KR20180130806A - Crime-Occurrence Prediction System by Location Based on Crime-related Big Data - Google Patents
Crime-Occurrence Prediction System by Location Based on Crime-related Big Data Download PDFInfo
- Publication number
- KR20180130806A KR20180130806A KR1020170066861A KR20170066861A KR20180130806A KR 20180130806 A KR20180130806 A KR 20180130806A KR 1020170066861 A KR1020170066861 A KR 1020170066861A KR 20170066861 A KR20170066861 A KR 20170066861A KR 20180130806 A KR20180130806 A KR 20180130806A
- Authority
- KR
- South Korea
- Prior art keywords
- crime
- data
- pattern
- item
- risk index
- Prior art date
Links
- 238000004891 communication Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
Description
본 발명은 범죄 발생 확률을 예측함에 관한 것이다. 보다 자세하게는 머신러닝 알고리즘을 기반으로 범죄 발생 확률을 예측함에 관한 것이다.The present invention relates to predicting a crime occurrence probability. More specifically, the present invention relates to predicting a crime occurrence probability based on a machine learning algorithm.
빅데이터란 디지털 환경에서 생성되는 데이터로 그 규모가 방대하고, 생성 주기가 짧으며, 수치 데이터뿐 아니 라 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 생성 되는 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 범 죄 예방과 수사에 적극적으로 활용될 수 있다. Big data is data generated in a digital environment, which is large in scale, has a short generation cycle, and is large-scale data including various types of data such as text and image data as well as numerical data. Big Data has emerged with increasing data due to the development of various sensors and the Internet. As computers and processing technologies develop, analysis based on big data generated in the digital environment has increased the possibility of discovering new perspectives and laws about changes in diseases and social phenomena. Therefore, Big Data can be used to solve social problems, especially in crime prevention and investigation.
예를 들어, 빅데이터 기술을 이용하면 과거 범죄 데이터들을 분석하고 패턴을 파악함으로써 범죄발생 위험이 높은 장소와 시간을 예측할 수 있다. 또한, 범죄위치와 유형 등을 주소지 주변으로 상세하게 제공하여, 구체적인 범죄에 대한 정보를 파악하고 예방하거나 범죄 발생률이 높은 지역에 경찰 인력을 우선 배치하여 범죄를 예방할 수 있다.For example, using Big Data technology can analyze historical crime data and identify patterns that can predict places and times of high crime risk. In addition, crime location and type can be provided in detail around the address, to identify and prevent specific crimes, and to prevent crime by prioritizing police personnel in areas of high crime incidence.
본 발명의 기술적 과제는 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.The technical object of the present invention is to analyze a pattern of a condition in which a crime occurs using crime-related big data, and to provide information about a crime pattern of a crime to a user. In addition, the present invention has an object to precisely measure the position of a user using a fingerprint technique and to provide dangerous crime pattern information on the measured user's position to the user.
본 발명의 일 양태에 따르면, 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 기준에 서의 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 포함한다.According to an aspect of the present invention, there is provided a method of collecting crime data counted according to a predetermined classification criterion, the crime data indicating the number of crimes according to each item in the classification criterion; Calculating a crime risk index for each item on the basis of the crime data, wherein the crime risk index is a maximum value and a minimum value of the number of crimes of the item, the number of crimes of each item in the classification standard to which the item belongs, Lt; / RTI > Generating a crime pattern for a combination of items selected for each of the classification criteria based on the calculated crime risk index; Determining whether the sum of the crime risk indices of each item of the generated crime pattern exceeds a reference value; And storing the crime pattern as a crime pattern when the sum value exceeds the reference value.
본 발명에 따르면 범죄 발생 분류 기준에 따른 범죄 발생 확률을 위험 지수로 수치화 함으로써 범죄 발생 패턴을 파악하고, 예측할 수 있다. According to the present invention, crime occurrence patterns can be identified and predicted by quantifying the crime occurrence probability according to the crime occurrence classification standard as a risk index.
