KR20160104223A - 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템 - Google Patents

빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템 Download PDF

Info

Publication number
KR20160104223A
KR20160104223A KR1020150026943A KR20150026943A KR20160104223A KR 20160104223 A KR20160104223 A KR 20160104223A KR 1020150026943 A KR1020150026943 A KR 1020150026943A KR 20150026943 A KR20150026943 A KR 20150026943A KR 20160104223 A KR20160104223 A KR 20160104223A
Authority
KR
South Korea
Prior art keywords
crime
data
pattern
item
risk index
Prior art date
Application number
KR1020150026943A
Other languages
English (en)
Inventor
차경현
황유민
김경호
박지호
송유찬
이선의
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 KR1020150026943A priority Critical patent/KR20160104223A/ko
Publication of KR20160104223A publication Critical patent/KR20160104223A/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
    • G06Q50/265—Personal security, identity or safety
    • 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
    • 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

Landscapes

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

Abstract

본 발명은 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템에 관한 것으로, 더욱 상세하게는 범죄 발생 가능성이 높은 조건의 조합에 대한 패턴을 분석하고 이를 사용자에게 제공하기 위한 범죄 예측 방법 및 시스템에 관한 것이다.
이를 위해 본 발명은, 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타냄; 상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하는 단계, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출됨; 상기 산출된 범죄 위험 지수에 기초하여, 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성하는 단계; 상기 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는지 여부를 판별하는 단계; 및 상기 합산 값이 상기 기준 값을 초과할 경우, 해당 범죄 패턴을 위험 범죄 패턴으로 저장하는 단계; 를 포함하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법 및 이를 이용한 범죄 예측 시스템을 제공한다.

