KR20170098281A - 범죄 예측 시스템 - Google Patents

범죄 예측 시스템 Download PDF

Info

Publication number
KR20170098281A
KR20170098281A KR1020177020255A KR20177020255A KR20170098281A KR 20170098281 A KR20170098281 A KR 20170098281A KR 1020177020255 A KR1020177020255 A KR 1020177020255A KR 20177020255 A KR20177020255 A KR 20177020255A KR 20170098281 A KR20170098281 A KR 20170098281A
Authority
KR
South Korea
Prior art keywords
crime
data
prediction
time period
determining
Prior art date
Application number
KR1020177020255A
Other languages
English (en)
Inventor
케이시 맥기버
에단 크노케
로즈메리 예일딩 라디치
Original Assignee
로케이터 아이피, 엘피
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 로케이터 아이피, 엘피 filed Critical 로케이터 아이피, 엘피
Publication of KR20170098281A publication Critical patent/KR20170098281A/ko

Links

Images

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

범죄 데이터 및 기상 데이터를 저장하고, 예측된 기상 조건과 범죄 데이터 간의 상관관계에 기초하여 역사적 범죄율을 조정함으로써 범죄 예측을 판정하는 범죄 예측 시스템 및 방법. 범죄 예측 시스템 및 방법은 이벤트 데이터를 더 저장하고, 미래 이벤트 및 범죄 데이터 간의 상관관계에 기초하여 역사적 범죄율을 더 조정함으로써 범죄 예측을 판정한다.