또한 본 발명의 실시예에 따르면 정확한 사용자의 위치 파악을 수행하고, 이를 통해 해당 사용자에게 최적화된 범죄 발생 패턴 정보를 제공할 수 있다.Also, according to the embodiment of the present invention, accurate location of the user can be grasped and crime occurrence pattern information optimized for the user can be provided.
도 1은 본 발명의 실시예에 따른 범죄 예측 시스템을 도시한 블록도를 나타낸다.1 is a block diagram illustrating a system for predicting a crime according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 이하에서 개시되는 실시 예에 한정되지 않는다. 또한 도면에서 본 발명을 명확하게 개시하기 위해서 본 발명과 관계없는 부분은 생략하였으며, 도면에서 동일하거나 유사한 부호들은 동일하거나 유사한 구성요소들을 나타낸다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Also, in order to clearly illustrate the present invention in the drawings, portions not related to the present invention are omitted, and the same or similar reference numerals denote the same or similar components.
본 발명의 목적 및 효과는 하기의 설명에 의해서 자연스럽게 이해되거나 보다 분명해질 수 있으며, 하기의 기재만으로 본 발명의 목적 및 효과가 제한되는 것은 아니다.The objects and effects of the present invention can be understood or clarified naturally by the following description, and the objects and effects of the present invention are not limited only by the following description.
본 발명의 목적, 특징 및 장점은 다음의 상세한 설명을 통하여 보다 분명해 질 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세히 설명하기로 한다.The objects, features and advantages of the present invention will become more apparent from the following detailed description. In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1에 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, 통신 부(110), 데이터 수집부(120), 데이터 처리부(130), 범죄 패턴 생성부(140) 및 빅데이터 DB(150)를 포함할 수 있다.As shown in FIG. 1, a crime prediction system according to an embodiment of the present invention includes a
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.First, the
다음으로, 데이터 수집부(120)는 상기 통신부(110)를 통해 범죄 관련 데이터를 수집한다. 본 발명의 실시예에 서 범죄 데이터는 기 설정된 분류 기준 별로 계수된 범죄 발생 횟수를 나타낼 수 있다.Next, the
본 발명의 실시예에 따르면, 데이터 수집부(120)는 범죄 관련 정형 데이터와 비정형 데이터를 함께 수집할 수 있다. 정형 데이터는 상기 분류 기준의 각 항목별 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.According to the embodiment of the present invention, the
또한,데이터수집부(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.The
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.The
범죄 패턴 생성부(140)는 산출된 범죄 위험 지수에 기초하여 범죄 패턴을 생성한다. 더욱 구체적으로 본 발명 의 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.The
빅데이터 DB(140)는 다양한 디지털 데이터를 저장하며, 본 발명의 실시예에 따라 범죄 데이터 및 범죄 패턴 등 의 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 지정하 여 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.The big data DB 140 stores various digital data, and may store information such as crime data and crime patterns according to an embodiment of the present invention. According to one embodiment, the
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, 데스크 탑, 랩탑, 태블릿 피씨, PDA(Personal Digital Assistant), 스마트 워치, HMD(Head Mounted Display) 등을 포 함할 수 있다. 도 1에 도시된 바와 같이, 사용자 단말(200)은 통신부(210), 출력부(220) 및 제어부(230)를 포함할 수 있다. Meanwhile, the
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.The
출력부(220)는 다양한 형태의 영상 및/또는 음성 정보 출력 수단, 이를 테면 디스플레이 유닛, 스피커 등을 포 함할 수 있다. 출력부(220)는 제어부(230)의 제어에 기초하여, 각종 정보를 영상 및/또는 음성 형태로 출력할 수 있다.The
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.The
본 발명의 실시예에 따르면, 사용자 단말(200)은 핑거프린트 기법을 이용하여 해당 단말의 위치를 측정할 수 있 다. 더욱 구체적으로, 사용자 단말(200)은 복수의 AP(Access Point)로부터 수신된 통신 신호의 세기를 각각 측 정할 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.According to the embodiment of the present invention, the
범죄 발생 횟수는 다양한 분류 기준에 의해 분류될 수 있으며, 예를 들어 범죄 종류, 범죄 발생 지역, 범죄 발생 장소, 범죄 발생 시간 등에 따라 분류될 수 있다.The number of crime incidents can be classified according to various classification criteria, for example, according to type of crime, area of crime, location of crime, time of crime occurrence, and the like.
