 KR101853386 B1 KR 101853386B1 KR 1020170004246 A KR1020170004246 A KR 1020170004246A KR 20170004246 A KR20170004246 A KR 20170004246A KR 101853386 B1 KR101853386 B1 KR 101853386B1
Authority
KR
South Korea
Prior art keywords
crime
type
occurrence
divided data
data
Prior art date
Application number
KR1020170004246A
Other languages
English (en)
Inventor
박미화
송양의
백세인
박혁주
강병기
오수빈
고성욱
이강우
Original Assignee
동국대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020170004246A priority Critical patent/KR101853386B1/ko
Application granted granted Critical
Publication of KR101853386B1 publication Critical patent/KR101853386B1/ko

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07F—COIN-FREED OR LIKE APPARATUS
    • G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
    • G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
    • G07F17/3244—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes
    • G07F17/3253—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes involving articles, e.g. paying in bottles, paying out toys
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F9/00—Games not otherwise provided for
    • A63F9/30—Capturing games for grabbing or trapping objects, e.g. fishing games
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2250/00—Miscellaneous game characteristics
    • A63F2250/14—Coin operated
    • A63F2250/142—Coin operated with pay-out or rewarding with a prize

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Alarm Systems (AREA)

Abstract

본 발명의 일 실시 예에 따른 범죄 발생 예측 장치는 범죄 발생 예측을 수행하기 위한 명령어를 저장하는 메모리 및 상기 명령어에 따라 범죄 발생을 예측하는 과정을 수행하는 프로세서를 포함하되, 상기 프로세서는 범죄 데이터를 분할하여 분할 데이터를 생성하고, 각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하고, 상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 것을 특징으로 한다.

Description

범죄 발생 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING CRIME}
본 발명은 범죄 발생을 예측하는 기술에 관한 것으로, 보다 상세하게는 빅데이터로부터 미래에 발생할 범죄 발생을 예측하는 기술에 관한 것이다.
누구나 안전한 공간에서 안정감 있는 생활을 원한다. 하지만 도시 공간뿐만 아니라 사람이 거주하는 모든 공간에서는 범죄가 발생하고 있고, 범죄 발생 빈도는 줄어들지 않고 있다.
발생한 범죄에 대한 정보는 뉴스 기사나 SNS 등을 통하여 쉽게 접할 수 있고 정부에서도 범죄를 예방하기 위해 성범죄 알림e와 같은 서비스를 제공하는 것을 볼 수 있다. 기존의 시스템은 과거에 발생한 범죄 데이터에 대한 통계 정보를 사용자에게 제공하는 시스템이 대부분이다.
본 발명의 배경기술은 대한민국 등록특허공보 10-1660160에 개시되어 있다.
본 발명이 해결하고자 하는 과제는 과거에 발생한 범죄 데이터의 각 범죄 간의 연관성과 유사도를 분석하여 범죄 발생을 예측하는 범죄 발생 예측 장치 및 방법을 제공하는 것이다.
본 발명의 일 측면에 따르면, 범죄 발생 예측을 수행하기 위한 명령어를 저장하는 메모리; 및 상기 명령어에 따라 범죄 발생을 예측하는 과정을 수행하는 프로세서;를 포함하되, 상기 프로세서는 범죄 데이터를 분할하여 분할 데이터를 생성하고, 각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하고, 상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 것을 특징으로 하는 범죄 발생 예측 장치가 제공된다.
상기 프로세서는, 상기 분할 데이터에 대해 FP growth 알고리즘을 적용하여 범죄 연관성 트리를 생성하고, 상기 범죄 연관성 트리를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대응하는 지지도 및 신뢰도를 산출하고, 상기 연관 범죄 유형 중 상기 지지도 및 상기 신뢰도가 지정된 수치 인상인 연관 범죄 유형에 관한 범죄 데이터를 포함하는 빈번 연관 범죄 정보를 생성하고, 상기 연관 범죄 유형은 각 상기 분할 데이터에 대응하는 범죄 유형 중 2개 이상의 범죄 유형을 포함하는 집합일 수 있다.
