KR20160104221A - 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템 - Google Patents

빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템 Download PDF

Info

Publication number
KR20160104221A
KR20160104221A KR1020150026941A KR20150026941A KR20160104221A KR 20160104221 A KR20160104221 A KR 20160104221A KR 1020150026941 A KR1020150026941 A KR 1020150026941A KR 20150026941 A KR20150026941 A KR 20150026941A KR 20160104221 A KR20160104221 A KR 20160104221A
Authority
KR
South Korea
Prior art keywords
crime
risk
user
data
absolute
Prior art date
Application number
KR1020150026941A
Other languages
English (en)
Other versions
KR101660160B1 (ko
Inventor
황유민
차경현
김경호
김진영
Original Assignee
광운대학교 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 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020150026941A priority Critical patent/KR101660160B1/ko
Publication of KR20160104221A publication Critical patent/KR20160104221A/ko
Application granted granted Critical
Publication of KR101660160B1 publication Critical patent/KR101660160B1/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06F17/30—
    • G06F19/00—

Landscapes

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

Abstract

본 발명은 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템에 관한 것이다.
이를 위해 본 발명은, 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계; 상기 범죄 데이터에 기초하여 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출하는 단계; 상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득하는 단계; 상기 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출하는 단계; 상기 절대적 범죄 위험도와 상기 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성하는 단계; 및 상기 생성된 사용자 범죄 위험도 정보를 상기 사용자에게 제공하는 단계; 를 포함하는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템을 제공한다.