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 수 도 있고, 본 발명의 시스템에서 고유하게 설정될 수 도 있다. 범죄 데이터는 각 범죄 종류 항목(C1,C2,C3, ...)에 따른 범죄 발생 횟수에 대한 정보를 나타낸다.Each classification criterion can be composed of at least one item. For example, the type of crime (C) can be composed of different kinds of crime items (C1, C2, C3, ...), which may be organized according to crime classification criteria of the Supreme Prosecutors' And may be uniquely set in the system of the present invention. The crime data shows information on the number of crimes according to each crime type item (C1, C2, C3, ...).
범죄 발생 지역(R)은 범죄 발생 지점의 지리적 구분에 따라 분류된 각 항목(R1,R2,R3,...)으로 구성 될 수 있는데, 이를 테면 시,도 등의 광역 분류에 따라구 분되거나 더욱 세부적으로 각 구 별로 구분 될 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 포함 할 수 있다.The crime occurrence area (R) can be composed of each item (R1, R2, R3, ...) classified according to the geographical division of the crime occurrence point, for example, More precisely, it may be divided into each phrase. In addition, the place of crime (S) can be composed of each item (S1, S2, S3, ...) classified according to the type of the crime spot. For example, apartment, single house, highway, , Units, offices, schools, warehouses, subways, public transportation, and the like.
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.Each item (T1, T2, T3, ...) of the crime occurrence time (T) may be configured as a predetermined time unit, or may be configured as an arbitrary time zone such as dawn, morning, day, morning, afternoon, evening, . In addition, according to the embodiment, the crime classification standard may include a day of crime occurrence (D). Each item (D1, D2, D3, ...) of the day of crime occurrence (D) , Monday, ..., Saturday.
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.In other words, the
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, 빅데이터DB(150)는 범죄 위험 지수의 합산 값이 기준값보다 큰 범죄 패턴들의 정보를 저장할 수 있다.The
한편, 범죄 패턴 생성부(140)는 각 분류 기준별 항목을 변경해가며 또 다른 범죄 패턴들을 생성하고, 해당 범죄 패턴의 각 항목별 범죄 위험 지수의 합산값을산출할 수 있다. 범죄패턴생성부(140)는범죄패턴생성시 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 패 턴으로 빅데이터 DB(150)에 저장된다. 본 발명의 서버(100)는 DB(150)에 저장된 범죄 패턴 정보 특히, 위험 범 죄패턴정보등에기초하여사용자에게범죄예측정보를제공할수있다.Meanwhile, the
사용자 단말(200)은 복수의 AP(Access Point, 50)로부터 수신된 신호의 세기를 측정하여 해당 단말의 위치를 추정 할 수 있다. 사용자 단말(200)은 AP 50a, 50b, 50c로부터 프로브 응답(Probe Response) 신 호 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 측 량법을 이용하여 해당 디바이스의 위치 정보를 획득할 수 있다.The
사용자의위치를추정하고자하는공간을nxm격자형태로설정하고각지점P(1,1),P(1, 2), ... , P(n, m)에서의 수신되는 복수의 AP(AP1, AP2, ... , APk) 신호의 세기를 측정한다. 측정 오차를 줄이기A space for estimating the location of the user is set in the form of nxm grid and a plurality of APs AP1 (1, 2), ..., P (n, m) , AP2, ..., APk) are measured. Reduce measurement error
