ارزیابی روش های تحلیل زمانی با استفاده از داده های سرقت مسکونی

خلاصه

سازمان‌های مجری قانون و همچنین محققان در بسیاری از تحلیل‌های جرم، به عنوان مثال، تحلیل‌های مکانی-زمانی، بر روش‌های تحلیل زمانی تکیه می‌کنند. تعدادی از روش‌های تحلیل زمانی استفاده می‌شود، اما یک مقایسه ساختاریافته در پیکربندی‌های مختلف هنوز انجام نشده است. هدف این مطالعه پر کردن این شکاف تحقیقاتی با مقایسه دقت پنج روش تحلیل زمانی موجود و یک روش جدید در تقریب زمان وقوع جرم برای سرقت‌های مسکونی است که اغلب فاقد اطلاعات زمانی دقیق هستند. روش‌های تحلیل زمانی در هشت پیکربندی مختلف با وضوح زمانی متفاوت و همچنین میزان داده‌ها (تعداد جرایم) موجود در طول تجزیه و تحلیل ارزیابی می‌شوند. مجموعه داده‌ای از تمام سرقت‌های مسکونی سوئدی که بین سال‌های 2010 و 2014 گزارش شده‌اند استفاده می‌شود (N = 103,029). از آن مجموعه داده، زیرمجموعه‌ای از سرقت‌ها با زمان‌های مشخص جرم برای ارزیابی استفاده می‌شود. دقت روش‌های تحلیل زمانی در تقریب توزیع سرقت‌ها با زمان‌های جرم دقیق شناخته شده بررسی می‌شود. آئوریستی و آئوریستی رمان

_{Unknown node type: font Unknown node type: font Unknown node type: font}

روش به طور قابل توجهی بهتر از سه روش سنتی است. آزمایش ها نشان می دهد که رمان آئوریستی

_{Unknown node type: font Unknown node type: font Unknown node type: font}

روش برای تخمین فراوانی جرم در وضوح زمانی روز از سال مناسب ترین روش بود، زمانی که تعداد کمتری از جرایم در طول تجزیه و تحلیل موجود بود. در سایر پیکربندی‌های مورد بررسی، روش آئوریستی بهترین نتایج را نشان داد. نتایج همچنین پتانسیل روش‌های تحلیل زمانی را در تقریب توزیع‌های زمانی سرقت‌های مسکونی در شرایطی که داده‌های محدودی در دسترس است نشان می‌دهد.

کلید واژه ها:

تحلیل زمانی تحلیل آئوریستی ; تجزیه و تحلیل جرم ; سرقت منازل مسکونی

1. معرفی

هنگام بررسی و تجزیه و تحلیل جرایم، داشتن اطلاعات زمانی دقیق مهم است. در حالی که انبوه دزدی ها ممکن است افزایش جرایم را در روزهای خاص هفته نشان دهد، تجزیه و تحلیل زمانی ممکن است الگوهای پیچیده تری را نشان دهد، زیرا وضوح زمانی تغییر می کند، به عنوان مثال، از روز به ساعت. علاوه بر این، اطلاعات زمانی دسته های مختلف جرم، اطلاعات متفاوتی را در مورد دسته جرم یا در مورد مرتکب انتقال می دهد، به عنوان مثال، زمانی که یک جرم ارتکاب یافته ممکن است به حذف گروه بزرگی از مجرمان احتمالی کمک کند. به این ترتیب، در دسترس بودن اطلاعات زمانی دقیق برای سازمان های مجری قانون در طول، به عنوان مثال، تجزیه و تحلیل های مکانی- زمانی یا تجزیه و تحلیل نقطه ها مهم است.

با این حال، داده های جرم اغلب حاوی عدم قطعیت هستند، به عنوان مثال، اگر جرم بدون شاهد انجام شده باشد، ممکن است جمع آوری اطلاعات کامل و دقیق دشوار باشد. برخی از دسته های جرم، به عنوان مثال، سرقت اموال بدون مراقبت، مانند سرقت، اغلب فاقد اطلاعات زمانی دقیق هستند. اغلب گزارش می شود که آنها در یک بازه زمانی با طول های مختلف اتفاق افتاده اند [ 1 ، 2 ]. فقدان داده‌های زمانی دقیق در مورد انواع خاص جرم مایه تاسف است، زیرا تحلیل جرم را دشوارتر می‌کند [ 3 ]. در نتیجه، نیاز به روش‌هایی وجود دارد که بر اساس داده‌های زمانی نادرست، زمان دقیق‌تری از وقوع جرم را تخمین بزنند.

تخمین زمان واقعی وقوع می‌تواند نیاز به منابع داشته باشد، زیرا تعداد جرایم موجود و حل موقت آن متفاوت است، به عنوان مثال، ساعت از روز یا ماه در سال. روش های متعددی برای تخمین زمان وقوع جرم وجود دارد [ 1 ]. زمان وقوع تخمینی تحت تأثیر روش تخمین مورد استفاده قرار می گیرد. با این حال، هیچ مقایسه کاملی از روش‌های موجود در پیکربندی‌های زمانی مختلف در جامعه پژوهشی انجام نشده است.

بنابراین، مطالعه حاضر با ارزیابی پنج روش موجود، و یک روش جدید، این شکاف تحقیقاتی را پر می‌کند تا مشخص کند کدام روش‌ها الگوهای زمانی را با توجه به وضوح‌های زمانی مختلف و اندازه‌های نمونه جرم و جنایت برآورد می‌کنند. انتخاب یک روش مناسب مهم است، زیرا انتخاب روش بر نتیجه تحلیل نهایی و در نتیجه بر توانایی سازمان های مجری قانون برای انجام تجزیه و تحلیل جرم و همچنین دانش آنها در مورد الگوهای جرم موقت تأثیر می گذارد.

1.1. هدف و دامنه

هدف این مطالعه بررسی این است که کدام یک از شش روش تحلیل زمانی دقیق‌ترین توزیع زمانی سرقت‌های مسکونی را با زمان‌های جرم دقیق شناخته شده در پیکربندی‌های زمانی مختلف تقریب می‌کند. ارزیابی ها با توجه به چهار قطعنامه زمانی زیر انجام می شود: (1) ساعت از روز. (2) روز هفته؛ (3) ماه سال و (4) روز سال. برای هر یک از این قطعنامه‌های زمانی، روش‌های تحلیل زمانی با استفاده از یک مجموعه داده که شامل تمام داده‌های سرقت موجود است، و همچنین مجموعه داده‌هایی با نمونه‌هایی از تخلفات، یعنی فقط تعداد محدودی از موارد موجود در تجزیه و تحلیل، بررسی می‌شوند. بنابراین، هر روش تحلیل زمانی در هشت پیکربندی با وضوح زمانی متفاوت و مقدار داده‌های سرقت موجود در طول تجزیه و تحلیل ارزیابی می‌شود.

دامنه این مطالعه محدود به ارزیابی عملکرد شش روش تجزیه و تحلیل زمانی بر روی یک مجموعه داده است که شامل تمام سرقت‌های مسکونی سوئدی گزارش‌شده بین سال‌های 2010 و 2014 است.

1.2. طرح کلی

در بخش بعدی، کار مرتبط ارائه شده است و به دنبال آن شش روش تحلیل زمانی در بخش 3 معرفی می شود . سپس، مجموعه داده مورد استفاده در بخش 4 توضیح داده شده است ، و آزمایش هایی که در آن عملکرد روش های تجزیه و تحلیل ارزیابی می شوند، در بخش 5 معرفی می شوند . نتایج حاصل از آزمایشات در بخش 6 ارائه شده و در بخش 7 تجزیه و تحلیل شده است . در نهایت، بخش 8 کار را به پایان می رساند و کارهای آینده را ارائه می دهد.

2. کارهای مرتبط

روش‌های تحلیلی برای پیش‌بینی جرایم شامل رویکردهایی برای استفاده از داده‌های جرم تاریخی، به‌عنوان مثال، نقشه‌برداری جرم، شناسایی نقاط داغ و تجزیه و تحلیل مناطق مخاطره‌آمیز [ 2 ، 3 ، 4 ، 5 ] است. تاثیر طوفان ها بر سرقت نیز مورد بررسی قرار گرفته است [ 6 ]. در جرم شناسی محیطی، [ 7 ] عوامل محیطی مؤثر بر فعالیت های مجرمانه را مطالعه کنید. سایر رویکردهای مهم شامل تکرار، یا تقریباً تکرار، قربانی کردن، و همچنین روش‌های تحلیل مکانی-زمانی [ 3 ] است. کار در [ 8] 10 شهر در پنج کشور را بررسی می کند و متوجه می شود که خطر سرقت منازل مسکونی به طور موقت حداقل برای دو هفته در شعاع 200 متری اطراف خانه های دزدیده شده افزایش می یابد. تحقیق در مورد رفتار مجرمانه شامل استفاده از تئوری سفر به جرم است تا نشان دهد که چگونه سارقان احتمالاً خانه های هدف را قبل از تخلف شناسایی می کنند [ 9 ، 10 ]. به این ترتیب، اهداف به احتمال زیاد نزدیک به منطقه ای آشنا برای مجرم قرار دارند.

اکثر تحقیقات قبلی بر روش‌هایی متمرکز شده‌اند که شامل تجزیه و تحلیل داده‌های مکانی می‌شوند و روش‌های تحلیل زمانی را کمتر مورد بررسی قرار می‌دهند [ 11 ، 12 ]. با این حال، این بدان معنا نیست که داده های زمانی از دیدگاه پیش بینی جرم اهمیت کمتری دارند [ 13 ، 14 ].

کار در [ 15 ] بررسی می کند که چگونه اطلاعات زمانی را می توان بر اساس پنج دسته نمایش داد: لحظه ها، مدت زمان، زمان ساختاریافته، زمان به عنوان فاصله و مکان به عنوان ساعت. دومی می تواند برای نشان دادن چگونگی تغییر یک منطقه در طول زمان استفاده شود (مثلاً یک نقشه فصلی). با این حال، چهار دسته قبلی برای تحلیل و پیش‌بینی جرم جالب‌تر در نظر گرفته می‌شوند [ 3 ]. یک لحظه یک نقطه منحصر به فرد در زمان است، اغلب زمانی که اتفاقی افتاده است. این می تواند یک نقطه تخمینی یا یک زمان دقیق شناخته شده باشد. مدت زمان زمان بین دو نقطه است، به عنوان مثال، تخمین زده می شود که رویداد بین زمان x و y اتفاق افتاده باشد.. زمان به عنوان فاصله اندازه گیری میزان مسافتی است که می توان در یک مدت زمانی، به عنوان مثال، یک سال نوری سفر کرد [ 3 ]. در نهایت، زمان ساختاریافته نمایش زمان به عنوان مثال، دقیقه و ساعت است. به طور خاص تر، ساختار زمان به قطعاتی است که راحت تر مدیریت می شوند.

علاوه بر پنج دسته زمانی ذکر شده در بالا، بازه زمانی به عنوان بازنمایی زمانی دیگر شناسایی شده است. بازه زمانی مدتی است که در آن یک لحظه یا مدتی ممکن است اتفاق بیفتد، اما فرد در مورد جزئیات آن مطمئن نیست [ 3 ]. اگرچه جرایم خود مدت‌هایی دارند، به عنوان مثال، انجام جرم 10 دقیقه طول کشید، اما اغلب به عنوان لحظات در نظر گرفته می‌شوند، زیرا این مدت زمان برای دزدی در مقایسه با بازه‌های زمانی وقوع جرم بسیار کوتاه‌تر است.

مطالعات بر روی ویژگی های زمانی انواع مختلف جرایم برای افزایش درک رفتار مجرمانه انجام شده است، به عنوان مثال، زمانی که مجرمان مرتکب جرم می شوند [ 14 ، 16 ]. به عنوان مثال، مشخص شده است که جرایم در بعدازظهر یا اوایل عصر بیشتر رخ می دهد [ 11 ، 13 ]، در حالی که سرقت های شبانه در آخر هفته ها بیشتر محتمل است [ 17]]. این نشان می‌دهد که آگاهی از رفتار قربانی برای رفتار مجرمانه ضروری است، به عنوان مثال، صبح‌های دیروقت و اوایل بعدازظهر به دلیل ساعات کاری بیشتر منجر به خالی شدن خانه‌ها می‌شود. این نیز توسط تئوری فعالیت های معمول پشتیبانی می شود، به عنوان مثال، مجرمان فرصت ها را در طول فعالیت های معمول، مانند رانندگی به محل کار شناسایی می کنند [ 13 ].

آشفتگی های گزارش شده خانواده در طول تعطیلات در مقایسه با روزهای دیگر افزایش می یابد [ 18 ]. دلیل این امر در راستای فعالیت‌های معمول است و تغییرات در فعالیت‌های منظم منجر به افزایش خطر قربانی شدن می‌شود [ 17 ]. علاوه بر این، انواع مختلفی از جنایات در رابطه با تعطیلات ملی در یک محیط ایالات متحده مورد مطالعه قرار گرفته است [ 19]]. نتیجه گیری می شود که نرخ جرم نه تنها با نوع تعطیلات، بلکه با نوع جرم نیز متفاوت است. در طول تعطیلات بزرگ، تعداد فزاینده‌ای از جنایات خشونت‌آمیز گزارش می‌شود، در حالی که عکس آن در مورد جرایم دارایی صادق است. این فرضیه وجود دارد که تعطیلات جزئی تأثیر کمی بر میزان جرم و جنایت دارد یا هیچ تاثیری ندارد. تئوری فعالیت معمول نشان می‌دهد که تنها تعطیلاتی که بر فعالیت‌های منظم افراد تأثیر می‌گذارد باید بر میزان جرم و جنایت تأثیر بگذارد، به‌عنوان مثال، تعطیلات بزرگ باید تأثیر بیشتری نسبت به تعطیلات جزئی داشته باشند.

تهیه نقشه های زمانی دقیق از زمان وقوع جنایات کار دشواری است [ 2 ]. با این وجود، روش‌های متعددی وجود دارد که می‌تواند جرایم را به صورت لحظه‌ای یا برای محاسبه بازه‌های زمانی تخمینی نشان دهد. هنگام تجزیه و تحلیل تعداد حوادث گزارش شده به پلیس بر اساس زمان روز و روز هفته از آمار دایره ای استفاده شده است [ 20 ]. علاوه بر این، توزیع زمانی جرایم با ترسیم جرایم به صورت ربع صورتجلسه بررسی شده است [ 13 ]. این امکان مقایسه توزیع زمان جرم بین شهرها و مناطق جغرافیایی را فراهم می کند.