Description

빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템{A Method for a Crime Prediction Using a Crime Pattern Analysis based on Big Data and A System for the Same}
본 발명은 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템에 관한 것으로, 더욱 상세하게는 범죄 발생 가능성이 높은 조건의 조합에 대한 패턴을 분석하고 이를 사용자에게 제공하기 위한 범죄 예측 방법 및 시스템에 관한 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.
본 발명은 범죄 관련 빅데이터를 이용하여 범죄가 발생하는 조건에 대한 패턴을 분석하고, 범죄 발생 가능성이 높은 위험 범죄 패턴에 대한 정보를 사용자에게 제공하기 위한 목적을 가지고 있다.
또한, 본 발명은 핑거 프린트 기법을 이용하여 사용자의 위치를 정밀하게 측정하고, 측정된 사용자의 위치에 대한 위험 범죄 패턴 정보를 해당 사용자에게 제공하기 위한 목적을 가지고 있다.
상기와 같은 과제를 해결하기 위해, 본 발명의 실시예에 따른 범죄 패턴 분석을 이용한 범죄 예측 방법은, 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타냄; 상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하는 단계, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출됨; 상기 산출된 범죄 위험 지수에 기초하여, 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성하는 단계; 상기 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는지 여부를 판별하는 단계; 및 상기 합산 값이 상기 기준 값을 초과할 경우, 해당 범죄 패턴을 위험 범죄 패턴으로 저장하는 단계를 포함하는 것을 특징으로 한다.
이때, 상기 범죄 위험 지수는 상기 최대값과 최소값 간의 차이에 대한 해당 항목의 범죄 발생 횟수의 비율에 기초하여 산출되는 것을 특징으로 한다.
또한, 상기 범죄 패턴은 상기 각 분류 기준에서 상기 범죄 위험 지수가 높은 순서로 선택된 항목들의 조합인 것을 특징으로 한다.
본 발명의 일 실시예에 따르면, 상기 범죄 데이터를 수집하는 단계는, 상기 분류 기준의 각 항목 별 범죄 발생 횟수의 형태로 표현된 정형 데이터를 수신하는 단계; 및 뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 범죄 관련 비정형 데이터를 획득하는 단계를 더 포함하고, 상기 정형 데이터 및 비정형 데이터를 함께 이용하여 상기 범죄 데이터를 수집하는 것을 특징으로 한다.
본 발명의 추가적인 실시예에 따르면, 사용자의 위치 정보 및 현재 시간 정보를 획득하는 단계; 상기 획득된 위치 정보 및 시간 정보에 대응하는 상기 위험 범죄 패턴을 검색하는 단계; 상기 검색된 위험 범죄 패턴 정보를 상기 사용자에게 제공하는 단계를 더 포함하는 것을 특징으로 한다.
이때, 상기 사용자 위치 정보는 사용자 단말이 수신한 복수의 AP(Access Point) 신호 세기의 조합에 기초하여 획득되는 것을 특징으로 한다.
또한, 상기 분류 기준은 범죄 종류, 범죄 발생 지역, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하는 것을 특징으로 한다.
한편, 본 발명의 실시예에 따른 범죄 패턴 분석을 이용한 범죄 예측 시스템은, 외부 단말 또는 네트워크와 데이터를 송/수신하는 통신부; 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하되, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타내는, 데이터 수집부; 상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하되, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출되는, 데이터 처리부; 상기 산출된 범죄 위험 지수에 기초하여, 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성하는 범죄 패턴 생성부; 및 상기 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는 패턴을 위험 범죄 패턴으로 저장하는 빅데이터 DB를 포함하는 것을 특징으로 한다.