Description

범죄 예측 시스템{CRIME FORECASTING SYSTEM}
본원은, 그것의 전체 내용이 참조로서 여기에 포함되는, 미국 임시 출원 제62/096,631호(2014.12.24출원)의 우선권을 주장한다.
현재 범죄 분석 시스템은, 법 집행 시행관이 과거의 범죄 행위에 기초하여 자원을 배포하는 것을 가능하게 함으로써, 역사적 범죄 데이터를 갖는 법 집행 기관을 제공할 수 있다. 하지만, 현재 범죄 분석 시스템은 과거 범죄와 기상 조건 (또는 이전 이벤트) 간의 상관관계를 판정하지 않고, 예측된 기상 조건(또는 미래 이벤트)과 같은 실시간 데이터에 기초한 범죄 예측을 제공하지 않는다.
현재 범죄 통계는 인근 지역이 상대적으로 안전한지 또는 안전하지 않은지 여부의 일반적인 개념을 갖는 개인 및 기업 소유주를 제공한다. 하지만, 다시 말해, 개인 및 기업 소유주는 과거 범죄 통계 및 예측된 기상 조건(또는 미래 이벤트)과 같은 실시간 데이터 간의 상관관계에 기초하여 판정된 범죄 예측에 액세스할 수 없다.
따라서, 법 집행 기관이 정확하고 효과적으로 자원을 배포할 수 있게 하고, 개인이 상황 인식을 높이고 안전한 이동 경로를 선택할 수 있게 하고, 기업 소유주들이 사업체에서 범죄의 위험을 예상할 수 있게 하는 범죄 예측 시스템 및 방법이 필요하다.
관련 기술 분야에서 이러한 단점 및 다른 단점을 해결하기 위해, 범죄 데이터 및 기상 데이터를 저장하고, 예측된 기상 조건과 범죄 데이터 간의 상관관계에 기초하여 역사적 범죄율을 조정함으로써 범죄 예측을 판정하는 범죄 예측 시스템 및 방법이 제공된다. 범죄 예측 시스템 및 방법은 이벤트 데이터를 더 저장할 수 있고, 미래 이벤트 및 범죄 데이터 간의 상관관계에 기초하여 역사적 범죄율을 더 조정함으로써 범죄 예측을 판정할 수 있다.
예시적인 실시예의 측면들은 첨부된 도면을 참조하여 더 잘 이해될 수 있다. 도면의 구성 요소는 반드시 일정한 비율이 아니고, 대신 예시적인 실시예의 원리를 나타낼 때 강조된다.
도 1은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템에 의해 출력되는 그래픽 사용자 인터페이스의 관심 포인트들 뷰를 나타내는 도면이다.
도 2는 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템의 개관이다.
도 3은 본 발명의 예시적인 실시예에 따른 도 2에 도시된 범죄 예측 시스템의 블록도이다.
도 4는 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템에 의해 출력되는 그래픽 사용자 인터페이스의 거리 레벨 뷰(street level view)를 나타내는 도면이다.
도 5a 및 도 5b는 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템에 의해 출력되는 그래픽 사용자 인터페이스의 인근 지역 뷰들을 나타내는 도면이다.
도 6은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템에 의해 출력되는 그래픽 사용자 인터페이스의 이동 경로를 나타내는 도면이다.
도 7은 본 발명의 예시적인 실시예에 따른 그래픽 사용자 인터페이스를 통한 범죄 예측 시스템에 의해 출력되는 범죄 경보 모듈 및 질의 경보 모듈을 나타내는 도면이다.
도 8은 본 발명의 예시적인 실시예에 따른 그래픽 사용자 인터페이스를 통한 범죄 예측 시스템에 의해 출력되는 시간 별 범죄 지수 모듈 및 일별 범죄 지수 모듈을 나타내는 도면이다.
도 9는 본 발명의 예시적인 실시예에 따른 그래픽 사용자 인터페이스를 통한 범죄 예측 시스템에 의해 출력되는 MinuteCast
Figure pct00001
모듈을 나타내는 도면이다.
도 10은 본 발명의 예시적인 실시예에 따른 범죄 예측을 출력하기 위한 과정을 나타내는 흐름도이다.
본 발명의 예시적인 실시예의 다양한 뷰를 나타내는 도면을 참조한다. 본원의 도면 및 도면의 설명에서, 특정 용어는 단지 편의를 위해 사용되었고, 본 발명의 실시예를 제한하는 것으로 간주되어서는 안 된다. 또한, 도면 및 아래 설명에서, 동일한 참조 번호는 동일한 요소를 지칭한다.
도 1은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)에 의해 출력되는 그래픽 사용자 인터페이스(Graphical User Interface; GUI)의 관심 포인트들 뷰(100)를 도시한다. 아래에 설명된 바와 같이, 범죄 예측 시스템(200)은 복수의 사용자-식별 위치들(110)(이러한 예시에서, 덴버 내외의 관심 포인트들)에 대한 범죄 예측을 출력할 수 있다.
도 2는 범죄 예측 시스템(200)의 개관을 도시한다. 범죄 예측 시스템(200)은 하나 이상의 네트워크들(230)을 통해, 하나 이상의 개인용 시스템들(250) 및 하나 이상의 모바일 컴퓨터 시스템들(260)과 같은 복수의 원격 컴퓨터 시스템들(240)에 접속된 하나 이상의 데이터베이스들(220) 및 하나 이상의 서버들(210)을 포함한다.
하나 이상의 서버들(210)은 내부 저장 장치(212) 및 프로세서(214)를 포함할 수 있다. 하나 이상의 서버들(210)은, 예를 들어 원격 컴퓨터 시스템들(240)에 의해 액세스 가능한 웹사이트들을 호스팅하는 웹 서버 및 어플리케이션 서버를 포함하는 임의의 적합한 컴퓨팅 장치일 수 있다. 하나 이상의 데이터베이스들(220)은 서버(210)의 내부에 있을 수 있고, 이러한 경우에 내부 저장 장치(212)에 저장될 수 있고, 또는 서버(212)의 외부에 있을 수 있고, 이러한 경우에 외부 하드 디스크 어레이 또는 반도체 기억 장치와 같은 외부 비-일시적 컴퓨터-판독가능 저장 매체에 저장될 수 있다. 하나 이상의 데이터베이스들(220)은 단일 장치 또는 다중 장치들에 저장될 수 있다. 네트워크들(230)은 인터넷, 셀룰러 네트워크, 광역 네트워크(Wide Area Networks WAN), 근거리 통신망(Local Area Networks; LAN) 등의 임의의 조합을 포함할 수 있다. 네트워크(230)를 통한 통신은 유선 및/또는 무선 접속에 의해 구현될 수 있다. 원격 컴퓨터 시스템(240)은 네트워크들(230)을 통해 데이터를 송신 및/또는 수신하도록 구성되는 임의의 적합한 전자 장치일 수 있다. 원격 컴퓨터 시스템(240)은, 예를 들어 개인용 컴퓨터, 노트북 컴퓨터, 스마트폰, PDA(Personal Digital Assistant), 태블릿, 노트북 컴퓨터, 휴대용 기상 감지기, GPS(Global Positioning Satellite) 수신기, 네트워크-접속 차량 등과 같은 네트워크-접속 컴퓨팅 장치일 수 있다. 개인용 컴퓨터 시스템들(250)은 내부 저장 장치(252), 프로세서(254), 출력 장치들(256) 및 입력 장치들(258)을 포함 할 수 있다. 하나 이상의 모바일 컴퓨터 시스템들(260)은 내부 저장 장치(262), 프로세서(264), 출력 장치 장치들(266) 및 입력 장치들(268)을 포함할 수 있다. 프로세서(214, 254 또는 264)에 의해 실행될 때, 본원에서 설명된 특징들의 관련 부분들을 수행하는, 내부 저장 장치(212,252 및/또는 262)는 소프트웨어 명령들을 저장하기 위한 하드 디스크 또는 반도체 기억 장치와 같은 비-일시적 컴퓨터-판독가능 저장 매체일 수 있다. 프로세서(214, 254 및/또는 264)는 중앙 처리 장치(Central Processing Unit; CPU), 그래픽 처리 장치(Graphics Processing Unit; GPU) 등을 포함 할 수 있다. 프로세서(214, 254 및 264)는 단일 반도체 칩 또는 둘 이상의 칩으로서 구현될 수 있다. 출력 장치(256 및/또는 266)는 디스플레이, 스피커, 외부 포트 등을 포함 할 수 있다. 디스플레이는 액정 디스플레이(Liquid Crystal Display; LCD), 발광 폴리머 디스플레이(Light emitting Polymer Displays; LPD), 발광 다이오드 (Light Emitting Diode; LED), 유기 발광 다이오드 (Organic Light Emitting Diode; OLED) 등과 같은 가시광을 출력하도록 구성되는 임의의 적절한 장치일 수 있다. 입력 장치들(258 및/또는 268)는 키보드, 마우스, 트랙볼, 스틸 또는 비디오 카메라, 터치 패드 등을 포함 할 수 있다. 터치 패드는 터치감지 디스플레이 또는 터치 스크린을 형성하기 위해 디스플레이와 중첩되거나 통합될 수 있다.