상기 프로세서는, 범죄 흐름 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값을 성분으로 포함하는 벡터인 범죄 흐름 벡터를 생성하고, 범죄 질의 벡터와 각 상기 범죄 흐름 벡터 간의 유사도를 산출하고, 상기 범죄 흐름 벡터에 대응하는 날짜 이후에 발생한 범죄 유형을 후보 범죄 유형으로 선정하고, 상기 범죄 흐름 벡터 중 상기 후보 범죄 유형에 대응하는 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를, 각 상기 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를 합한 값으로 나눈 값인 상기 후보 범죄 유형의 발생 확률을 산출하고, 상기 후보 범죄 유형의 발생 확률을 포함하는 상기 범죄 확률 정보를 생성할 수 있다.
본 발명의 다른 측면에 따르면, 범죄 발생 예측 장치가 범죄 발생을 예측하는 방법에 있어서, 범죄 데이터를 분할하여 분할 데이터를 생성하는 단계; 각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하는 단계; 및 상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 단계; 를 포함하는 것을 특징으로 하는 범죄 발생 예측 방법이 제공된다.
상기 각 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하는 단계는, 상기 분할 데이터에 대해 FP growth 알고리즘을 적용하여 범죄 연관성 트리를 생성하는 단계; 상기 범죄 연관성 트리를 참조하여 상기 연관 범죄 유형을 검색하는 단계; 상기 연관 범죄 유형에 대응하는 지지도 및 신뢰도를 산출하는 단계; 및 상기 연관 범죄 유형 중 상기 지지도 및 상기 신뢰도가 지정된 수치 인상인 연관 범죄 유형에 관한 범죄 데이터를 포함하는 빈번 연관 범죄 정보를 생성하는 단계; 를 포함하되, 상기 연관 범죄 유형은 각 상기 분할 데이터에 대응하는 범죄 유형 중 2개 이상의 범죄 유형을 포함하는 집합일 수 있다.
상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 단계는, 범죄 흐름 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값을 성분으로 포함하는 벡터인 범죄 흐름 벡터를 생성하는 단계; 범죄 질의 벡터와 각 상기 범죄 흐름 벡터 간의 유사도를 산출하는 단계; 상기 범죄 흐름 벡터에 대응하는 날짜 이후에 발생한 범죄 유형을 후보 범죄 유형으로 선정하는 단계; 상기 범죄 흐름 벡터 중 상기 후보 범죄 유형에 대응하는 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를, 각 상기 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를 합한 값으로 나눈 값인 상기 후보 범죄 유형의 발생 확률을 산출하는 단계; 및 상기 후보 범죄 유형의 발생 확률을 포함하는 상기 범죄 확률 정보를 생성하는 단계; 를 포함할 수 있다.
상술한 바와 같이 본 발명에 따르면, 연관성 분석(Association Analysis)과 유사도 분석(Similarity Analysis)을 통하여 과거에 발생한 범죄 간의 연관성과 유사도를 파악한 후 지리정보시스템(Geographic Information System, GIS)을 이용해 지역별 범죄 발생 정보와 발생 가능한 범죄 정보를 사용자에게 제공할 수 있다.
또한, 본 발명에 따르면, 범죄 발생 통계와 범죄 예측 정보를 지리정보시스템과 위치 추적 프로그램 등을 이용하여 어플리케이션이나 웹 페이지 형태로 제공함으로써 일반 사용자는 특정지역의 범죄 발생 예상 정보를 미리 인지하여 여행 등에서 활용할 수 있고, 경찰이 해당 지역의 범죄 예방을 위한 순찰 계획에 활용하도록 할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치를 예시한 블록도.
도 2는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 발생을 예측하는 과정을 예시한 순서도.
도 3은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 데이터를 분할하는 과정을 예시한 개념도.
도 4는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 연관성을 분석하는 과정을 예시한 순서도.
도 5는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 분석 대상 데이터를 설정하는 과정을 예시한 개념도.
도 6은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 생성하는 범죄 연관성 트리를 예시한 도면.
도 7은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 유사도에 따른 범죄의 발생을 예측하는 과정을 예시한 순서도.
도 8은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 선정하는 후보 범죄 유형을 예시한 도면.