또한, 상기 통신부는, 상기 분류 기준의 각 항목 별 범죄 발생 횟수의 형태로 표현된 정형 데이터를 수신하고, 뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 범죄 관련 비정형 데이터를 획득하며, 상기 데이터 수집부는 상기 정형 데이터 및 비정형 데이터를 함께 이용하여 상기 범죄 데이터를 수집하는 것을 특징으로 한다.
또한, 상기 데이터 수집부는 사용자의 위치 정보 및 현재 시간 정보를 더 획득하고, 상기 데이터 처리부는, 상기 획득된 위치 정보 및 시간 정보에 대응하는 상기 위험 범죄 패턴을 상기 빅데이터 DB에서 검색하고, 상기 검색된 위험 범죄 패턴 정보를 상기 사용자에게 제공하는 것을 특징으로 한다.
본 발명의 실시예에 따르면, 범죄 발생 분류 기준에 따른 범죄 발생 확률을 위험 지수로 수치화함으로써 범죄 발생 패턴을 파악하고, 예측할 수 있다.
또한 본 발명의 실시예에 따르면 정확한 사용자의 위치 파악을 수행하고, 이를 통해 해당 사용자에게 최적화된 범죄 발생 패턴 정보를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 범죄 예측 시스템을 도시한 블록도.
도 2는 본 발명의 일 실시예에 따라 산출된 범죄 발생 지역의 각 항목별 범죄 위험 지수를 나타낸 표.
도 3은 본 발명의 일 실시예에 따라 산출된 범죄 발생 시간의 각 항목별 범죄 위험 지수를 나타낸 표.
도 4는 본 발명의 일 실시예에 따라 산출된 범죄 발생 요일의 각 항목별 범죄 위험 지수를 나타낸 표.
도 5는 본 발명의 일 실시예에 따라 산출된 범죄 발생 장소의 각 항목별 범죄 위험 지수를 나타낸 표.
도 6 및 도 7은 본 발명의 실시예에 따라 범죄 예측 정보를 제공 받는 사용자의 위치를 판별하는 방법을 나타낸 도면.
도 8은 본 발명의 실시예에 범죄 패턴 분석을 이용한 범죄 예측 시스템을 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 범죄 예측 시스템을 도시한 블록도이다. 도시된 바와 같이 본 발명의 실시예에 따른 범죄 예측 시스템은 서버(100)와 사용자 단말(200)을 포함한다.
본 발명의 서버(100)는 범죄 데이터를 수집하고 범죄 발생 패턴을 생성 및 분석하여 사용자에게 제공하며, 통신부(110), 데이터 수집부(120), 데이터 처리부(130), 범죄 패턴 생성부(140) 및 빅데이터 DB(150)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 지역, 범죄 발생 장소, 범죄 발생 시간 등을 포함할 수 있다. 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타낸다.
본 발명의 실시예에 따르면, 데이터 수집부(120)는 범죄 관련 정형 데이터와 비정형 데이터를 함께 수집할 수 있다. 정형 데이터는 상기 분류 기준의 각 항목 별 범죄 발생 횟수의 형태로 표현된 범죄 데이터를 가리키며, 대검찰청 등의 공공 기관으로부터 획득될 수 있다. 또한, 비정형 데이터는 뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 획득된다. 데이터 수집부(120)는 상기 뉴스 데이터 등에서 특정 범죄 사건에 대한 세부 정보를 추출할 수 있으며, 추출된 정보를 이용하여 범죄 데이터를 수집한다.
또한, 데이터 수집부(120)는 사용자의 위치 정보 및 현재 시간 정보 등을 추가로 획득할 수 있다. 수집된 사용자의 위치 정보 및 현재 시간 정보 등은 데이터 처리부(130)로 전달된다.
데이터 처리부(130)는 수집된 범죄 데이터에 기초하여 분류 기준의 각 항목별 범죄 위험 지수를 산출한다. 본 발명의 실시예에 따르면, 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출될 수 있다. 또한, 데이터 처리부(130)는 서버(100) 내부의 데이터를 프로세싱하고, 프로세싱 된 데이터 또는 빅데이터 DB(150)에 저장된 데이터를 통신부(110)를 통해 사용자에게 제공할 수 있다.
범죄 패턴 생성부(140)는 산출된 범죄 위험 지수에 기초하여 범죄 패턴을 생성한다. 더욱 구체적으로 본 발명의 범죄 패턴은 각 분류 기준 별로 선택된 항목의 조합에 대한 정보를 나타내며, 상기 범죄 위험 지수에 기초하여 생성될 수 있다. 이에 대한 구체적인 설명은 후술하도록 한다.
빅데이터 DB(140)는 다양한 디지털 데이터를 저장하며, 본 발명의 실시예에 따라 범죄 데이터 및 범죄 패턴 등의 정보를 저장할 수 있다. 일 실시예에 따르면, 빅데이터 DB(140)는 상기 범죄 패턴 생성부(140)에서 생성된 범죄 패턴들 중 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는 패턴을 위험 범죄 패턴으로 지정하여 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 위험 범죄 패턴 정보를 수신하고, 이를 영상 및/또는 음성 정보로 출력할 수 있다. 본 발명에서 사용자 단말(200)은 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 위험 범죄 패턴 정보를 출력부(220)가 통해 출력하도록 제어할 수 있다. 또는, 사용자 단말(200)의 제어부(230)는 상기 위험 범죄 패턴 정보에 기초한 경보 신호를 출력부(220)를 통해 출력할 수 있다.