위해각지점에서복수회에걸쳐AP신호를측정하고,측정된값의평균값이DB에저장될수있다. 이와같이 DB가 구축되면, 사용자 단말(200)에서 수신되는 복수의 AP 신호의 세기의 조합에 대응하는 해당 단말의 위치 정 보를 제공할 수 있게 된다. 즉, 임의의 위치 P(x, y)에서 사용자 단말(200)은 복수의 AP로부터 수신되는 신호 의 세기를 측정하고, 측정된 신호의 세기를 DB에 저장된 각 지점에서의 기 측정 값과 비교하여, 수신 신호 세기 의오차가가장적은지점을해당단말의위치로결정할수있다.The AP signal is measured multiple times at each point and the average value of the measured values can be stored in the DB. When the DB is constructed as described above, it is possible to provide location information of a corresponding terminal corresponding to a combination of strengths of a plurality of AP signals received at the
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 범죄패턴들중해당사용자단말(200)의위치정보에대응하는위험범죄패턴을검색할수있다. 즉,서버 (100)는 해당 사용자 단말(200)의 위치 정보에 매칭되는 범죄 발생 지역/범죄 발생 장소 항목을 갖는 위험 범죄 패턴을 검색한다.The
한편, 본 발명의 서버(100)는 현재 시간 정보를 더 획득할 수 있다. 서버(100)는 GPS 모듈을 탑재하여 현재 시 간 정보를 수신할 수 있으며, 다른 실시예에 따르면 사용자 단말(200)로부터 해당 단말의 위치 정보와 함께 현 재 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 갖 는위험범죄패턴이검색될수있다.Meanwhile, the
서버(100)는 이와 같이 검색된 위험 범죄 패턴 정보를 해당 사용자 단말(200)에 전송할 수 있다. 서버(100)로 부터 위험 범죄 패턴 정보를 수신한 사용자 단말(200)은 출력부(220)를 통해 영상 및/또는 음성으로 해당 정보 를 출력한다.The
서버는 기 설정된 분류 기준 별로 계수된 범죄 데이터를 수집한다(S110). 상기 범죄 데이터는 해당 분류 기준에서의각항목에따른범죄발생횟수를나타낸다. 본발명의실시예에따르면,상기분류기준은범죄 종류, 범죄 발생 지역, 범죄 발생 장소, 범죄 발생 시간, 범죄 발생 요일 등을 포함할 수 있다.The server collects the crime data counted according to predetermined classification criteria (S110). The above-mentioned crime data represents the number of crimes occurring according to each item in the classification standard. According to an embodiment of the present invention, the classification criteria may include a crime type, a crime occurrence area, a crime occurrence place, a crime occurrence time, a crime occurrence day, and the like.
다음으로, 서버는 범죄 데이터에 기초하여 각 항목 별 범죄 위험 지수를 산출한다(S120). 상기 범죄 위험 지수 는해당항목의범죄발생횟수에비례할수있다. 본발명의실시예에따르면,상기범죄위험지수는해당 항목의 범죄 발생 횟수뿐만 아니라 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에기초하여산출될수있다. 즉, 범죄 위험 지수는 상기 최대값과 최소값 간의 차이에대한 해당 항목의 범죄 발생 횟수의 비율에 기초하여 산출된다.Next, the server calculates the crime risk index for each item based on the crime data (S120). The crime risk index may be proportional to the number of crimes in the item. According to the embodiment of the present invention, the crime risk index can be calculated based on the maximum value and the minimum value of the number of occurrences of crime for each item in the classification standard to which the item belongs as well as the number of crime occurrence of the item. That is, the crime risk index is calculated based on the ratio of the number of crimes of the item to the difference between the maximum value and the minimum value.
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.Next, the server generates a crime pattern for a combination of items selected for each classification criterion based on the calculated crime risk index (S130). The crime pattern is a combination of items selected in descending order of crime risk index in each classification standard.