یکی از روش‌های تحلیل زمانی که اغلب در نرم‌افزار تجزیه و تحلیل جرم گنجانده می‌شود، روش آئوریستی است که می‌تواند جرایم را بدون زمان وقوع مشخصی مدیریت کند، به عنوان مثال، به‌عنوان یک بازه زمانی نشان داده می‌شود [ 1 ، 12 ، 16 ]. با انتخاب یک زمان ساختاریافته یا واحد زمانی، به عنوان مثال، ساعت یا روز کار می کند. با دادن یک امتیاز به هر تخلف کار می کند

1.0

، که سپس به طور مساوی بین واحدها در بازه زمانی تقسیم می شود. این برای هر جرمی که بررسی می شود تکرار می شود. سپس نقاط هر واحد زمانی خلاصه می‌شود و برای نشان دادن دوره‌های زمانی با مشخصات بالا استفاده می‌شود، که به طور مساوی احتمال وقوع جرم را در واحدهای زمانی ممکن توزیع می‌کند.

دقت روش های تحلیل زمانی بر روی توانایی آنها در تخمین زمان دقیق تخلف برای سرقت دوچرخه ارزیابی شده است [ 11 ]. این مطالعه ارزیابی می‌کند که پنج روش چقدر می‌توانند زمان واقعی تخلف را بر حسب ساعت از روز تخمین بزنند. نتیجه گیری شد که روش آئوریستی به بهترین وجه می تواند زمان تخلف را در آن زمینه تخمین بزند. با این حال، این مطالعه روش‌ها را در پیکربندی‌های مختلف ارزیابی نمی‌کند و تنها 303 جرم را در تجزیه و تحلیل شامل می‌شود.

شکاف‌های تحقیقاتی شناسایی‌شده در مطالعه حاضر شامل فقدان ارزیابی روش‌های تجزیه و تحلیل زمانی نسبت به وضوح‌های زمانی متعدد، به عنوان مثال، ماه‌ها در سال یا ساعت در روز است. نوع منفرد زمان ساختاریافته در مورد انواع مختلف جرایم، به عنوان مثال، سرقت دوچرخه و اتومبیل، و همچنین تجاوزات [ 11 ، 12] ارزیابی شده است.]. عملکرد روش آئوریستیک در نظر نمی‌گیرد که شکاف‌های زمانی به طور کامل یا فقط تا حدی در هنگام توزیع نقطه پوشش داده شده است، به عنوان مثال، اگر وضوح زمانی روز است، پس روش آئوریستیک در نظر نمی‌گیرد که آیا یک روز خاص به طور کامل پوشش داده شده است یا خیر. . یعنی به یک شکاف زمانی که فقط به صورت حاشیه ای پوشش داده می شود، همان مقدار امتیاز به یک شکاف زمانی داده می شود که به طور کامل پوشش داده شده است. در نهایت، کار قبلی تا حد زیادی در زمینه ایالات متحده و بریتانیا مورد مطالعه قرار گرفته است.

3. روش های تحلیل زمانی

در این بخش، روش های تحلیل زمانی ارزیابی شده در این مطالعه تعریف شده است. قبل از معرفی روش های تحلیل، برخی از مفاهیم زمانی باید تعریف شوند.

3.1. تعاریف مفاهیم زمانی

9 مفهوم/ویژگی زمانی زیر با اکثر جرایم مربوط به اموال، از جمله سرقت های مسکونی مرتبط است:

$d a t e_{s t a r t}$ نشان دهنده اولین تاریخی است که در آن یک جرم ممکن است رخ داده باشد.
$d a t e_{e n d}$ نشان دهنده آخرین تاریخی است که در آن یک جرم ممکن است رخ داده باشد. همیشه یکسان یا دیرتر از $d a t e_{s t a r t}$ .
$t i m e_{s t a r t}$ اولین باری است که جرم ممکن است در تاریخ معینی رخ داده باشد.
$t i m e_{e n d}$ نشان دهنده آخرین باری است که یک جرم ممکن است در تاریخ خاصی رخ داده باشد.
$o f f e n s e_{s t a r t}$ نشان‌دهنده اولین لحظه در زمان است که بر حسب ثانیه اندازه‌گیری می‌شود، که ممکن است یک تخلف رخ داده باشد. این ترکیبی از تاریخ و زمان در آن تاریخ است که به صورت زیر بیان می شود: ${d a t e_{s t a r t}, t i m e_{s t a r t}}$ .
$o f f e n s e_{e n d}$ نشان دهنده آخرین لحظاتی است که ممکن است یک تخلف رخ داده باشد. این ترکیبی از تاریخ و زمان در آن تاریخ است که به صورت زیر بیان می شود: ${d a t e_{e n d}, t i m e_{e n d}}$ .
$o f f e n s e_{d u r a t i o n}$ نشان دهنده مدت زمانی است که در طی آن یک جرم ممکن است رخ داده باشد که بر حسب ثانیه اندازه گیری می شود. طبق رابطه ( 1 ) محاسبه می شود.

$o f f e n s e س د تو ای تو____= o f f e n s ه e n d - o f f e n s ه s t a r t$

(1)

3.2. معرفی روشهای تحلیل زمانی

پنج روش تحلیل زمانی موجود و یک روش جدید در زیر معرفی شده‌اند. این روش‌ها با استفاده از زمان‌های واقعی، اما ناشناخته وقوع سرقت‌ها را تقریبی می‌کنند

o f f e n s e_{s t a r t}

o f f e n s e_{e n d}

روش شروع از نظر کارایی بی‌اهمیت است زیرا زمان وقوع را یکسان در نظر می‌گیرد $o f f e n s e_{s t a r t}$ . نقص عمده ای که به این روش نسبت داده می شود این است که $o f f e n s e_{s t a r t}$ محتمل‌تر از هر لحظه دیگری نیست $o f f e n s e_{d u r a t i o n}$ .
روش پایانی به طور مشابه به عنوان روش شروع عمل می کند، اما در عوض زمان تخلف را در نظر می گیرد $o f f e n s e_{e n d}$ .
روش متوسط زمان حمله را در اواسط تقریبی می داند $o f f e n s e_{s t a r t}$ و $o f f e n s e_{e n d}$ همانطور که در معادله ( 2 ) در زیر بیان شده است. مشابه کاستی روش‌های شروع و توقف، لحظه‌ای در زمان تقریب‌شده با روش متوسط، بیش از هر روش دیگری در این روش وجود ندارد. $o f f e n s e_{d u r a t i o n}$ .

$o f f e n s ه a v e r a g ه = o f f e n s ه s t a r t + o f f e n s ه د تو ای تو _ _ _ _ 2$

(2)
روش تصادفی به طور یکنواخت یک لحظه در زمان را در بازه زمانی محدود شده انتخاب می کند $o f f e n s e_{s t a r t}$ و $o f f e n s e_{e n d}$ (شامل) [ 11 ]. درست مانند روش‌های قبلی، هیچ چیزی وجود ندارد که لحظه‌ای در زمان را محتمل‌تر از هر لحظه دیگر در درون انتخاب کند $o f f e n s e_{d u r a t i o n}$ . با این حال، از آنجایی که هر زمانی در بازه زمانی یک نامزد است، این روش می‌تواند به طور بالقوه توزیع زمانی سرقت‌ها را با زمان جرم شناخته شده تقریبی کند، اگر نقاط داده به اندازه کافی در تحلیل بر اساس قانون اعداد بزرگ گنجانده شود.
روش آئوریستی با تقسیم زمان به اسلات بر اساس واحد تجزیه و تحلیل، به عنوان مثال، ساعت یا روز، یک بازه زمانی ایجاد می کند. بعد، یک نمره از $1.0$ به جرم اختصاص داده می شود و به طور مساوی در بین شکاف های تحت پوشش تقسیم می شود $o f f e n s e_{d u r a t i o n}$ [ 1 ]. این تقسیم بدون توجه به پوشش کامل یا جزئی شکاف ها انجام می شود، همانطور که در رابطه ( 3 ) نشان داده شده است، که در آن n تعداد شکاف های تحت پوشش را نشان می دهد.

$a o r i s t i c = 1 . 0 n$

(3)
آئوریستی $_{e x t}$ روش جدیدی است که در این اثر ارائه شده است. این روش با ایجاد یک بازه زمانی با استفاده از رویکرد مشابه روش آئوریستی کار می‌کند، با این استثنا که در محاسبه امتیاز آئوریستی به این نکته توجه می‌کند که آیا شکاف‌های زمانی به طور کامل یا جزئی پوشش داده می‌شوند. ابتدا کل پوشش شکاف هایی را که جرم به طور جزئی یا کامل مطابق با معادله ( 4 ) در بر می گیرد، محاسبه می کند. $c o v e r a g e_{i}$ پوشش شکاف i به عنوان مقداری بین صفر و یک بیان می شود و n تعداد کل شکاف ها است.

$c o v e r a g ه تی و یک__= \sum من = 1 n c o v e r a g ه من$

(4)

در مرحله بعد، امتیاز هر شکاف با تقسیم پوشش آن شکاف بر کل پوشش، همانطور که در رابطه ( 5 ) نشان داده شده است، محاسبه می شود. مجموع امتیازات برای همه اسلات همیشه برابر است $1.0$ .

$s c o r ه من = c o v e r a g ه من c o v e r a g ه تی و یک _ _$

(5)

به عنوان مثال، دزدی را در نظر بگیرید که گزارش شده در جایی بین ساعت 20:45 تا 23:10 رخ داده است. می توان نتیجه گرفت که تخلف چهار ساعت مختلف را شامل می شود که فقط دو ساعت از آنها به طور کامل پوشش داده شده است. هر دو روش شروع و توقف امتیازات کامل را اختصاص می دهند (

1.0

) به ترتیب به اولین و آخرین شکاف. روش میانگین امتیاز کامل را به شکاف دوم اختصاص می دهد زیرا میانگین زمان بین شروع و توقف 21:57:30 است، یعنی لحظه در ساعت دوم قرار می گیرد. روش تصادفی یک امتیاز کامل به هر یک از چهار اسلات بر اساس توزیع یکنواخت اختصاص می دهد.

روش آئوریستیک امتیاز خود را با تقسیم امتیاز موجود برای جرم بر تعداد بازه های زمانی تحت پوشش محاسبه می کند. از آنجایی که نمونه سرقت شامل چهار شکاف است،

n = 4

، هر یک از این اسلات ها امتیازی دریافت خواهند کرد

1 / 4 = 0.25

همانطور که در شکل 1 الف نشان داده شده است.

آئوریستیک

_{e x t}

روش با تعیین پوشش کل همه اسلات ها شروع می شود که این است

15 + 60 + 60 + 10 = 145

دقیقه، اما در عمل از ثانیه به جای دقیقه استفاده می شود. سپس، امتیاز هر شکاف در مثال، کسری است که پوشش می‌دهد. اسلات اول به صورت محاسبه می شود

15 / 145 \approx 0.10

، اسلات دوم و سوم به عنوان

60 / 145 \approx 0.41

و در نهایت، اسلات چهارم به عنوان

10 / 145 \approx 0.07

همانطور که در شکل 1 نشان داده شده است . در نتیجه، آئوریستی

_{e x t}

روش در مقایسه با روش سنتی آئوریستیک، اطلاعات زمانی دقیق‌تری را در هنگام ایجاد امتیازها در نظر می‌گیرد.

4. داده ها

در این بخش، فرآیندهای جمع آوری داده ها، نمایش و پاکسازی که این مطالعه بر آن تکیه دارد، تشریح می شود. روش های تحلیل زمانی بر روی سوابق کیفری رسمی سرقت های مسکونی ارائه شده توسط پلیس سوئد ارزیابی می شود. هر دو سرقت تلاش شده و تکمیل شده شامل شدند. دزدی‌های سرقتی به دلیل اینکه هدف مجرم را برای ورود غیرقانونی به یک محل سکونت نشان می‌دهند، گنجانده شده‌اند، اگرچه سرقت‌ها قطع شده است. در ادامه این کار، اصطلاح سرقت به هر دو سرقت انجام شده و اقدام به سرقت اشاره دارد.

مجموعه داده شامل تمام سرقت های ثبت شده در سوئد در طی پنج سال، از 1 ژانویه 2010 تا 31 دسامبر 2014 است. در مجموع 103,029 سرقت در مجموعه داده گنجانده شده است.

4.1. پاکسازی داده ها

همانطور که در جدول 1 نشان داده شده است ، تقریباً 3.7٪ از رکوردهای داده به دلیل ناسازگاری یا عدم وجود ویژگی ها از مجموعه داده حذف شدند. این رکوردها به دلایل زیر حذف شدند:

ویژگی از دست رفته، به عنوان مثال، از دست رفته ویژگی زمانی، یا
ویژگی زمانی اشتباه، به عنوان مثال، زمان شروع بیشتر از زمان پایان.

ناهماهنگی در سوابق به احتمال زیاد به دلیل خطای انسانی ارائه شده در هنگام ثبت گزارش های جنایی بود. هیچ الگوی در نحوه پراکندگی رکوردهای اشتباه در مجموعه داده یافت نشد، به عنوان مثال، آنها در هر بازه زمانی خاصی گروه بندی نشدند. بنابراین، فرض می شود که رکوردهای اشتباه به طور یکنواخت در سراسر مجموعه داده توزیع شده اند. اگرچه، چنین خطاهایی در سال های 2012-2014 نسبت به سال های قبل کمی رایج تر است. پس از حذف سوابق داده های متناقض، در مجموع 103029 سرقت باقی مانده است و آنها مجموعه داده های مورد استفاده در این مطالعه را تشکیل می دهند. جدول 1 را ببینید . فرآیند پاکسازی سوابق جرم در مجموعه نرم افزار آماری R انجام شد .

4.2. بازنمایی داده ها

هر سرقت در مجموعه داده با استفاده از چهار ویژگی نشان داده می شود. ویژگی های فهرست شده در جدول 2 مشابه مفاهیم زمانی هستند که در بخش 3 توضیح داده شده است .

d a t e_{s t a r t}

نشان دهنده اولین تاریخی است که در آن یک جرم ممکن است رخ داده باشد، در حالی که

d a t e_{e n d}

نشان دهنده آخرین تاریخ است. به همین ترتیب، زمان ها

t i m e_{s t a r t}

t i m e_{e n d}

به ترتیب اولین و آخرین بار را در تاریخ معینی نشان می دهند.

از آنجایی که تاریخ و زمان دقیق جرم معمولاً برای سرقت در دسترس نیست، جنبه زمانی باید به جای یک لحظه خاص به عنوان یک بازه زمانی نشان داده شود. به این ترتیب، داده های زمانی به عنوان دو نقطه در زمان گروه بندی شدند که مرزهای بازه زمانی را نشان می دهند. هر نقطه به عنوان ترکیبی از هر دو نوع داده DATE و TIME در پایگاه داده MySQL استفاده شده نشان داده شد.

تفاوت زمان شروع و پایان بر حسب ثانیه نیز برای هر سرقت محاسبه و در پایگاه داده ذخیره شد. اختلاف صفر ثانیه نشان دهنده زمان خطای کاملاً شناخته شده است، در حالی که اختلاف 86400 ثانیه

(24 \times 60 \times 60)

بازه زمانی یک روز را نشان می دهد که در طی آن یک سرقت ممکن است در هر زمانی با احتمال مساوی رخ دهد. جدول 3 توزیع این مدت زمان را در مجموعه داده نشان می دهد. زمان دقیق تخلف در دسترس است

10.0 %

(10295) از سرقت ها و

43.7 %

(45071) از سرقت ها در بازه زمانی شش ساعته رخ داده است. از سوی دیگر،

6.8 %

(7009) دزدی ها مدت زمانی بیش از یک هفته داشتند، در حالی که صرفا

1.5 %

(1547) از سرقت ها بیش از 30 روز بازه زمانی داشتند.

4.3. مجموعه داده های ارزیابی

به منظور تخمین عملکرد شش روش زمانی، توانایی هر روش برای تقریبی توزیع زمان‌های جرم دقیق شناخته شده برای سرقت اندازه‌گیری می‌شود. این جنایات با زمان دقیق جرم نشان دهنده حقیقت اصلی در مورد نحوه توزیع دزدی در طول زمان است. 10295 سرقت با زمان دقیق جرم در مجموعه داده وجود دارد که نشان دهنده آن است

10.0 %

در مجموعه داده کامل برای این جرایم، مقاطع زمانی دقیقی که مجرمان مرتکب آن شده اند مشخص است. با این حال، زمان دقیق تخلف برای بقیه سرقت ها مشخص نیست. برخی از مدت زمان جرم بیشتر منعکس کننده فعالیت های معمول شاکیان است، به عنوان مثال، ساعات کار، تا فعالیت های مجرمان. دلایلی که برخی از سرقت ها دارای زمان دقیق تخلف هستند به دلیل دزدگیرهای سرقتی با ثبت زمان است (

44.9 %

، دزدی هایی که شاکی در خانه است (یا به خانه بازمی گردد) در حین جرم (

39.6 %

) و شاهدان جرم (

32.7 %

). توجه داشته باشید که این دلایل متقابل نیستند و بیشتر از آن هستند

100 %

یعنی ممکن است هم شاهد و هم یک رویداد ثبت زمان سرقت از یک سرقت وجود داشته باشد.

بنابراین، در این مطالعه، ارزیابی بر این فرض استوار است که 10.0٪ از جرایم نشان دهنده نحوه توزیع به موقع سرقت های سوئدی است. رویکرد مشابهی برای استفاده از زیرمجموعه‌ای از جرایم برای اهداف ارزیابی در مطالعات قبلی استفاده شده است، به عنوان مثال، مطالعه توسط اشبی و همکاران. [ 11 ]. انگیزه پشت این فرض این است که زمان دقیق جرم توسط رویدادهای خارجی تعیین می‌شود، مانند شاهدان و گزارش‌های زمان هشدار سرقت موجود برای انواع مختلف سرقت. علاوه بر این، قبل از انجام این فرضیه، با کارشناسان حوزه اطلاعات جنایی در استکهلم و همچنین گروه جنایی سریالی سوئدی که به طور خاص جرایم حجمی مانند دزدی را هدف قرار می دهند، بحث شد.

5. آزمایشات

مطالعه حاضر شامل هشت آزمایش است که آزمایش می کند که چگونه شش روش تجزیه و تحلیل دقیق توزیع زمانی سرقت ها را با زمان دقیق جرم مشخص شده تقریب می زند. این کار با توجه به چهار وضوح زمانی مختلف نسبت به چشم انداز کوتاه (ساعات روز)، چشم انداز متوسط (روزها در هفته) و چشم انداز بلند (ماه ها در سال و روز در سال) انجام می شود. هر روش چهار تقریب تولید می کند که از این پس مشخص می شود

h o u r_{a p p r o x}

w e e k d a y_{a p p r o x}

m o n t h_{a p p r o x}

y e a r d a y_{a p p r o x}

در چهار آزمایش اول، زمانی که تفکیک‌پذیری‌های زمانی با استفاده از تمام داده‌های سرقت موجود بررسی می‌شوند، از طراحی یک عاملی درون آزمودنی‌ها استفاده می‌شود. عامل روش های زمانی است که در بخش 3.2 توضیح داده شده است ، یعنی شش سطح. اینها نیز متغیر مستقل را تشکیل می دهند. متغیرهای وابسته چهار معیار آماری هستند که در بخش 5.3 ارائه می شوند .

علاوه بر این، از آنجایی که در بیشتر موارد باید اندازه نمونه کوچک‌تری را انتظار داشت، چگونگی تأثیر کاهش موارد سرقت منزل بر دقت نیز در چهار آزمایش اضافی با طراحی دو عاملی درون آزمودنی‌ها بررسی می‌شود. عامل اضافی مجموعه داده ای است که به طور تصادفی 50 درصد ده برابر کاهش می یابد، یعنی ضریب دارای ده سطح است. نتیجه ده مجموعه داده کاهش یافته است که هر کدام شامل 50 درصد سرقت های قبلی است. متغیرهای مستقل هم روش کاندید و هم مجموعه داده های کاهش یافته هستند، در حالی که متغیر وابسته پیرسون است.

χ^{2}

اندازه گرفتن.

در هر هشت آزمایش، روش‌های زمانی با اندازه‌گیری میزان تقریب آن‌ها به حقیقت پایه که به صورت زیر نشان داده شده است، ارزیابی می‌شوند:

$h o u r_{a c t u a l}$ ، که 24 ساعت روز با اندازه شکاف است $0.5$ h با توجه به اشبی و همکاران. [ 11 ]، یعنی یک روز شامل 48 شکاف نیم ساعته است.
$w e e k d a y_{a c t u a l}$ که نشان دهنده هفت روز هفته با اندازه اسلات 1 روز است.
$m o n t h_{a c t u a l}$ که نشان دهنده دوازده ماه در یک سال با اندازه شکاف 1 ماه است.
$y e a r d a y_{a c t u a l}$ که نشان دهنده 365 روز در سال یا 366 روز در سال های کبیسه با اندازه شکاف 1 روز است.

شباهت یا واگرایی بین تقریب و توزیع واقعی در هر سال با استفاده از معیارهای ارزیابی شرح داده شده در بخش 5.3 اندازه گیری می شود . سپس میانگین و انحراف معیار در طول پنج سال برای هر روش محاسبه می شود. از نتایج برای پیشنهاد اینکه کدام روش های تحلیل زمانی برای تعیین توزیع زمانی سرقت ها با توجه به چهار قطعنامه زمانی مناسب تر هستند استفاده می شود.

5.1. تهدیدهای اعتبار

استخراج سرقت‌هایی با زمان جرم کاملاً مشخص از مجموعه داده‌ها و استفاده از آنها برای ارزیابی می‌تواند به طور بالقوه تهدیدی برای اعتبار داخلی باشد. اگر زیرمجموعه استخراج شده نماینده جمعیت دزدی های مسکونی سوئد نباشد، خطر تعصبات وجود دارد. با این حال، این رویکرد در تحقیقات قبلی با کیفیت بالا مورد بحث قرار گرفته است [ 11 ]. علاوه بر این، کارشناسان دامنه در مجری قانون سوئد موافقت کردند که فرضیه زیرمجموعه استخراج شده معتبر است، دلیل اینکه برخی سرقت‌ها زمان‌های جرم شناخته شده‌اند به دلیل رویدادهای خارجی است، به عنوان مثال، سوابق هشدار، شاهدان یا حضور شاکیان در خانه. در طول جرم

از آنجایی که داده‌های مطالعه حاضر از سرقت‌های مسکونی سوئدی می‌آیند، بعید است که توزیع‌های زمانی برای چهار قطعنامه زمانی مورد بررسی به سایر کشورها تعمیم داده شود. با این حال، از آنجایی که هدف این کار بیشتر ارزیابی عملکرد روش‌های تحلیل زمانی بررسی‌شده در تقریب زمان‌های تخلف است، این موضوع مطرح نیست.