범죄 예측 시스템(200)은 하나 이상의 프로세서들(214, 254 또는 264)에 의해 실행되는 하나 이상의 내부 저장 장치들(212, 252 및/또는 262)에 저장된 소프트웨어 명령들에 의해 구현될 수 있다.
도 3은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)의 블록도이다. 범죄 예측 시스템(200)은 범죄 통계 데이터베이스(320), 지리적 정보 시스템(Geographic Information Sys; GIS)(340), 사용자 위치 데이터베이스(360), 분석부(380) 및 그래픽 사용자 인터페이스(Graphical User Interface; GUI)(390)를 포함할 수 있다.
범죄 통계 데이터베이스(320)는 범죄 데이터(322)를 저장할 수 있다. 몇몇 실시예들에서, 범죄 통계 데이터베이스(320)는 또한 위치 데이터(324), 이벤트 데이터(326) 및/또는 기상 데이터(328)를 저장한다. 범죄 통계 데이터베이스(320)는 단일 유형의 장치 또는 다중 유형의 장치들에 저장되었는지 여부에 관계없이 임의의 조직화된 정보의 집합일 수 있다. 범죄 통계 데이터베이스(320)는, 예를 들어 도 2에 도시된 데이터베이스들(220) 중 하나로서 실현될 수 있다.
범죄 데이터(322)는 위치, 시간, 날짜, 요일, 범죄들의 유형(예를 들어, 폭행, 절도, 강도 등)의 정보 표시를 포함할 수 있다. 범죄 데이터(322)는 또한 각 범죄의 심각도의 추정치를 포함할 수 있다. 범죄 위치들은 GIS(340)에 의해 각 범죄의 위치들이 관찰될 수 있고, 분석될 수 있는 포맷일 수 있다. 범죄 유형은 또한 범죄가 재산 범죄인지, 사람에 대한 범죄인지 등을 포함할 수 있다. 재산 범죄에 대하여, 범죄 데이터(322)는 또한 재산에 관한 정보(예를 들어, 재산이 사업체인지, 주거지인지, 차량인지 등)를 포함할 수 있다. 사람에 대한 각 범죄에 대하여, 범죄 데이터(322)는 또한 희생자가 가해자를 알고 있는지 또는 가해자가 낯선 사람인지를 포함 할 수 있다. 범죄 데이터(322)는 또한 범죄 데이터 (322)는 또한 연령, 성별, 인종, 히스패닉 출생, 경제적 상태 등과 같은 희생자에 관한 인구통계학적 정보를 포함 할 수 있다. 범죄 데이터(322)는 GUI(390)을 통해 또는 다른 소스로부터 추가적인 범죄 데이터를 가져옴으로써 업데이트될 수 있다.
위치 데이터(324)는 인구통계학적 데이터, 법 집행 경계, 공동체 기관(예를 들어, 경찰서, 소방서, 학교, 교회, 병원 등)의 위치, 사업체의 위치 등과 같은 정보를 포함 할 수 있다. 인구통계학적 데이터는 주거 지역의 사회 경제적 및 인구통계학적 구성에 기초하여 주거 지역을 67개의 독특한 구역들 중 하나로 주거 지역들을 분류하는 태피스트리 분할(tapestry segmentation) 형태일 수 있다. 이러한 구역들은 기준은 공통된 경험(예를 들어, 동일한 시대의 출생, 다른 나라로부터 이민) 또는 인구통계학적 특성에 기초하여 분류 그룹화될 수 있다. 이러한 구역들은 또한 지리적 밀도(예를 들어, 주요 도심지, 도시 주변, 대도시, 교외 주변, 시골, 농촌)에 기초하여 그룹화될 수 있다. 위치 데이터(324)는 GUI(390)를 통해 또는 다른 소스로부터 추가적인 위치 데이터를 가져옴으로써 업데이트될 수 있다.
이벤트 데이터(326)는 스포츠 이벤트, 콘서트, 퍼레이드 등과 같은 과거 이벤트의 위치, 날짜 및 시간을 저장한다. 이벤트는 또한 정부 이전 지출을 포함할 수 있다. 이벤트 데이터(326)는 또한 미래 이벤트의 위치, 날짜 및 시간을 포함할 수 있다. 이벤트 데이터(326)는 GUI(390)를 통해 또는 다른 소스로부터 추가적인 이벤트 데이터를 가져옴으로써 업데이트될 수 있다.
기상 데이터(328)는 현재, 역사적(과거) 및 예측된(미래) 기상 조건들에 관한 정보를 포함한다. 기상 데이터(328)는, 예를 들어 AccuWeather, Inc., AccuWeather Enterprise Solutions Inc., 정부 기관(국립 기상 서비스(National Weather Service; NWS), 국립 허리케인 센터(National Hurricane Center; NHC), 캐나다 환경부(Environment Canada), 영국 기상 서비스(U.K. Meteorologic Service), 일본 기상청(Japan Meteorological Agency) 등과 같은), 다른 민간 기업(Vaisalia의 미국 국립 번개 탐지 네트워크(U.S. National Lightning Detection Network), Weather Decision Technologies, Inc.과 같은), 개인(Spotter 네트워크 회원과 같은) 등으로부터 수신될 수 있다. 기상 정보 데이터베이스는 또한, 예를 들어 미국 지질 조사국(U.S. Geological Survey; USGS)으로부터 수신된 자연 재해에 관한 정보를 포함할 수 있다.
기상 조건들은, 예를 들어 24시간 최고 온도, 24시간 최저 온도, 대기 질, 얼음의 양, 비의 양, 내리는 눈의 양, 땅에 쌓인 눈의 양, 북극진동(Arctic Oscillation; AO), 평균 상대 습도, 기압 추세, 눈이 날리는 가능성, 시일링(ceiling), 시일링 고도, 뇌우의 가능성, 땅을 덮을 충분한 눈의 가능성, 들판을 적실 충분한 눈의 가능성, 우박의 가능성, 얼음의 가능성, 강수 확률, 비의 확률, 눈의 확률, 운량, 구름 커버 비율, 냉각도, 낮 하늘 상태, 낮 풍향, 낮 돌풍, 낮 풍속, 이슬점, 엘니뇨 남방 진동(El Nino Southern Oscillation; ENSO), 증발산량, 예상 뇌우 강도 레벨, 홍수 가능성, 열 지수, 난방 정도, 고온, 만조 경보, 높은 습구 온도, 최고 상대 습도, 얼음의 시간(the hours of ice), 강수량의 시간, 비의 시간, 눈의 시간, 습도, 호수 레벨, 액체 등가 강수량(liquid equivalent precipitation amount), 낮은 온도, 낮은 습구 온도, 최대 자외선(UV) 지수, 다변수 ENSO 지수(Multivariate ENSO Index; MEI), 매든 줄리안 진동(Madden- Julian Oscillation; MJO), 달 위상, 월출, 월몰, 밤 하늘 상태, 밤 풍향, 밤 돌풍, 밤 풍속, 정상 낮은 온도, 정상 온도, 원-워드 기상(one-word weather), 강수량, 누적 강수량, 강수 유형, 눈의 확률, 땅을 덮을 충분한 얼음의 확률, 땅을 덮을 충분한 눈의 확률, 들판을 적실 충분한 비의 확률, 비의 양 , RealFeel
Figure pct00002
, RealFeel
Figure pct00003
높이, RealFeel
Figure pct00004
낮음(REALFEEL은 AccuWeather, Inc.의 등록 서비스 마크이다.), 기록적인 저온, 기록적인 고온, 상대 습도 범위, 해수면 기압, 해수면 온도, 하늘 상태, 다음 24시간 동안의 적설량, 태양 복사, 스테이션 대기압, 일출, 일몰, 온도, 눈의 유형, 자외선 지수, 시야, 습구 온도, 풍속 냉각, 풍향, 돌풍, 풍속 등을 포함할 수 있다. 기상 조건은 강 홍수 경보와 같은 기상 관련 경보, 뇌우 초소, 토네이도 초소, 메조스케일 논의, 폴리곤 경보(polygon warnings), 구역/국가 경보, 전망, 자문, 관찰, 특수 기상 진술, 번개 경보, 뇌우 경보, 호우 경보, 고풍 경보, 고온 또는 저온 경보, 지역 폭풍 보고서, 지진 및/또는 허리케인 충격 예측 등을 포함할 수 있다. 각 기상 조건은 일별 값, 시간별 예측 값, 일별 예측 값, 일년 전 일별 값, 이전 시간 주기(예를 들어, 24시간, 3시간, 6시간, 9시간, 전날, 과거 7일, 이번 달 누적(current month to date), 이번 해 누적, 과거 12개월) 동안의 누적 또는 변화, 기후학적 정상(예를 들어, 과거 10년, 20년, 25년, 30년 등 동안의 평균값), 미래 시간 주기 동안(예를 들어, 24시간)의 예측된 누적 등과 같은 시간 프레임에 기초하여 설명될 수 있다.