도 9는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 빈번 연관 범죄 정보 및 범죄 발생 확률을 출력한 것을 예시한 도면.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치를 예시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치는 프로세서(110), 메모리(120), 저장부(130), 사용자 인터페이스 입력부(140) 및 사용자 인터페이스 출력부(150) 중 적어도 하나 이상의 요소를 포함할 수 있으며, 이들은 버스(160)를 통해 서로 통신할 수 있다. 이 때, 사용자 인터페이스 입력부(140)는 공지된 방식을 통해 사용자의 입력을 받는 입력 장치와 연결될 수 있으며, 사용자 인터페이스 출력부(150)는 영상을 출력하는 출력 장치와 연결될 수 있다. 또한, 범죄 발생 예측 장치는 네트워크나 접속 단자를 통해 외부 장치에 접속하기 위한 네트워크 인터페이스(170)를 또한 포함할 수 있다. 이 때, 네트워크 인터페이스(170)는 연결선 또는 네트워크를 통해 카메라 등의 외부 장치와 연결되어 영상을 수신할 수 있다. 프로세서(110)는 메모리(120) 및/또는 저장부(130)에 저장된 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다. 메모리(120) 및 저장부(130)는 다양한 유형의 휘발성/비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(124) 및 RAM(125)를 포함할 수 있다.
즉, 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치는 컴퓨터 시스템의 형태로 구현될 수 있으며, 저장된 명령어에 따라 범죄 발생을 예측하는 기능을 수행한다. 이하, 상술한 구성을 통해 범죄 발생 예측 장치가 범죄 발생을 예측하는 과정을 상세히 설명하도록 한다.
도 2는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 발생을 예측하는 과정을 예시한 순서도이고, 도 3은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 데이터를 분할하는 과정을 예시한 개념도이다. 이하 설명하는 각 과정은 범죄 발생 예측 장치를 구성하는 각 기능부를 통해 수행되는 과정이나, 발명의 간결하고 명확한 설명을 위해 각 단계의 주체를 범죄 발생 예측 장치로 통칭하도록 한다.
도 2를 참조하면, 단계 210에서 범죄 발생 예측 장치는 범죄 데이터 중 미리 지정된 기간 간격으로 분할한다. 이 때, 범죄 데이터는 각 일자에 대응하여 발생한 범죄의 종류를 포함하는 데이터일 수 있다. 범죄 데이터는 범죄의 종류 이외 장소, 날씨, 특정 행사 여부 등의 범죄와 연관된 사항을 나타내는 부가적인 정보를 포함할 수 있다. 도 3을 참조하면, 범죄 발생 예측 장치는 범죄 데이터에 포함된 각 일자로부터 지정된 기간(a일, a는 1 이상의 자연수) 이내의 데이터를 하나의 분할 데이터로 설정한다. 예를 들어, a가 5일임을 가정하면, 도 3의 1월 1일로부터 5일 이내의 데이터(즉, 1월 1일 내지 1월 5일)(310)를 하나의 분할 데이터로 설정할 수 있다. 또한, 1월 2일로부터 4일 이후까지의 데이터(즉, 1월 2일 내지 1월 6일)(320)를 하나의 분할 데이터로 설정할 수 있다.
단계 220에서 범죄 발생 예측 장치는 각 분할 데이터를 이용하여 범죄 연관성을 분석하여, 빈번하게 특정 범죄들이 연관되어 발생함을 나타내는 빈번 연관 범죄 정보를 생성한다. 추후, 도 4 내지 도 6을 참조하여 범죄 발생 예측 장치가 범죄 연관성을 분석하는 과정을 상세히 설명하도록 한다.
단계 230에서 범죄 발생 예측 장치는 각 분할 데이터를 이용하여 범죄 유사도를 산출하고, 범죄 유사도를 기준으로 상위 미리 지정된 수의 범죄 유형에 대한 범죄 발생 확률 정보를 생성한다. 추후, 도 7 내지 도 8을 참조하여 범죄 발생 예측 장치가 범죄 유사도를 산출하는 과정을 상세히 설명하도록 한다.
단계 240에서 범죄 발생 예측 장치는 빈번 연관 범죄 정보 및 범죄 발생 확률 정보를 출력한다. 이 때, 범죄 발생 예측 장치는 빈번 연관 범죄 정보 및 범죄 발생 확률의 산출에 이용된 범죄 데이터에 대응하는 지역을 나타내는 지도 상에 빈번 연관 범죄 정보 및 범죄 발생 확률을 표시할 수 있다. 추후 도 9를 참조하여 지도 상에 빈번 연관 정보 및 범죄 발생 확률을 표시하는 과정을 상세히 설명하도록 한다.