다음으로, 서버는 생성된 범죄 패턴의 각 항목별 범죄 위험 지수의 합산 값이 기준값을 초과하는지 여부를판별한다(S140). 만약, 범죄 위험 지수의 합산 값이 기준값을 초과하면, 서버는 해당 범죄 패턴을 위험 범죄 패턴으로 빅데이터 DB에 저장한다(S150). 서버는 다시 S130 단계로 돌아가서, 각 분류 기준별 항목을 변경해가며 또 다른 범죄 패턴들을 생성하고, 해당 범죄 패턴에 대하여 S140단계 및 S150단계를 반복한다. 이때, 서버는 해당 패턴이 기존에 생성된 범죄 패턴과 동일한지 여부를 확인하여, 중복된 범죄 패턴이 생성되지 않도록 한다.Next, the server determines whether the sum of the crime risk indices of each item of the generated crime pattern exceeds the reference value (S140). If the sum of the crime risk index exceeds the reference value, the server stores the crime pattern in the big data DB as a crime pattern (S150). The server returns to step S130 and changes the item of each classification criterion to generate another crime pattern and repeats steps S140 and S150 for the crime pattern. At this time, the server confirms whether or not the pattern is the same as the previously generated crime pattern, thereby preventing duplicate crime patterns from being generated.
상기한 본 발명의 바람직한 실시 예는 예시의 목적으로 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경 및 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 상기의 특허청구 범위에 속하는 것으로 보아야 할 것이다. It will be apparent to those skilled in the art that various modifications, additions and substitutions are possible, without departing from the spirit and scope of the invention as defined by the appended claims. Should be regarded as belonging to the above-mentioned patent claims.
본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서, 여러 가지 치환, 변형 및 변경이 가능하므로, 본 발명은 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니다.It will be apparent to those skilled in the art that various modifications and variations can be made in the present invention without departing from the spirit or scope of the inventive concept as defined by the appended claims. But is not limited thereto.
상술한 예시적인 시스템에서, 방법들은 일련의 단계 또는 블록으로써 순서도를 기초로 설명되고 있지만, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당업자라면 순서도에 나타낸 단계들이 배타적이지 않고, 다른 단계가 포함되거나 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.In the above-described exemplary system, the methods are described on the basis of a flowchart as a series of steps or blocks, but the present invention is not limited to the order of the steps, and some steps may occur in different orders . It will also be understood by those skilled in the art that the steps shown in the flowchart are not exclusive and that other steps may be included or that one or more steps in the flowchart may be deleted without affecting the scope of the invention.
Claims (1)
상기 범죄 데이터에 기초하여 상기 각 항목별 범죄 위험 지수를 산출하는 단계, 상기 범죄 위험 지수는 해당 항 목의 범죄 발생 횟수, 해당 항목이 속한 분류 기준에서의 각 항목 별 범죄 발생 횟수의 최대값 및 최소값에 기 초하여 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 포함하며,
상기 범죄 위험 지수는 상기 최대값과 최소값 간의 차이에 대한 해당 항목의 범죄 발생 횟수의 비율에 기초하여 산출되며,
상기 범죄 패턴은 상기 각 분류 기준에서 상기 범죄 위험 지수가 높은 순서로 선택된 항목들의 조합이며,
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.Collecting the crime data counted according to a predetermined classification criterion, the crime data indicating the number of crimes according to each item in the classification criterion;
Calculating a crime risk index for each item on the basis of the crime data, wherein the crime risk index is a maximum value and a minimum value of the number of crimes occurring in each item in the classification category to which the item belongs, Calculated based on;
Generating a crime pattern for a combination of items selected for each of the classification criteria based on the calculated crime risk index;
Determining whether the sum of the crime risk indices of each item of the generated crime pattern exceeds a reference value; And
Storing the crime pattern as a dangerous crime pattern when the sum value exceeds the reference value; / RTI >
The crime risk index is calculated on the basis of the ratio of the number of crime incidents of the item to the difference between the maximum value and the minimum value,
Wherein the crime pattern is a combination of items selected in descending order of the crime risk index in each of the classification criteria,