Description

빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템{A Method for Estimating a Crime Risk Using Big Data and A System for Reporting the Crime Risk Using thereof}
본 발명은 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템에 관한 것으로, 더욱 상세하게는 범죄 위험도의 사용자 맞춤형 가치를 산출하고 이를 제공하기 위한 것이다.
빅데이터란 디지털 환경에서 생성되는 데이터로 그 규모가 방대하고, 생성 주기가 짧으며, 수치 데이터뿐 아니라 문자와 영상 데이터 등 다양한 형태를 포함하는 대규모의 데이터를 말한다. 빅데이터는 각종 센서와 인터넷의 발달로 데이터가 늘어나면서 등장하게 되었다. 컴퓨터 및 처리기술이 발달함에 따라 디지털 환경에서 생성되는 빅데이터를 기반으로 분석을 수행하게 되면 질병이나 사회현상의 변화 등에 관한 새로운 시각이나 법칙을 발견할 가능성이 커지게 되었다. 따라서, 빅데이터는 사회적인 문제를 해결하는데 사용될 수 있는데, 특히 범죄 예방과 수사에 적극적으로 활용될 수 있다.
예를 들어, 빅데이터 기술을 이용하면 과거 범죄 데이터들을 분석하고 패턴을 파악함으로써 범죄발생 위험이 높은 장소와 시간을 예측할 수 있다. 또한, 범죄 위치와 유형 등을 주소지 주변으로 상세하게 제공하여, 구체적인 범죄에 대한 정보를 파악하고 예방하거나 범죄 발생률이 높은 지역에 경찰 인력을 우선 배치하여 범죄를 예방할 수 있다.
그러나 각 범죄가 가지는 개인별, 사회별 가치는 서로 상이할 수 있다. 예를 들어, 총기 범죄가 발생한 경우 해당 범죄의 중요도 또는 위험도는 개인별 총기 소지가 허용되는 국가와 허용되지 않는 국가 간에 서로 다를 수 있다. 또한, 각 범죄의 종류에 따른 관심도는 개인마다 다르기 때문에 동종 범죄에 대하여 일괄적으로 동일한 가치를 부여할 수 없다. 따라서, 각 지역에서 범죄에 대한 발생 가능성을 제공받는 사용자에게 이러한 개인적, 사회적, 정치적 관점에서 차등화된 범죄 위험도 정보를 제공할 필요가 있다.
본 발명은 각 범죄 정보가 가지는 가치를 개인적, 사회 정치적, 통계적 관점에서 모두 고려화하여 수치화하고 이와 같이 수치화된 데이터를 사용자에게 제공하기 위한 목적을 가지고 있다.
상기와 같은 과제를 해결하기 위해, 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 추산 방법은, 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계, 상기 분류 기준은 범죄 종류, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하며, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타냄; 상기 범죄 데이터에 기초하여 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출하는 단계, 상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 상기 각 항목에서의 범죄 발생 횟수의 조합에 의해 결정됨; 상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득하는 단계; 상기 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출하는 단계; 상기 절대적 범죄 위험도와 상기 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성하는 단계; 및 상기 생성된 사용자 범죄 위험도 정보를 상기 사용자에게 제공하는 단계; 를 포함하는 것을 특징으로 한다.
이때, 상기 범죄 데이터가 n개의 분류 기준으로 계수될 경우, 상기 절대적 범죄 위험도는 n차원의 벡터로 산출되는 것을 특징으로 한다.
또한, 상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 항목에서의 범죄 발생 횟수를 각 축의 좌표로 하는 n차원의 벡터인 것을 특징으로 한다.
본 발명의 일 실시예에 따르면, 상기 상대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 n차원의 벡터로 산출되며, 상기 사용자 범죄 위험도는 상기 절대적 범죄 위험도 벡터와 상기 상대적 범죄 위험도 벡터의 합에 의해 생성되는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 상기 상대적 범죄 위험도는 상기 사용자의 우선 순위 항목에 대한 가중치로 산출되며, 상기 사용자 범죄 위험도는 상기 절대적 범죄 위험도 벡터에서 상기 우선 순위 항목에 대응하는 좌표를 상기 가중치로 곱한 값에 기초하여 생성되는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 상기 사용자의 인적 정보를 획득하는 단계를 더 포함하며, 상기 사용자의 우선 순위 항목 정보는 상기 사용자의 인적 정보에 기초하여 생성되는 것을 특징으로 한다.
또한, 뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 실시간 사회적 범죄 위험도 정보를 수집하는 단계를 더 포함하며, 상기 상대적 범죄 위험도는 상기 수집된 사회적 범죄 위험도 정보를 이용하여 산출되는 것을 특징으로 한다.
한편, 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 알림 시스템은, 외부 단말 또는 네트워크와 데이터를 송/수신하는 통신부; 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하되, 상기 분류 기준은 범죄 종류, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하며, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타내고, 상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득하는 데이터 수집부; 및 상기 범죄 데이터에 기초하여 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출하되, 상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 상기 각 항목에서의 범죄 발생 횟수의 조합에 의해 결정되고, 상기 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출하며, 상기 절대적 범죄 위험도와 상기 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성하는 위험도 산출부; 를 포함하며, 상기 시스템은 상기 생성된 사용자 범죄 위험도 정보를 사용자 단말로 제공하는 것을 특징으로 한다.