도 4는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 연관성을 분석하는 과정을 예시한 순서도이고, 도 5는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 분석 대상 데이터를 설정하는 과정을 예시한 개념도이고, 도 6은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 생성하는 범죄 연관성 트리를 예시한 도면이다.
도 4를 참조하면, 단계 410에서 범죄 발생 예측 장치는 분할 데이터 중 대응하는 일자, 요일, 계절, 날씨 등의 하나 이상의 기준에 따른 미리 지정된 분석 조건에 대응하는 분할 데이터를 분석 대상 데이터로 선정한다. 이 때, 분석 조건은 사용자에 의해 미리 설정될 수 있다. 즉, 도 5와 같이 분석 조건은 "겨울 중 비가 온 날"에 대응하는 분할 데이터와 같이 설정될 수 있다.
단계 420에서 범죄 발생 예측 장치는 분석 대상 데이터에 대해 FP growth(Frequent Patterns Growth) 알고리즘을 적용하여 범죄 연관성 트리를 생성한다. 예를 들어, 범죄 발생 예측 장치는 분석 대상 데이터에 대해 FP growth 알고리즘을 적용함으로써 하기의 표 1과 같이 단일 분할 데이터 내에 포함된 발생 범죄를 나타낼 수 있다.
순번 발생 범죄
1 A, B, C, D
2 A, C, F
3 B, C
4 A, C
... ...
범죄 발생 예측 장치는 도 6과 같이 FP growth 알고리즘을 적용하여 범죄 연관성 트리를 생성할 수 있다. 이 때, 범죄 연관성 트리는 FP growth 알고리즘을 통해 각 범죄의 연관 빈도를 분석할 경우 생성되는 빈발패턴 트리 (frequent pattern tree)이다.
단계 430에서 범죄 발생 예측 장치는 범죄 연관성 트리를 참조하여 연관 범죄 유형을 검색한다. 연관 범죄 유형은 단일 분할 데이터에 대응하는 범죄 유형들 중 2개 이상의 범죄 유형을 포함하는 집합을 의미한다. 즉, 특정 분할 데이터에 대응하는 3건의 범죄가 존재하고 각 범죄의 유형이 A, B 및 C일 경우, 해당 분할 데이터의 연관 범죄 유형은 (A, B), (A, C), (B, C), (A, B, C)이다.
단계 440에서 범죄 발생 예측 장치는 각 연관 범죄 유형에 대응하는 지지도 및 신뢰도를 산출한다. 이 때, 연관 범죄 유형 (A, B)에 대한 지지도는 전체 범죄 발생 건수 중 연관 범죄 유형 (A, B)가 발생한 확률을 의미하고, 연관 범죄 유형 (A, B)에 대한 신뢰도는 범죄 유형 A가 발생한 분할 데이터 중 A 이후 B가 발생한 경우의 확률을 의미한다.
단계 450에서 범죄 발생 예측 장치는 각 연관 범죄 유형 중 지지도 및 신뢰도가 지정된 수치 이상인 연관 범죄 유형에 관한 범죄 데이터를 포함하는 빈번 연관 범죄 정보를 생성한다.
도 7은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 범죄 유사도에 따른 범죄의 발생을 예측하는 과정을 예시한 순서도이고, 도 8은 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 선정하는 후보 범죄 유형을 예시한 도면이다.
도 7을 참조하면, 단계 710에서 범죄 발생 예측 장치는 범죄 데이터를 참조하며 범죄 질의 벡터, 범죄 흐름 벡터를 생성한다. 이 때, 범죄 발생 예측 장치는 범죄 예측의 정확성을 높이기 위해 현재 일자를 기준으로 최소 1년 이상에 해당하는 범죄 데이터를 분석할 수 있다. 예를 들어, 범죄 발생 예측 장치는 최근 a일 동안 발생한 범죄 데이터를 의미하는 범죄 질의 데이터를 추출한다. 즉, 최근 a일 동안 발생한 범죄 유형이 A, B, C일 경우, 범죄 질의 데이터는 (A, B, C)일 수 있다. 범죄 발생 예측 장치는 분할 데이터 중 범죄 질의 데이터의 최초 범죄 유형과 동일한 최초 범죄 유형을 포함하는 분할 데이터인 범죄 흐름 데이터를 추출한다. 즉, 범죄 질의 데이터가 (A, B, C)인 경우, 범죄 흐름 데이터는 범죄 A로 시작하는 분할 데이터의 집합을 의미할 수 있다. 범죄 발생 예측 장치는 각 범죄 흐름 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값(예를 들어, 0 또는 1)을 성분으로 포함하는 벡터인 범죄 흐름 벡터를 생성한다. 이 때, 범죄 질의 집합은 범죄 질의 데이터의 최초 범죄 유형을 포함하는 복수의 범죄 유형을 포함하는 부분 집합들을 의미한다. 예를 들어, 최초 범죄 유형 A로 시작되는 범죄 질의 집합은 S1{A, B}, S2{A, C} 및 S3{A, B, C}일 수 있다. 범죄 흐름 벡터는 하기의 표 2와 같이
Figure 112017003485495-pat00001
(1, 1, 1),
Figure 112017003485495-pat00002
(0, 1, 0),
Figure 112017003485495-pat00003
(0, 0, 0), ... ,
Figure 112017003485495-pat00004
(fi1, fi2, fi3)로 나타낼 수 있다.