본 발명의 실시예에 따르면, 사용자 단말(200)은 핑거프린트 기법을 이용하여 해당 단말의 위치를 측정할 수 있다. 더욱 구체적으로, 사용자 단말(200)은 복수의 AP(Access Point)로부터 수신된 통신 신호의 세기를 각각 측정할 수 있으며, 측정된 신호의 세기에 기초하여 해당 단말의 위치 정보가 획득될 수 있다. 사용자 단말(200)은 획득된 해당 단말의 위치 정보를 서버(100)로 전송할 수 있다.
다음은 도 2 내지 도 5를 참조로 본 발명의 실시예에 따른 범죄 위험 지수 산출 방법 및 범죄 패턴 생성 방법에 대해 설명하도록 한다. 도 2 내지 도 5는 본 발명의 일 실시예에 따라 산출된 각 항목별 범죄 위험 지수를 나타낸 표이다.
먼저 본 발명의 실시예에 따르면, 범죄 발생 횟수는 다양한 분류 기준에 의해 분류 될 수 있으며, 예를 들어 범죄 종류, 범죄 발생 지역, 범죄 발생 장소, 범죄 발생 시간 등에 따라 분류될 수 있다.
각 분류 기준은 적어도 하나의 항목으로 구성될 수 있다. 예를 들어, 범죄 종류(C)는 서로 다른 종류의 범죄 항목(C1, C2, C3, …)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(C1, C2, C3, …)에 따른 범죄 발생 횟수에 대한 정보를 나타낸다.
범죄 발생 지역(R)은 범죄 발생 지점의 지리적 구분에 따라 분류된 각 항목(R1, R2, R3, …)으로 구성될 수 있는데, 이를 테면 시, 도 등의 광역 분류에 따라 구분되거나 더욱 세부적으로 각 구 별로 구분될 수도 있다. 또한, 범죄 발생 장소(S)는 범죄 발생 지점의 유형에 따라 분류된 각 항목(S1, S2, S3, …)으로 구성될 수 있는데, 이를 테면 아파트, 단독주택, 고속도로, 상점, 유흥 업소, 부대, 사무실, 학교, 창고, 지하철, 대중 교통 수단 등을 포함할 수 있다.
범죄 발생 시간(T)의 각 항목(T1, T2, T3, …)은 기 설정된 시간 단위로 구성되거나, 임의의 시간대 별로 새벽, 아침, 낮, 오전, 오후, 저녁, 밤 등과 같이 구성될 수 있다. 또한, 실시예에 따라 범죄 분류 기준은 범죄 발생 요일(D)을 포함할 수 있는데, 범죄 발생 요일(D)의 각 항목(D1, D2, D3, …)은 한 주의 각 요일 즉, 일요일, 월요일, … , 토요일을 나타낼 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(T)의 각 항목(T1, T2, T3, …)은 서로 배타적인 시간대에 대해 설정될 수도 있지만, T1=0시~3시, T2=2시~5시, T3=4시~7시 등과 같이 일부가 중첩될 수도 있다.
이와 같이 각 분류 기준 별 항목이 설정되면, 본 발명의 데이터 수집부(120)는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타내는 범죄 데이터를 획득할 수 있다. 이때, 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 범죄 데이터가 수집되면, 데이터 처리부(130)는 범죄 데이터를 이용하여 각 항목별 범죄 위험 지수를 산출할 수 있다. 이때, 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출될 수 있다.
더욱 구체적으로, 특정 항목의 범죄 발생 횟수를 N, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값을 M, 최소값을 m이라고 할 때, 해당 항목의 범죄 위험 지수 IND는 다음 수식과 같이 산출 될 수 있다.
Figure pat00001
여기서, α는 상수이다.
즉, 범죄 위험 지수는 최대값 M과 최소값 m간의 차이에 대한 해당 항목의 범죄 발생 횟수 N의 비율에 기초하여 산출될 수 있다.
도 2 내지 도 5는 이와 같은 방법으로 산출된 각 항목별 범죄 위험 지수의 일 예를 나타내고 있다. 도 2 내지 도 5에서 범죄 위험 지수는 범죄 종류(C)의 각 항목(C1, C2, C3, …)과 나머지 분류 기준, 이를 테면 범죄 발생 지역(R), 범죄 발생 시간(T), 범죄 발생 요일(D), 범죄 발생 장소(S)의 각 항목들 간의 조합에 대하여 산출된 범죄 위험 지수를 나타내고 있다.