본 발명에 따르면, 빅데이터를 이용하여 범죄 발생빈도에 따른 절대적인 범죄 위험도 가치를 계산하고, 이와 동시에 사용자의 관심도가 높은 범죄 유형에 대한 가중치가 부가되어 사용자에게 적합한 사용자 범죄 위험도 정보를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 알림 시스템을 도시한 블록도.
도 2는 본 발명에 따라 기 설정된 분류 기준 별로 계수된 범죄 데이터의 일 예를 나타낸 표.
도 3은 상대적 범죄 위험도가 산출되는 방법의 일 실시예를 나타낸 표.
도 4는 상대적 범죄 위험도가 산출되는 방법의 다른 실시예를 나타낸 표.
도 5는 본 발명의 일 실시예에 따라 절대적 범죄 위험도와 상대적 범죄 위험도를 이용하여 사용자 범죄 위험도를 생성하는 방법을 나타낸 도면.
도 6은 본 발명의 다른 실시예에 따라 절대적 범죄 위험도와 상대적 범죄 위험도를 이용하여 사용자 범죄 위험도를 생성하는 방법을 나타낸 도면.
도 7은 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 추산 방법을 나타낸 순서도.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한 특정 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다.
도 1은 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 알림 시스템을 도시한 블록도이다. 도시된 바와 같이 본 발명의 실시예에 따른 범죄 위험도 알림 시스템은 서버(100)와 사용자 단말(200)을 포함한다.
본 발명의 서버(100)는 범죄 데이터를 수집하고 범죄 위험도 정보를 생성 및 제공하며, 통신부(110), 데이터 수집부(120), 위험도 산출부(130) 및 빅데이터 DB(140)를 포함할 수 있다.
먼저, 통신부(110)는 외부 단말 또는 네트워크와 다양한 유선 또는 무선의 통신 방식을 사용하여 데이터를 송/수신할 수 있다. 이때, 사용 가능한 무선 통신 방식으로는 와이파이, LTE(Long Term Evolution), 블루투스, NFC(Near Field Communication), Zigbee, 적외선 통신 등이 있으며, 본 발명은 이에 한정하지 않는다.
다음으로, 데이터 수집부(120)는 상기 통신부(110)를 통해 범죄 관련 데이터를 수집한다. 본 발명의 실시예에서 범죄 데이터는 기 설정된 분류 기준 별로 계수된 범죄 발생 횟수를 나타낼 수 있는데, 여기서 분류 기준은 예를 들면 범죄 종류, 범죄 발생 장소, 범죄 발생 시간 등을 포함할 수 있다. 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타낸다. 이에 대한 구체적인 예는 후술하도록 한다.
또한, 데이터 수집부(120)는 상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득한다. 본 발명의 일 실시예에 따르면, 우선 순위 항목 정보는 각 사용자에 의해 직접 선택될 수 있으며, 선택된 우선 순위 항목 정보가 통신부(110)를 통해 수신될 수 있다. 본 발명의 다른 실시예에 따르면, 서버(100)는 각 사용자의 인적 정보, 예를 들면 성별, 나이, 직업, 거주지 등의 정보를 획득할 수 있으며, 데이터 수집부(120)는 사용자의 인적 정보에 기초하여 해당 사용자의 우선 순위 항목 정보를 생성할 수 있다.
다음으로, 위험도 산출부(130)는 사용자 별 범죄 위험도를 생성하고 이를 사용자 단말(200)에 제공한다. 본 발명의 실시예에 따르면, 위험도 산출부(130)는 수집된 범죄 데이터에 기초하여 절대적 범죄 위험도를 산출하고, 사용자 정보, 실시간 사회적 범죄 위험도 정보 등에 기초하여 상대적 범죄 위험도를 산출한다. 그리고, 위험도 산출부(130)는 산출된 절대적 범죄 위험도와 상대적 범죄 위험도를 조합하여 각 사용자 별 사용자 범죄 위험도를 생성한다. 위험도 산출부(130)는 생성된 사용자 범죄 위험도 정보를 통신부(110)를 통해 해당 사용자 단말(200)에 제공한다.
빅데이터 DB(140)는 다양한 디지털 데이터를 저장하며, 본 발명의 실시예에 따라 범죄 데이터 및 범죄 위험도 등의 정보를 저장할 수 있다. 빅데이터 DB(140)는 하드디스크 드라이브, 플래시 메모리, RAM(Random Access Memory), SSD(Solid State Drive) 등의 다양한 디지털 데이터 저장 매체를 통해 구현될 수 있다.
한편, 사용자 단말(200)은 서버(100)로부터 사용자 범죄 위험도 정보를 수신하여 이를 출력할 수 있으며, 다양한 형태의 디지털 디바이스, 이를테면 스마트폰, 데스크탑, 랩탑, 태블릿 피씨, PDA(Personal Digital Assistant), 스마트 워치, HMD(Head Mounted Display) 등을 포함할 수 있다. 도 1에 도시된 바와 같이, 사용자 단말(200)은 통신부(210), 출력부(220) 및 제어부(230)를 포함할 수 있다.
통신부(210)는 서버 또는 네트워크와 다양한 유선 또는 무선의 통신 방식을 사용하여 데이터를 송/수신할 수 있다. 이때, 사용 가능한 무선 통신 방식으로는 와이파이, LTE(Long Term Evolution), 블루투스, NFC(Near Field Communication), Zigbee, 적외선 통신 등이 있음은 전술한 바와 같다.
출력부(220)는 다양한 형태의 영상 및/또는 음성 정보 출력 수단, 이를 테면 디스플레이 유닛, 스피커 등을 포함할 수 있다. 출력부(220)는 제어부(230)의 제어에 기초하여, 각종 정보를 영상 및/또는 음성 형태로 출력할 수 있다.