S1{A, B} S2{A, C} S3{A, B, C}
Figure 112017003485495-pat00005
 1 1 1
Figure 112017003485495-pat00006
 0 1 0
Figure 112017003485495-pat00007
 0 0 0
Figure 112017003485495-pat00008
 0 0 0
... ... ... ...
Figure 112017003485495-pat00009
 fi1 fi2 fi3
단계 720에서 범죄 발생 예측 장치는 범죄 질의 벡터와 각 범죄 흐름 벡터 간의 유사도를 산출한다. 이 때, 범죄 질의 벡터는 범죄 질의 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값을 성분으로 포함하는 벡터(예를 들어,
Figure 112017003485495-pat00010
(1, 1, 1))이다. 이 때, 범죄 발생 예측 장치는 하기의 수학식 1에 따라 범죄 질의 벡터와 각 범죄 흐름 벡터 간의 유사도를 산출할 수 있다.
[수학식 1]
Figure 112017003485495-pat00011
이 때,
Figure 112017003485495-pat00012
는 i번째 범죄 흐름 데이터에 대응하는 범죄 흐름 벡터이고,
Figure 112017003485495-pat00013
는 범죄 질의 벡터이고, qj는 범죄 질의 벡터의 j(j는 1 이상의 자연수)번째 성분이고, n은 범죄 질의 벡터가 포함하는 성분의 개수이다.
단계 730에서 범죄 발생 예측 장치는 각 범죄 흐름 벡터에 대응하는 날짜 이후에 발생한 범죄 유형을 후보 범죄 유형으로 선정한다. 도 8를 참조하여 예를 들면, 범죄 발생 예측 장치는 범죄 유형 A, B 및 C를 포함하는 범죄 흐름 데이터(810)의 날짜(1월 5일) 이후에 발생한 범죄 유형 B를 후보 범죄 유형으로 선정할 수 있다. 또한, 범죄 발생 예측 장치는 820에 해당하는 범죄 유형들을 각각 후보 범죄 유형으로 선정할 수 있다.
단계 740에서 범죄 발생 예측 장치는 각 후보 범죄 유형의 발생 확률을 산출한다. 예를 들어, 범죄 발생 예측 장치는 하기의 수학식 2에 따라 각 후보 범죄 유형의 발생 확률을 산출할 수 있다.
[수학식 2]
Figure 112017003485495-pat00014
이 때,
Figure 112017003485495-pat00015
는 범죄 흐름 벡터 중 후보 범죄 유형 x에 대응하는 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수이고,
Figure 112017003485495-pat00016
는 각 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를 합한 값이다.
단계 750에서 범죄 발생 예측 장치는 각 후보 범죄 유형 중 발생 확률을 기준으로 상위 미리 지정된 수의 후보 범죄 유형에 대한 범죄 확률을 포함하는 범죄 확률 정보를 생성한다. 예를 들어, 범죄 발생 예측 장치는 각 후보 범죄 유형 중 발생 확률을 기준으로 상위 2개의 후보 범죄 유형에 대한 범죄 확률을 포함하는 범죄 확률 정보를 생성할 수 있다
도 9는 본 발명의 일 실시 예에 따른 범죄 발생 예측 장치가 빈번 연관 범죄 정보 및 범죄 발생 확률을 출력한 것을 예시한 도면이다.