이와 같이 각 항목별 범죄 위험 지수가 산출되면, 범죄 패턴 생성부(140)는 상기 범죄 위험 지수에 기초하여 각 분류 기준 별로 항목을 선택하고, 선택된 항목의 조합에 의한 범죄 패턴을 생성한다. 이때, 범죄 패턴 생성부(140)는 각 분류 기준에서 범죄 위험 지수가 높은 순서로 항목을 선택하여 범죄 패턴을 생성할 수 있다. 즉, 범죄 패턴 생성부(140)는 각 범죄 종류(C)에 따라 범죄 발생 지역(R) 중 범죄 위험 지수(INDRn)가 높은 항목(Rn), 범죄 발생 시간(T) 중 범죄 위험 지수(INDTn)가 높은 항목(Tn), 범죄 발생 요일(D) 중 범죄 위험 지수(INDDn)가 높은 항목(Dn), 범죄 발생 장소(S) 중 범죄 위험 지수(INDSn)가 높은 항목(Sn)을 선택하여 범죄 패턴 P(R, T, D, S)를 생성할 수 있다.
도 2 내지 도 5의 데이터를 참조로 생성된 범죄 A(C1)의 패턴을 예로 들면, 각각의 분류 기준에서 범죄 D에 대한 범죄 위험 지수가 가장 높은 항목인 R5, T6, D7, S2가 선택될 수 있다. 이와 같이 선택된 각 분류 기준 별 항목 R5, T6, D7 및 S2는 범죄 A에 대한 하나의 패턴 P(R5, T6, D7, S2)를 형성할 수 있으며, 선택된 각 항목들의 범죄 위험 지수를 합산하여 해당 패턴 P(R5, T6, D7, S2)의 위험도 INDRTDS를 다음과 같이 산출할 수 있다.
Figure pat00002
상기 산출된 INDRTDS는 R5 지역의 S2 장소에서 토요일(D7) 밤(T6)에 범죄 A(C1)가 발생할 위험도를 나타낸다. 본 발명의 서버(100)는 상기 생성된 범죄 위험 지수 합산 값 INDRTDS가 기준 값을 초과하는지 여부를 판별하고, 기준 값을 초과할 경우 해당 범죄 패턴을 위험 범죄 패턴으로 빅데이터 DB(150)에 저장한다. 이에 따라, 빅데이터 DB(150)는 범죄 위험 지수의 합산 값이 기준 값보다 큰 범죄 패턴들의 정보를 저장할 수 있다.
한편, 범죄 패턴 생성부(140)는 각 분류 기준 별 항목을 변경해 가며 또 다른 범죄 패턴들을 생성하고, 해당 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값을 산출할 수 있다. 범죄 패턴 생성부(140)는 범죄 패턴 생성시 해당 패턴이 기존에 생성된 범죄 패턴인지 여부를 확인하여, 중복된 범죄 패턴이 생성되지 않도록 한다. 이때, 서로 다른 범죄 패턴 생성을 위해, 각 분류 기준에서 범죄 위험 지수가 높은 순서로 항목들이 선택될 수 있다. 해당 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하면, 해당 범죄 패턴은 위험 범죄 패턴으로 빅데이터 DB(150)에 저장된다. 본 발명의 서버(100)는 DB(150)에 저장된 범죄 패턴 정보 특히, 위험 범죄 패턴 정보 등에 기초하여 사용자에게 범죄 예측 정보를 제공할 수 있다.
도 6 및 도 7은 본 발명의 실시예에 따라 범죄 예측 정보를 제공 받는 사용자의 위치를 판별하는 방법을 나타내고 있다. 본 발명의 실시예에 따르면, 서버(100)는 사용자의 위치 정보 및 현재 시간 정보 등을 획득하고, 획득된 위치 정보 및 시간 정보에 대응하는 위험 범죄 패턴 정보를 사용자에게 제공할 수 있다.
도 6은 사용자의 위치 정보를 획득하는 본 발명의 일 실시예를 나타내고 있다. 본 발명의 실시예에 따르면, 사용자 단말(200)은 복수의 AP(Access Point, 50)로부터 수신된 신호의 세기를 측정하여 해당 단말의 위치를 추정할 수 있다. 도 6을 참조하면, 사용자 단말(200)은 AP 50a, 50b, 50c로부터 프로브 응답(Probe Response) 신호 또는 그 밖의 다양한 신호를 수신할 수 있으며, 수신된 AP 신호에는 해당 AP의 위치 정보가 포함될 수 있다. 사용자 단말(200)은 수신된 복수의 AP 신호 각각의 위치 정보, 수신된 신호의 세기 정보 등에 기초하여 삼각 측량법을 이용하여 해당 디바이스의 위치 정보를 획득할 수 있다.
한편 본 발명의 일 실시예에 따르면, 수신되는 복수의 AP 신호 세기의 조합에 대응하는 위치 정보를 미리 DB로 구축하고, 구축된 DB를 이용하여 사용자 단말(200)의 위치를 추정할 수 있다. 도 7은 핑거 프린트 기법을 이용하여 AP 신호 세기에 대응하는 위치 정보를 제공하는 방법을 개략적으로 나타내고 있다.
도 7을 참조하면, 사용자의 위치를 추정하고자 하는 공간을 n x m 격자 형태로 설정하고 각 지점 P(1, 1), P(1, 2), … , P(n, m)에서의 수신되는 복수의 AP(AP1, AP2, … , APk) 신호의 세기를 측정한다. 측정 오차를 줄이기 위해 각 지점에서 복수 회에 걸쳐 AP 신호를 측정하고, 측정된 값의 평균값이 DB에 저장될 수 있다. 이와 같이 DB가 구축되면, 사용자 단말(200)에서 수신되는 복수의 AP 신호의 세기의 조합에 대응하는 해당 단말의 위치 정보를 제공할 수 있게 된다. 즉, 임의의 위치 P(x, y)에서 사용자 단말(200)은 복수의 AP로부터 수신되는 신호의 세기를 측정하고, 측정된 신호의 세기를 DB에 저장된 각 지점에서의 기 측정 값과 비교하여, 수신 신호 세기의 오차가 가장 적은 지점을 해당 단말의 위치로 결정할 수 있다.