The step of collecting the crime data may include receiving formatted data expressed in the form of the number of occurrences of crime for each item of the classification criteria; And acquiring crime related unstructured data using at least one of news data, social network service (SNS) data, and web data,
And the criminal data is collected using the fixed data and the unstructured data together.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170066861A KR20180130806A (en) | 2017-05-30 | 2017-05-30 | Crime-Occurrence Prediction System by Location Based on Crime-related Big Data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170066861A KR20180130806A (en) | 2017-05-30 | 2017-05-30 | Crime-Occurrence Prediction System by Location Based on Crime-related Big Data |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20180130806A true KR20180130806A (en) | 2018-12-10 |
Family
ID=64670566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170066861A KR20180130806A (en) | 2017-05-30 | 2017-05-30 | Crime-Occurrence Prediction System by Location Based on Crime-related Big Data |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20180130806A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220091680A (en) * | 2020-12-23 | 2022-07-01 | 동국대학교 산학협력단 | Patrol mobility apparatus, connected to the control system, for providing the patrol information to a user and the operating method thereof |
-
2017
- 2017-05-30 KR KR1020170066861A patent/KR20180130806A/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220091680A (en) * | 2020-12-23 | 2022-07-01 | 동국대학교 산학협력단 | Patrol mobility apparatus, connected to the control system, for providing the patrol information to a user and the operating method thereof |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | Crowd forecasting based on wifi sensors and lstm neural networks | |
US10810695B2 (en) | Methods and systems for security tracking and generating alerts | |
KR20160104223A (en) | A Method for a Crime Prediction Using a Crime Pattern Analysis based on Big Data and A System for the Same | |
US9679243B2 (en) | System and method for detecting platform anomalies through neural networks | |
WO2017202226A1 (en) | Method and device for determining crowd traffic | |
KR101687477B1 (en) | A Method for Providing Event Occurrence Information Using Big Data and A System for the Same | |
US20150379355A1 (en) | A surveillance system | |
CN109831742B (en) | Monitoring method and system based on terminal detection | |
KR101445045B1 (en) | System and method for emergency alerting using the sameusing integrated management service | |
JP2011215829A (en) | Monitoring device and suspicious behavior detection method | |
US9622048B2 (en) | SNS based incident management | |
EP2897088A1 (en) | Method and apparatus for optimum spatial clustering | |
Wang et al. | A Modified Inverse Distance Weighting Method for Interpolation in Open Public Places Based on Wi‐Fi Probe Data | |
KR101738745B1 (en) | A Method for a Crime Prediction by Estimating a Cell Value and A System for the Same | |
KR101660160B1 (en) | A Method for Estimating a Crime Risk Using Big Data and A System for Reporting the Crime Risk Using thereof | |
CN111325451B (en) | Intelligent building multistage scheduling method, intelligent building scheduling center and system | |
CN110399537B (en) | Artificial intelligence technology-based warning situation space-time prediction method | |
KR20180073299A (en) | Apparatus and method for detecting abnormal event using statistics | |
KR102215519B1 (en) | Edge gateway, cloud server and method for predicting disaster on target region using edge computing in extended reality environment | |
WO2019103205A1 (en) | System for predicting location-specific crime occurrence probability on basis of machine learning algorithm by using crime-related big data | |
US20160034824A1 (en) | Auto-analyzing spatial relationships in multi-scale spatial datasets for spatio-temporal prediction | |
KR20180130806A (en) | Crime-Occurrence Prediction System by Location Based on Crime-related Big Data | |
KR20140133069A (en) | User terminal apparatus and user activity prediction method | |
JP2018197679A (en) | Earthquake alarm system | |
Salanova Grau et al. | Multisource data framework for road traffic state estimation |