제어부(230)는 사용자 단말(200)의 각 부의 동작을 제어하며, 사용자 단말(200) 내부의 데이터를 프로세싱 할 수 있다. 또한, 제어부(230)는 사용자 단말(200)의 각 부 간의 데이터 송수신을 제어할 수 있다. 사용자 단말(200)의 제어부(230)는 서버(100)로부터 수신된 사용자 범죄 위험도 정보를 출력부(220)가 통해 출력하도록 제어한다.
도 2는 본 발명에 따라 기 설정된 분류 기준 별로 계수된 범죄 데이터의 일 예를 나타낸 표이다. 본 발명의 실시예에 따르면, 범죄 발생 횟수는 다양한 분류 기준에 의해 분류 될 수 있으며, 예를 들어 범죄 종류(α), 범죄 발생 장소(β), 범죄 발생 시간(γ) 등에 따라 분류될 수 있다.
각 분류 기준은 적어도 하나의 항목으로 구성될 수 있다. 범죄 종류(α)는 서로 다른 종류의 범죄 항목(α1, α2, α3, …)으로 구성될 수 있는데, 이러한 범죄 항목은 대검찰청의 범죄 분류 기준에 따라 구성될 수도 있고, 본 발명의 시스템에서 고유하게 설정될 수도 있다. 범죄 데이터는 각 범죄 종류 항목(α1, α2, α3, …)에 따른 범죄 발생 횟수에 대한 정보를 나타낸다.
또한, 범죄 발생 장소(β)의 각 항목(β1, β2, β3, …)은 범죄 발생 장소의 유형에 따라 설정될 수 있는데, 이를 테면 아파트, 단독주택, 고속도로, 상점, 유흥 업소, 부대, 사무실, 학교, 창고, 지하철, 대중 교통 수단 등을 포함할 수 있다. 본 발명의 다른 실시예에 따르면, 범죄 발생 장소(β)의 각 항목(β1, β2, β3, …)은 범죄 발생 장소의 지역에 따라 설정될 수도 있는데, 이를 테면 서울, 경기도, 인천, 대전, 부산 등의 광역 분류에 따라 설정되거나 더욱 세부적인 지역 분류에 따라 설정될 수 있다.
범죄 발생 시간(γ)의 각 항목(γ1, γ2, γ3, …)은 도 2에 예시된 바와 같이 기 설정된 시간 단위로 구성되거나, 대략적인 시간대별로 새벽, 아침, 낮, 오전, 오후, 저녁, 밤 등과 같이 구성될 수 있다.
본 발명의 실시예에 따르면, 특정 분류 기준에서 각 항목은 서로 배타적인 범위로 설정될 수도 있으며, 일부 범위가 중첩되도록 설정될 수 있다. 예를 들어, 범죄 발생 시간(γ)의 각 항목(γ1, γ2, γ3, …)은 도 2의 예시와 같이 서로 배타적인 시간대에 대해 설정될 수도 있지만, γ1=0시~3시, γ2=2시~5시, γ3=4시~7시 등과 같이 일부가 중첩될 수도 있다.
한편, 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수의 절대값을 나타낼 수도 있으며, 전체 범죄 발생 횟수에 대한 상대값을 나타낼 수도 있다. 범죄 데이터가 상대값으로 표현될 경우, 각 항목별 범죄 데이터는 동일 분류 기준에서의 각 항목에 따른 범죄 발생 횟수의 총합에 대한 해당 항목의 범죄 발생 횟수의 비율로 결정될 수 있다.
이와 같이 서버(100)의 데이터 수집부(120)는 범죄 데이터를 수집하고, 수집된 범죄 데이터를 위험도 산출부(130)에 전달한다. 위험도 산출부(130)는 수집된 범죄 데이터에 기초하여 절대적 범죄 위험도를 산출한다. 본 발명의 실시예에 따르면, 위험도 산출부(130)는 범죄 데이터의 각 분류 기준 별로 선택된 항목의 조합에 대하여 절대적 범죄 위험도를 산출할 수 있다. 예를 들어, 분류 기준 α에서 범죄 C(α3), 분류 기준 β 에서 장소 S2(β2), 분류 기준 γ에서 0시~3시(γ1)가 선택되면, 장소 S2에서 0시~3시 사이에 범죄 C가 발생할 절대적 범죄 위험도 V(α3, β2, γ1)가 산출된다. 이때, 상기 절대적 범죄 위험도 V(α3, β2, γ1)는 각 항목에서의 범죄 발생 횟수인 (52, 34, 65)를 조합하여 산출된다. 따라서, 각 항목에서의 범죄 발생 횟수가 높을수록 절대적 범죄 위험도는 높게 결정된다.
일 실시예에 따르면, 범죄 위험도 V(α3, β2, γ1)는 x값이 52, y값이 34, z값이 65인 3차원의 벡터로 표현될 수 있다. 즉, 절대적 범죄 위험도는 각 분류 기준 별로 선택된 항목에서의 범죄 발생 횟수를 각 축의 좌표로 하는 n차원의 벡터로 표현될 수 있다. 따라서, 범죄 데이터가 n개의 분류 기준으로 계수될 경우, 절대적 범죄 위험도는 n차원의 벡터로 산출될 수 있다.
도 3은 상대적 범죄 위험도가 산출되는 방법의 일 실시예를 나타낸 표이다. 서버(100)의 위험도 산출부(130)는 사용자 정보, 실시간 사회적 범죄 위험도 정보 등에 기초하여 상대적 범죄 위험도를 산출할 수 있다. 본 발명의 일 실시예에 따르면, 상대적 범죄 위험도는 절대적 범죄 위험도와 같은 벡터 형태로 산출될 수 있다.
상대적 범죄 위험도의 산출을 위해, 서버(100)의 데이터 수집부(120)는 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득한다. 본 발명의 일 실시예에 따르면, 우선 순위 항목 정보는 각 사용자에 의해 직접 선택될 수 있으며, 선택된 우선 순위 항목 정보가 통신부(110)를 통해 수신될 수 있다. 본 발명의 다른 실시예에 따르면, 서버(100)는 각 사용자의 인적 정보, 예를 들면 성별, 나이, 직업, 거주지 등의 정보를 획득할 수 있으며, 데이터 수집부(120)는 사용자의 인적 정보에 기초하여 해당 사용자의 우선 순위 항목 정보를 생성할 수 있다.
도 3의 실시예에 따르면, 위험도 산출부(130)는 획득된 사용자의 우선 순위 항목 정보에 기초하여 각 항목별 가산 위험도 값을 산출한다. 상기 가산 위험도는 절대적 위험도의 해당 항목 값에 더해지는 값이다. 이때, 가산 위험도 값은 기 설정된 범위 내의 값으로 결정될 수 있으며, 해당 항목의 우선 순위가 높을수록 높은 값이 할당된다. 예를 들어, 분류 기준 α에서 우선 순위가 1위인 항목 α3에는 50의 가산 위험도 값이 할당되며, 우선 순위가 5위인 항목 α1에는 30의 가산 위험도 값이 할당될 수 있다. 마찬가지로, 분류 기준 β에서 우선 순위가 1위인 항목 β1에는 50의 가산 위험도 값이 할당되지만, 우선 순위가 3위인 β2에는 40의 가산 위험도 값이 할당될 수 있다.
다음으로, 위험도 산출부(130)는 산출된 각 항목별 가산 위험도 값을 이용하여 상대적 범죄 위험도를 산출할 수 있다. 이때, 상대적 범죄 위험도는 절대적 범죄 위험도와 마찬가지로 범죄 데이터의 각 분류 기준 별로 선택된 항목의 조합에 대하여 산출될 수 있다. 예를 들어, 절대적 범죄 위험도 V(α3, β2, γ1)에 대응하는 상대적 범죄 위험도 V’(α3, β2, γ1)는 각 항목에서 산출된 가산 위험도 값인 (50, 50, 40)을 조합하여 산출된다. 따라서, 각 항목에 대한 사용자의 우선 순위가 높을수록 상대적 범죄 위험도는 높게 결정된다.
본 발명의 일 실시예에 따르면, 위험도 산출부(130)는 각 분류 기준 별로 선택된 항목에서의 가산 위험도 값을 각 축의 좌표로 하는 n차원의 벡터로 표현될 수 있다. 즉, 도 3의 실시예에서 상대적 범죄 위험도 V’(α3, β2, γ1)는 x값이 50, y값이 40, z값이 40인 3차원의 벡터로 표현될 수 있다. 따라서, 범죄 데이터가 n개의 분류 기준으로 계수될 경우, 상대적 범죄 위험도는 절대적 범죄 위험도와 동일한 n차원의 벡터로 산출될 수 있다. 이와 같이, 위험도 산출부(130)는 획득된 사용자의 우선 순위 항목 정보에 기초하여 벡터 형태의 상대적 범죄 위험도를 산출할 수 있다.
한편 본 발명의 추가적인 실시예에 따르면, 서버(100)의 데이터 수집부(120)는 뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 실시간 사회적 범죄 위험도 정보를 더 수집할 수 있으며, 위험도 산출부(130)는 수집된 사회적 범죄 위험도 정보를 이용하여 상대적 범죄 위험도를 산출할 수 있다. 본 발명의 범죄 위험도 알림 시스템은 사회, 정치적으로 범죄 빈도가 높고, 실시간으로 이슈가 되는 특정 범죄 종류, 또는 특정 범죄 발생 장소 등에 대하여 가중치를 둘 수 있다.
데이터 수집부(120)는 실시간으로 이슈가 되는 범죄 정보에 기초하여 범죄 데이터의 각 분류 기준에서의 항목별 우선 순위를 부여할 수 있다. 이때, 사회적 범죄 위험도 정보에 따른 항목별 우선 순위는 해당 범죄 사건의 보도 횟수, 게시글 수, 리트윗(retweet) 횟수, 보도 매체의 신뢰도 등에 기초하여 결정될 수 있다. 위험도 산출부(130)는 이렇게 결정된 항목별 우선 순위에 기초하여 각 항목별 가산 위험도 값을 산출할 수 있다.
위험도 산출부(130)는 전술한 바와 같이 산출된 각 항목별 가산 위험도 값을 이용하여 상대적 범죄 위험도를 산출할 수 있다. 이때, 위험도 산출부(130)는 사용자의 우선 순위 항목 정보에 따른 가산 위험도 값과, 사회적 범죄 위험도 정보에 따른 가산 위험도 값을 각 항목 별로 합산하고, 합산된 가산 위험도 값에 기초하여 상대적 범죄 위험도를 산출할 수 있다. 본 발명의 서버(100)는 이와 같이 산출된 상대적 범죄 위험도를 통해 각 연령대, 성별, 국적 등에 따라 사용자에게 관심도가 높은 범죄 위험도 정보를 제공할 수 있다.
도 4는 상대적 범죄 위험도가 산출되는 방법의 다른 실시예를 나타낸 표이다. 도 4의 실시예에서 도 3의 실시예와 중복되는 부분은 구체적인 설명을 생략하도록 한다.
도 4의 실시예에 따르면, 상대적 범죄 위험도는 각 항목에 대한 가중치로 산출될 수 있다. 위험도 산출부(130)는 획득된 사용자의 우선 순위 항목 정보에 기초하여 각 항목별 가중치를 결정한다. 상기 가중치는 절대적 위험도의 해당 항목 값에 곱해지는 값이다. 이때, 각 항목별 가중치는 기 설정된 범위 내의 값으로 결정될 수 있으며, 해당 항목의 우선 순위가 높을수록 높은 값이 할당된다. 예를 들어, 분류 기준 α에서 우선 순위가 1위인 항목 α3의 가중치 kα3는 2의 값이 할당되며, 우선 순위가 5위인 항목 α1의 가중치 kα1은 1의 값이 할당될 수 있다. 마찬가지로, 분류 기준 β에서 우선 순위가 1위인 항목 β1의 가중치 kβ1은 2의 값이 할당되며, 우선 순위가 3위인 항목 β2의 가중치 kβ2는 1.5의 값이 할당될 수 있다.
다음으로, 위험도 산출부(130)는 산출된 각 항목별 가중치 값을 이용하여 상대적 범죄 위험도를 산출할 수 있다. 이때, 상대적 범죄 위험도는 절대적 범죄 위험도와 마찬가지로 범죄 데이터의 각 분류 기준 별로 선택된 항목의 조합에 대하여 산출될 수 있다. 예를 들어, 절대적 범죄 위험도 V(α3, β2, γ1)에 대응하는 상대적 범죄 위험도 V'(α3, β2, γ1)는 각 항목에서 산출된 가중치인 (2, 1.5, 1.5)를 조합하여 산출된다. 따라서, 각 항목에 대한 사용자의 우선 순위가 높을수록 상대적 범죄 위험도는 높게 결정된다.
추가적인 실시예에 따르면, 위험도 산출부(130)는 사회적 범죄 위험도 정보를 더 이용하여 항목별 가중치를 설정할 수 있다. 즉, 데이터 수집부(120)는 실시간으로 이슈가 되는 범죄 정보에 기초하여 범죄 데이터의 각 분류 기준에서의 항목별 우선 순위를 부여하고, 위험도 산출부(130)는 이렇게 결정된 항목별 우선 순위에 기초하여 각 항목별 가중치 값을 산출할 수 있다. 이때, 위험도 산출부(130)는 사용자의 우선 순위 항목 정보에 따른 가중치 값과, 사회적 범죄 위험도 정보에 따른 가중치 값을 각 항목 별로 합산 하고, 합산된 가중치 값에 기초하여 상대적 범죄 위험도를 산출할 수 있다.
한편, 도 3 및 도 4의 실시예에서 사용자의 우선 순위 항목에 포함되지 않은 항목에 대한 가산 위험도 값 또는 가중치 값은 기 설정된 기본 값으로 결정될 수 있다. 예를 들어 도 3 및 도 4의 예시에서 사용자의 우선 순위 항목에 포함되지 않은 α2, β4, γ2, γ4 등의 가산 위험도 값 또는 가중치 값은 0으로 결정될 수 있다. 그러나 해당 항목들의 기본 값은 0으로 한정하지 않으며, 다른 값으로 설정될 수도 있다.
도 5는 본 발명의 일 실시예에 따라 절대적 범죄 위험도와 상대적 범죄 위험도를 이용하여 사용자 범죄 위험도를 생성하는 방법을 나타낸 도면이다. 본 발명의 일 실시예에 따르면, 상대적 범죄 위험도는 도 3에서 상술한 바와 같이 벡터 형태로 산출될 수 있으며, 사용자 범죄 위험도는 절대적 범죄 위험도와 상대적 범죄 위험도의 벡터 합에 의해 생성될 수 있다.
예를 들어, 장소 S2(β2)에서 0시~3시(γ1)에 범죄 C(α3)에 대한 사용자 범죄 위험도 V*(α3, β2, γ1)는 각 항목의 조합에 대응하는 절대적 범죄 위험도 벡터 V(α3, β2, γ1)와 상대적 범죄 위험도 벡터 V'(α3, β2, γ1)의 벡터 합에 의해 생성될 수 있다. 즉, 절대적 범죄 위험도 벡터의 좌표 값이 (xα3, yβ2, zγ1)이고, 상대적 범죄 위험도 벡터 V'(α3, β2, γ1)의 좌표 값이 (x'α3, y'β2, z'γ1)일 때, 사용자 범죄 위험도 벡터 V*(α3, β2, γ1)의 좌표 값 (x* α3, y* β2, z* γ1)은 (xα3 + x'α3, yβ2 + y'β2, zγ1 + z'γ1)으로 결정될 수 있다.
도 6은 본 발명의 다른 실시예에 따라 절대적 범죄 위험도와 상대적 범죄 위험도를 이용하여 사용자 범죄 위험도를 생성하는 방법을 나타낸 도면이다. 본 발명의 다른 실시예에 따르면, 상대적 범죄 위험도는 도 4에서 상술한 바와 같이 사용자 우선 순위 항목에 대한 가중치 값으로 산출될 수 있으며, 사용자 범죄 위험도는 절대적 범죄 위험도 벡터에서 상기 우선 순위 항목에 대응하는 좌표를 상기 가중치로 곱한 값에 기초하여 생성될 수 있다.
더욱 구체적으로, 장소 S4(β4)에서 4시~6시(γ2)에 범죄 E(α5)에 대한 사용자 범죄 위험도 V*(α5, β4, γ2)는 각 항목의 조합에 대응하는 절대적 범죄 위험도 벡터 V(α5, β4, γ2)의 각 좌표 값(xα5, yβ4, zγ2)을 해당 항목의 가중치 값(kα5, kβ4, kγ2)으로 곱한 좌표값에 의해 생성될 수 있다. 즉, 절대적 범죄 위험도 벡터의 좌표 값이 (xα5, yβ4, zγ2)이고, 이에 대응하는 상대적 범죄 위험도가 (kα5=1, kβ4=1, kγ2=2)일 때, 사용자 범죄 위험도 벡터 V*(α5, β4, γ2)의 좌표 값 (x* α5, y* β4, z* γ2)은 (xα5, yβ4, 2zγ2)으로 결정될 수 있다.
서버(100)는 도 5 및 도 6의 실시예와 같이 결정된 사용자 범죄 위험도 정보를 해당 사용자에게 제공할 수 있다. 이때, 서버(100)는 상기 결정된 사용자 범죄 위험도 벡터를 전송할 수 있으며, 또는 해당 벡터의 벡터 크기를 산출하여 이를 사용자에게 제공할 수도 있다. 사용자 범죄 위험도 정보를 수신한 사용자 단말(200)은 해당 정보를 시각화하여 출력부(220)를 통해 출력할 수 있다.
도 7은 본 발명의 실시예에 따른 빅데이터를 이용한 범죄 위험도 추산 방법을 나타낸 순서도이다. 도 7의 각 단계는 도 1에 도시된 서버(100) 또는 이를 포함하는 범죄 위험도 알림 시스템에 의해 수행될 수 있다.
먼저, 서버는 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집한다(S110). 상기 분류 기준은 범죄 종류, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하며, 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타낸다.
다음으로, 서버는 범죄 데이터에 기초하여 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출한다(S120). 상기 절대적 범죄 위험도는 각 분류 기준 별로 선택된 각 항목에서의 범죄 발생 횟수의 조합에 의해 결정된다. 절대적 범죄 위험도는 각 항목에서의 범죄 발생 횟수가 높을수록 높게 결정되며, 각 분류 기준 별로 선택된 항목에서의 범죄 발생 횟수를 각 축의 좌표로 하는 n차원의 벡터로 표현될 수 있다.
한편, 서버는 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득한다(S130). 본 발명의 일 실시예에 따르면 우선 순위 항목 정보는 각 사용자에 의해 직접 선택되어 서버로 전달될 수 있으며, 다른 실시예에 따르면 서버는 각 사용자의 인적 정보에 기초하여 해당 사용자의 우선 순위 항목 정보를 생성할 수 있다.
다음으로, 서버는 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출한다(S140). 본 발명의 일 실시예에 따르면, 상대적 범죄 위험도는 절대적 범죄 위험도와 같은 벡터 형태로 산출될 수 있다. 즉, 서버는 획득된 사용자의 우선 순위 항목 정보에 기초하여 각 항목별 가산 위험도 값을 산출하고, 가산 위험도 값을 이용하여 벡터 형태의 상대적 범죄 위험도를 산출할 수 있다. 이때, 상대적 범죄 위험도 벡터의 각 축의 좌표는 각 분류 기준 별 선택된 항목의 가산 위험도 값으로 결정된다. 본 발명의 다른 실시예에 따르면, 상대적 범죄 위험도는 각 항목에 대한 가중치로 산출될 수 있다.
본 발명의 추가적인 실시예에 따르면, 서버는 실시간으로 사회적 범죄 위험도 정보를 더 수집할 수 있으며, 수집된 사회적 범죄 위험도 정보를 사용자 우선 순위 항목 정보와 함께 이용하여 상대적 범죄 위험도를 산출할 수 있다.
이와 같이 절대적 범죄 위험도와 상대적 범죄 위험도가 각각 산출되면, 서버는 절대적 범죄 위험도와 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성한다(S150). 만약 상대적 범죄 위험도가 벡터 형태로 산출될 경우, 사용자 범죄 위험도는 절대적 범죄 위험도 벡터와 상대적 범죄 위험도 벡터 간의 벡터 합을 통해 생성될 수 있다. 그리고 상대적 범죄 위험도가 각 항목에 대한 가중치로 산출될 경우, 사용자 범죄 위험도는 절대적 범죄 위험도 벡터에서 각 항목의 좌표를 이에 대응하는 가중치를 곱한 값에 기초하여 생성될 수 있다.
다음으로, 서버는 생성된 사용자 범죄 위험도 정보를 해당 사용자에게 제공한다(S160). 서버는 사용자 범죄 위험도 정보를 통신부를 통해 해당 사용자 단말로 전송할 수 있으며, 이를 수신한 사용자 단말은 사용자 범죄 위험도 정보를 영상 및/또는 음성으로 출력할 수 있다.
이상에서는 본 발명을 구체적인 실시예를 통하여 설명하였으나, 당업자라면 본 발명의 취지 및 범위를 벗어나지 않고 수정, 변경을 할 수 있다. 따라서 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술분야에 속한 사람이 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.
100 : 서버 110 : 통신부
120 : 데이터 수집부 130 : 위험도 산출부
140 : 빅데이터 DB 200 : 사용자 단말
210 : 통신부 220 : 출력부
230 : 제어부