도 9를 참조하면, 범죄 발생 예측 장치는 특정 지역에 대한 범죄 데이터를 분석하여 산출한 빈번 연관 범죄 정보 및 범죄 발생 확률을 지도와 함께 팝업 윈도우 상에 표시하는 사용자 인터페이스를 통해 정보를 표시할 수 있다.
이제까지 본 발명에 대하여 그 실시 예를 중심으로 살펴보았다. 전술한 실시 예 외의 많은 실시 예들이 본 발명의 특허청구범위 내에 존재한다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (6)

  1. 범죄 발생 예측을 수행하기 위한 명령어를 저장하는 메모리; 및
    상기 명령어에 따라 범죄 발생을 예측하는 과정을 수행하는 프로세서;
    를 포함하되,
    상기 프로세서는
    범죄 데이터를 분할하여 분할 데이터를 생성하고,
    각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하고,
    상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하고,
    상기 분할 데이터에 대해 FP growth 알고리즘을 적용하여 범죄 연관성 트리를 생성하고,
    상기 범죄 연관성 트리를 참조하여 연관 범죄 유형을 검색하고,
    상기 연관 범죄 유형에 대응하는 지지도 및 신뢰도를 산출하고,
    상기 연관 범죄 유형 중 상기 지지도 및 상기 신뢰도가 지정된 수치 이상인 연관 범죄 유형에 관한 범죄 데이터를 포함하는 빈번 연관 범죄 정보를 생성하고,
    상기 연관 범죄 유형은 각 상기 분할 데이터에 대응하는 범죄 유형 중 2개 이상의 범죄 유형을 포함하는 집합인 것을 특징으로 하는 범죄 발생 예측 장치.
  2. 삭제
  3. 범죄 발생 예측을 수행하기 위한 명령어를 저장하는 메모리; 및
    상기 명령어에 따라 범죄 발생을 예측하는 과정을 수행하는 프로세서;
    를 포함하되,
    상기 프로세서는
    범죄 데이터를 분할하여 분할 데이터를 생성하고,
    각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하고,
    상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하고,
    범죄 흐름 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값을 성분으로 포함하는 벡터인 범죄 흐름 벡터를 생성하고,
    범죄 질의 벡터와 각 상기 범죄 흐름 벡터 간의 유사도를 산출하고,
    상기 범죄 흐름 벡터에 대응하는 날짜 이후에 발생한 범죄 유형을 후보 범죄 유형으로 선정하고,
    상기 범죄 흐름 벡터 중 상기 후보 범죄 유형에 대응하는 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를, 각 상기 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를 합한 값으로 나눈 값인 상기 후보 범죄 유형의 발생 확률을 산출하고,
    상기 후보 범죄 유형의 발생 확률을 포함하는 범죄 확률 정보를 생성하는 것을 특징으로 하는 범죄 발생 예측 장치.
  4. 범죄 발생 예측 장치가 범죄 발생을 예측하는 방법에 있어서,
    범죄 데이터를 분할하여 분할 데이터를 생성하는 단계;
    각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하는 단계; 및
    상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 단계;
    를 포함하되,
    상기 각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하는 단계는,
    상기 분할 데이터에 대해 FP growth 알고리즘을 적용하여 범죄 연관성 트리를 생성하는 단계;
    상기 범죄 연관성 트리를 참조하여 상기 연관 범죄 유형을 검색하는 단계;
    상기 연관 범죄 유형에 대응하는 지지도 및 신뢰도를 산출하는 단계; 및
    상기 연관 범죄 유형 중 상기 지지도 및 상기 신뢰도가 지정된 수치 이상인 연관 범죄 유형에 관한 범죄 데이터를 포함하는 빈번 연관 범죄 정보를 생성하는 단계;
    를 포함하되,
    상기 연관 범죄 유형은 각 상기 분할 데이터에 대응하는 범죄 유형 중 2개 이상의 범죄 유형을 포함하는 집합인 것을 특징으로 하는 범죄 발생 예측 방법.
