نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

این تحقیق الگوهای مکانی-زمانی تماس‌های پلیس در منطقه واترلو، کانادا را با وضوح مکانی و زمانی خوب بررسی می‌کند. مدلسازی از طریق تقریب لاپلاس تودرتو یکپارچه بیزی (INLA) اجرا شد. الگوهای زمانی برای دوره‌های زمانی دو ساعته، الگوهای فضایی در مقیاس ناحیه کوچک و تعامل فضا-زمان (یعنی انحرافات غیرعادی از الگوهای کلی مکانی و زمانی) برآورد شد. به طور موقت، کمترین میزان تماس برای خدمات در اوایل صبح (02:00-03:59) و بالاترین میزان در عصر (20:00-21:59) بود، در حالی که سطوح بالای تماس برای خدمات از نظر فضایی در مناطق تجاری مرکزی و در مناطقی که توسط جاده های اصلی، دانشگاه ها و مراکز خرید مشخص می شود، واقع شده است. مشاهده شد که تعامل فضا-زمان از نظر جغرافیایی در ساعات روز پراکنده است اما در ساعات عصر در مناطق تجاری مرکزی متمرکز شده است. تفسیر شده از طریق تئوری فعالیت معمول، نتایج با توجه به تقاضا و تخصیص منابع مجری قانون مورد بحث قرار می‌گیرد و مزایای مدل‌سازی مجموعه داده‌های مکانی-زمانی با روش‌های INLA بیزی برجسته می‌شود.
کلید واژه ها: 

مکانی – زمانی ; اجرای قانون ؛ تماس های پلیس برای خدمت ؛ بیزی _ تقریب لاپلاس تودرتو یکپارچه (INLA)

 

1. معرفی

در اجرای قانون، پیاده‌سازی سیستم‌های اعزام به کمک رایانه که به‌طور خودکار اطلاعات مکان و زمان خاص را برای تماس‌های پلیس ثبت می‌کند، ذخیره، بازیابی و تجزیه و تحلیل حجم زیادی از داده‌های مکانی-زمانی را تسهیل کرده است [1، 2 ] . , 3 , 4 , 5 ]. همراه با پیشرفت های تکنولوژیک در سیستم های اطلاعات جغرافیایی، نقشه برداری جرم، یا تجزیه و تحلیل و تجسم الگوهای تاریخی فراخوان برای خدمت پلیس فضایی و زمانی، به بخش مهمی از عملیات و استراتژی پلیس تبدیل شده است [6 ] . فراخوان های پلیس شامل جرایم گزارش شده، واکنش اضطراری، مدیریت ترافیک و سایر خدمات تسهیل شده توسط پلیس می شود.6 ]، و در مقایسه با داده های رسمی جرم و جنایت، شاخص جامع تری از تقاضای کلی منابع پلیس ارائه می دهد. به طور فزاینده‌ای، داده‌های تماس برای سرویس با وضوح‌های مکانی و زمانی خوب در دسترس هستند، که امکان تجزیه و تحلیل دقیق تغییرات محلی فضا-زمان را فراهم می‌کند.
تحقیقات نقشه برداری جرم گذشته در مقیاس منطقه کوچک اغلب الگوهای مکانی و زمانی را به طور جداگانه تجزیه و تحلیل می کند. تحلیل‌های فضایی محض، نقاط حساس یا گروه‌هایی از مناطق کوچک را شناسایی می‌کنند که خوشه‌بندی یا خودهمبستگی فضایی بالا را نشان می‌دهند [ 7 ]. با فرض یک فرضیه صفر تصادفی بودن فضایی (یعنی عدم وجود خودهمبستگی فضایی) انواع آزمون های آماری برای شناسایی خوشه های فضایی جرم یا تماس برای خدمت، از جمله آمار Getis-Ord [8]، Moran’s I [9] استفاده شده است . ، 10 ]، آمار اسکن فضایی [ 11 ، 12 ]، و آزمون الگوی نقطه مکانی [ 13]. از سوی دیگر، تحلیل‌های زمانی صرف، روندهای زمانی را با داده‌های منطقه کوچک منطبق می‌کنند. یکی از روش های رایج، تحلیل مسیر مبتنی بر گروه است که از توابع ریاضی (به عنوان مثال، خطی، درجه دوم) برای تعمیم روندهای زمانی بلند مدت استفاده می کند [ 14 ، 15 ]، اما داده های ناحیه کوچک را مستقل تلقی می کند و فضای محلی را در نظر نمی گیرد. خود همبستگی
روش‌های صرفاً مکانی و صرفاً زمانی، به طور همزمان تنوع در فضا و زمان را تجزیه و تحلیل نمی‌کنند و در نتیجه، تعامل فضا-زمان را شناسایی نمی‌کنند. تعامل فضا-زمان به عنوان خوشه بندی فضا-زمان باقیمانده پس از محاسبه الگوهای مکانی و زمانی کلی تعریف می شود و برای هر واحد تحلیل فضا-زمان [16، 17 ، 18 ] تخمین زده می شود.]. در این زمینه تحقیقاتی، مناطقی با تعامل فضا-زمان بالا برای یک دوره زمانی معین ممکن است به عنوان مناطقی برجسته شوند که سطوح غیرمعمول بالایی از تماس برای خدمات بالاتر از خطر مکانی و زمانی پایه را نشان می‌دهند. تعامل فضا-زمان به کشف الگوهایی کمک می کند که ممکن است در تحلیل های صرفاً مکانی یا زمانی نادیده گرفته شوند و به عنوان مثال، ممکن است با تغییرات طولانی مدت در شرایط اجتماعی-اقتصادی محلی یا بی سازمانی اجتماعی [19]، تغییرات در شرایط بازار مواد مخدر یا ساکنان مرتبط باشد . ادراک از اجرای قانون [ 20 ، 21 ]، یا تغییرات کوتاه مدت در استراتژی پلیس [ 22 ].
به طور کلی، روش های تجزیه و تحلیل مکانی-زمانی را می توان به عنوان آزمایش یا مبتنی بر مدل طبقه بندی کرد [ 16 ]. رویکردهای مبتنی بر آزمایش، یک آمار آزمون را برای منطقه مورد مطالعه ارائه می‌کند که خوشه‌بندی نسبی را هم در فضا و هم در زمان کمیت می‌کند [ 23 ]. برای داده‌های نقطه‌ای، دو رویکرد رایج، آزمون‌های ناکس و ژاکز هستند که تعداد جفت‌های نقطه‌ای را که در آستانه‌های مکانی و زمانی مشخص رخ می‌دهند، شمارش می‌کنند، که اولی بر اساس آستانه‌های انتخابی کاربر و دومی بر اساس آستانه‌های نزدیک‌ترین همسایه است [17] . ، 18 ، 24]. برای داده‌های ناحیه کوچک، آمار اسکن فضا-زمان ابتدا نقاط داغ فضایی را بر اساس تفاوت بین تعداد مشاهده‌شده و مورد انتظار در بیضی‌ها در مرکز ناحیه کوچک شناسایی می‌کند، و بیضی فضایی را در طول زمان گسترش می‌دهد تا تداوم کانون‌های فضایی را تحلیل کند [11] . ، 25 ]. در حالی که برای شناسایی سطوح کلی خوشه‌بندی فضا-زمان برای یک مجموعه داده مفید است، روش‌های مبتنی بر آزمایش، الگوهای کلی مکانی و زمانی (یعنی برای منطقه مورد مطالعه) را شناسایی نمی‌کنند و تخمین‌هایی از خطر را برای مشاهداتی که به عنوان نقاط حساس شناسایی نشده‌اند، ارائه نمی‌کنند.
روش‌های مکانی-زمانی مبتنی بر مدل برای داده‌های منطقه کوچک، داده‌های فضا-زمان مشاهده‌شده را به الگوهای کلی مکانی و زمانی کلی، و همچنین تعامل فضا-زمان تجزیه می‌کنند. تخمین این مولفه ها با مقایسه نقشه ها یا شمارش یا نرخ داده ها امکان پذیر نیست، به ویژه زمانی که تعداد واحدهای فضا-زمان زیاد باشد. از نظر مفهومی، مدل‌های فضا-زمان شبیه مدل‌های رگرسیونی هستند، که در آن متغیر نتیجه (یعنی تعداد تماس‌ها برای خدمات) از طریق تعدادی پارامتر از جمله اثرات تصادفی مکانی، زمانی و مکانی-زمانی برآورد می‌شود [26 ] . مدل‌هایی با بسیاری از پارامترهای اثرات تصادفی اغلب در چارچوب بیزی پیاده‌سازی می‌شوند [ 27]. به طور خلاصه، روش‌های بیزی داده‌های مشاهده‌شده (یعنی تعداد حوادث فضا-زمان) و اطلاعات قبلی (یعنی ساختارهای مکانی و زمانی) را برای تخمین توزیع‌های احتمال خلفی پارامترهای مدل، از جمله تعامل فضا-زمان [28] ترکیب می‌کنند .
پارامترهای اثرات تصادفی را می توان به عنوان جایگزینی برای فرآیندهای مکانی، زمانی، یا فضا-زمان اندازه گیری نشده تفسیر کرد. برای مثال، اثرات تصادفی فضایی، متغیرهای کمکی خودهمبسته فضایی را نشان می‌دهند و اغلب از طریق فرآیندهای خودرگرسیون شرطی (CAR) مشخص می‌شوند [ 29 ]. فرآیندهای CAR فرض می‌کنند که میانگین پارامتر اثرات تصادفی فضایی در یک منطقه معین مشروط به برآورد اثرات تصادفی فضایی در مناطق جغرافیایی مجاور است. این اغلب به عنوان “قدرت وام گرفتن” نامیده می شود [ 30 ]. مدل CAR به طور گسترده در مطالعات زیست محیطی برای تجزیه و تحلیل پیامدهای مرتبط با سلامت [ 31 ، 32 ، 33 ] و همچنین جرم و جنایت [ 34 ، 35 ، استفاده شده است.36 ]. فرآیند CAR می تواند به راحتی برای داده های زمانی اعمال شود، که در آن اثرات تصادفی زمانی برای یک دوره زمانی مشروط به مقادیر میانگین اثرات تصادفی زمانی در دوره های زمانی قبل و بعد از آن است [37 ، 38 ] .
استفاده از مدل‌های بیزی برای تجزیه و تحلیل مجموعه داده‌های مکانی-زمانی از نظر محاسباتی با استفاده از الگوریتم‌های مرسوم زنجیره مارکوف مونت کارلو (MCMC) [ 39 ، 40 ] چالش برانگیز است، زیرا MCMC به ارزیابی تکراری توابع مختلف چگالی شرطی کامل و نظارت بر همگرایی توزیع‌های احتمالی پسین 4 نیاز دارد [39، 40]. ، 42 ]. اخیراً، روش تقریب لاپلاس تودرتو یکپارچه (INLA) پیشنهاد شده است که توزیع‌های احتمال خلفی را از طریق یکپارچه‌سازی عددی به جای یک فرآیند تکراری مبتنی بر MCMC تقریب می‌زند [ 28 ، 43]. تحقیقات گذشته در مورد مقایسه رویکردهای MCMC و INLA نشان داده است که INLA زمان محاسباتی را کاهش می دهد و تخمین پارامترهای قابل اعتماد را حفظ می کند [ 28 ]. کارایی محاسباتی هنگام تجزیه و تحلیل داده‌های مکانی-زمانی مهم است زیرا توزیع‌های قبلی و مفروضات مختلف برای پارامترهای اثرات تصادفی مکانی، زمانی و مکان-زمان را می‌توان آزمایش و مقایسه کرد [ 44 ].
این تحقیق الگوهای مکانی-زمانی تماس‌های پلیس برای خدمت را در سطح منطقه کوچک در منطقه واترلو، کانادا تحلیل می‌کند. فراخوان‌ها برای خدمت برای یک سال (2011) به طور موقت در 12 دوره زمانی 2 ساعته، که یک روز 24 ساعته را نشان می‌دهد، جمع‌آوری شد و از نظر جغرافیایی در 755 منطقه انتشار سرشماری جمع‌آوری شد که در مجموع 9060 واحد فضا-زمان ایجاد شد. تماس‌های جمع‌آوری‌شده برای خدمت برای ارائه بینش گسترده‌ای به الگوهای فضا-زمان منابع مجری قانون تجزیه و تحلیل شدند و به این دلیل که این داده‌های تعداد کافی برای گرفتن الگوهای مکانی، زمانی و فضا-زمان معنادار در این وضوح فراهم می‌کند. الگوهای ساعتی مورد تجزیه و تحلیل قرار گرفت زیرا نشان داده شده است که منابع جرم و جنایت و پلیس در ساعات روز بیشتر از هر پیش بینی کننده دیگری متفاوت است [ 45]] و خودهمبستگی مکانی و زمانی پیش بینی شده را می توان به طور مناسب از طریق فرآیندهای CAR در نظر گرفت.
این مقاله ابتدا منطقه مورد مطالعه و داده‌های فراخوان برای خدمت را بررسی می‌کند. در مرحله بعد، مدل مکانی-زمانی به تفصیل توضیح داده شده و چهار نوع تعامل فضا-زمان توضیح داده شده است، که هر کدام دارای مفروضات خاصی در رابطه با ساختار مکانی و/یا زمانی الگوهای فضا-زمان باقیمانده هستند. الگوهای کلی مکانی و زمانی کلی، و همچنین تعامل فضا-زمان و نقاط داغ فضا-زمان، تجسم می شوند، از طریق تئوری فعالیت معمول تفسیر می شوند، و در زمینه درک و اطلاع رسانی تخصیص منابع پلیس مورد بحث قرار می گیرند. در نتیجه، ما در مورد استفاده از مدل‌های مکانی-زمانی بیزی و INLA برای مدل‌سازی مجموعه داده‌های مکانی-زمانی فکر می‌کنیم.

2. منطقه مطالعه

شهرداری منطقه ای واترلو، انتاریو، کانادا، از شهرهای واترلو، کیچنر و کمبریج و همچنین چهار شهرستان روستایی تشکیل شده است. در سال 2011، این منطقه دارای 506107 نفر جمعیت بود که در 755 منطقه انتشار سرشماری (DAs) توزیع شده است. برای مرجع، DAها کوچکترین واحدهای منطقه ای هستند که کل کانادا را پوشش می دهند و به گونه ای مشخص شده اند که جمعیت های مسکونی بین 400 تا 700 نفر است [ 46 ].

3. اطلاعات تماس برای خدمات پلیس

اطلاعات تماس برای خدمت توسط سرویس پلیس منطقه ای واترلو برای 1 ژانویه 2011 تا 31 دسامبر 2011 ارائه شده است. فراخوان های خدمات شامل جرایم خشونت آمیز (تعداد = 2696)، جرایم دارایی (13704)، بی نظمی (18،949)، شکایات آیین نامه ای است. (10598)، تماس های مرتبط با وسایل نقلیه موتوری (31105)، 911 تماس (65617)، و انواع دیگر خدمات مرتبط با پلیس [ 47 ، 48 ]. مکان‌ها نزدیک‌ترین تقاطع به مکان تماس را نشان می‌دهند و تماس‌ها در مقیاس DA خلاصه شدند. آمار توصیفی برای کل تماس‌ها برای خدمات در جدول 1 نشان داده شده است . تعداد مورد انتظار به عنوان حاصل ضرب نرخ منطقه مورد مطالعه و جمعیت DA محاسبه شد (= (تعداد کل تماس برای خدمات/جمعیت کل) xجمعیت DA) برای منعکس کردن تنوع زیربنایی جمعیت.
به طور کلی، مناطقی با تعداد کل بالا در مرکز منطقه مورد مطالعه قرار داشتند که با مناطق تجاری مرکزی واترلو، کیچنر و کمبریج مطابقت دارد و همچنین در مناطقی به سمت حاشیه منطقه مورد مطالعه در شرق و جنوب مطابقت دارد. ( شکل 1 الف). در مقایسه با تعداد مشاهده شده، تعداد مورد انتظار در مناطق تجاری مرکزی کمتر بود اما در مناطق مجاور مناطق تجاری مرکزی (یعنی مناطقی که جمعیت مسکونی بیشتری دارند) بیشتر بود ( شکل 1 B).
به طور موقت، تماس‌ها برای خدمات به 12 دوره زمانی طبقه‌بندی شدند که هر یک 2 ساعت از یک روز 24 ساعته را نشان می‌دهد ( جدول 2 ). بیشترین تماس در ساعات بعدازظهر و عصر و کمترین آن در اوایل صبح بود ( شکل 2 ). در مجموع، 290027 فراخوان برای خدمت در 9060 واحد فضا-زمان توزیع شده است (= 755 DA × 12 دوره زمانی).
الگوهای فضایی تماس برای خدمت در شکل 3 برای 04:00-05:59 ( شکل 3 A)، دوره زمانی با کمترین تعداد مشاهده شده، و برای 14:00-15:59 ( شکل 3 B) نشان داده شده است. ، دوره زمانی با بیشترین تعداد مشاهده شده است. در مقایسه با ساعت 14:00 تا 15:59، مناطق کمتری با شمارش بالا (بیش از 50) در طول ساعت 04:00 تا 05:59 وجود داشت و مناطق پرشمار نزدیک‌تر به راهرو اصلی حمل‌ونقل که واترلو، کیچنر و کمبریج را به هم متصل می‌کرد، قرار داشت. از ساعت 14:00 تا 15:59، مناطق بسیار بیشتری با تعداد تماس برای خدمات بالا وجود داشت و این مناطق از نظر جغرافیایی در سراسر منطقه مورد مطالعه پراکنده بودند.

4. مدلسازی مکانی- زمانی

مدل‌های مکانی و مکانی-زمانی بیزی اغلب سلسله مراتبی با سه سطح دارند [ 39 ]. در این زمینه، سلسله مراتبی برای توصیف ساختار مدل‌های بیزی استفاده می‌شود: سطح اول داده‌های مشاهده‌شده را با یک تابع احتمال (توزیع احتمال) مدل‌سازی می‌کند و یک مدل فرآیندی را مشخص می‌کند که شامل اثرات تصادفی مکانی، زمانی و مکانی-زمانی است. سطح دوم توزیع های قبلی را برای پارامترهای مدل اختصاص می دهد. و سطح سوم hyperpriors را برای پارامترهای توزیع های قبلی سطح دوم (مثلاً واریانس ها) مشخص می کند. توزیع های قبلی عدم قطعیت محقق را در برآورد پارامترها کمیت می کند و ساختار مکانی و/یا زمانی را برای پارامترهای اثرات تصادفی تحمیل می کند [ 30 ، 49 ].
در سطح اول، شمارش تماس برای خدمات برای منطقه کوچک i (1، …، 755) و دوره زمانی t (1، …، 12) با O آن نشان داده می شود و از توزیع پواسون نمونه برداری می شود (معادله ( 1 ) ). میانگین پواسون، μ it ، حاصل ضرب شمارش تماس برای خدمت مورد انتظار (E it ) و ریسک نسبی (r it ) است (معادله (2)). مدل‌های پواسون در تحلیل مکانی و مکانی-زمانی داده‌های شمارش در مقیاس ناحیه کوچک [ 50 ] رایج هستند.
O it ~Poisson(μ it )
μ it = E آن × r آن
معادله (3) ریسک نسبی را به ریسک کلی برای منطقه مورد مطالعه (α) و اثرات تصادفی مکانی، زمانی و مکانی-زمان تجزیه می کند. این ساختار مدل ناپارامتریک کلی است که برای تحلیل فضا-زمان استفاده می شود [ 44 ]. ساختار پارامتری برهمکنش فضا-زمان را با ترکیب یک متغیر کمکی که خطی بودن را فرض می‌کند، مدل می‌کند [ 44 ، 51 ]. اثرات فضایی اصلی (u i + s i ) الگوی فضایی فراخوان‌ها برای خدمات را اندازه‌گیری می‌کند و همبستگی و پراکندگی بیش از حد فضایی را در نظر می‌گیرد [ 52 ]. اثرات زمانی اصلی (γt + φt ) روند کلی زمانی را برای منطقه مورد مطالعه ثبت می کند. تعامل فضا-زمان (Ψ it) انحرافات از اثرات مکانی و زمانی اصلی را اندازه گیری می کند.
log(μ it ) = log(E it ) + α + u i + s i + γ t + φ t + Ψ آن

4.1. توزیع های قبلی

قبل مبهم از توزیع نرمال با میانگین 0 و واریانس 1000 برای α مشخص شد. پیشینیان مبهم اطلاعات کمی ارائه می دهند و اجازه می دهند داده های مشاهده شده بر تخمین های بعدی تسلط داشته باشند. قبل از اثرات فضایی بدون ساختار (ui ) توزیع نرمال با میانگین صفر و واریانس بود. σتو2(معادله (4a)). اثرات تصادفی ساختار یافته فضایی (s i ) همبستگی فضایی را شناسایی می کند و یک توزیع قبلی خودرگرسیون شرطی ذاتی (ICAR) با ماتریس مجاورت فضایی W و واریانس اختصاص داده شد. σس2(معادله (4b)). به عنوان مرجع، W یک ماتریس متقارن است که در آن مجاورت برای یک منطقه کوچک معین شامل تمام مناطق کوچکی است که یک راس مشترک دارند. ICAR یک توزیع قبلی رایج برای پارامترهای اثرات تصادفی فضایی است، که در آن میانگین مورد انتظار s i برابر است با میانگین s i مجاور [ 29 ، 52 ، 53 ]. واریانس s i توسط کنترل می شود σس2و با تعداد همسایگان ناحیه i نسبت معکوس دارد. توجه داشته باشید که ICAR قبلی ساختار فضایی را تحمیل می کند.
تومن~طبیعی(0، σتو2)
سمن~ICAR(دبلیو، σس2)
اثرات زمانی بدون ساختار (γ t ) قبل از توزیع نرمال با میانگین صفر و واریانس اختصاص داده شد. σγ2(معادله (5a)). مشابه si ، توزیع قبلی برای اثرات زمانی ساختاریافته (φt ) یک فرآیند ICAR با ماتریس وزن زمانی P و واریانس بود. σϕ2، جایی که φ t قدرت را از دوره های زمانی مجاور قرض می گیرد (معادله (5b)). این مشابه مدل ICAR فضایی است (معادله (4a,b)). پیشین های جایگزین که مجاورت زمانی فقط مشروط به دوره های زمانی قبلی است در دسترس هستند [ 54 ، 55 ]، با این حال ICAR در این زمینه مناسب در نظر گرفته شد زیرا تماس برای خدمت در زمان t باید با حوادث در هر دو t – 1 و t + مرتبط باشد. 1 [ 18 ].
γتی~طبیعی(0، σγ2)
ϕتی~ICAR(پ، σϕ2)
بدون اطلاعات قبلی در مورد ساختار فضا-زمان باقیمانده، ما چهار توزیع قبلی را برای Ψ آن آزمایش کردیم . هر کدام مفروضات متفاوتی را در مورد ساختار مکانی و/یا زمانی تحمیل می کنند [ 44 ]. آزمایش بسیاری از انواع تعامل فضا-زمان عموماً با استفاده از الگوریتم‌های مبتنی بر MCMC زمان‌بر است، با این حال INLA تجزیه و تحلیل کارآمد و بررسی مدل توزیع‌های چندگانه قبلی را ممکن می‌سازد.
برهمکنش فضا-زمان نوع I فرض می کند که Ψ آن برای هر واحد فضا-زمان قابل مبادله است و به طور مستقل و به طور یکسان توزیع می شود (یعنی u i و γ t بر هم کنش دارند، همانطور که در رابطه (3) نشان داده شده است). این نوع تعامل فضا-زمان در موردی مناسب است که الگوهای فضا-زمان باقیمانده در فراخوانی برای خدمت برای یک واحد تحلیل فضا-زمان معین با مناطق یا زمان های مجاور همبستگی نداشته باشند. تعامل نوع دوم از اثرات مکانی بدون ساختار اما ساختار زمانی تشکیل شده است، با این فرض که خطر حادثه در ناحیه کوچک در طول زمان مشابه است اما در فضا مستقل است، به طوری که مناطق مجاور الگوهای مشابهی از تماس برای خدمات ندارند (یعنی u i و φ تیتعامل داشتن). برهمکنش نوع III از اثرات ساختاری مکانی اما زمانی بدون ساختار تشکیل شده است و فرض می کند که خطر حادثه در ناحیه کوچک خود همبستگی فضایی را برای هر دوره زمانی نشان می دهد اما از نظر زمانی مستقل هستند (یعنی s i و γ t برهم کنش دارند ) . تعامل فضا-زمان نوع IV ساختار مکانی و زمانی را به تصویر می‌کشد و فرض می‌کند که فراخوان‌های خدمات برای یک واحد تحلیل فضا-زمان هم از نظر مکانی و هم از لحاظ زمانی همبستگی دارند (یعنی s i و φ t برهم کنش دارند ) [ 40 ، 44 ] . این مشخصات زمانی معقول است که روند تماس برای خدمات برای یک منطقه در طول زمان مشابه باشد و مناطق مجاور جغرافیایی روندهای مشابهی را نشان دهند. واریانس برای همه انواع Ψ آنتوسط σΨ2. جزئیات بیشتر در مورد مفروضات و مدل‌سازی تعامل تفکیک ناپذیر فضا-زمان را می‌توان در Knorr-Held [ 44 ] یافت.

4.2. توزیع های پیشین

سطح سوم این مدل سلسله مراتبی بیزی، توزیع های قبلی را برای پارامترهای واریانس توزیع های قبلی سطح دوم مشخص می کند. اینها به عنوان توزیع های پیشین نامیده می شوند. به همه پارامترهای دقت (واریانس متقابل) توزیع گاما مبهم (0.5، 0.0005) اختصاص داده شد [ 56 ]. همه مدل‌ها با توزیع‌های پیشین گاما (0.001، 0.001) آزمایش شدند تا اطمینان حاصل شود که نتایج به مشخصات فوق‌العاده حساس نیستند.

4.3. پیاده سازی مدل و حسن تناسب

مدل‌سازی در R با استفاده از بسته R-INLA [ 43 ] تکمیل شد و نتایج در Quantum GIS 2.14 صادر و نقشه‌برداری شدند. معیار اطلاعات انحراف (DIC) برای ارزیابی برازش مدل استفاده شد [ 57 ]. به طور کلی، DIC یک آنالوگ بیزی از معیار اطلاعات آکایک است و تناسب و پیچیدگی مدل را متعادل می کند [ 58 ]. مقادیر DIC کوچکتر حداقل پنج واحد نشان دهنده برازش مدل برتر است [ 57 ]. DIC در معادله (6) نشان داده شده است D¯میانگین انحراف است و پDتعداد موثر پارامترها یا میانگین انحراف ( D¯) منهای انحراف ارزیابی شده در مقادیر تخمینی پسین ( D^) (معادله (7)). نکته قابل توجه، پارامترهای بسیار همبسته (یعنی فضا، زمان یا اثرات تصادفی فضا-زمان) اغلب به عنوان کمتر از یک “پارامتر موثر” در محاسبات DIC محاسبه می شوند [ 59 ].
DIC=D¯+پD
پD=D¯–D^

5. نتایج

مقادیر DIC و تعداد پارامترهای موثر (pD ) برای چهار مدل مکانی-زمانی که تعامل فضا-زمان را آزمایش می‌کنند در جدول 3 نشان داده شده است . توجه داشته باشید که مقادیر DIC از مدل‌هایی که تعامل فضا-زمان نوع I، II، III و IV را آزمایش می‌کنند، تفاوت‌های شدیدی را نشان نمی‌دهند. این را می توان به همه مدل هایی نسبت داد که شکل نشان داده شده در رابطه (3) را دارند، اما با توجه به توزیع های قبلی پارامترهای تعامل فضا-زمان متفاوت هستند.
مدل تحلیل برهمکنش فضا-زمان نوع IV کمترین DIC را داشت و به عنوان بهترین مدل برازش شناسایی شد. میزان تأثیر ساختارهای مکانی، زمانی و مکانی-زمانی بر تخمین پارامترهای پسین را می توان با مقایسه تعداد مؤثر پارامترها (p D ) و تعداد نقاط داده تجزیه و تحلیل شده (یعنی 755 DA × 12 دوره زمانی = 9060) مشاهده کرد. . در این تحقیق، p D نسبت به تعداد نقاط داده کوچک است، که نشان می‌دهد همبستگی خودکار مکانی و زمانی قابل‌توجهی فراخوان‌ها برای خدمت در مجموعه داده وجود دارد [ 39 ].
هر پارامتر در معادله (3) را می توان به صورت جداگانه با استفاده از تجزیه مدل [ 60 ] مشاهده کرد. از آنجایی که این تحقیق از یک مدل خطی پواسون استفاده می کند، ما از لگاریتم طبیعی پارامترهای مدل برای تخمین ریسک نسبی ناشی از اثرات زمانی اصلی (= exp(γt + φ t))، اثرات فضایی اصلی (= exp(u i +) استفاده می کنیم. s i ))، و تعامل فضا-زمان (= exp(Ψ it)). برای تفسیر، اثرات اصلی و مقادیر تعامل فضا-زمان بزرگتر از 1 را می توان بالاتر از میانگین ریسک مکانی/زمانی یا فضا-زمان در نظر گرفت. میانگین های خلفی و فواصل 95 درصد معتبر مرتبط (CI) گزارش شده است. 95% CI فاصله‌ای است که در آن میانگین خلفی 95% احتمال وقوع دارد.

5.1. اثرات زمانی اصلی

اثرات زمانی اصلی در شکل 4 نشان داده شده است و در اوایل صبح بین ساعت 02:00 تا 03:59 کمترین مقدار (0.918، 95% فاصله اطمینان (CI): 0.894، 0.942) و بیشترین در عصر بین ساعت 20:00 تا 21:59 (1.047، 95% فاصله اطمینان (CI): 1.025، 1.071). روند افزایشی از صبح زود تا اواسط روز وجود داشت که در ساعت 10:00 تا 11:59 به اوج خود رسید (1.045، 95% فاصله اطمینان (CI): 1.024، 1.068) و به دنبال آن در ساعت 12:00 تا 13:59 کاهش یافت. روند افزایشی تدریجی تا عصر. این الگوی زمانی به طور قابل توجهی با داده های مشاهده شده متفاوت است، جایی که بیشترین تعداد تماس برای خدمات بین ساعت 14:00 تا 15:59 رخ داده است. این را می توان به هموارسازی ICAR اعمال شده بر φ t و همچنین تحلیل همزمان تغییرات فضایی تماس برای خدمات نسبت داد.

5.2. جلوه های فضایی اصلی

اثرات فضایی اصلی تماس برای سرویس در شکل 5 نشان داده شده است . به طور کلی تأثیرات فضایی اصلی در نواحی مرکزی منطقه مورد مطالعه بیشترین و در نواحی پیرامونی و روستایی به‌ویژه در شمال غرب کمترین میزان را داشت. بالاترین خطر فضایی در منطقه A (1113.06، 95% فاصله اطمینان: 781.77، 1551.25) یافت شد که احتمالاً به دلیل جمعیت مسکونی به طور قابل توجهی کوچکتر از سایر مناطق است، و در نتیجه، تعداد کم تماس برای خدمات مورد انتظار (شکل 5 )). این محدودیت استفاده از جمعیت مسکونی برای محاسبه شمارش مورد انتظار است. منطقه B با 284.76 (95% فاصله اطمینان: 204.93، 388.51) دومین خطر مکانیکی بالاتر را داشت. ویژگی‌های مناطق B، C و D با درک توزیع جغرافیایی فراخوان‌های پلیس مرتبط است و در زیر مورد بحث قرار می‌گیرد.

5.3. تعامل فضا-زمان

تعامل فضا-زمان و نقاط داغ فضا-زمان برای ساعت های 10:00-11:59 و 20:00-21:59 به ترتیب در شکل 6 و شکل 7 نشان داده شده است . این دوره‌های زمانی انتخاب شدند زیرا با بالاترین اثرات زمانی اصلی مطابقت دارند ( شکل 4 ) و تنوع جغرافیایی در تعامل فضا-زمان در طول یک روز را نشان می‌دهند. نقاط داغ فضا-زمان با نظارت بر احتمال خلفی (PP) که exp(Ψ it ) بزرگتر از 1 است شناسایی شدند. PP را می توان به عنوان معادل بیزی یک p -value [ 61] تفسیر کرد.]. هر چه PP به 1 نزدیک تر باشد، شواهد قوی تر مبنی بر اینکه مناطق کانون فضا-زمان هستند، بیشتر می شود. در مقایسه با تخمین نقطه ای (یعنی میانگین خلفی) برهمکنش فضا-زمان (Ψ it )، PP شاخص قوی تری برای تشخیص نقاط داغ است زیرا واریانس/عدم قطعیت Ψ آن را به حساب می آورد و از توزیع احتمال کامل خلفی استفاده می کند. از Ψ آن ، به طور بالقوه احتمال شناسایی نقاط کاذب را به حداقل می رساند [ 53 ].

6. بحث

نتایج این تحلیل به درک تقاضای منابع مجری قانون مکانی، زمانی و مکانی-زمانی کمک می‌کند و نقطه شروعی برای تحقیقات دقیق‌تر با تمرکز بر توضیحات ممکن برای الگوهای فضا-زمان ارائه می‌کند. فراهم کردن زمینه برای تفسیر نتایج، نظریه فعالیت معمول است، که این فرضیه را مطرح می کند که جرایم جنایی ناشی از همگرایی مجرمان با انگیزه، اهداف مناسب و فقدان قیمومیت توانمند در زمان و مکان است [62] .]. در حالی که تئوری فعالیت معمول در ابتدا برای توضیح جرایم جنایی پیشنهاد شده بود، به طور گسترده برای تجزیه و تحلیل داده های فراخوان برای خدمت استفاده شده است، زیرا لنز نظری را برای تفسیر نوسانات مکانی-زمانی در داده های پلیس به عنوان تابعی از الگوهای حرکت در سطح جمعیت ارائه می دهد. و همچنین ویژگی های کاربری زمین با مساحت کوچک [ 63 ]. باید توجه داشت که نوع و مقدار منابع پلیس مورد نیاز هنگام پاسخگویی به کلاس‌های مختلف تماس برای خدمت متفاوت است و این یکی از محدودیت‌های تجزیه و تحلیل داده‌های فراخوان انبوه است.

6.1. تفسیر نتایج تحلیل مکانی- زمانی

اثرات زمانی اصلی فراخوان برای خدمت پلیس نشان دهنده تغییرات کلی در تقاضای منابع در طول یک روز است و برای مثال می تواند برای تفسیر کلی نیازهای کارکنان مورد استفاده قرار گیرد. همانطور که در شکل 4 نشان داده شده است، اثر زمانی اصلی در دو بازه زمانی بین ساعت 10:00 تا 11:59 و بین 20:00 تا 21:59 به اوج خود می رسد. علیرغم تأثیرات زمانی اصلی مشابه، ترکیب فراخوان‌های خدمات برای این دوره‌های زمانی متمایز بود. برای مثال، در مجموع 1843 تصادف خودروی موتوری در طول ساعت 10:00 تا 11:59 گزارش شده است در حالی که این تصادف در ساعت 20:00 تا 21:59 767 بوده است. به همین ترتیب، از ساعت 20:00 تا 21:59، 1447 شکایت آیین نامه ای در مقایسه با 495 شکایت در ساعات 10:00 تا 11:59 وجود داشت. در مورد تخصیص منابع پلیس، کارکنان اعزامی باید در این دو بازه زمانی به اوج خود برسد، با این حال، سطوح بالاتری از واحدهای پلیس که قادر به پاسخگویی به برخورد وسایل نقلیه موتوری هستند باید در ساعات 10:00 تا 11:59 پرسنل شوند و سطوح بالاتری از اجرای آیین‌نامه باید پرسنل شوند. از ساعت 20:00 تا 21:59.
جلوه‌های فضایی اصلی الگوی فضایی عمومی فراخوان‌های پلیس را برجسته می‌کند. مناطقی با اثرات فضایی بالا به طور مداوم تعداد تماس‌های زیادی برای خدمات دارند و مناطقی هستند که منابع پلیس باید برای تمام دوره‌های زمانی هدایت شوند. بررسی ویژگی‌های مناطق B، C و D بینشی در مورد دلایلی که این مناطق ممکن است اثرات فضایی بالایی داشته باشند، فراهم می‌کند. بزرگترین مرکز خرید منطقه مورد مطالعه و یک گره ترانزیت اصلی در منطقه B قرار دارد و حوادث مکرر در این منطقه توقف وسایل نقلیه موتوری (1108)، برخورد جزئی وسیله نقلیه موتوری (187)، و اجرای ترافیک (169) بود. منطقه C شامل یک دانشگاه بزرگ و مسکن دانشجویی است و حوادث عمدتاً از اموال گم شده یا آسیب دیده (1257)، تماس های اضطراری عمومی (220) و سرقت های کوچک (372) تشکیل شده است.
تعامل فضا-زمان انحرافات خاص منطقه را از اثرات زمانی اصلی و مکانی اصلی [ 44 ] تخمین می زند و نشان می دهد که آیا منابع اضافی برای مناطق خاص جدا از تخصیص منابع مکانی و زمانی پایه مورد نیاز است یا خیر. برای ساعت 10:00 تا 11:59، هیچ ناحیه ای با exp(Ψ it )> 1.5 وجود نداشت و مناطقی با تعامل فضا-زمان متوسط ​​در سراسر منطقه مورد مطالعه پراکنده شدند ( شکل 6 A). در مقایسه، در طول 20:00-21:59، 63 منطقه با exp(Ψ it )> 1.5 وجود داشت و این مناطق در و اطراف مناطق تجاری مرکزی متمرکز بودند ( شکل 7 A). این ممکن است با تغییر الگوهای فعالیت های معمول ساکنان توضیح داده شود [ 62]: اشتغال در روز و فعالیت های اوقات فراغت از نظر جغرافیایی در مناطق شهری، حومه و روستایی منطقه مورد مطالعه پراکنده است، در حالی که مناطق تجاری مرکزی جایی هستند که فعالیت های اوقات فراغت عصر متمرکز شده است [64 ، 65 ] .
نقاط حساس فضا-زمان، که با ارزیابی احتمال عقبی exp(Ψ it ) > 1.0 شناسایی می شوند، مناطق خاصی هستند که به منابع مجری قانون اضافی برای رسیدگی به تعداد زیادی تماس برای خدمات نیاز دارند. احتمال خلفی از 0 تا 1 متغیر است و مناطق هات اسپات را قادر می سازد بر اساس قدرتی که exp(Ψ it ) > 1.0 است رتبه بندی شوند. سه ناحیه با بیشترین PP برای 10:00-11:59 و 20:00-21:59 در شکل 6 B و شکل 7 B (به ترتیب با عنوان مناطق 1، 2، و 3) نشان داده شده است. در طول ساعت 10:00 تا 11:59، نقاط کانونی فضا-زمان در منطقه تجاری مرکزی کیچنر متمرکز شده بودند، اما در نزدیکی یک دانشگاه محلی در طول ساعت 20:00 تا 21:59 قرار داشتند.
برای بررسی بیشتر تغییرات جغرافیایی در تعامل فضا-زمان، تعامل فضا-زمان و نقاط داغ فضا-زمان را برای 02:00-03:59 تجسم می کنیم ( شکل 8 A، B، به ترتیب). این دوره زمانی کمترین اثر زمانی اصلی را داشت ( شکل 4 ). در طول این دوره زمانی، تعامل فضا-زمان در اطراف مناطق تجاری مرکزی جمع شد و در امتداد کریدور تجاری و حمل و نقل اصلی در منطقه مورد مطالعه گسترش یافت. در حالی که تعداد کل کارکنان ممکن است در این دوره زمانی کمتر باشد، فراخوان‌ها برای خدمات از نظر جغرافیایی دسته‌بندی شدند تا بتوان منابع را در مناطق خاص با تقاضای بالا هدف قرار داد.

6.2. مدل سازی مجموعه داده های مکانی-زمانی بزرگتر با INLA

تجزیه و تحلیل بیزی مجموعه داده‌های مکانی-زمانی از طریق الگوریتم‌های MCMC از نظر محاسباتی گران است زیرا آنها به تدریج توزیع‌های پسین را تغییر می‌دهند و محققین را ملزم به نظارت بر تخمین‌های پسین و بررسی تشخیص همگرایی می‌کنند [42 ] . INLA، در مقابل، توزیع های پسین را از طریق ادغام عددی محاسبه می کند و نیازی به نظارت مداوم همگرایی ندارد. ما زمان مورد نیاز برای تخمین معادله (3) را با ساده‌ترین تعامل فضا-زمان نوع I در ThinkPad IBM با پردازنده 2.4 گیگاهرتز و رم 12 گیگابایت مقایسه کردیم. با استفاده از MCMC در WinBUGS، همگرایی مدل تقریباً به 13 ساعت نیاز داشت در حالی که INLA تقریباً به هفت دقیقه نیاز داشت.
در حالی که این تحقیق 9060 واحد فضا-زمان را تجزیه و تحلیل می‌کند، مزایای مدل‌سازی INLA ممکن است در مجموعه داده‌های مکانی-زمانی بزرگ‌تر به‌طور کامل‌تر درک شود. هنگامی که داده‌ها برای گستره‌های زمانی و مکانی بزرگ در دسترس هستند، مدل‌های مکانی-زمانی INLA ممکن است برای تجزیه و تحلیل داده‌های منطقه کوچک برای یک کشور (به عنوان مثال، کانادا از 56204 DA در سال 2011 تشکیل شده بود) در طول سال‌ها برای شناسایی قابل تعمیم، منطقه‌ای و الگوهای خاص محله در تماس برای خدمات. هنگامی که داده‌های نقطه‌ای مکانی-زمانی در دسترس هستند، INLA می‌تواند از طریق مدل‌سازی معادله جزئی دیفرانسیل تصادفی (SPDE) گسترش یابد [ 40 ].

7. نتیجه گیری

پیاده‌سازی سیستم‌های ارسال به کمک رایانه در مجریان قانون منجر به افزایش در دسترس بودن مجموعه داده‌های تماس برای خدمات با اطلاعات مکانی و زمانی شده است. این مجموعه داده ها رشد نقشه برداری جرم را تسهیل کرده اند، با این حال تحقیقات گذشته به ندرت الگوهای مکانی و زمانی را به طور همزمان در نظر گرفته است. تحلیل فضا-زمان به روش هایی نیاز دارد که بتوانند الگوهای مکانی و زمانی و همچنین تعامل فضا-زمان را شناسایی کنند و همبستگی مکانی محلی و خودهمبستگی زمانی را در نظر بگیرند.
این تحقیق یک رویکرد مدل‌سازی فضایی-زمانی بیزی اجرا شده از طریق INLA را برای شناسایی الگوهای مکانی، زمانی و مکانی-زمانی تماس‌ها برای خدمات برای دوره‌های زمانی دو ساعته در سطح منطقه کوچک اعمال کرد. نتایج از طریق تئوری فعالیت معمول، که بر الگوهای فعالیت در سطح جمعیت در مکان و زمان تمرکز دارد، تفسیر شد. نشان داده شد که تأثیرات زمانی اصلی تماس برای خدمات بین ساعت 20:00 تا 21:59 به اوج خود رسید و بین ساعت 02:00 تا 03:59 کمترین میزان را داشت. الگوهای فراخوان فضایی صرفاً در مناطق تجاری مرکزی و در مناطق دارای بزرگراه، دانشگاه محلی و مرکز خرید منطقه‌ای ریسک بالایی را نشان می‌دهد. تعامل فضا-زمان انحراف از الگوهای اصلی مکانی و زمانی را تخمین می زند و شناسایی نقاط داغ فضا-زمان را امکان پذیر می کند.
یکی از محدودیت‌های این تحقیق این است که تعداد تماس‌های مورد انتظار با استفاده از جمعیت مسکونی محاسبه شد. تحقیقات اخیر نشان داده است که معیارهای جایگزین جمعیت (یعنی مخرج در محاسبات نرخ جرم و جنایت) ممکن است بر نتایج و تفسیر تحلیل‌های فضایی جرم تأثیر بگذارد [ 66 ]. تحقیقات آینده ممکن است شامل اقدامات جایگزین برای جمعیت، مانند جمعیت محیطی، جمعیت روزهای کاری یا رفت و آمد، یا جمعیت های تخمین زده شده از طریق داده های رسانه های اجتماعی [ 67] باشد.]. محدودیت دوم این تحقیق این است که ما فقط تئوری فعالیت معمول را در نظر می گیریم و دیدگاه های نظری و متغیرهای کمکی متنوعی در آن گنجانده نشده است. مطالعات آتی که نوع خاصی از فراخوان برای خدمت را تجزیه و تحلیل می‌کنند باید شامل متغیرهای کمکی مانند وضعیت اجتماعی-اقتصادی محله، ترکیب کاربری محلی، و ادراک پلیس باشد، به‌ویژه اگر انواع خاصی از فراخوان برای خدمت را تجزیه و تحلیل می‌کنند [6 ، 68 ] . تجزیه و تحلیل انواع تماس های خاص نیز ممکن است جزئیات بیشتری در مورد انواع و مقادیر منابع اجرای قانون مورد نیاز ارائه دهد.
تحقیقات آتی که مجموعه داده‌های مکانی-زمانی را تجزیه و تحلیل می‌کند، باید تجزیه و تحلیل زمان خدمات (یعنی ساعت‌ها منابع مجری قانون) را برای درک بهتر تخصیص کلی منابع و تطبیق داده‌های تماس برای سرویس با زمان سرویس برای تعیین کمیت منابع مورد نیاز برای انواع تماس در نظر بگیرد. در حالی که این تحقیق الگوهای مکانی، زمانی و مکانی-زمانی باقیمانده جرم را تشریح کرد، عوامل خطر منطقه کوچک در نظر گرفته نشد. تحقیقات آینده باید ارتباط بین ویژگی‌های محله و فراخوان‌های خدمات را با گسترش این مدل مکانی-زمانی به منظور شامل متغیرهای کمکی و در نظر گرفتن تجزیه و تحلیل داده‌های نقطه‌ای برای برجسته کردن آدرس‌ها یا تقاطع‌های خاصی که در آن تماس‌ها برای خدمت، خوشه‌بندی بالایی را نشان می‌دهند، بررسی کند [ 62]. همچنین تحلیل الگوهای ساعتی در زمینه الگوهای روزانه، ماهانه و فصلی مفید خواهد بود، که ممکن است برای یک رویکرد مدل‌سازی فضایی-زمانی چند سطحی مناسب باشد. در نهایت، تحقیقات آینده ممکن است مدل بیزی مکانی-زمانی ارائه شده را برای پیش‌بینی‌های احتمالی تطبیق دهد [ 69 ، 70 ].

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

CI فاصله معتبر
DA منطقه انتشار
DIC معیار اطلاعات انحراف
(I) ماشین (ذاتی) خودبازگشت شرطی
MCMC زنجیره مارکوف مونت کارلو
INLA تقریب لاپلاس تودرتو یکپارچه
PP احتمال پسین

منابع

  1. Chan, JBL بازی تکنولوژیک: چگونه فناوری اطلاعات عملکرد پلیس را متحول می کند. Criminol. جنایت. عدالت 2001 ، 1 ، 139-159. [ Google Scholar ] [ CrossRef ]
  2. سندرز، CB; هانم، اس. پلیس “مخاطره آمیز”: فناوری و نظارت در کار گشت زنی روزمره. می توان. کشیش سوسیول. 2012 ، 49 ، 389-410. [ Google Scholar ] [ CrossRef ]
  3. منینگ، فناوری اطلاعات PK و پلیس. عدالت جنایی 1992 ، 15 ، 349-398. [ Google Scholar ] [ CrossRef ]
  4. Bursik، RJ; Grasmick, HG استفاده از چند شاخص برای تخمین روند جرم و جنایت در شهرهای آمریکا. جی. جنایت. عدالت 1993 ، 21 ، 509-516. [ Google Scholar ] [ CrossRef ]
  5. منینگ، راه های فناوری PK: فناوری اطلاعات، تجزیه و تحلیل جرم و منطقی سازی پلیس. Criminol. جنایت. عدالت 2001 ، 1 ، 83-103. [ Google Scholar ] [ CrossRef ]
  6. کلینگر، دی. Bridges, GS خطای اندازه گیری در فراخوانی خدمات به عنوان شاخص جرم. جرم شناسی 1997 ، 35 ، 705-726. [ Google Scholar ] [ CrossRef ]
  7. کوئیک، م. قانون، J. کاوش نقاط داغ جرایم مواد مخدر در تورنتو: مقایسه چهار روش محلی تشخیص خوشه فضایی. می توان. J. Criminol. جنایت. عدالت 2013 ، 55 ، 215-238. [ Google Scholar ] [ CrossRef ]
  8. کراگلیا، ام. هاینینگ، آر. وایلز، پی. ارزیابی تطبیقی ​​رویکردهای تحلیل الگوی جرم شهری. مطالعه شهری. 2000 ، 37 ، 711-729. [ Google Scholar ] [ CrossRef ]
  9. موری، AT; مک گافوگ، آی. وسترن، JS; Mullins، P. تکنیک های تحلیل داده های فضایی اکتشافی برای بررسی جرم شهری. برادر J. Criminol. 2001 ، 41 ، 309-329. [ Google Scholar ] [ CrossRef ]
  10. Ceccato، V. قتل در سائوپائولو، برزیل: ارزیابی تغییرات مکانی- زمانی و آب و هوا. جی. محیط زیست. روانی 2005 ، 25 ، 307-321. [ Google Scholar ] [ CrossRef ]
  11. ناکایا، تی. یانو، ک. تجسم خوشه‌های جرم در مکعب فضا-زمان: رویکرد تحلیل داده‌های اکتشافی با استفاده از تخمین چگالی هسته فضا-زمان و آمار اسکن. ترانس. GIS 2010 ، 14 ، 223-239. [ Google Scholar ] [ CrossRef ]
  12. Shiode، S. آمار اسکن فضایی در سطح خیابان و STAC برای تجزیه و تحلیل غلظت جرایم خیابانی. ترانس. GIS 2011 ، 15 ، 365-383. [ Google Scholar ] [ CrossRef ]
  13. اندرسن، MA تست شباهت در الگوهای فضایی مبتنی بر ناحیه: یک رویکرد مونت کارلو ناپارامتریک. Appl. Geogr. 2009 ، 29 ، 333-345. [ Google Scholar ] [ CrossRef ]
  14. ویزبرد، دی. بوشوی، اس. لوم، سی. یانگ، اس.-م. مسیرهای جنایت در مکان ها: مطالعه طولی بخش های خیابان در شهر سیاتل. جرم شناسی 2004 ، 42 ، 283-321. [ Google Scholar ] [ CrossRef ]
  15. گراف، ای آر. ویزبرد، دی. یانگ، اس.-م. آیا بررسی روند جرم و جنایت در سطح محلی “خرد” مهم است؟ تحلیل طولی تغییرپذیری خیابان به خیابان در مسیرهای جرم و جنایت جی. کوانت. Criminol. 2010 ، 26 ، 7-32. [ Google Scholar ] [ CrossRef ]
  16. رابرتسون، سی. نلسون، TA; MacNab، YC; لاوسون، AB بررسی روش‌های نظارت بر بیماری در فضا-زمان. تف کردن فضای زمانی. اپیدمیول. 2010 ، 1 ، 105-116. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. گروبسیچ، TH; MacK، EA تعامل مکانی-زمانی جرم شهری. جی. کوانت. Criminol. 2008 ، 24 ، 285-306. [ Google Scholar ] [ CrossRef ]
  18. ری، اس جی. مک، EA؛ Koschinsky، J. تحلیل فضا-زمان اکتشافی الگوهای سرقت. جی. کوانت. Criminol. 2012 ، 28 ، 509-531. [ Google Scholar ] [ CrossRef ]
  19. وارنر، بی.دی. پیرس، جی.ال. بررسی مجدد نظریه بی‌سازمانی اجتماعی با استفاده از تماس با پلیس به عنوان معیار جرم. جرم شناسی 1993 ، 31 ، 493-517. [ Google Scholar ] [ CrossRef ]
  20. کراگلیا، ام. هاینینگ، آر. Signoretta، P. مدلسازی مناطق جرم و جنایت با شدت بالا در شهرهای انگلیسی. مطالعه شهری. 2001 ، 38 ، 1921-1941. [ Google Scholar ] [ CrossRef ]
  21. مک کورد، ES؛ Ratcliffe, JH تجزیه و تحلیل ریز فضایی از محیط جمعیتی و جرم زایی بازارهای مواد مخدر در فیلادلفیا. اوست NZJ Criminol. 2007 ، 40 ، 43-63. [ Google Scholar ] [ CrossRef ]
  22. براگا، AA; Bond, BJ Policing جرم و بی نظمی نقاط داغ: یک کارآزمایی تصادفی کنترل شده. جرم شناسی 2008 ، 46 ، 577-607. [ Google Scholar ] [ CrossRef ]
  23. مارشال، RJ مروری بر روش‌های تحلیل آماری الگوهای فضایی بیماری. JR Stat. Soc. سر. یک آمار Soc. 1991 ، 154 ، 421-441. [ Google Scholar ] [ CrossRef ]
  24. جانسون، SD; Bowers، KJ پایداری خوشه‌های فضا-زمان سرقت. برادر J. Criminol. 2004 ، 44 ، 55-65. [ Google Scholar ] [ CrossRef ]
  25. امبورو، ال. هلبیچ، ام. جوامع به عنوان نگهبانان محله: تحلیل مکانی-زمانی پلیس جامعه در حومه نایروبی. Appl. تف کردن مقعدی سیاست 2015 ، 1-22. [ Google Scholar ] [ CrossRef ]
  26. لی، اس. دراگیسویچ، اس. کاسترو، FA; سستر، ام. زمستان، اس. کولتکین، ا. پتیت، سی. جیانگ، بی. هاورث، جی. استین، ا. و همکاران نظریه و روش های مدیریت داده های بزرگ جغرافیایی: بررسی و چالش های تحقیق ISPRS J. Photogramm. Remote Sens. 2015 ، 115 ، 119-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. Chun, Y. تجزیه و تحلیل حوادث جرم و جنایت فضا-زمان با استفاده از فیلتر فضایی بردار ویژه: یک برنامه کاربردی برای سرقت خودرو. Geogr. مقعدی 2014 ، 46 ، 165-184. [ Google Scholar ] [ CrossRef ]
  28. بلانژیاردو، م. کاملتی، ام. بایو، جی. Rue, H. مدل‌های فضایی و مکانی-زمانی با R-INLA. تف کردن فضای زمانی. اپیدمیول. 2013 ، 7 ، 39-55. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. بساج، ج. یورک، جی. Mollie، A. بازیابی تصویر بیزی، با دو کاربرد در آمار فضایی. ان Inst. آمار ریاضی. 1991 ، 43 ، 1-20. [ Google Scholar ] [ CrossRef ]
  30. Congdon، P. نظارت بر مرگ و میر خودکشی: یک رویکرد بیزی. یورو جی پوپول. 2000 ، 16 ، 251-284. [ Google Scholar ] [ CrossRef ]
  31. گرونوالد، پی جی. پونیکی، WR; Remer، LG; والر، لس آنجلس; زو، ال. Gorman, DM نقشه برداری از گسترش سوء مصرف مت آمفتامین در کالیفرنیا از سال 1995 تا 2008 . J. بهداشت عمومی 2013 ، 103 ، 1262-1270. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. سردا، م. مسنر، اس.اف. تریسی، ام. ولاهوف، دی. گلدمن، ای. تاردیف، کی جی. Galea, S. بررسی تأثیر تغییرات اجتماعی بر میزان قتل های مربوط به اسلحه خاص سنی در شهر نیویورک در طول دهه 1990. صبح. J. بهداشت عمومی 2010 ، 100 ، 1107-1115. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. لوان، اچ. قانون، ج. Quick, M. شناسایی صحراها و باتلاق‌های غذایی بر اساس دسترسی نسبی به غذای سالم: رویکرد بیزی فضایی-زمانی. بین المللی J. Health Geogr. 2015 ، 14 ، 37. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. زو، ال. والر، لس آنجلس; Ma, J. نقشه برداری بیماری های مکانی-زمانی سوء مصرف یا وابستگی به مواد مخدر غیرقانونی در حضور کدهای پستی نامناسب. GeoJournal 2013 ، 78 ، 463-474. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. قانون، ج. کوئیک، م. چان، پ. بیزی مدل سازی فضایی-زمانی برای تحلیل الگوهای محلی جرم در طول زمان در سطح منطقه کوچک. جی. کوانت. Criminol. 2013 ، 30 ، 57-78. [ Google Scholar ] [ CrossRef ]
  36. کوئیک، م. قانون، ج. لوان، اچ. تأثیر خروجی های الکل در محل و خارج از محل بر جنایات خشونت آمیز گزارش شده در منطقه واترلو، انتاریو: استفاده از مدل سازی فضایی بیزی برای اطلاع از برنامه ریزی و سیاست کاربری زمین. Appl. تف کردن مقعدی سیاست 2016 . [ Google Scholar ] [ CrossRef ]
  37. ریچاردسون، اس. آبلان، جی جی. بهترین، تجزیه و تحلیل فضایی-زمانی N. Bayesian الگوهای مشترک خطرات سرطان ریه مردانه و زنانه در یورکشایر (بریتانیا). آمار روش ها Med. Res. 2006 ، 15 ، 385-407. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. آبلان، جی جی. ریچاردسون، اس. بهترین، N. استفاده از مدل های فضا-زمان برای بررسی پایداری الگوهای بیماری. محیط زیست چشم انداز سلامتی 2008 ، 116 ، 1111-1119. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. بهترین، ن. ریچاردسون، اس. تامسون، A. مقایسه مدل های فضایی بیزی برای نقشه برداری بیماری. آمار روش ها Med. Res. 2005 ، 14 ، 35-59. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. بلانژیاردو، م. Cameletti، M. مدل های بیزی فضایی و فضایی-زمانی با R-INLA . جان وایلی و پسران: ساسکس غربی، بریتانیا، 2015. [ Google Scholar ]