지리 정보 시스템(GIS)(340)은 지리 데이터를 캡쳐, 저장, 조작, 분석, 관리 및 제공하도록 설계된 소프트웨어 시스템이다. (지리 정보 시스템은 때때로 지리학적 정보 시스템이라고 지칭한다.) GIS(340)는 도 2에 도시된 하나 이상의 서버들(210)에 의해 실행되는 소프트웨어 명령으로서 구현될 수 있다. 추가적으로 또는 대안적으로, 범죄 예측 시스템(200)은 Google 맵, Ersi 등과 같은 제3자 GIS를 사용할 수 있다.
사용자 위치 데이터베이스(360)는 원격 컴퓨터 시스템들(240)(또는 사용자들)의 위치들을 나타내는 정보를 저장한다. 사용자 또는 원격 컴퓨터 시스템(240)의 위치는 정적(다시 말해, 사용자 또는 원격 컴퓨터 시스템(240)이 정지 상태인 경우) 또는 동적(다시 말해, 사용자 또는 원격 컴퓨터 시스템(240)이 움직이는 경우)일 수 있다. 몇몇 예시에서, 사용자 위치 데이터베이스(360)는 원격 컴퓨터 시스템(240)의 실시간(또는 거의 실시간) 동적 위치를 나타내는 정보를 저장할 수 있다. 또한, 사용자 위치 데이터베이스(360)는 자동적으로 또는/추가로 반복적으로 원격 컴퓨터 시스템(240)의 실시간(또는 거의 실시간) 동적 위치를 나타내는 정보를 포함하도록 업데이트될 수 있다.
원격 컴퓨터 시스템(240)의 (정적 또는 동적) 위치는 원격 컴퓨터 시스템(240)에 의해, 예를 들어 원격 컴퓨터 시스템(240) 내에 통합된 GPS(global positioning satellite) 장치, 셀 네트워크 삼각 측량, 네트워크 식별 등에 의해 판정될 수 있다. 추가적으로 또는 대안적으로, 원격 컴퓨터 시스템(240)의 (정적 또는 동적) 위치는 서버(210)에 의해, 예를 들어 셀 네트워크 삼각 측량, 네트워크 식별 등에 의해 판정될 수 있다. 사용자의 정적인 위치는, 예를 들어 주소, 도시, 우편 번호 등과 같은 위치를 GUI(390)를 통해 입력함으로써 사용자에 의해 입력될 수 있다. 사용자의 동적 위치는, 예를 들어 목적지를 입력하고, 원격 컴퓨터 시스템(240) 또는 서버(210)가 출발 지점 또는 현재 위치로부터 목적지까지의 이동 경로를 결정하게 함으로써 사용자에 의해 입력될 수 있다. 사용자 위치 데이터베이스(360)는 단일 유형의 장치 또는 다중 유형의 장치들에 저장되었는지 여부와 관계없이 임의의 조직화된 정보의 집합일 수 있다. 사용자 위치 데이터베이스(360)는, 예를 들어 데이터베이스들(220) 중 하나로서 구현될 수 있다.
분석부(380)는 상기 하나 이상의 서버들(210)에 액세스 가능하고 하나 이상의 서버들(210)에 의해 실행되고 또는/추가로 원격 컴퓨터 시스템(240)에 의해 다운로드되고 실행되는 소프트웨어 명령들에 의해 구현될 수 있다. 분석부(380)는 범죄 통계 데이터베이스(320), GIS(340), 사용자 위치 데이터베이스(360) 및 GUI(390)로부터 정보를 수신하도록 구성될 수 있다.
그래픽 사용자 인터페이스(390)는 범죄 예측 시스템(200) 및/또는 범죄 예측 시스템(200)으로부터 수신된 정보를 사용자에게 출력하는 임의의 인터페이스로의 전송을 위한 정보를 사용자가 입력할 수 있게 하는 임의의 인터페이스일 수 있다. 그래픽 사용자 인터페이스(390)는 원격 컴퓨터 시스템(240)에 저장되고, 원격 컴퓨터 시스템(240)에 의해 실행되는 소프트웨어 명령들에 의해 구현될 수 있다.
분석부(380)는 범죄 데이터(322)에서 각각의 범죄들의 위치들 및 시간들을 도시하기 위해 GIS(340)를 사용하다. 분석부(380)는 범죄 데이터(322)가 위치 데이터(324) 내의 하나 이상의 변수들과 상관관계가 있는지 여부를 판정한다. 예를 들어, 분석부(380)는 범죄(또는 특정 유형의 범죄)이 인근 지역 인구 통계, 법 집행 경계 및/또는 커뮤니티 기관 또는 사업체와의 근접성과 관련 있는지 판정한다. 인구통계학적 데이터가 유사한 주거 지역들을 분류하고 그룹화하는 태피스트리 분할을 포함할 경우, 분석부(380)는 유사한 주거 지역들이 유사한 수 및/또는 유형의 범죄들을 경험했는지 여부를 판정한다.
분석부(380)는 또한 범죄 데이터(322)가 이벤트 데이터(326)의 하나 이상의 변수들과 상관관계가 있는지 여부를 판정한다. 예를 들어, 분석부(380)는 범죄 데이터(322)에 포함된 범죄(또는 특정 유형의 범죄)가 1.25의 팩터로 특정 유형의 이벤트와 선형적으로 상관관계가 있다고 판정할 수 있다(다시 말해, 그러한 유형의 이벤트는, 범죄 또는 범죄 유형이 25% 더 높다는 것을 의미함).
분석부(380)는 또한 범죄 데이터(322)가 기상 데이터(326)의 하나 이상의 변수들과 상관관계가 있는지 여부를 판정한다. 예를 들어, 분석부(380)는 범죄 데이터(322)에 포함된 범죄(또는 특정 유형의 범죄)가 0.0002의 팩터로 블리자드(Blizzard)와 같은 조건들과 선형적으로 상관관계가 있고, 반면에 범죄(또는 특정 유형의 범죄)는 1.4의 팩터로 화씨95도 이상의 RealFeel
Figure pct00005
온도와 선형적으로 상관관계가 있다고 판정 할 수 있다(범죄는 블리자드 동안 가능성이 희박하지만, 고온(heat)에서 정상보다 40% 더 많다는 것을 의미함).
위에서 논의된 상관관계들에 기초하여, 분석부(380)는 특정 위치 또는 인구통계학적으로 유사한 위치에서, 특정 시간에, 특정 요일에, 특정 계절에 및/또는 특정 커뮤니티 기관 또는 특정 유형의 사업체 근처에서 발생하는 범죄의 가능성을 결정한다. 개인에 대한 과거 범죄에 기초하여, 분석부(380)는 임의의 개인에 대해, 가해자를 알지 못하는 개인에 대해 및/또는 특정 인구통계학적 그룹의 개인에 대해 발생하는 범죄의 가능성을 결정할 수 있다. 과거 재산 범죄에 기초하여, 분석부(380)는 차량, 부동산, 주거지, 사업체 및/또는 특정 유형의 사업체에서 발생하는 범죄의 가능성을 판정할 수 있다.
분석부(380)는 또한 과거 범죄(또는 특정 유형의 범죄)와 이벤트 데이터(326)에 포함된 과거 이벤트와의 상관관계에 기초하여 이벤트 데이터(326)에 포함된 미래 이벤트의 근접성으로 발생하는 범죄(또는 특정 유형의 범죄)의 가능성을 판정할 수 있다.
분석부(380)는 또한 과거 범죄(또는 특정 유형의 범죄)와 기상 데이터(328)에 포함된 과거 기상 조건과의 상관관계에 기초하여 기상 데이터(328)에 포함된 예측된 기상 조건에서 발생하는 범죄(또는 특정 유형의 범죄)의 가능성을 판정할 수 있다.
범죄 데이터(322)는 시간이 지남에 따라 업데이트될 수 있다. 유사하게, 위치 데이터(324), 이벤트 데이터(326) 및/또는 기상 데이터(328) 또한 업데이트될 수 있다. 따라서, 분석부(380)는 (업데이트된) 범죄 데이터(322)가 (잠재적으로 업데이트된) 위치 데이터(324), (잠재적으로 업데이트된) 이벤트 데이터(326) 및/또는 (잠재적으로 업데이트된) 기상 데이터(328)와 상관관계가 있는지 여부를 판정할 수 있다.
범죄 데이터(322)는 공식 소스로부터의 범죄 정보를 포함할 수 있다. 또한, 범죄 데이터(322)는 인터넷, 소셜 미디어(예를 들어, Facebook, Twitter 등), 인터넷 검색(예를 들어, Google, Bing, Aliaba 등), 얼굴 인식 시스템 등으로부터 유도된 (로(raw) 또는 분석된) 범죄 정보를 포함할 수 있다. (로 또는 분석된) 범죄 정보로부터 유도된 범죄의 위치는 범죄 정보가 업로드된/게시된 사용자의 위치 또는 범죄 정보로부터 유도될 수 있다. (로 또는 분석된) 범죄 정보로부터 유도된 범죄의 시간은 범죄 정보가 업로드된/게시된 시간으로부터 또는 정보로부터 유도될 수 있다.
범죄 데이터(322)는 보고된 범죄가 유죄 판결을 받았는지 여부에 관한 정보를 포함할 수 있다. 이후, 분석부(380)는 관할 지역에 걸쳐 법 집행의 유효성을 비교하는데 사용될 수 있다. 범죄 데이터(322)는 또한 보고된 범죄가 거짓 보고로 판정되었는지 여부에 관한 정보를 포함할 수 있다. 이후, 분석부(380)는 거짓 범죄 보고를 분석하는데 사용될 수 있다.
범죄 예측 시스템(200)은 "범죄 예측"을 출력한다. 여기에 사용된 "범죄 예측"은 위에서 결정한 것과 같은 범죄 발생 가능성을 나타내는 정보를 나타낼 수 있다. 범죄 예측은 범죄 발생의 백분율 확률, 범죄 발생 백분율 확률과 기준선(baseline)(예를 들어, 더 큰 지리적 영역에서 발생하는 범죄의 백분율 확률) 간의 차이, 범죄 발생의 백분율 확률 또는 범죄 발생의 백분율 확률과 기준선에 기초하여 선택된 스칼라값(예를 들어, 0-100) 또는 카테고리(예를 들어, A-F 또는 그린-레드)로서 범죄 예측 시스템(200)에 의해 표현될 수 있다.