5.2. محیط آزمایش

توزیع زمانی سرقت های مسکونی بر اساس چهار قطعنامه تولید می شود. همانطور که در بخش 5 توضیح داده شد ، توزیع های واقعی بر اساس سرقت های موجود در مجموعه داده برای هر یک از پنج سال به صورت جداگانه تولید می شوند. به طور مشابه، توزیع تقریبی هر روش نیز در سال تولید می شود. برای هر سال و نمایش، توزیع تقریبی با توزیع واقعی مقایسه می شود و تفاوت اندازه گیری می شود. برای هر معیار ارزیابی، تفاوت بین توزیع واقعی و تقریبی در طول پنج سال به طور میانگین محاسبه می شود.

مقایسه بین تقریب روش ها از حقیقت زمینی در سال انجام می شود. از آنجایی که مجموعه داده شامل سرقت‌های پنج ساله است، هر توزیع در سال تولید می‌شود که منجر به پنج توزیع در هر وضوح می‌شود که سپس میانگین می‌شود.

5.3. ارزیابی سنجش

عملکرد روش ها با حقیقت پایه، یعنی پرونده های جرم و جنایت با یک دقیق مشخص مقایسه می شود

o f f e n s e_{d u r a t i o n}

با استفاده از چهار اندازه گیری برای مقایسه توزیع ها: پیرسون

χ^{2}

، فاصله اقلیدسی، ρ اسپیرمن و کولبک–لایبلر.

پیرسون

χ^{2}

از آزمون برای مقایسه دو مجموعه برای بررسی همبستگی بین مجموعه داده ها استفاده می شود. پیرسون

χ^{2}

ارزش باید تا حد امکان کوچک باشد. از آنجایی که داده‌های مورد استفاده در آزمایش به صورت binned هستند، سایر آزمون‌های ناپارامتریک به خوبی استفاده شده، مانند Kolmogorov-Smirnov، قابل اجرا نیستند [ 21 ]. بنابراین، پیرسون

χ^{2}

برای بررسی میزان همبستگی توزیع تقریبی با توزیع واقعی استفاده می شود. پیرسون

χ^{2}

آزمون به دلیل مناسب بودن و محبوبیت آن، به عنوان سنجش ارزیابی برای آزمون های آماری مورد استفاده قرار خواهد گرفت.

فاصله اقلیدسی برای اندازه گیری فاصله بین دو توزیع، در این مورد بین توزیع های واقعی و تقریب های تولید شده توسط روش ها استفاده می شود. فاصله اقلیدسی در معادله ( 6 ) تعریف شده است

x_{i}

y_{i}

نقطه داده i را در توزیع مربوطه نشان می دهد .

د (x_y) = (ایکس 1 - y 1) 2 + (ایکس 2 - y 2) 2 + \dots (ایکس n - y n) 2 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - \sqrt

(6)

ρ اسپیرمن یک اندازه گیری همبستگی مبتنی بر رتبه ناپارامتریک بین دو متغیر است. اندازه گیری بین

- 1

و 1 که 0 نشان دهنده عدم همبستگی بین متغیرها و 1 نشان دهنده همبستگی مثبت است [ 22 ]. این آزمون برای بررسی میزان همبستگی توزیع تقریبی با توزیع واقعی استفاده می شود.

واگرایی Kullback-Leibler یک اندازه گیری غیر متقارن از از دست دادن اطلاعات زمانی است که یک توزیع احتمال برای تقریب دیگری استفاده می شود [ 23 ]. همچنین به عنوان افزایش اطلاعات یا آنتروپی نسبی یک توزیع به دیگری شناخته می شود. این در تعداد بیت های اضافی مورد نیاز هنگام تقریب توزیع اول بر اساس دیگری اندازه گیری می شود، به عنوان مثال، مقدار کمتر نشان می دهد که دو توزیع شبیه تر هستند.

5.4. تحلیل آماری

برای ارزیابی تفاوت بین روش ها، از آزمون کروسکال-والیس برای بررسی اینکه آیا تفاوت معنی داری بین روش های مختلف وجود دارد یا خیر استفاده می شود. Kruskal-Wallis یک آزمون آماری مبتنی بر رتبه غیر پارامتری برای بررسی اینکه آیا دو یا چند نمونه از یک توزیع هستند [ 22 ] است. Kruskal-Wallis به جای آزمون ANOVA یک طرفه پارامتری استفاده می شود، زیرا داده ها به طور معمول توزیع نشده اند [ 22 ]. اگر طبق آزمون کروسکال-والیس تفاوت وجود داشته باشد، از آزمون تعقیبی دان برای بررسی اینکه بین کدام جفت روش تفاوت وجود دارد استفاده می شود. برای تصحیح مقایسه های چندگانه، از تعدیل بنجامینی-هخبرگ استفاده شده است [ 24]. تعدیل بنجامینی-هخبرگ به جای تعدیل بونفرونی استفاده می‌شود، زیرا با توجه به قدرت آماری، مبادله محدودتری را ارائه می‌کند، اگرچه مثبت کاذب را مجاز می‌کند. علاوه بر این، تنظیم بنجامینی-هوکبرگ نرخ کشف نادرست را کنترل می کند، در حالی که تنظیم بونفرونی نرخ خطای خانوادگی را کنترل می کند.

علاوه بر این، برای ارزیابی روش ها در اندازه های مختلف نمونه، از آزمون فریدمن استفاده می شود. آزمون فریدمن یک تحلیل واریانس دو طرفه ناپارامتریک است [ 21 ]. آزمون Nemenyi به عنوان یک آزمون تعقیبی برای بررسی تفاوت روش ها با یکدیگر استفاده می شود. آزمون Nemenyi یک تفاوت بحرانی (CD) را با استفاده از توزیع Tukey محاسبه می‌کند و هر تفاوتی در رتبه‌بندی بین جفت‌های روش که بیشتر از CD باشد به‌طور معنی‌داری متفاوت در نظر گرفته می‌شود [ 25 ، 26 ].

5.5. ابزار

داده های جرم در یک پایگاه داده رابطه ای MySQL ذخیره شد. تمامی روش‌های ارزیابی جرم که در این کار مورد ارزیابی قرار می‌گیرند، به صورت اسکریپت در زبان آماری R پیاده‌سازی شدند . اسکریپت ها از بسته های RMySQL، Lubridate و Ggplot2 برای کارهای داخلی خود استفاده می کنند و در صورت درخواست برای نویسنده مربوطه در دسترس خواهند بود. در ارزیابی های آماری از بسته های مربوطه در R استفاده شده است.

6. نتایج

نتایج بر اساس تنظیمات تجربی شرح داده شده در بخش 5 ارائه و تجزیه و تحلیل می شوند . در بخش 6.1 ، شش روش با استفاده از چهار معیار مختلف برای نشان دادن همبستگی و فاصله بین توزیع زمانی تقریبی و توزیع زمانی واقعی ارزیابی می‌شوند. تفاوت های آماری معنی داری بین روش ها نیز ارائه شده است. در بخش 6.2 ، پیرسون

χ^{2}

هنگامی که حجم نمونه به تدریج کاهش می یابد، نتایج برای روش ها نشان داده می شود. هر گونه تفاوت آماری بین روش ها، با استفاده از آزمون های آماری ارائه شده در بخش 5.4 ، نیز ارائه شده است.