도 6 및 도 7에 설명된 방법은 사용자 단말(200)의 위치 정보를 획득하기 위한 하나의 실시예이며, 본 발명은 이에 한정되지 않는다. 사용자 단말(200)은 AP 신호뿐만 아니라 GPS, 블루투스 비콘 신호 또는 이들의 조합을 이용하여 사용자의 위치 정보를 획득할 수도 있다. 이와 같이 사용자 단말(200)의 위치 정보가 획득되면, 해당 단말의 위치 정보는 서버(100)로 전송된다. 위치 정보를 수신한 서버(100)는 빅데이터 DB(150)에 저장된 위험 범죄 패턴들 중 해당 사용자 단말(200)의 위치 정보에 대응하는 위험 범죄 패턴을 검색할 수 있다. 즉, 서버(100)는 해당 사용자 단말(200)의 위치 정보에 매칭되는 범죄 발생 지역/범죄 발생 장소 항목을 갖는 위험 범죄 패턴을 검색한다.
한편, 본 발명의 서버(100)는 현재 시간 정보를 더 획득할 수 있다. 서버(100)는 GPS 모듈을 탑재하여 현재 시간 정보를 수신할 수 있으며, 다른 실시예에 따르면 사용자 단말(200)로부터 해당 단말의 위치 정보와 함께 현재 시간 정보를 수신할 수 있다. 현재 시간 정보를 수신한 서버(100)는 빅데이터 DB(150)에 저장된 위험 범죄 패턴들 중 현재 시간에 대응하는 범죄 발생 시간/범죄 발생 요일 항목을 갖는 위험 범죄 패턴을 검색할 수 있다. 따라서, 서버(100)가 사용자 단말(200)의 위치 정보와 현재 시간 정보를 함께 획득할 경우, 해당 위치 정보 및 현재 시간 정보에 매칭되는 범죄 발생 지역/범죄 발생 장소/범죄 발생 시간/범죄 발생 요일 항목을 갖는 위험 범죄 패턴이 검색될 수 있다.
서버(100)는 이와 같이 검색된 위험 범죄 패턴 정보를 해당 사용자 단말(200)에 전송할 수 있다. 서버(100)로부터 위험 범죄 패턴 정보를 수신한 사용자 단말(200)은 출력부(220)를 통해 영상 및/또는 음성으로 해당 정보를 출력한다.
도 8은 본 발명의 실시예에 범죄 패턴 분석을 이용한 범죄 예측 시스템을 나타낸 순서도이다. 도 8의 각 단계는 도 1에 도시된 서버(100) 또는 이를 포함하는 범죄 예측 시스템에 의해 수행될 수 있다.
먼저, 서버는 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집한다(S110). 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타낸다. 본 발명의 실시예에 따르면, 상기 분류 기준은 범죄 종류, 범죄 발생 지역, 범죄 발생 장소, 범죄 발생 시간, 범죄 발생 요일 등을 포함할 수 있다.
다음으로, 서버는 범죄 데이터에 기초하여 각 항목 별 범죄 위험 지수를 산출한다(S120). 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수에 비례할 수 있다. 본 발명의 실시예에 따르면, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수뿐만 아니라 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출될 수 있다. 즉, 범죄 위험 지수는 상기 최대값과 최소값 간의 차이에 대한 해당 항목의 범죄 발생 횟수의 비율에 기초하여 산출된다.
다음으로, 서버는 산출된 범죄 위험 지수에 기초하여 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성한다(S130). 상기 범죄 패턴은 각 분류 기준에서 범죄 위험 지수가 높은 순서로 선택된 항목들의 조합이다.
다음으로, 서버는 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는지 여부를 판별한다(S140). 만약, 범죄 위험 지수의 합산 값이 기준 값을 초과하면, 서버는 해당 범죄 패턴을 위험 범죄 패턴으로 빅데이터 DB에 저장한다(S150). 서버는 다시 S130 단계로 돌아가서, 각 분류 기준 별 항목을 변경해 가며 또 다른 범죄 패턴들을 생성하고, 해당 범죄 패턴에 대하여 S140 단계 및 S150 단계를 반복한다. 이때, 서버는 해당 패턴이 기존에 생성된 범죄 패턴과 동일한지 여부를 확인하여, 중복된 범죄 패턴이 생성되지 않도록 한다.
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 : 데이터 처리부
140 : 범죄 패턴 생성부 150 : 빅데이터 DB
200 : 사용자 단말 210 : 통신부
220 : 출력부 230 : 제어부