  5. 삭제
  6. 범죄 발생 예측 장치가 범죄 발생을 예측하는 방법에 있어서,
    범죄 데이터를 분할하여 분할 데이터를 생성하는 단계;
    각 상기 분할 데이터를 참조하여 연관 범죄 유형을 검색하고, 상기 연관 범죄 유형에 대한 지지도 및 신뢰도에 따라 빈번 연관 범죄 정보를 생성하는 단계; 및
    상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 단계;
    를 포함하되,
    상기 분할 데이터에 대응하는 범죄 유사도에 따라 범죄 발생 확률 정보를 생성하는 단계는,
    범죄 흐름 데이터가 각 범죄 질의 집합을 포함하는 것을 나타내는 값을 성분으로 포함하는 벡터인 범죄 흐름 벡터를 생성하는 단계;
    범죄 질의 벡터와 각 상기 범죄 흐름 벡터 간의 유사도를 산출하는 단계;
    상기 범죄 흐름 벡터에 대응하는 날짜 이후에 발생한 범죄 유형을 후보 범죄 유형으로 선정하는 단계;
    상기 범죄 흐름 벡터 중 상기 후보 범죄 유형에 대응하는 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를, 각 상기 범죄 흐름 벡터에 대응하는 범죄 질의 벡터의 수를 합한 값으로 나눈 값인 상기 후보 범죄 유형의 발생 확률을 산출하는 단계; 및
    상기 후보 범죄 유형의 발생 확률을 포함하는 범죄 확률 정보를 생성하는 단계;
    를 포함하는 것을 특징으로 하는 범죄 발생 예측 방법.
KR1020170004246A 2017-01-11 2017-01-11 범죄 발생 예측 장치 및 방법 KR101853386B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170004246A KR101853386B1 (ko) 2017-01-11 2017-01-11 범죄 발생 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170004246A KR101853386B1 (ko) 2017-01-11 2017-01-11 범죄 발생 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101853386B1 true KR101853386B1 (ko) 2018-06-15

Family

ID=62628960

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170004246A KR101853386B1 (ko) 2017-01-11 2017-01-11 범죄 발생 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101853386B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230064390A (ko) 2021-11-03 2023-05-10 한국전자통신연구원 치안 빅데이터를 활용한 범죄 수사에서의 의사결정 지원 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160104221A (ko) * 2015-02-26 2016-09-05 광운대학교 산학협력단 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160104221A (ko) * 2015-02-26 2016-09-05 광운대학교 산학협력단 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230064390A (ko) 2021-11-03 2023-05-10 한국전자통신연구원 치안 빅데이터를 활용한 범죄 수사에서의 의사결정 지원 시스템 및 방법

Similar Documents

Publication Publication Date Title
CN110019896B (zh) 一种图像检索方法、装置及电子设备
US9323785B2 (en) Method and system for mobile visual search using metadata and segmentation
CN110866491B (zh) 目标检索方法、装置、计算机可读存储介质和计算机设备
CN109992601B (zh) 待办事项信息的推送方法、装置和计算机设备
CN105243060B (zh) 一种检索图片的方法及装置
CN110555164B (zh) 群体兴趣标签的生成方法、装置、计算机设备和存储介质
US20130148898A1 (en) Clustering objects detected in video
US20090083275A1 (en) Method, Apparatus and Computer Program Product for Performing a Visual Search Using Grid-Based Feature Organization
CN111160275B (zh) 行人重识别模型训练方法、装置、计算机设备和存储介质
US10262209B2 (en) Method for analyzing video data
CN111107319B (zh) 基于区域摄像头的目标追踪方法、装置及系统
CN109784220B (zh) 一种确定路人轨迹的方法及装置
CN104520848A (zh) 按照出席者搜索事件
KR20210006662A (ko) 지능정보기술기반 애니메이션 콘텐츠 리소스 서비스 시스템 및 방법
CN111737548A (zh) 点选验证码识别方法、装置、计算机设备和存储介质
CN112232203A (zh) 行人识别方法、装置、电子设备及存储介质
CN108182200B (zh) 基于语义相似度的关键词拓展方法和装置
KR101853386B1 (ko) 범죄 발생 예측 장치 및 방법
CN107798450B (zh) 业务分配方法和装置
CN112687079A (zh) 灾害预警方法、装置、设备及存储介质
US20210217033A1 (en) System and Method Using Deep Learning Machine Vision to Conduct Product Positioning Analyses
CN110347925B (zh) 信息处理方法及计算机可读存储介质
CN110688516A (zh) 图像检索方法、装置、计算机设备和存储介质
CN112333182B (zh) 档案处理方法、装置、服务器及存储介质
CN116610835A (zh) 用于多模态视频搜索排序的方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant