KR20180133635A - 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체 - Google Patents

범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체 Download PDF

Info

Publication number
KR20180133635A
KR20180133635A KR1020170070691A KR20170070691A KR20180133635A KR 20180133635 A KR20180133635 A KR 20180133635A KR 1020170070691 A KR1020170070691 A KR 1020170070691A KR 20170070691 A KR20170070691 A KR 20170070691A KR 20180133635 A KR20180133635 A KR 20180133635A
Authority
KR
South Korea
Prior art keywords
crime
risk
predicting
data
condition data
Prior art date
Application number
KR1020170070691A
Other languages
English (en)
Other versions
KR101935154B1 (ko
Inventor
전채남
손기준
김윤용
Original Assignee
(주) 더아이엠씨
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 (주) 더아이엠씨 filed Critical (주) 더아이엠씨
Priority to KR1020170070691A priority Critical patent/KR101935154B1/ko
Publication of KR20180133635A publication Critical patent/KR20180133635A/ko
Application granted granted Critical
Publication of KR101935154B1 publication Critical patent/KR101935154B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명에 따른 범죄 위험도 분석 및 예측방법은, 저장매체에 저장된 범죄 위험도 분석 및 예측용 프로그램이 설치된 관리서버를 통해 수행되는 범죄 위험도 분석 및 예측방법에 있어서, 상기 관리서버가 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하여 저장하는 (a)단계, 상기 관리서버가 상기 조건데이터 및 상기 범죄데이터를 조합한 범죄 패턴에 대한 지역 별 범죄 위험지수를 산출하는 (b)단계, 상기 관리서버가 상기 범죄 패턴에 대해, 선택된 지역에 대한 범죄 위험지수의 가공값을 기 설정된 기준값을 비교하는 (c)단계 및 상기 관리서버가 상기 가공값이 상기 기준값을 초과할 경우, 선택된 지역을 상기 범죄 패턴에 대한 위험지역으로 저장하는 (d)단계를 포함한다.

Description

범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체{Method of Analysis and Perdiction for Criminal Risk and Storage Medium Having the Same}
본 발명은 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체에 관한 것으로서, 보다 상세하게는 범죄데이터 분석을 통하여 발생 가능성이 높은 패턴을 분석 및 예측하고, 이를 사용자에게 제공하기 위한 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체에 관한 것이다.
최근에는 여러 국가에서 다양한 원인에 의한 범죄가 지속적으로 발생하고 있다. 특히 경제력이 비교적 떨어지는 국가의 경우 범죄의 발생 빈도가 매우 높으며, 범죄 강도 역시 높은 것으로 나타난다. 이에 따라 치안의 유지를 위해 여러가지 범죄 예방법이 고안되고 있으나, 아직까지는 그 실효성이 미미한 상황이다.
종래의 경우, 일반적으로 이미 발생한 범죄에 대해 영상 등을 통해 패턴을 분석하고, 이후 이와 유사한 상황이 발생할 경우 대처하는 방식이 사용되고 있다.
하지만, 이와 같은 방법은 효과적인 범죄 예측이 어려울 뿐만 아니라, 범죄의 발생을 미연에 방지할 가능성이 낮다는 문제가 있으며, 잘못된 예측으로 인해 불필요한 인력 및 사회적 비용이 낭비되는 문제도 있다.
따라서 보다 정확하고 신뢰도 높은 분석 및 예측방법의 개발이 필요한 상황이다.
한국등록특허 제10-1036947호
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 범죄 관련 빅데이터를 이용하여 범죄 관련 데이터의 패턴을 분석하고, 범죄 발생 가능성이 높은 위험 구역에 위험도 정보를 사용자에게 제공하기 위한 목적을 가진다,
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 목적을 달성하기 위한 본 발명의 범죄 위험도 분석 및 예측방법은, 저장매체에 저장된 범죄 위험도 분석 및 예측용 프로그램이 설치된 관리서버를 통해 수행되는 범죄 위험도 분석 및 예측방법에 있어서, 상기 관리서버가 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하여 저장하는 (a)단계, 상기 관리서버가 상기 조건데이터 및 상기 범죄데이터를 조합한 범죄 패턴에 대한 지역 별 범죄 위험지수를 산출하는 (b)단계, 상기 관리서버가 상기 범죄 패턴에 대해, 선택된 지역에 대한 범죄 위험지수의 가공값을 기 설정된 기준값을 비교하는 (c)단계 및 상기 관리서버가 상기 가공값이 상기 기준값을 초과할 경우, 선택된 지역을 상기 범죄 패턴에 대한 위험지역으로 저장하는 (d)단계를 포함한다.
그리고 상기 범죄데이터는 범죄 분류정보 및 범죄 발생빈도정보 중 적어도 어느 하나를 포함하며, 상기 조건데이터는 지역 별 특성정보, 범죄 발생장소정보, 범죄 발생시간정보 및 범죄자 연령 중 적어도 어느 하나 이상을 포함할 수 있다.
또한 상기 (a)단계 이후에는, 상기 관리서버가 개별 범죄 분류정보에 대해, 상기 조건데이터를 인과관계에 따라 노드화하여 방향성 그래프로 배열하는 (e)단계, 및 상기 관리서버가 상기 방향성 그래프를 통해 개별 범죄 분류정보의 발생확률을 산출하는 (f)단계가 더 포함될 수 있다.
그리고 상기 (e)단계는, 원인이 되는 조건데이터를 상위노드로 구성하고, 결과가 되는 조건데이터를 하위노드로 배열할 수 있다.
또한 상기 (f)단계는,
Figure pat00001
(n: 노드의 전체 개수, i: 상위노드의 상태 수)
의 식을 통해 개별 범죄 분류정보의 발생확률을 산출할 수 있다.
그리고 상기 (b)단계는, 상기 조건데이터 및 상기 범죄데이터의 조합에 따른 범죄 발생빈도를 통해 상기 범죄 위험지수를 산출할 수 있다.
또한 상기 가공값은, 선택된 지역에 대한 범죄 위험지수 중 최대값 및 최소값을 제외한 나머지 범죄 위험지수의 평균값으로 설정될 수 있다.
그리고 상기 (a)단계는, 범죄 관련 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 상기 조건데이터 및 상기 범죄데이터를 수집할 수 있다.
상기한 과제를 해결하기 위한 본 발명의 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체는 다음과 같은 효과가 있다.
첫째, 범죄 발생 유형 별 기준에 따른 범죄 발생 확률을 수치화할 수 있어 범죄 발생 패턴을 미연에 파악하고, 범죄 예측 모델의 입력으로 활용하여 예측할 수 있다는 장점을 가진다.
둘째, 범죄자의 정보와 범죄 정보 등을 수집하고, 이를 통해 해당 사용자에게 최적화된 범죄 발생 패턴 정보를 제공할 수 있다는 장점을 가진다.
셋째, 정보의 규모가 방대한 빅데이터를 이용하여 신뢰도가 높은 결과를 제공할 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법의 각 과정을 나타낸 도면;
도 2는 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법에 있어서, 범죄데이터와 조건데이터의 분류를 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법에 있어서, 범죄 분류정보의 발생확률을 산출하는 과정을 나타낸 도면; 및
도 4는 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법에 있어서, 인과관계에 따라 노드화된 방향성 그래프의 모습을 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
본 발명에 따른 범죄 위험도 분석 및 예측방법은 저장매체에 저장된 범죄 위험도 분석 및 예측용 프로그램이 설치된 관리서버를 통해 수행되는 것으로서, 상기 관리서버에 설치되어 상기 관리서버의 프로세서에 의해 구동될 수 있다.
또한 이에 의해 구동된 범죄 위험도 분석 및 예측용 프로그램은 디스플레이 모듈 등 영상 출력장치를 통해 출력될 수 있으며, 시각화된 그래픽 유저 인터페이스를 통해 사용자에게 가시적인 정보를 제공할 수 있다.
특히 상기 범죄 위험도 분석 및 예측용 프로그램이 저장된 저장매체는 이동식 디스크나 통신망을 이용하여 상기 관리서버에 설치될 수 있으며, 상기 범죄 위험도 분석 및 예측용 프로그램은 상기 관리서버가 다양한 기능적 수단으로 운용되도록 할 수 있다. 즉 본 발명은 소프트웨어에 의한 정보 처리가 하드웨어를 통해 구체적으로 실현된다.
이하에서는 상기 관리서버를 통해 실행되는 본 발명의 범죄 위험도 분석 및 예측용 프로그램의 알고리즘에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법의 각 과정을 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법은 관리서버가 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하여 저장하는 (a)단계와, 상기 관리서버가 상기 조건데이터 및 상기 범죄데이터를 조합한 범죄 패턴에 대한 지역 별 범죄 위험지수를 산출하는 (b)단계와, 상기 관리서버가 상기 범죄 패턴에 대해, 선택된 지역에 대한 범죄 위험지수의 가공값을 기 설정된 기준값을 비교하는 (c)단계와, 상기 관리서버가 상기 가공값이 상기 기준값을 초과할 경우, 선택된 지역을 상기 범죄 패턴에 대한 위험지역으로 저장하는 (d)단계를 포함한다.
이하에서는 이들 각 단계에 대해 자세히 설명하도록 한다.
먼저, 상기 관리서버가 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하여 관리서버용 데이터베이스에 저장하는 (a)단계가 수행된다. 여기서 상기 조건데이터 및 상기 범죄데이터는 기 설정된 분류기준에 따라 다양한 정보를 포함할 수 있다. 또한 본 단계는 관리서버의 데이터수집부에 의해 수행될 수 있다.
구체적으로 상기 범죄데이터는 도 2에 도시된 바와 같이 범죄 분류정보와 범죄 발생빈도정보 중 적어도 어느 하나를 포함하며, 이는 범죄 자체에 대한 직접적인 분류 및 대한 다양한 정보를 말하는 것이다.
또한 상기 조건데이터는 범죄에 대한 관련 정보들로서, 지역 별 특성정보, 범죄 발생장소정보, 범죄 발생시간정보 및 범죄자 연령 중 적어도 어느 하나 이상을 포함하며 범죄의 대한 주변 정보들을 말하는 것이다.
즉 본 단계에서는 이와 같은 범죄데이터 및 조건데이터를 임의의 조건에 따라 수집할 수 있으며, 또한 이는 범죄 관련 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 이루어질 수 있다.
여기서 상기 범죄 관련 데이터베이스라 함은 범죄 관련 정보의 수집을 목적으로 구축된 특정 데이터베이스를 말하는 것이며, 예컨대 해당 지역의 경찰청 등과 같은 기관으로부터 획득할 수 있는 정보 등을 말한다.
또한 상기 온라인 서비스라 함은 뉴스, 웹, SNS 등 통신망을 이용한 다양한 온라인 서비스 매체를 말한다. 이와 같은 온라인 서비스는 어느 하나의 특정 서비스만으로 제한되는 것은 아니며, 또한 향후 등장할 미래의 온라인 서비스를 포함할 수 있음은 물론이다.
그리고 일반적으로 상기 범죄 관련 데이터베이스로부터는 범죄데이터와 같은 정형데이터를, 상기 온라인 서비스로부터는 기타 불특정 비정형데이터를 수집할 수 있으나, 이에 제한되지는 않는다.
다음으로, 상기 조건데이터 및 상기 범죄데이터를 조합한 범죄 패턴에 대한 지역 별 범죄 위험지수를 산출하는 (b)단계가 수행된다. 본 단계는 관리서버의 데이터처리부를 통해 수행될 수 있다.
본 단계의 경우, 임의의 범죄 패턴을 설정하여 해당 지역 별 범죄 위험지수를 산출하는 단계로서, 우선 상기 조건데이터 및 상기 범죄데이터를 조합하여 범죄 패턴을 설정하게 된다.
예컨대, 흐린 날씨에서 발생한 20대 나이의 범죄자에 의한 살인으로 상기 조건데이터 및 상기 범죄데이터를 조합하여 범죄 패턴을 설정하였다고 하였을 때, 이에 대한 지역 별 범죄 발생 빈도에 임의의 가중치를 반영하여 범죄 위험지수를 산출하게 된다. 즉 상기와 같은 범죄 패턴에 대해, 각 지역 별로 범죄 위험지수를 독립적으로 산출할 수 있다. 이때 상기 가중치는 다양한 방법에 의해 적용될 수 있음은 물론이다.
구체적으로, 범죄 위험지수는 기 설정된 분류기준의 범죄 발생 빈도, 각 항목별 범죄 발생 빈도의 최소값에 기초하여 산출될 수 있다.
예컨대 해당 항목이 속한 분류 기준에서의 각 항목별 범죄 발생 빈도의 최소값을 N이라고 할 때, 해당 항목의 범죄 위험 지수 CRI(Crime Rescure Index)는 다음 수식과 같이 산출될 수 있다.
Figure pat00002
(여기서, w는 상수, q는 범죄 발생 장소, t는 범죄 발생 시간, d는 범죄 발생 요일(d), m은 범죄 발생 월, a는 범죄 발생 연령이다.)
즉, 범죄 위험지수는 N의 대한 각 항목별 가중치의 비율에 기초하여 산출될 수 있다.
한편 구역별 범죄 위험지수는 범죄 발생 장소(q), 범죄 발생 시간(t), 범죄 발생 요일(d), 범죄 발생 월(m), 범죄 발생 연령(a)의 각 항목들 간의 조합에 대하여 산출된 위험지수를 나타낸다.
전술한 방법을 통해 각 항목 별 범죄 위험지수가 산출되면, 상기 데이터처리부는 상기 범죄 위험지수에 기초하여 각 분류 기준 별로 항목을 선택하고, 선택된 항목의 조합에 의한 범죄 위험 구역 패턴 P(q, t, d, m, a) 를 생성할 수 있다.
즉 해당 항목의 범죄에 대하여 선택된 분류 기준 별 항목에 대한 패턴 P(q1, t2, d2, m2, a3)를 형성할 수 있으며, 선택된 각 항목들의 범죄 위험지수를 합산하여 해당 패턴의 구역별 범죄 위험도를 산출할 수 있다.
다음으로, 상기 범죄 패턴에 대해, 선택된 지역에 대한 범죄 위험지수의 가공값을 기 설정된 기준값을 비교하는 (c)단계가 수행된다. 본 단계 역시 전술한 (b)단계와 마찬가지로 관리서버의 데이터처리부를 통해 수행될 수 있다.
본 단계에서는 (b)단계에서 설정한 범죄 패턴에 의해 산출된 각 지역 별 범죄 위험지수를 통해, 임의로 선택된 지역들의 조합들의 범죄 위험지수를 가공하여 가공값을 산출하고, 이를 기 설정된 기준값과 비교하게 된다.
이때 상기 가공값은, 선택된 지역에 대한 범죄 위험지수 중 최대값 및 최소값을 제외한 나머지 범죄 위험지수의 평균값으로 설정될 수 있다. 예컨대 10개 지역을 선택하였다고 할 경우, 범죄 위험지수가 가장 높거나 낮은 2개 지역을 제외한 나머지 지역의 범죄 위험지수에 대해 평균을 산출하고, 이를 가공값으로 설정할 수 있다. 즉 선택된 지역으로 이루어진 임의의 지역군에 대해, 범죄 위험지수를 산출할 수 있게 된다.
또한 상기 기준값은 범죄의 위험도를 나눌 수 있는 기준이 되는 소정의 수치로서, 상기 가공값을 이와 비교하게 된다.
다음으로, 상기 가공값이 상기 기준값을 초과할 경우, 선택된 지역을 상기 범죄 패턴에 대한 위험지역으로 저장하는 (d)단계가 수행된다. 본 단계 역시 전술한 (b)단계 및 (c)단계와 마찬가지로 관리서버의 데이터처리부를 통해 수행될 수 있다.
본 단계에서는, 상기 (c)단계에서 이루어진 가공값과 기준값의 비교 결과에 따라, 상기 가공값이 상기 기준값을 초과하는 것으로 판단된 경우, 해당 지역을 위험지역으로 저장하게 된다.
이와 같이 하는 이유는, 국소적으로 특정 지역 내의 범죄 위험지수만을 산출하는 것이 아니라, 해당 지역을 포함하여 주변 지역의 범죄 위험지수를 함께 고려하여 범죄 위험도를 평가하기 위한 것이다.
즉 이상과 같은 과정에 의해 (b)단계에서 조합된 범죄 패턴에 대해, 해당 지역을 포함하는 지역군에 대한 범죄 위험도를 산출할 수 있게 된다. 전술한 바와 같이, 범죄 패턴의 조합은 임의로 다양하게 설정될 수 있으며, 범죄 위험도를 산출하기 위해 선택되는 지역 역시 다양하게 설정될 수 있음은 물론이다.
이상과 같이, 본 발명은 상기 (a) 내지 (d)단계에 의해 범죄 위험도를 산출하고, 이를 데이터베이스화하여 분석 데이터로서 활용할 수 있음은 물론, 특정/불특정 사용자에게 해당 정보를 제공할 수 있게 된다.
다음으로, 본 발명을 통한 범죄 예측방법에 대해 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 범죄 위험도 분석 및 예측방법에 있어서, 범죄 분류정보의 발생확률을 산출하는 과정을 나타낸 도면이다.
도 3에 도시된 바와 같이, 범죄 분류정보의 발생확률을 산출하는 과정은 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하는 (a)단계와, 개별 범죄 분류정보에 대해, 상기 조건데이터를 인과관계에 따라 노드화하여 방향성 그래프로 배열하는 (e)단계와, 상기 방향성 그래프를 통해 개별 범죄 분류정보의 발생확률을 산출하는 (f)단계를 포함한다. 본 단계들은 관리서버의 데이터처리부를 통해 수행될 수 있다.
여기서 상기 (a)단계의 경우 이미 서술하였으므로, 자세한 설명은 생략하도록 한다.
상기 (e)단계의 경우, 상기 범죄데이터에 포함된 범죄 분류정보 각각에 대해, 상기 조건데이터를 확장하여 방향성 그래프로 배열하게 된다. 이때 그 배열 기준은 선택된 범죄 분류정보에 대한 인과관계이며, 따라서 각 조건데이터를 인과관계에 따라 노드화하여 방향성 그래프를 나타낸다.
도 4에는 이와 같은 방향성 그래프의 예시를 나타낸 것이며, 각 노드는 확률 변수를 나타내고, 호는 노드 간의 의존성을 나타낸다.
도 4에 도시된 바와 같이 상위 노드인 조건데이터는 하위 노드인 조건데이터에 대한 원인으로서 작용하며, 하위 노드인 조건데이터는 상위 노드인 조건데이터에 대한 결과로서 작용한다. 즉 하위 노드들은 상위 노드들이 발생 한 후 일어나게 되는 조건부 사건들로 정의할 수 있다.
이와 같이 방향성 그래프가 설정된 후, 상기 방향성 그래프를 통해 개별 범죄 분류정보의 발생확률을 산출하는 (f)단계가 수행된다.
본 단계의 경우, 각각의 범죄 분류정보에 대해, (e)단계에 의해 생성된 방향성 그래프를 이용하여 발생확률을 예측하게 된다. 그리고 본 단계는 구체적으로 이하의 식에 의해 범죄 분류정보에 대한 발생확률을 산출할 수 있다.
Figure pat00003
(n: 노드의 전체 개수, i: 상위노드의 상태 수)
그리고 이와 같은 방법을 통해 생성된 확률 데이터를 통해, 특정 조건 하에서의 범죄 발생 빈도 수를 예측이 가능하다. 예컨대 토요일 밤 노상에서 절도가 일어날 가능성 등과 같이 구체적인 조건데이터의 조합에 따른 범죄 발생 확률을 정밀하게 예측할 수 있을 것이다.
이와 같이, 본 발명은 범죄 위험도에 대한 분석뿐 아니라 미래의 범죄 발생 확률을 정밀하게 예측할 수 있으므로, 범죄 발생률을 효과적으로 감소시킬 수 있으며 치안 유지의 중요한 데이터로서 활용할 수 있다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.

Claims (9)

  1. 저장매체에 저장된 범죄 위험도 분석 및 예측용 프로그램이 설치된 관리서버를 통해 수행되는 범죄 위험도 분석 및 예측방법에 있어서,
    상기 관리서버가 기 설정된 분류기준에 따라 조건데이터 및 범죄데이터를 수집하여 저장하는 (a)단계;
    상기 관리서버가 상기 조건데이터 및 상기 범죄데이터를 조합한 범죄 패턴에 대한 지역 별 범죄 위험지수를 산출하는 (b)단계;
    상기 관리서버가 상기 범죄 패턴에 대해, 선택된 지역에 대한 범죄 위험지수의 가공값을 기 설정된 기준값을 비교하는 (c)단계; 및
    상기 관리서버가 상기 가공값이 상기 기준값을 초과할 경우, 선택된 지역을 상기 범죄 패턴에 대한 위험지역으로 저장하는 (d)단계;
    를 포함하는 범죄 위험도 분석 및 예측방법.
  2. 제1항에 있어서,
    상기 범죄데이터는 범죄 분류정보 및 범죄 발생빈도정보 중 적어도 어느 하나를 포함하며,
    상기 조건데이터는 지역 별 특성정보, 범죄 발생장소정보, 범죄 발생시간정보 및 범죄자 연령 중 적어도 어느 하나 이상을 포함하는 범죄 위험도 분석 및 예측방법.
  3. 제2항에 있어서,
    상기 (a)단계 이후에는,
    상기 관리서버가 개별 범죄 분류정보에 대해, 상기 조건데이터를 인과관계에 따라 노드화하여 방향성 그래프로 배열하는 (e)단계; 및
    상기 관리서버가 상기 방향성 그래프를 통해 개별 범죄 분류정보의 발생확률을 산출하는 (f)단계;
    가 더 포함되는 범죄 위험도 분석 및 예측방법.
  4. 제3항에 있어서,
    상기 (e)단계는,
    원인이 되는 조건데이터를 상위노드로 구성하고, 결과가 되는 조건데이터를 하위노드로 배열하는 범죄 위험도 분석 및 예측방법.
  5. 제4항에 있어서,
    상기 (f)단계는,
    Figure pat00004

    (n: 노드의 전체 개수, i: 상위노드의 상태 수)
    의 식을 통해 개별 범죄 분류정보의 발생확률을 산출하는 범죄 위험도 분석 및 예측방법.
  6. 제1항에 있어서,
    상기 (b)단계는,
    상기 조건데이터 및 상기 범죄데이터의 조합에 따른 범죄 발생빈도를 통해 상기 범죄 위험지수를 산출하는 범죄 위험도 분석 및 예측방법.
  7. 제6항에 있어서,
    상기 가공값은,
    선택된 지역에 대한 범죄 위험지수 중 최대값 및 최소값을 제외한 나머지 범죄 위험지수의 평균값으로 설정되는 범죄 위험도 분석 및 예측방법.
  8. 제1항에 있어서,
    상기 (a)단계는,
    범죄 관련 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 상기 조건데이터 및 상기 범죄데이터를 수집하는 범죄 위험도 분석 및 예측방법.
  9. 제1항 내지 제8항 중 어느 한 항의 범죄 위험도 분석 및 예측방법을 포함하는 저장매체.
KR1020170070691A 2017-06-07 2017-06-07 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체 KR101935154B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170070691A KR101935154B1 (ko) 2017-06-07 2017-06-07 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170070691A KR101935154B1 (ko) 2017-06-07 2017-06-07 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체

Publications (2)

Publication Number Publication Date
KR20180133635A true KR20180133635A (ko) 2018-12-17
KR101935154B1 KR101935154B1 (ko) 2019-01-04

Family

ID=65007624

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170070691A KR101935154B1 (ko) 2017-06-07 2017-06-07 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체

Country Status (1)

Country Link
KR (1) KR101935154B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102322918B1 (ko) * 2020-11-11 2021-11-05 (주)미소정보기술 온라인 생활범죄 감지 시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5059373B2 (ja) * 2006-10-20 2012-10-24 株式会社竹中工務店 犯罪リスク評価装置及び犯罪リスク評価プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102322918B1 (ko) * 2020-11-11 2021-11-05 (주)미소정보기술 온라인 생활범죄 감지 시스템 및 방법

Also Published As

Publication number Publication date
KR101935154B1 (ko) 2019-01-04

Similar Documents

Publication Publication Date Title
US10742671B2 (en) Systems and methods for detecting resources responsible for events
Zhao et al. Modeling temporal-spatial correlations for crime prediction
Laylavi et al. Event relatedness assessment of Twitter messages for emergency response
Bogomolov et al. Moves on the street: Classifying crime hotspots using aggregated anonymized data on people dynamics
Sathyadevan et al. Crime analysis and prediction using data mining
KR100892415B1 (ko) 사이버위협 예보 시스템 및 방법
US20170330117A1 (en) System for and method for detection of insider threats
WO2016188380A1 (zh) 用户设备的确定方法及装置
Akpinar et al. The effect of differential victim crime reporting on predictive policing systems
US20110208681A1 (en) System and method for correlating past activities, determining hidden relationships and predicting future activities
KR20190077682A (ko) 공공 빅 데이터와 ｓｎｓ 데이터를 이용한 도시안전지수 분석 시스템 및 방법
Baculo et al. Geospatial-temporal analysis and classification of criminal data in manila
Rumi et al. Theft prediction with individual risk factor of visitors
US20180253814A1 (en) System and method for incident validation and ranking using human and non-human data sources
Papakosta et al. Probabilistic prediction of daily fire occurrence in the Mediterranean with readily available spatio-temporal data
Patrascu et al. Spatial model for predictive recovery monitoring based on hazard, built environment, and population features and their spillover effects
KR101935154B1 (ko) 범죄 위험도 분석 및 예측방법, 그리고 이를 포함하는 저장매체
Sakhare et al. Classification of criminal data using J48-Decision Tree algorithm
Bosley The “New” Normal: Instability Risk Assessment in an Uncertainty-Based Strategic Environment
CN113486754B (zh) 基于视频的事件演化预测方法、系统
Liu et al. A data mining method for potential fire hazard analysis of urban buildings based on Bayesian network
Castro et al. Predicting Crime by Exploiting Supervised Learning on Heterogeneous Data.
Kumar et al. Spatial clustering simulation on analysis of spatial–temporal crime hotspot for predicting crime activities
Victorino et al. Spatial-temporal patterns of aggressive behaviors. A case study Bogotá, Colombia
Mehta et al. Automatic clustering crime region prediction model using statistical method in data mining

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)