Claims (10)

  1. 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하는 단계, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타냄;
    상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하는 단계, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출됨;
    상기 산출된 범죄 위험 지수에 기초하여, 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성하는 단계;
    상기 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는지 여부를 판별하는 단계; 및
    상기 합산 값이 상기 기준 값을 초과할 경우, 해당 범죄 패턴을 위험 범죄 패턴으로 저장하는 단계;
    를 포함하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  2. 제1 항에 있어서,
    상기 범죄 위험 지수는 상기 최대값과 최소값 간의 차이에 대한 해당 항목의 범죄 발생 횟수의 비율에 기초하여 산출되는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  3. 제1 항에 있어서,
    상기 범죄 패턴은 상기 각 분류 기준에서 상기 범죄 위험 지수가 높은 순서로 선택된 항목들의 조합인 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  4. 제1 항에 있어서,
    상기 범죄 데이터를 수집하는 단계는,
    상기 분류 기준의 각 항목 별 범죄 발생 횟수의 형태로 표현된 정형 데이터를 수신하는 단계; 및
    뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 범죄 관련 비정형 데이터를 획득하는 단계를 더 포함하고,
    상기 정형 데이터 및 비정형 데이터를 함께 이용하여 상기 범죄 데이터를 수집하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  5. 제1 항에 있어서,
    사용자의 위치 정보 및 현재 시간 정보를 획득하는 단계;
    상기 획득된 위치 정보 및 시간 정보에 대응하는 상기 위험 범죄 패턴을 검색하는 단계;
    상기 검색된 위험 범죄 패턴 정보를 상기 사용자에게 제공하는 단계를 더 포함하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  6. 제5 항에 있어서,
    상기 사용자 위치 정보는 사용자 단말이 수신한 복수의 AP(Access Point) 신호 세기의 조합에 기초하여 획득되는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  7. 제1 항에 있어서,
    상기 분류 기준은 범죄 종류, 범죄 발생 지역, 범죄 발생 장소 및 범죄 발생 시간 중 적어도 하나를 포함하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 방법.
  8. 외부 단말 또는 네트워크와 데이터를 송/수신하는 통신부;
    기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집하되, 상기 범죄 데이터는 해당 분류 기준에서의 각 항목에 따른 범죄 발생 횟수를 나타내는, 데이터 수집부;
    상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하되, 상기 범죄 위험 지수는 해당 항목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기초하여 산출되는, 데이터 처리부;
    상기 산출된 범죄 위험 지수에 기초하여, 상기 각 분류 기준 별로 선택된 항목의 조합에 대한 범죄 패턴을 생성하는 범죄 패턴 생성부; 및
    상기 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준 값을 초과하는 패턴을 위험 범죄 패턴으로 저장하는 빅데이터 DB;
    를 포함하는 범죄 패턴 분석을 이용한 범죄 예측 시스템.
  9. 제8 항에 있어서,
    상기 통신부는,
    상기 분류 기준의 각 항목 별 범죄 발생 횟수의 형태로 표현된 정형 데이터를 수신하고,
    뉴스 데이터, SNS(Social Network Service) 데이터 및 웹 데이터 중 적어도 하나를 이용하여 범죄 관련 비정형 데이터를 획득하며,
    상기 데이터 수집부는 상기 정형 데이터 및 비정형 데이터를 함께 이용하여 상기 범죄 데이터를 수집하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 시스템.
  10. 제8 항에 있어서,
    상기 데이터 수집부는 사용자의 위치 정보 및 현재 시간 정보를 더 획득하고,
    상기 데이터 처리부는,
    상기 획득된 위치 정보 및 시간 정보에 대응하는 상기 위험 범죄 패턴을 상기 빅데이터 DB에서 검색하고,
    상기 검색된 위험 범죄 패턴 정보를 상기 사용자에게 제공하는 것을 특징으로 하는 범죄 패턴 분석을 이용한 범죄 예측 시스템.
KR1020150026943A 2015-02-26 2015-02-26 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템 KR20160104223A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150026943A KR20160104223A (ko) 2015-02-26 2015-02-26 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150026943A KR20160104223A (ko) 2015-02-26 2015-02-26 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템