다시 도 1을 참조하면, 도 1에 도시된 바와 같이, 범죄 예측 시스템(200)은 관심 지점 뷰(100)에서 복수의 사용자-식별 위치(110)(이러한 예시에서, 덴버 내 및 주변 관심 지점)에 대한 범죄 예측을 출력할 수 있다. GUI(390)는 범죄 예측을 GIS(340)를 사용하여 맵 상에 도시할 수 있다. GUI (390)는 사용자가 범죄 유형(예를 들어, 범죄 유형 박스(120)를 사용하여) 및/또는 범죄 예측을 위한 시간 주기(예를 들어, 시간 주기 박스(130)를 사용하여)를 명시하게 할 수 있다. 분석부(380)는 사용자-지정 범죄들 중 하나가 사용자-지정 시간 주기 동안 각각의 사용자-식별 위치에서 발생할 확률을 계산하고, GUI(390)를 통해 각각의 사용자-식별 위치에 대한 범죄 예측을 출력한다.
도 4는 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)에 의해 출력되는 그래픽 사용자 인터페이스(390)의 거리 레벨 뷰(400)를 도시한다. 도 4에서, 점선 박스들(420) 내의 각각의 거리들은 다양한 색조의 레드로 음영처리 되고(기준선에 관하여 높은 범죄 예측을 나타냄), 점선 박스들(440) 내의 각각의 거리들은 다양한 색조의 블루로 음영처리 된다(기준선에 관하여 더 낮은 범죄 예측을 나타냄). 다시 말해, GUI(390)는 사용자가 범죄 유형(예를 들어, 범죄 유형 박스(480)를 사용하여) 및/또는 범죄 예측을 위한 시간 주기를 명시하게 할 수 있다. 기준선은 보다 큰 지역(예를 들어, 더 큰 대도시 지역 또는 주 또는 국가와 같은)에 대한 범죄 예측일 수 있다. 분석부(380)는 사용자에 의해 지정된 범죄(들)가 기준선(예를 들어, 전국 평균)에 관하여 거리 레벨 뷰(400)의 각각의 거리에서 발생할 가능성을 계산하고, 범죄 예측에 따라 거리 레벨 뷰(400)의 각각의 거리를 컬러로 표시한다.
도 5a 및 도 5b는 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)에 의해 출력되는 그래픽 사용자 인터페이스(390)의 인근 지역 뷰들(500a 및 500b)을 도시한다.
도 5b에 도시된 바와 같이, 범죄 예측 시스템(200)은 복수의 인근 지역들(510)에 대한 범죄 예측을 출력할 수 있다. 다시 말해, GUI(390)는 GIS(340)을 사용사여 맵 상에 범죄 예측을 도시할 수 있다. 다시 말해, GUI(390)는 사용자가 범죄 유형들(예를 들어, 범죄 유형 박스(480)를 사용하여) 및/또는 범죄 예측들에 대한 시간 주기(예를 들어, 날짜 박스(580)를 사용하여)를 명시하게 할 수 있다. 분석부(380)는 사용자-지정 범죄들 중 하나가 사용자-지정 시간 주기 동안 각각의 인근 지역들(510)에서 발생할 가능성을 계산하고, GUI(390)를 통해 각각의 인근 지역들(510)에 대한 범죄 예측을 출력한다. 도 5b를 참조하면, 인근 지역들(512, 514 및 516)에 도시된 것과 같이 범죄 예측은 첫 번째 날(2016. 12. 11)로부터 두 번째 날(2016. 12.12)까지 증가할 수 있다.
도 6은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)에 의해 출력되는 그래픽 사용자 인터페이스(390)의 이동 경로 뷰(600)를 도시한다. 도 6에서, 실선(610) 그린 컬러(낮은 범죄 예측을 나타냄)이고, 점선(620)은 옐로우 및 레드로 음영처리 된다(중간-레벨 및 높은 범죄 예측들을 나타냄).
도 6에 도시된 바와 같이, 범죄 예측 시스템(200)은 이동 경로에 따른 각 지점에 대한 범죄 예측을 출력할 수 있다. 다시 말해, GUI(390)는 사용자가 범죄 유형 및/또는 범죄 예측들에 대한 시간 주기를 명시하게 할 수 있다. 여행 경로 뷰(600)는 여행자를 돕기 위한 것이기 때문에, 범죄 예측 시스템(200)은 희생자가 가해자를 모르는 개인 범죄, 자동차 절도 등과 같이 여행자에 관련된 범죄에 대하여 범죄 예측을 출력하도록 미리 설정될 수 있다.
도 7 내지 도 10은 GUI(390)을 통해 범죄 예측 시스템(200)에 의해 출력되는 모듈을 도시한다. 범죄 예측 시스템(200)은, 여기에서 그 전체가 참조로 인용되는 PCT 출원 번호 PCT/US 14/55,004에서 설명되는 맞춤형 기상 분석 시스템과 통합될 수 있다.
도 7은 본 발명의 예시적인 실시예에 따른 범죄 예측 시스템(200)에 의해 GUI(390)를 통해 출력되는 범죄 경보 모듈(710) 및 질의 경보 모듈(720)을 도시한다.
범죄 경보 모듈(710)에 의해 도시되는 바와 같이, 범죄 예측 시스템(200)은 범죄 예측이 경보 임계값을 초과할 때 경보를 출력할 수 있다. 범죄 예측 시스템(200)은 사용자가 하나 이상의 위치들, 범죄들, 범죄 유형들, 시간 주기들 및/또는 경보 임계값을 식별하게 할 수 있다. 분석부(380)는 범죄(또는 사용자-지정 범죄 또는 사용자-지정 범죄 유형에 속하는 범죄)가 사용자-지정 시간 주기 동안 각각의 사용자-식별 위치에서 발생할 가능성을 계산하고, 범죄 예측이 사용자-식별 위치에서 (미리 정해진 또는 사용자-지정) 경보 임계값을 초과하는 경우 범죄 경보(도시된 바와 같이, 예를 들어, 범죄 경보 모듈(710)에서)를 출력한다.
또 다른 실시예에서, 범죄 예측 시스템(200)은 원격 컴퓨터 시스템(240)의 위치에 대한 범죄 예측이 (미리 정해진 또는 사용자-지정) 경보 임계값을 초과하는 경우 원격 컴퓨터 시스템(240)으로 범죄 경보를 출력할 수 있다. 원격 컴퓨터 시스템(240)의 위치는 원격 컴퓨터 시스템(240) 또는 서버(210)에 의해 판정될 수 있고, 사용자 위치 데이터베이스(360)에 저장될 수 있다. 이러한 실시예에서, 분석부(380)는 범죄(또는 사용자-지정 범죄 또는 사용자-지정 범죄 유형에 속한 범죄)가 원격 컴퓨터 시스템(240)의 위치에서 발생할 확률을 계산하고, 범죄 예측이 (미리 정해진 또는 사용자-지정) 경보 임계값을 초과하는 경우 범죄 경보를 출력한다. 이러한 실시예에서, 범죄 예측 시스템(200)은 개인(예를 들어, 희생자가 가해자를 모르는 개인 범죄)에 관련된 범죄에 대하여 범죄 예측을 판정하도록 미리 설정될 수 있다.
또 다른 실시예에서, 범죄 예측 시스템(200)은 모바일 컴퓨터 시스템(260)에 대하여 모바일 컴퓨터 시스템(260)으로 범죄 예측을 출력할 수 있다. 범죄 예측은 범죄 예측 또는 기준선에 관한 범죄 예측을 나타내는 스케일(예를 들어, 0-100 또는 그린-옐로우-레드)로 표현될 수 있다. 기준선은 모바일 컴퓨터 시스템(260)의 이전 위치일 수 있다.
질의 경보 모듈(720)에 의해 도시된 바와 같이, 범죄 예측 시스템(200)은 사용자가 사용자-지정 질의에 기초하여 범죄 예측을 수신하게 할 수 있다. 사용자-지정 질의는 하나 이상의 범죄 유형들, 복수의 사용자-식별 위치들 및 사용자-지정 시간-주기를 포함할 수 있다. 질의 경보 모듈(720)은, 6pm 부터 12am까지, 69개의 사용자-식별 위치가 모든 범죄("총 범죄 지수(Total Crime Index)")에 대하여 50 이상의 범죄 예측을 갖고; 50개의 사용자-식별 위치가 강도에 대하여 75이상의 범죄 예측을 갖고; 29개의 사용자-식별 위치가 자동차 절도에 대하여 30이상의 범죄 예측을 갖고; 15개의 사용자-식별 위치가 대중 시위(public disorder)에 대하여 범죄 예측을 갖는 것을 나타낸다.
도 8은 본 발명의 예시적인 실시예에 따른 GUI(390)을 통해 범죄 예측 시스템(200)에 의해 출력되는 시간별 범죄 지수 모듈(810) 및 일별 범죄 지수 모듈(820)을 도시한다.
시간별 범죄 지수 모듈(810)은 사용자-지정 위치에 대한 시간별 범죄 예측(이러한 예시에서, 절도 및 방화에 대한 범죄 예측)의 선 그래프를 도시한다. 일별 범죄 지수 모듈(820)은 사용자-식별 위치에 대한 일별 범죄 예측(이러한 예시에서, 약물 범죄 및 살인에 대한 범죄 예측)의 선 그래프를 도시한다.
도 9는 범죄 본 발명의 예시적인 실시예에 따른 GUI(390)를 통해 예측 시스템(200)에 의해 출력되는 MinuteCast
Figure pct00006
모듈들(910 및 920)을 도시한다. MinuteCas
Figure pct00007
120분과 같이 짧은 시간 주기 동안의 하이퍼-로컬(hyper-local), 시시각각(minute-by-minute)의 예측이다. (MINUTECAST 는 AccuWeather, Inc.의 등록 서비스 마크이다.) MinuteCast
Figure pct00008
모듈(910)은 120분 동안 범죄 예측이 임계값 이하인 것을 의미하는 범죄 위협이 없음을 나타낸다. MinuteCast
Figure pct00009
모듈(910)은 더 높은 레벨의 범죄가 75분에 예측되는 것을 나타낸다. 타임라인은 더 높은 범죄 예측을 나타내는 그린 영역(922), 보다 더 높은 범죄 예측을 나타내는 옐로우 영역(924) 및 보다 더 높은 범죄 예측을 나타내는 레드 영역(926)을 도시한다.
도 10은 본 발명의 예시적인 실시예에 따른 범죄 예측을 출력하기 위한 과정(100)을 나타낸다.
단계(1002)에서 하나 이상의 위치가 판정된다. 각 위치는 단일 지점(예를 들어, 주소, 교차로, 경도 및 위도 등) 또는 더 큰 지리적 영역(예를 들어, 인근 지역, 정치적 구역(political subdivision), 법 집행 관할 지역 등)일 수 있다. 위치(들)은 사용자에 의해 입력되고, 모바일 컴퓨터 시스템(260)의 위치에 기초하여 판정될 수 있고, 이동 경로 등에 기초하여 판정될 수 있다. 범죄 예측 시스템(200)이 맵(도시된 바와 같이, 예를 들어, 인근 지역 뷰들(500a 및 500b)에서의)을 출력하는 경우, 위치는 GUI(390)를 통해 사용자에게 보이는 위치에 기초하여 판정될 수 있다.
단계(1004)에서 시간 주기가 판정된다. 몇몇 예시들에서, 시간 주기는 사용자에 의해(상술된 바와 같이, 예를 들어, 관심 지점 뷰(100), 인근 지역 뷰들(500a 및 500b) 및 질의 모듈(720)을 참조하여) 입력될 수 있다. 기본 시간 주기는 현재 시간을 포함하는 시간 주기일 수 있다. 예를 들어, 기본 시간 주기는 현재 시간에서 시작하고, 거리 레벨 뷰(400), 이동 경로 뷰(600), 범죄 경보 모듈(710)을 참조하여 상술된 바와 같이 가까운 미래로 연장하는 시간 주기일 수 있다. 또 다른 예시에서, 기본 시간 주기는 현재 시간에서 종료하고, 시간별 범죄 예측 모듈(810) 및 일별 범죄 예측 모듈(820)을 참조하여 상술된 바와 같이 최근 과거로 연장하는 시간 주기일 수 있다.
몇몇 예시들에서, 범죄 예측 시스템(200)은 모든 범죄들에 대하여 범죄 예측을 출력한다. 다른 예시들에서, 범죄 예측 시스템(200)은 제한된 서브세트의 범죄들에 대하여 범죄 예측을 출력한다. 이러한 예시들의, 단계(1006)에서 하나 이상의 범죄 유형들은 판정된다. 범죄 유형은 특정 범죄(예를 들어, 폭행, 절도, 강도 등)일 수 있다. 범죄 유형은 또한 범죄의 심각성 (예를 들어, 중범죄, 경범죄 등) 또는 범죄의 정도에 따라 정의될 수 있다. 범죄 유형은 또한 범죄가 재산 범죄인지, 사람에 대한 범죄인지 등의 여부에 따라 정의될 수 있다. 재산 범죄에 대하여, 범죄 유형은 재산의 유형(예를 들어, 자동차, 주거지, 사업체, 소매점과 같은 특정 유형의 사업체 등)에 따라 정의될 수 있다. 사람에 대한 각 범죄에 대하여, 범죄 유형은 희생자가 가해자를 아는지 여부 또는 가해자가 낯선 사람인지 여부 및/또는 희생자에 관한 인구통계학적 정보에 따라 정의될 수 있다. 범죄 유형(들)은 사용자에 의해 명시될 수 있다. 범죄 유형(들)은 판정된 범죄 예측에 기초하여 범죄 예측 시스템(200)에 의해 선택될 수 있다. 예를 들어, 범죄 예측 시스템(200)은 범죄 예측 시스템(200)이 여행 경로 뷰(600)를 통해 출력되는 범죄 예측을 판정할 때 개인 여행자에 관련된 범죄 유형(들)(예를 들어, 희생자가 가해자를 알지 못하는 개인 범죄, 자동차 절도 등)을 선택할 수 있다.
단계(1002)에서 판정된 각각의 위치에 대하여 단계(1008)에서 역사적 범죄율이 판정된다. 역사적 범죄율은, 단계(1006)에서 판정된 각각의 범죄 유형(범죄 유형이 사용자에 의해 명시되지 않는 한)에 대하여, 단계(1004)에서 판정된 시간 주기와 유사한 시간 주기 동안(예를 들어, 동일한 날의 시간, 동일한 요일, 동일한 계절 등), 단계(1002)에서 판정된 위치에 대한 범죄 데이터(322)의 예시에 기초하여 판정된다.
단계(1002)에서 판정된 각 위치에 대하여 단계(1010)에서 범죄 예측이 판정된다. 범죄 예측은 단계(1008)에서 판정된 역사적 범죄율과 동일할 수 있다. 추가적으로 또는 대안적으로, 범죄 예측 시스템(200)은 이벤트 데이터(324)에 포함된 다음 이벤트 및/또는 기상 데이터(328)의 기상 예측에 기초하여 단계(1008)에서 판정된 역사적 범죄율을 조정함으로써 범죄 예측을 판정할 수 있다. 범죄 예측 시스템(200)은 이벤트 데이터(324)가 단계(1004)에서 판정된 시간 주기 동안, 단계(1002)에서 판정된 위치에 대한 임의의 이벤트를 포함하는지 여부를 판정함으로써, 이벤트 데이터(324)에 포함된 이벤트의 유형이 상술된 바와 같이 범죄 데이터(322)와 상관관계가 있는지 여부를 판정함으로써, 만약 있는 경우, 이벤트 데이터(324)에 포함된 이벤트의 유형과 범죄 데이터(322) 간의 상관관계에 기초하여 범죄 예측을 조정함으로써, 이벤트 데이터(324)에 기초하여 범죄 예측을 조정할 수 있다. 유사하게, 범죄 예측 시스템(200)은 단계(1004)에서 판정된 시간 주기 동안, 단계(1002)에서 판정된 위치에 대하여 기상 예측을 판정함으로써, 예측된 기상 조건이 상술된 바와 같이 범죄 데이터(322)와 상관관계가 있는지 여부를 판정함으로써, 만약 있는 경우, 기상 조건과 범죄 데이터(322) 간의 상관관계에 기초하여 범죄 예측을 조정함으로써, 기상 데이터(328)에 기초하여 범죄 예측을 조정할 수 있다.
단계(1002)에서 판정된 각 위치에 대하여 단계(1012)에서 범죄 예측이 출력된다.
범죄 예측 시스템(200)은 법 집행 기관을 위한 이점을 제공한다. 예를 들어, 거리 뷰(400) 및 인근 지역 뷰들(500a 및 500b)은, 법 집행 기관이 정확하고 효과적으로 자원을 배포하게 할 수 있는 정보를 제공한다. 또 다른 예시에서, 법 집행 시행관은 상술된 모든 특징들 중 몇몇을 출력하도록 구성될 수 있는 모바일 컴퓨터 시스템(260)(예를 들어, 모토롤라 솔루션(Motorola Solutions)에서 제조된 지능형 데이터 포털(Intelligent Data Portal; IDP))이 구비될 수 있다. 따라서, 법 집행 시행관은 모바일 컴퓨터 시스템(260)에 근접한 위치에 대하여 실시간 범죄 예측이 제공될 수 있다.
범죄 예측 시스템(200)은 개인을 위한 이점을 제공할 수 있다. 예를 들어, 범죄 예측 시스템(200)은 개인이 여행 경로를 선택하게 할 수 있다(도시된 바와 같이, 예를 들어, 여행 경로 뷰(600)로). 또 다른 예시에서, 범죄 예측 시스템(200)은 범죄 경보를 출력함으로써(도시된 바와 같이, 예를 들어, 범죄 경보 모듈(710) 및 MinuteCast
Figure pct00010
모듈들(910 및 920)로), 개인이 그들의 상황 인식을 증가시키게 할 수 있다. 범죄 예측은 특정 사용자를 위한 범죄 예측 시스템(200)에 의해 조정될 수 있다. 예를 들어, 분석부(380)는 사용자의 인구통계학적 그룹의 개인에 대하여 범죄 발생 가능성을 판정할 수 있다.
범죄 예측 시스템(200)은 또한 사업주를 위한 이점을 제공할 수 있다. 예를 들어, 범죄 예측 시스템(200)은 사업주가 사업체 위치에서 범죄의 위험(예를 들어, 소매 절도(retail theft), 재산 범죄)을 예측하게 할 수 있다(도시된 바와 같이, 예를 들어, 질의 모듈(720)로). 또 다른 예시에서, 다음 이벤트 동안 오픈 상태를 유지할 것인지 여부를 결정하는 사업주가 이벤트 동안 증가된 범죄의 위험이 있는지 여부를 판정하기 위해 범죄 예측 시스템(200)을 사용할 수 있다.
바람직한 실시예들이 위에서 설명되었지만, 본 발명을 검토한 당업자는 다른 실시예들이 본 발명의 범위 내에서 구현될 수 있다는 것을 쉽게 이해할 것이다. 예를 들어, 하드웨어 컴포넌트, 소프트웨어 모듈 등의 구체적인 수의 개시는 제하하는 것보다는 예시이다. 그러므로, 본 발명은 첨부된 청구항에 의해서만 제한되는 것으로 해석되어야 한다.