6.1. ارزیابی روشهای تحلیل زمانی بر روی مجموعه داده کامل

در زیر نتایج برای ارزیابی روش‌های تحلیل زمانی با استفاده از مجموعه داده کامل و چهار پیکربندی مختلف آورده شده است.

6.1.1. سناریوی ساعت

میانگین و انحراف معیار چهار معیار ارزیابی برای هر سال از 2010-2014 محاسبه شد. اینها را می توان در جدول 4 مشاهده کرد . p – مقادیر از

χ^{2}

آزمون‌های برازش از نتایج حذف شدند، زیرا آنها صفر بودند، یعنی هیچ یک از روش‌های تحلیل زمانی نمی‌توانست توزیع پایه را تقریب بزند تا آزمون‌های برازش آن‌ها را یکسان در نظر بگیرند. با این حال، می‌توان انتظار داشت که قدرت آماری آزمایش‌ها به دلیل حجم زیاد سرقت‌های موجود در تجزیه و تحلیل بالا بود.

بر اساس چهار معیار ارزیابی ارائه شده در جدول 4 ، هم آئوریستیک و هم آئوریستیک

_{e x t}

روش‌ها به طور مشابه عمل کردند، اگرچه یک مزیت متوسط برای روش آئوریستی وجود داشت، در حالی که روش تصادفی کمی بدتر عمل کرد. میانگین، توقف و شروع برای هر یک از معیارهای ارزیابی بدتر عمل کردند، به جز ضریب همبستگی اسپیرمن، که (از سه روش) روش توقف را ترجیح داد.

از آنجایی که با استفاده از آزمون کروسکال والیس تفاوت آماری معنی داری بین روش ها مشاهده شد،

χ^{2} (5) = 24.5, p = 0.000176

برای مقایسه زوجی از آزمون تعقیبی Dunn استفاده شد. نتایج جدول 5 نشان می دهد که هم آئوریستیک و هم آئوریستیک

_{e x t}

روش ها به طور قابل توجهی بهتر از روش های میانگین، توقف و شروع عمل کردند. روش تصادفی به طور قابل توجهی بهتر از روش شروع و توقف عمل کرد. بر اساس این نتایج، پیشنهاد شد که مناسب‌ترین روش برای تجزیه و تحلیل داده‌های ساعتی، روش آئوریستیک و روش شروع کمترین مناسب‌ترین روش برای کار است.

از آنجایی که روش آئوریستیک مناسب‌ترین روش تشخیص داده شد، برای ترسیم توزیع ساعت آئوریستی در روز با استفاده از تمام داده‌های سرقت موجود برای پنج سال استفاده شد. پراکندگی در شکل 2 دو وجهی یا احتمالاً سه وجهی است که در حوالی بعدازظهر و در شب در ساعات اولیه اوج می باشد. واضح بود که دفعات سرقت در ساعاتی از روز که افراد به عنوان بخشی از برنامه روزانه خود از خانه خارج می شوند یا در طول شب که در خواب هستند افزایش می یابد. خط مبنا، به عنوان مثال، سرقت با زمان دقیق جرم شناخته شده، به عنوان یک خط چین نشان داده شده است. این یک توزیع دو وجهی / سه وجهی مشابه را نشان می دهد، اما با اوج قابل توجهی متمایزتر در طول شب.

6.1.2. سناریوی روزهای هفته

جدول 6 شامل میانگین و انحراف معیار چهار معیار ارزیابی است که برای هر سال از 2010-2014 محاسبه شده است. آئوریستی و آئوریستی

_{e x t}

به طور مشابه در معیارهای اقلیدسی و کولبک-لایبلر انجام شد. برای پیرسون

χ^{2}

و ρ اسپیرمن ، مزیت واضح تری برای روش آئوریستی وجود داشت، هرچند آئوریستی

_{e x t}

دارای انحراف معیار بسیار کمتری در

χ^{2}

اندازه گرفتن. در مقایسه با دو روش آئوریستی، روش تصادفی کمی بدتر عمل کرد. روش های میانگین، توقف و شروع به طور قابل توجهی برای هر یک از اقدامات ارزیابی بدتر عمل کردند، به جز ρ اسپیرمن ، که (از سه روش) روش شروع را ترجیح داد.

از آنجایی که تفاوت های آماری معنی داری بین روش ها با استفاده از آزمون کروسکال-والیس یافت شد،

χ^{2} (5) = 25.4, p = 0.000117

برای مقایسه زوجی از آزمون تعقیبی Dunn استفاده شد. نتایج جدول 7 نشان می دهد که روش آئوریستیک به طور قابل توجهی بهتر از روش های میانگین، توقف و شروع عمل کرد، در حالی که روش آئوریستیک

_{e x t}

روش به طور قابل توجهی بهتر از دو دومی عمل کرد. روش تصادفی به طور قابل توجهی بهتر از روش شروع عمل کرد. بر اساس این نتایج، پیشنهاد شد که مناسب ترین روش برای تجزیه و تحلیل داده های روزهای هفته، روش آئوریستی و روش شروع کمترین مناسب بودن است.

از آنجایی که روش آئوریستیک مناسب‌ترین روش تشخیص داده شد، از آن برای ترسیم توزیع روز هفته آئوریستی با استفاده از تمام داده‌های سرقت موجود برای پنج سال استفاده شد. همانطور که در شکل 3 نشان داده شده است ، در روزهای جمعه و شنبه اوج و در یکشنبه ها کاهش قابل توجهی وجود دارد. قله ها را می توان اینگونه توضیح داد که مردم معمولاً در تعطیلات آخر هفته به فعالیت های تفریحی می پردازند و خانه های خود را بدون محافظ رها می کنند. توضیح این کاهش در یکشنبه‌ها سخت‌تر است، اما ممکن است به دلیل استفاده سارقان از یکشنبه‌ها برای تفریح باشد. افسران اجرای قانون حدس می زنند که یکشنبه ها زمانی است که کالاهای دزدیده شده اغلب حصارکشی می شوند. که در شکل 3، خط مبنا، یعنی دزدی با زمان جرم دقیق مشخص، به صورت خط چین نشان داده می شود. توزیع مشابهی را نشان می دهد، اما با اوج کمتر متمایز در روزهای جمعه و شنبه.

6.1.3. سناریوی ماه

جدول 8 شامل میانگین و انحراف معیار چهار معیار ارزیابی است که برای هر سال از 2010 تا 2014 محاسبه شده است. همانطور که مشاهده می شود،

χ^{2}

و معیارهای اقلیدسی در مقایسه با ساعت تصمیم گیری روز و روز هفته به طور قابل توجهی کمتر است. این به این دلیل است که تغییرات ماهانه سرقت در مقایسه با تغییرات در طول نیم ساعت یا روزهای هفته کمتر است. در واقع تنها 6 درصد سرقت ها دارای تاریخ شروع و پایان در ماه های مختلف هستند در حالی که 39 درصد و 83 درصد به ترتیب تاریخ شروع و پایان در روزهای مختلف و نیم ساعت متفاوت دارند.