Claims (8)

  1. 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계, 상기 분류 기준은 범죄 종류, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하며, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타냄;
    상기 범죄 데이터에 기초하여 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출하는 단계, 상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 상기 각 항목에서의 범죄 발생 횟수의 조합에 의해 결정됨;
    상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득하는 단계;
    상기 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출하는 단계;
    상기 절대적 범죄 위험도와 상기 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성하는 단계; 및
    상기 생성된 사용자 범죄 위험도 정보를 상기 사용자에게 제공하는 단계;
    를 포함하는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  2. 제1 항에 있어서,
    상기 범죄 데이터가 n개의 분류 기준으로 계수될 경우, 상기 절대적 범죄 위험도는 n차원의 벡터로 산출되는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  3. 제2 항에 있어서,
    상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 항목에서의 범죄 발생 횟수를 각 축의 좌표로 하는 n차원의 벡터인 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  4. 제3 항에 있어서,
    상기 상대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 n차원의 벡터로 산출되며,
    상기 사용자 범죄 위험도는 상기 절대적 범죄 위험도 벡터와 상기 상대적 범죄 위험도 벡터의 합에 의해 생성되는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  5. 제3 항에 있어서,
    상기 상대적 범죄 위험도는 상기 사용자의 우선 순위 항목에 대한 가중치로 산출되며,
    상기 사용자 범죄 위험도는 상기 절대적 범죄 위험도 벡터에서 상기 우선 순위 항목에 대응하는 좌표를 상기 가중치로 곱한 값에 기초하여 생성되는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  6. 제1 항에 있어서,
    상기 사용자의 인적 정보를 획득하는 단계를 더 포함하며,
    상기 사용자의 우선 순위 항목 정보는 상기 사용자의 인적 정보에 기초하여 생성되는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  7. 제1 항에 있어서,
    뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 실시간 사회적 범죄 위험도 정보를 수집하는 단계를 더 포함하며,
    상기 상대적 범죄 위험도는 상기 수집된 사회적 범죄 위험도 정보를 이용하여 산출되는 것을 특징으로 하는 빅데이터를 이용한 범죄 위험도 추산 방법.
  8. 빅데이터를 이용한 범죄 위험도 알림 시스템으로서,
    외부 단말 또는 네트워크와 데이터를 송/수신하는 통신부;
    기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하되, 상기 분류 기준은 범죄 종류, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하며, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타내고, 상기 각 분류 기준 별로 사용자의 우선 순위 항목 정보를 획득하는 데이터 수집부; 및
    상기 범죄 데이터에 기초하여 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 절대적 범죄 위험도를 산출하되, 상기 절대적 범죄 위험도는 상기 각 분류 기준 별로 선택된 상기 각 항목에서의 범죄 발생 횟수의 조합에 의해 결정되고, 상기 획득된 사용자의 우선 순위 항목 정보에 기초하여 상대적 범죄 위험도를 산출하며, 상기 절대적 범죄 위험도와 상기 상대적 범죄 위험도를 조합하여 사용자 범죄 위험도를 생성하는 위험도 산출부; 를 포함하며,
    상기 시스템은 상기 생성된 사용자 범죄 위험도 정보를 사용자 단말로 제공하는 것을 특징으로 하는 범죄 위험도 알림 시스템.
KR1020150026941A 2015-02-26 2015-02-26 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템 KR101660160B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150026941A KR101660160B1 (ko) 2015-02-26 2015-02-26 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150026941A KR101660160B1 (ko) 2015-02-26 2015-02-26 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템