Claims (20)

  1. 범죄 예측을 판정하고 출력하기 위한 컴퓨터 구현-방법에 있어서,
    데이터베이스에 범죄 데이터를 저장하는 단계 ­상기 범죄 데이터는 범죄들의 위치들 및 시간들을 나타내는 정보를 포함함-;
    상기 데이터베이스에 기상 데이터를 저장하는 단계 ­상기 기상 데이터는 과거 및 예측된 기상 조건들을 포함함-;
    범죄 예측 위치를 판정하는 단계;
    범죄 예측 시간 주기를 판정하는 단계;
    상기 기상 데이터에 기초하여, 상기 범죄 예측 시간 주기 동안 상기 범죄 예측 위치에 대하여 예측된 기상 조건을 판정하는 단계;
    상기 범죄 데이터 및 상기 기상 데이터에 포함된 과거 기상 조건들에 기초하여, 상기 범죄 데이터 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계를 판정하는 단계;
    상기 범죄 데이터에 기초하여, 상기 범죄 예측 시간 주기와 유사한 시간 주기들에 대하여 상기 범죄 예측 위치에서의 역사적 범죄율(historical crime rate)을 판정하는 단계;
    상기 범죄 데이터에 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 상기 역사적 범죄율을 조정함으로써 상기 범죄 예측을 판정하는 단계; 및
    원격 컴퓨터 시스템에 상기 범죄 예측을 출력하는 단계
    를 포함하는 컴퓨터 구현-방법.
  2. 제1항에 있어서,
    상기 범죄 예측 시간 주기와 유사한 상기 시간 주기들은 상기 범죄 예측 시간 주기와 같은 날 같은 시간의 시간 주기들인
    컴퓨터 구현-방법.
  3. 제1항에 있어서,
    상기 데이터베이스에 이벤트 데이터를 저장하는 단계 ­상기 이벤트 데이터는 과거 이벤트들 및 미래 이벤트들을 포함함-;
    상기 이벤트 데이터에 기초하여, 상기 범죄 예측 시간 주기 동안 상기 범죄 예측 위치에서의 미래 이벤트 판정하는 단계; 및
    상기 범죄 데이터 및 상기 이벤트 데이터에 포함된 과거 이벤트들에 기초하여, 상기 범죄 데이터에 포함된 범죄들과 과거 이벤트들 간의 상관관계를 판정하는 단계
    를 더 포함하고,
    상기 범죄 예측은 상기 범죄 데이터에 포함된 범죄들과 상기 미래 이벤트 간의 상관관계에 기초하여 상기 역사적 범죄율을 더 조정함으로써 판정되는
    컴퓨터 구현-방법.
  4. 제1항에 있어서,
    상기 범죄 데이터는 범죄 유형들의 정보 표시를 더 포함하고;
    상기 방법은 범죄 유형을 판정하는 단계를 더 포함하고;
    상기 범죄 데이터에 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계는 상기 범죄 유형에 속하는 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 판정되고;
    상기 역사적 범죄율은 상기 범죄 예측 시간 주기와 유사한 시간 주기들에 대한 상기 범죄 예측 위치에서의 범죄 유형에 속하는 범죄들에 대한 상기 역사적 범죄율에 기초하여 판정되고;
    상기 범죄 예측은 상기 범죄 유형에 속하는 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 상기 역사적 범죄율을 조정함으로써 판정되는
    컴퓨터 구현-방법.
  5. 제3항에 있어서,
    상기 범죄 유형은 사용자에 의해 입력되는
    컴퓨터 구현-방법.
  6. 제3항에 있어서,
    상기 범죄 유형은 사용자의 인구통계에 기초하여 판정되고 선택되는
    컴퓨터 구현-방법.
  7. 제1항에 있어서,
    상기 범죄 예측 시간 주기는 사용자에 의해 명시되는
    컴퓨터 구현-방법.
  8. 제1항에 있어서,
    상기 범죄 예측 시간 주기는 현재 시간에 기초하여 판정되는
    컴퓨터 구현-방법.
  9. 제1항에 있어서,
    상기 범죄 예측 위치는 사용자에 의해 식별되는
    컴퓨터 구현-방법.
  10. 제1항에 있어서,
    상기 범죄 예측 위치는 상기 원격 컴퓨터 시스템의 위치에 기초하여 선택되는
    컴퓨터 구현-방법.
  11. 범죄 데이터 및 기상 데이터를 저장하는 데이터베이스 ­상기 범죄 데이터는 범죄들의 위치들 및 시간들의 정보 표시를 포함하고, 상기 기상 데이터는 과거 및 예측된 기상 조건들을 포함함-; 및
    분석부:
    -범죄 예측 위치를 판정하고;
    범죄 예측 시간 주기를 판정하고;
    상기 기상 데이터에 기초하여, 상기 범죄 예측 시간 주기 동안 상기 범죄 예측 위치에 대하여 예측된 기상 조건을 판정하고;
    상기 범죄 데이터 및 상기 기상 데이터에 포함된 과거 기상 조건들에 기초하여, 상기 범죄 데이터 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계를 판정하고;
    상기 범죄 데이터에 기초하여, 상기 범죄 예측 시간 주기와 유사한 시간 주기들에 대하여 상기 범죄 예측 위치에서의 역사적 범죄율(historical crime rate)을 판정하고;
    상기 범죄 데이터에 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 상기 역사적 범죄율을 조정함으로써 상기 범죄 예측을 판정하고;
    원격 컴퓨터 시스템에 상기 범죄 예측을 출력함-
    를 포함하는 범죄 예측 시스템.
  12. 제11항에 있어서,
    상기 범죄 예측 시간 주기와 유사한 상기 시간 주기들은 상기 범죄 예측 시간 주기와 같은 날 같은 시간의 시간 주기들인
    범죄 예측 시스템.
  13. 제11항에 있어서,
    상기 데이터베이스는 과거 이벤트들 및 미래 이벤트들을 포함하는 이벤트 데이터를 저장하고;
    상기 분석부는:
    상기 이벤트 데이터에 기초하여, 상기 범죄 예측 시간 주기 동안 상기 범죄 예측 위치에서의 미래 이벤트 판정하고;
    상기 범죄 데이터 및 상기 이벤트 데이터에 포함된 과거 이벤트들에 기초하여, 상기 범죄 데이터에 포함된 범죄들과 과거 이벤트들 간의 상관관계를 판정하고,
    상기 범죄 예측은 상기 범죄 데이터에 포함된 범죄들과 상기 미래 이벤트 간의 상관관계에 기초하여 상기 역사적 범죄율을 더 조정함으로써 판정되는
    범죄 예측 시스템.
  14. 제11항에 있어서,
    상기 범죄 데이터는 범죄 유형들의 정보 표시를 더 포함하고;
    상기 방법은 범죄 유형을 판정하는 단계를 더 포함하고;
    상기 범죄 데이터에 포함된 범죄들과 상기 예측된 기상 조건 간의 상관관계는 상기 범죄 유형에 속하는 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 판정되고;
    상기 역사적 범죄율은 상기 범죄 예측 시간 주기와 유사한 시간 주기들에 대한 상기 범죄 예측 위치에서의 범죄 유형에 속하는 범죄들에 대한 상기 역사적 범죄율에 기초하여 판정되고;
    상기 범죄 예측은 상기 범죄 유형에 속하는 범죄들과 상기 예측된 기상 조건 간의 상관관계에 기초하여 상기 역사적 범죄율을 조정함으로써 판정되는
    범죄 예측 시스템.
  15. 제13항에 있어서,
    상기 범죄 유형은 사용자에 의해 입력되는
    범죄 예측 시스템.
  16. 제13항에 있어서,
    상기 범죄 유형은 사용자의 인구통계에 기초하여 판정되고 선택되는
    범죄 예측 시스템.
  17. 제11항에 있어서,
    상기 범죄 예측 시간 주기는 사용자에 의해 명시되는
    범죄 예측 시스템.
  18. 제11항에 있어서,
    상기 범죄 예측 시간 주기는 현재 시간에 기초하여 판정되는
    범죄 예측 시스템.
  19. 제11항에 있어서,
    상기 범죄 예측 위치는 사용자에 의해 식별되는
    범죄 예측 시스템.
  20. 제11항에 있어서,
    상기 범죄 예측 위치는 상기 원격 컴퓨터 시스템의 위치에 기초하여 선택되는
    범죄 예측 시스템.
KR1020177020255A 2014-12-24 2015-12-28 범죄 예측 시스템 KR20170098281A (ko)