  41. بانرجی، اس. کارلین، BP; Gelfand، مدلسازی و تحلیل سلسله مراتبی AE برای داده های مکانی ، ویرایش دوم. CRC Press: Boca Raton، FL، USA، 2014. [ Google Scholar ]
  42. کارول، آر. لاوسون، AB; فائس، سی. کربی، آر اس؛ آرگی، م. Watjou، K. مقایسه INLA و OpenBUGS برای مدل‌سازی سلسله مراتبی پواسون در نقشه‌برداری بیماری. تف کردن فضای زمانی. اپیدمیول. 2015 ، 14-15 ، 45-54. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. Rue, H.; مارتینو، اس. استنتاج بیزی تقریبی برای مدل‌های گاوسی نهفته با استفاده از تقریب‌های لاپلاس تو در تو یکپارچه. JR Stat. Soc. سر. B آمار روش. 2009 ، 71 ، 319-392. [ Google Scholar ] [ CrossRef ]
  44. Knorr-Held، L. Bayesian مدل‌سازی تغییرات تفکیک ناپذیر فضا-زمان در خطر بیماری. آمار پزشکی 1999 ، 19 ، 2555-2567. [ Google Scholar ] [ CrossRef ]
  45. فلسون، ام. پولسن، ای. شاخص های ساده جرم بر حسب زمان روز. بین المللی J. پیش بینی. 2003 ، 19 ، 595-601. [ Google Scholar ] [ CrossRef ]
  46. منطقه انتشار آمار کانادا (DA). در دسترس آنلاین: http://www12.statcan.gc.ca/census-recensement/2011/ref/dict/geo021-eng.cfm (دسترسی در 17 آوریل 2015).
  47. Skogan، WG کارایی و اثربخشی در ادارات پلیس شهرهای بزرگ. عمومی Adm. Rev. 1976 , 36 , 278-286. [ Google Scholar ] [ CrossRef ]
  48. خدمات پلیس منطقه ای واترلو پیوست C: انواع تماس WRPS 9000. در دسترس آنلاین: http://www.wrps.on.ca/inside-wrps/corporate-planning-systems (در 6 آوریل 2016 قابل دسترسی است).
  49. قانون، ج. چان، PW نظارت بر الگوهای فضایی باقیمانده با استفاده از مدل‌سازی فضایی سلسله مراتبی بیزی برای کاوش عوامل خطر ناشناخته. ترانس. GIS 2011 ، 15 ، 521-540. [ Google Scholar ] [ CrossRef ]
  50. Lawson، AB Bayesian Disease Mapping: Hierarchical Modeling in Spatial Epidemiology , 1st ed.; CRC Press: Boca Raton، FL، USA، 2009. [ Google Scholar ]
  51. برناردینلی، ال. کلیتون، دی. پاسکوتو، سی. مونتومولی، سی. غسلندی، م. Songini، M. Bayesian تجزیه و تحلیل تغییرات فضا-زمان در خطر بیماری. آمار پزشکی 1995 ، 14 ، 2433-2443. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. هاینینگ، آر. قانون، ج. گریفیث، دی. مدلسازی تعداد مساحت کوچک در حضور پراکندگی بیش از حد و همبستگی فضایی. محاسبه کنید. آمار داده آنال. 2009 ، 53 ، 2923-2937. [ Google Scholar ] [ CrossRef ]
  53. ریچاردسون، اس. تامسون، ا. بهترین، ن. الیوت، پی. تفسیر تخمین خطر نسبی خلفی در مطالعات نقشه برداری بیماری. محیط زیست چشم انداز سلامتی 2004 ، 112 ، 1016-1025. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. شرودل، بی. برگزار شد، L. نقشه برداری بیماری فضایی-زمانی با استفاده از INLA. Environmetrics 2011 ، 22 ، 725-734. [ Google Scholar ] [ CrossRef ]
  55. چوی، جی. لاوسون، AB; کای، بی. حسین، MM ارزیابی مدل‌های نهفته فضایی-زمانی بیزی در داده‌های سلامت ناحیه کوچک. Environmetrics 2011 ، 22 ، 1008-1022. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  56. کلسال، جی. Wakefield، JC بحث: بهترین، NG; آرنولد، RA؛ توماس، ا. والر، لس آنجلس; مدل‌های Conlon، EM Bayesian برای داده‌های بیماری و مواجهه با همبستگی فضایی. در آمار بیزی 6 ; Bernardo, JM, Berger, JO, Dawid, AP, Eds. انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 1999; صص 131-156. [ Google Scholar ]
  57. Spiegelhalter، دی جی; بهترین، NG; کارلین، BP; ون در لیند، A. بیزی معیارهای پیچیدگی و تناسب مدل. JR Stat. Soc. سر. B آمار روش. 2002 ، 64 ، 583-616. [ Google Scholar ] [ CrossRef ]
  58. Congdon, P. Applied Bayesian Modeling , 2nd ed.; Wiley & Sons: West Sussex، UK، 2014. [ Google Scholar ]
  59. کاولز، مقایسه مدل MK، بررسی مدل، و آزمون فرضیه. در آمار بیزی کاربردی: با مثال‌های R و OpenBUGS . متون Springer در آمار; Springer New York: New York, NY, USA, 2013; ص 207-224. [ Google Scholar ]
  60. قانون، ج. هاینینگ، آر. رویکرد بیزی برای مدل‌سازی داده‌های باینری: مورد مناطق جرم و جنایت با شدت بالا. Geogr. مقعدی 2004 ، 36 ، 197-216. [ Google Scholar ] [ CrossRef ]
  61. منگ، CYK؛ Dempster، AP یک رویکرد بیزی به مسئله چندگانه برای آزمایش اهمیت با داده های دوجمله ای. بیومتریک 1987 ، 43 ، 301-311. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  62. کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
  63. شرمن، LW; گارتین، روابط عمومی؛ Buerger, ME نقاط داغ جنایات غارتگرانه: فعالیت های معمول و جرم شناسی مکان. جرم شناسی 1989 ، 27 ، 27-56. [ Google Scholar ] [ CrossRef ]
  64. برانتینگهام، پی جی. برانتینگهام، PL نظریه الگوی جرم. در جرم شناسی محیطی و تحلیل جرم ; انتشارات Willan: Portland, OR, USA, 2008; صص 78-93. [ Google Scholar ]
  65. گراف، ای آر. Lockwood، B. امکانات جرم زا و جرم در سراسر بخش های خیابان در فیلادلفیا: کشف شواهد در مورد وسعت فضایی نفوذ تسهیلات. J. Res. جنایت دلینق. 2014 ، 51 ، 277-314. [ Google Scholar ] [ CrossRef ]
  66. مالسون، ن. Andresen، MA تأثیر استفاده از داده های رسانه های اجتماعی در محاسبات نرخ جرم: تغییر نقاط داغ و تغییر الگوهای فضایی. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 112-121. [ Google Scholar ] [ CrossRef ]
  67. مالسون، ن. اندرسن، کارشناسی ارشد بررسی تأثیر اقدامات جمعیتی محیطی بر کانون‌های جرم و جنایت لندن. جی. جنایت. عدالت 2016 ، 46 ، 52-63. [ Google Scholar ] [ CrossRef ]
  68. هاگان، جی. گیلیس، آر. چان، جی. توضیح بزهکاری رسمی: مطالعه فضایی طبقه، درگیری و کنترل. اجتماعی Q. 1978 , 19 , 286-398. [ Google Scholar ] [ CrossRef ]
  69. کوهن، جی. Gorr، WL; Olligschlaeger، AM شاخص های پیشرو و تعاملات فضایی: یک مدل پیش بینی جرم برای استقرار فعال پلیس. Geogr. مقعدی 2007 ، 39 ، 105-127. [ Google Scholar ] [ CrossRef ]
  70. فیترر، جی ال. نلسون، TA مروری بر روش های آماری و کمی مورد استفاده برای مطالعه جرایم منتسب به الکل. PLoS ONE 2015 ، 10 ، 1-24. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 05 00162 g001 1024
شکل 1. توزیع جغرافیایی ( A ) تعداد تمام تماس‌ها برای خدمت پلیس در سال 2011 و ( B ) تعداد مورد انتظار درخواست‌ها برای خدمت.
Ijgi 05 00162 g002 1024
شکل 2. مجموع تماس ها برای خدمات بر اساس دوره زمانی 2 ساعته.
Ijgi 05 00162 g003 1024
شکل 3. توزیع جغرافیایی تعداد تماس‌های پلیس برای ( A ) 04:00-05:59 و ( B ) 14:00-15:59.
Ijgi 05 00162 g004 1024
شکل 4. اثرات زمانی اصلی (= exp(γ t + φ t )) برای تماس برای سرویس. خاکستری نشان دهنده 95% فاصله معتبر (CI) است.
Ijgi 05 00162 g005 1024
شکل 5. اثرات فضایی اصلی (= exp(u i + s i )) فراخوان برای خدمت پلیس.
Ijgi 05 00162 g006 1024
شکل 6. برای 10:00-11:59، ( A ) تعامل فضا-زمان و ( B ) نقاط داغ فضا-زمان.
Ijgi 05 00162 g007 1024
شکل 7. برای 20:00-21:59، ( A ) تعامل فضا-زمان و ( B ) نقاط داغ فضا-زمان.
Ijgi 05 00162 g008 1024
شکل 8. برای 02:00-03:59، ( A ) تعامل فضا-زمان و ( B ) احتمال کانون فضا-زمان.
جدول
جدول 1. آمار توصیفی برای تعداد تماس برای خدمات در منطقه واترلو، 2011.
جدول
جدول 2. آمار توصیفی برای تغییرات زمانی تماس برای خدمت. توجه داشته باشید که ساعت 00:00 به نیمه شب و 12:00 به ظهر اشاره دارد.
جدول
جدول 3. مقادیر معیار اطلاعات انحراف (DIC) برای مدل‌های با تعامل فضا-زمان نوع I، II، III و IV.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370