Publications (1)

Publication Number Publication Date
KR20160104223A true KR20160104223A (ko) 2016-09-05

Family

ID=56938682

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150026943A KR20160104223A (ko) 2015-02-26 2015-02-26 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템

Country Status (1)

Country Link
KR (1) KR20160104223A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977226B1 (ko) * 2018-12-31 2019-05-10 (주)바이콕 투신 예방 장치
WO2019103205A1 (ko) * 2017-11-24 2019-05-31 주식회사 웬즈데이에잇피엠 범죄 관련 빅데이터를 활용한 머신러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
CN110309935A (zh) * 2019-03-26 2019-10-08 浙江工业大学 一种基于改进starma模型的犯罪预测方法
KR20200062929A (ko) 2018-11-27 2020-06-04 (주)아이와즈 비정형 문서 인명 식별 시스템
KR102322918B1 (ko) * 2020-11-11 2021-11-05 (주)미소정보기술 온라인 생활범죄 감지 시스템 및 방법
CN114020991A (zh) * 2021-11-05 2022-02-08 珠海市新德汇信息技术有限公司 一种涉网犯罪风险智能揭示方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019103205A1 (ko) * 2017-11-24 2019-05-31 주식회사 웬즈데이에잇피엠 범죄 관련 빅데이터를 활용한 머신러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
KR20200062929A (ko) 2018-11-27 2020-06-04 (주)아이와즈 비정형 문서 인명 식별 시스템
KR101977226B1 (ko) * 2018-12-31 2019-05-10 (주)바이콕 투신 예방 장치
CN110309935A (zh) * 2019-03-26 2019-10-08 浙江工业大学 一种基于改进starma模型的犯罪预测方法
KR102322918B1 (ko) * 2020-11-11 2021-11-05 (주)미소정보기술 온라인 생활범죄 감지 시스템 및 방법
CN114020991A (zh) * 2021-11-05 2022-02-08 珠海市新德汇信息技术有限公司 一种涉网犯罪风险智能揭示方法

Similar Documents

Publication Publication Date Title
KR20160104223A (ko) 빅데이터 기반의 범죄 패턴 분석을 이용한 범죄 예측 방법 및 범죄 예측 시스템
US20210104001A1 (en) Methods and Systems for Security Tracking and Generating Alerts
US9860707B2 (en) Indoor positioning systems and meeting room occupancy
KR101825023B1 (ko) 리스크 조기 경보 방법 및 장치
KR101687477B1 (ko) 빅데이터를 이용한 이벤트 발생 정보 제공 방법 및 이벤트 발생 정보 제공 시스템
JP5422859B2 (ja) 監視装置および不審行動検出方法
US9854208B2 (en) System and method for detecting an object of interest
US10475326B2 (en) System and method for tracking interaction between monitored population and unmonitored population
US20140139663A1 (en) Wireless communication device, wireless communication method, and computer program product
KR101660160B1 (ko) 빅데이터를 이용한 범죄 위험도 추산 방법 및 이를 이용한 범죄 위험도 알림 시스템
KR101738745B1 (ko) 셀 가치 추산을 이용한 범죄 예측 방법 및 범죄 예측 시스템
US9622048B2 (en) SNS based incident management
KR101685334B1 (ko) 키워드 관련도 기반의 재난 이슈별 재난 탐지 기술 및 이를 이용한 재난대처 방법
WO2019103205A1 (ko) 범죄 관련 빅데이터를 활용한 머신러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
KR20180130806A (ko) 범죄 관련 빅데이터를 활용한 미선러닝 알고리즘 기반 위치별 범죄 발생 확률 예측 시스템
JP5515837B2 (ja) 影響解析支援装置、該方法、及び該プログラム
JP6917158B2 (ja) 監視装置、監視システム、監視方法、及びプログラム
US20230059310A1 (en) Prediction system, prediction device, prediction method, and non-transitory computer readable storage
EP3887914A1 (en) Drone gateway device to collect the sensor data
KR20160037058A (ko) 빅데이터 분석 기반의 개인화 서비스 지원 장치 및 방법
WO2023156308A1 (en) Systems and methods for determining device location properties using channel state information
CN115512523A (zh) 基于互联网+的地铁隧道沉降监护方法、装置、系统及介质
CN116055196A (zh) 一种业务检测方法、装置、电子设备及存储介质
KR20160100118A (ko) 전자기기를 이용하여 특정 지역을 모니터링 하는 시스템 및 방법
Hiemstra et al. Toward an automatic real-time mapping system for radiation hazards

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application