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
KR20170098281A true KR20170098281A (ko) 2017-08-29

Family

ID=56151552

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020177020255A KR20170098281A (ko) 2014-12-24 2015-12-28 범죄 예측 시스템

Country Status (13)

Country Link
US (1) US20160189043A1 (ko)
EP (1) EP3238145A4 (ko)
JP (1) JP2018505474A (ko)
KR (1) KR20170098281A (ko)
CN (1) CN107251058A (ko)
AU (1) AU2015369609A1 (ko)
BR (1) BR112017013451A2 (ko)
CA (1) CA2971441A1 (ko)
HK (1) HK1245464A1 (ko)
MX (1) MX2017008512A (ko)
RU (1) RU2686022C2 (ko)
SG (1) SG11201705199YA (ko)
WO (1) WO2016106417A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220021840A (ko) 2020-08-14 2022-02-22 고려대학교 산학협력단 치안 및 공공 데이터 기반 범죄 신고 수 예측 장치 및 방법
KR20220082445A (ko) 2020-12-10 2022-06-17 주식회사 제이콥시스템 범죄 대응을 위한 시뮬레이터 및 그 시뮬레이터의 구동방법

Families Citing this family (13)

* Cited by examiner, † Cited by third party
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
EP3807823A1 (en) 2018-06-12 2021-04-21 Intergraph Corporation Artificial intelligence applications for computer-aided dispatch systems
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
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
US11451930B2 (en) 2020-10-15 2022-09-20 Conduent Business Services, Llc Dynamic hotspot prediction method and system
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

Family Cites Families (17)

* Cited by examiner, † Cited by third party
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
JP5098160B2 (ja) * 2005-11-29 2012-12-12 富士電機リテイルシステムズ株式会社 防犯装置、防犯システムおよび防犯プログラム
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
US8849728B2 (en) * 2007-10-01 2014-09-30 Purdue Research Foundation Visual analytics law enforcement tools
US20090198641A1 (en) * 2007-10-12 2009-08-06 Enforsys, Inc. System and method for forecasting real-world occurrences
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
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
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
KR20140100173A (ko) * 2013-02-05 2014-08-14 인터로젠 (주) 기상정보를 이용한 범죄예측 서비스 제공 방법
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220021840A (ko) 2020-08-14 2022-02-22 고려대학교 산학협력단 치안 및 공공 데이터 기반 범죄 신고 수 예측 장치 및 방법
KR20220082445A (ko) 2020-12-10 2022-06-17 주식회사 제이콥시스템 범죄 대응을 위한 시뮬레이터 및 그 시뮬레이터의 구동방법

Also Published As

Publication number Publication date
BR112017013451A2 (pt) 2018-03-06
CA2971441A1 (en) 2016-06-30
RU2017124627A (ru) 2019-01-24
AU2015369609A1 (en) 2017-07-13
SG11201705199YA (en) 2017-07-28
RU2686022C2 (ru) 2019-04-23
MX2017008512A (es) 2018-03-16
US20160189043A1 (en) 2016-06-30
WO2016106417A1 (en) 2016-06-30
HK1245464A1 (zh) 2018-08-24
EP3238145A4 (en) 2018-07-11
RU2017124627A3 (ko) 2019-01-24
EP3238145A1 (en) 2017-11-01
CN107251058A (zh) 2017-10-13
JP2018505474A (ja) 2018-02-22

Similar Documents

Publication Publication Date Title
RU2686022C2 (ru) Система прогнозирования преступлений
US11449568B2 (en) Customizable weather analysis system for providing weather-related warnings
TWI644119B (zh) 用於預測預報天氣、環境及/或地質條件之影響之方法及系統
JP2018505474A5 (ko)
JP2017142856A (ja) カスタマイズ可能な気象分析システム
JP6326525B2 (ja) カスタマイズ可能な気象分析システム
JP2018152090A (ja) カスタマイズ可能な気象分析システム
NZ749835A (en) Crime forecasting system
JP2017173333A (ja) カスタマイズ可能な気象分析システム
NZ732979A (en) Crime forecasting system
JP2018190442A (ja) カスタマイズ可能な気象分析システム

Legal Events

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