Publications (2)

Publication Number Publication Date
KR20160104221A true KR20160104221A (ko) 2016-09-05
KR101660160B1 KR101660160B1 (ko) 2016-09-30

Family

ID=56938680

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150026941A KR101660160B1 (ko) 2015-02-26 2015-02-26 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템

Country Status (1)

Country Link
KR (1) KR101660160B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101853386B1 (ko) * 2017-01-11 2018-06-15 동국대학교 산학협력단 범죄 발생 예측 장치 및 방법
KR101975969B1 (ko) * 2017-12-05 2019-05-07 주식회사 이엠따블유 범죄 위험 평가 시스템 및 방법
WO2019103205A1 (ko) * 2017-11-24 2019-05-31 주식회사 웬즈데이에잇피엠 범죄 관련 빅데이터를 활용한 머신러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
KR20190077682A (ko) 2017-12-26 2019-07-04 부경대학교 산학협력단 공공 빅 데이터와 ｓｎｓ 데이터를 이용한 도시안전지수 분석 시스템 및 방법
KR20190080414A (ko) 2017-12-28 2019-07-08 부경대학교 산학협력단 재난안전 데이터와 관련정보 분석을 위한 사전 처리 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002156236A (ja) * 2000-11-20 2002-05-31 Denso Corp 情報表示装置、経路設定装置及びナビゲーション装置
KR101071194B1 (ko) * 2009-06-10 2011-10-10 (주)시터스 휴대 전화에서 사용자 위치정보에 기반하여 문자 메시지를 선별 제공하는 서비스방법
KR20120051246A (ko) * 2010-11-12 2012-05-22 (주)에스웨어 이동통신단말기를 이용한 범죄지수 연동식 위기상황 제어 시스템
KR101441664B1 (ko) * 2012-11-16 2014-09-29 목원대학교 산학협력단 능동적 데이터 수집을 이용한 범죄지도 서버 및 위험지역 알림 서비스 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002156236A (ja) * 2000-11-20 2002-05-31 Denso Corp 情報表示装置、経路設定装置及びナビゲーション装置
KR101071194B1 (ko) * 2009-06-10 2011-10-10 (주)시터스 휴대 전화에서 사용자 위치정보에 기반하여 문자 메시지를 선별 제공하는 서비스방법
KR20120051246A (ko) * 2010-11-12 2012-05-22 (주)에스웨어 이동통신단말기를 이용한 범죄지수 연동식 위기상황 제어 시스템
KR101441664B1 (ko) * 2012-11-16 2014-09-29 목원대학교 산학협력단 능동적 데이터 수집을 이용한 범죄지도 서버 및 위험지역 알림 서비스 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101853386B1 (ko) * 2017-01-11 2018-06-15 동국대학교 산학협력단 범죄 발생 예측 장치 및 방법
WO2019103205A1 (ko) * 2017-11-24 2019-05-31 주식회사 웬즈데이에잇피엠 범죄 관련 빅데이터를 활용한 머신러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
KR101975969B1 (ko) * 2017-12-05 2019-05-07 주식회사 이엠따블유 범죄 위험 평가 시스템 및 방법
KR20190077682A (ko) 2017-12-26 2019-07-04 부경대학교 산학협력단 공공 빅 데이터와 ｓｎｓ 데이터를 이용한 도시안전지수 분석 시스템 및 방법
KR20190080414A (ko) 2017-12-28 2019-07-08 부경대학교 산학협력단 재난안전 데이터와 관련정보 분석을 위한 사전 처리 장치 및 방법

Also Published As

Publication number Publication date
KR101660160B1 (ko) 2016-09-30

Similar Documents

Publication Publication Date Title
KR101660160B1 (ko) 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템
US20210216928A1 (en) Systems and methods for dynamic risk analysis
US11164257B1 (en) Streamlined property insurance application and renewal process
US20210104001A1 (en) Methods and Systems for Security Tracking and Generating Alerts
US8874071B2 (en) Method and apparatus for prioritizing and routing emergent activity reporting
US9792434B1 (en) Systems and methods for security data analysis and display
US9805311B1 (en) Event forecasting system
US8760290B2 (en) Public safety analysis system
CN104750768B (zh) 用于从社交媒体中识别、监控和排名事件的方法和系统
US20160164987A1 (en) System and method for continuously monitoring and searching social networking media
CN108027888A (zh) 使用上下文信号的局部异常检测
US9043317B2 (en) System and method for event-driven prioritization
US20180150683A1 (en) Systems, methods, and devices for information sharing and matching
KR20160104223A (ko) 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템
JP2018077821A (ja) ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置
KR20160104940A (ko) 빅데이터를 이용한 이벤트 발생 정보 제공 방법 및 이벤트 발생 정보 제공 시스템
CN105893455B (zh) 用于预测位置状况的方法和计算机系统
Drosio et al. The Big Data concept as a contributor of added value to crisis decision support systems
KR101738745B1 (ko) 셀 가치 추산을 이용한 범죄 예측 방법 및 범죄 예측 시스템
Singleton et al. Twitter Analytics-Based Assessment: Are the United States Coastal Regions Prepared for Climate Changeƒ
US20160342846A1 (en) Systems, Methods, and Devices for Information Sharing and Matching
Qirtas et al. Privacy preserving loneliness detection: A federated learning approach
CN116797180A (zh) 投诉预警方法、装置、计算机设备和存储介质
CN109670079B (zh) 基于监控系统的督察方法和系统
Sinnott et al. Urban traffic analysis using social media data on the cloud

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190603

Year of fee payment: 4