هر دو روش آئوریستیک به طور مشابه عمل کردند و بهترین عملکرد را با توجه به معیارهای ارزیابی نشان دادند، به جز فاصله اقلیدسی که در عوض به نفع روش های شروع، تصادفی و متوسط بود. تصادفی و متوسط نیز مشابه یکدیگر عمل کردند و از بین شش روش در مرحله بعدی بهترین بودند، در حالی که شروع و توقف با در نظر گرفتن همه اقدامات بدترین عملکرد را داشتند. بر اساس این نتایج، پیشنهاد شد که مناسب‌ترین روش برای تجزیه و تحلیل داده‌های ماه، روش آئوریستیک و روش توقف کمترین مناسب‌ترین روش برای انجام کار بود. با این حال، هیچ تفاوت آماری معنی داری بین شش روش با استفاده از آزمون کروسکال-والیس یافت نشد.

χ^{2} (5) = 0.38, p = 0.996

از آنجایی که بر اساس نتایج، روش آئوریستیک مناسب‌ترین روش پیشنهاد می‌شود و برای هماهنگی بین بخش‌های فرعی، از آن برای ترسیم توزیع ماه آئوریستی برای داده‌های سرقت کامل پنج ساله استفاده شد. توزیع در شکل 4 اوج‌هایی را در طول ماه‌های پاییز و زمستان نشان می‌دهد که معمولاً با روزهای تاریک‌تر توضیح داده می‌شود، به دلیل زمان صرفه‌جویی در نور روز و به سارقان اجازه می‌دهد تا به میزان بیشتری بدون توجه به اطراف حرکت کنند. اوج خفیفی نیز در ماه جولای وجود دارد که بزرگترین ماه تعطیلات در سوئد است.

6.1.4. سناریوی روز در سال

جدول 9 شامل میانگین و انحراف معیار چهار معیار ارزیابی است که برای هر سال از 2010 تا 2014 در وضوح زمانی روز در سال محاسبه شده است. هر دو روش آئوریستیک نتایج امیدوارکننده‌ای را نشان می‌دهند، با یک مزیت جزئی برای روش آئوریستیک. تفاوت بین هر شش روش کمتر از تنظیمات قبلی است. در نتیجه، هیچ تفاوت آماری معنی‌داری بین روش‌های با استفاده از آزمون کروسکال-والیس یافت نشد.

χ^{2} (5) = 1.30, p = 0.930

از آنجایی که روش آئوریستیک امیدوارکننده‌ترین نتایج را نشان داد، برای ترسیم توزیع روز آئوریستی بر اساس داده‌های سرقت کامل پنج ساله از آن استفاده شد. مشخص ترین اوج در توزیع نشان داده شده در شکل 5 در شب کریسمس است که در 24 دسامبر در سوئد جشن گرفته می ^شود . این با نتایج Cohn و Rotton که دزدی ها در طول کریسمس در یک محیط ایالات متحده کمتر نشان داده شده اند، تناقض دارد [ 19 ]. سایر قله ها در ماه های نوامبر و دسامبر از جمله 1 ژانویه مربوط به شب سال نو است. کمترین تعداد دفعات سرقت، بدون در نظر گرفتن روز کبیسه 29 بهمن، در آخرین دی ماه ثبت شده است.

6.2. ارزیابی روش های تحلیل زمانی بر روی داده های کاهش یافته

در زیر نتایج برای ارزیابی روش‌های تحلیل زمانی با استفاده از مجموعه داده کاهش‌یافته (نمونه‌هایی از مجموعه داده کامل) و چهار پیکربندی مختلف آورده شده است.

6.2.1. سناریوی ساعت کاهش یافته

نتایج در شکل 6 نشان می دهد که هر دو روش آئوریستی کمترین را نشان می دهند

χ^{2}

اندازه گیری به عنوان تعداد سرقت های مورد تجزیه و تحلیل کاهش می یابد. تا زمانی که بیش از 10000 سرقت وجود داشته باشد، روش تصادفی نزدیک به روش‌های آئوریستی عمل می‌کند. سپس با کاهش تعداد سرقت ها، روش تصادفی به دلیل قانون اعداد زیاد، عملکرد کاهشی را نشان می دهد. هنگام تجزیه و تحلیل جرایم در صدها، روش های آئوریستی به وضوح برای کار در دست مناسب هستند. اگر حدود 40 تا 100 جرم را تجزیه و تحلیل کنیم، تفاوت در عملکرد بین روش‌های آئوریستی، از یک سو و روش‌های تصادفی، توقف و متوسط، از سوی دیگر، که سه مورد آخر عملکرد بسیار مشابهی را نشان می‌دهند، قابل توجه است. روش شروع بدترین جایگزین در کل محدوده است.

آزمون فریدمن نشان داد که تفاوت های آماری بین روش های تجزیه و تحلیل وجود دارد.

χ^{2} (9) = 53.709, p = 2.144 * 10^{- 8}

. از آنجایی که تفاوت‌های آماری پیدا شد، از آزمون تعقیبی Nemenyi برای مقایسه‌های زوجی بین روش‌ها استفاده شد. همانطور که در جدول 10 نشان داده شده است، هر دو روش آئوریستی به طور قابل توجهی بهتر از روش های میانگین، توقف و شروع بودند، در حالی که تصادفی به طور قابل توجهی بهتر از شروع بود. میانگین رتبه‌های آزمون فریدمن نیز در جدول 10 نشان داده شده است و روش آئوریستیک بهترین رتبه‌ها و به دنبال آن آئوریستیک را دریافت می‌کند.

_{e x t}

6.2.2. کاهش سناریوی روزهای هفته

نتایج در شکل 7 نشان می دهد که هر دو روش آئوریستی کمترین را نشان می دهند

χ^{2}

همه با هم. هنگامی که تقریباً 320 جنایت در حال تجزیه و تحلیل هستند، روش توقف ناگهان بهترین را دریافت می کند

χ^{2}

اما زمانی که 160 جرم در حال تجزیه و تحلیل است، روش توقف بدترین نامزد است. به طور کلی، روش آئوریستیک بهترین نامزد برای تخمین فراوانی جرم در روزهای هفته در اندازه‌های محدوده بود.

آزمون فریدمن نشان داد که تفاوت های آماری بین روش های تجزیه و تحلیل وجود دارد.

χ^{2} (9) = 50.529, p = 8.564 \times 10^{- 8}

. یک آزمون تعقیبی Nemenyi نشان داد که روش آئوریستیک به طور قابل توجهی بهتر از میانگین، توقف و شروع بود، در حالی که آئوریستیک

_{e x t}

بر روش های توقف و شروع تسلط داشت. جدول 11 را ببینید . میانگین رتبه‌های آزمون فریدمن نشان می‌دهد که روش آئوریستی مناسب‌ترین روش برای تحلیل فراوانی جرم در روزهای هفته است.

6.2.3. سناریوی ماه کاهش یافته

همانطور که در شکل 8 نشان داده شده است، عملکرد شش روش تجزیه و تحلیل زمانی در طول طیف وسیعی از تعداد جرایم هنگام تخمین توزیع ماهانه جرم در نوسان است. فرض بر این است که این نوسان به دلیل کم است

χ^{2}

اندازه گیری در وضوح ماه به دلیل واریانس کوچک نسبی 6 درصد نسبت به وضوح روز هفته و ساعت از روز به ترتیب با 39 درصد و 83 درصد دریافت شد. با این حال، روند کلی با کاهش تعداد میانگین

χ^{2}

اقداماتی که حدود 300 جنایت را تثبیت می کند، مشابه تصمیمات زمانی ارزشمند ساعات در روز و روزهای هفته است. استخراج هر روشی به عنوان بهتر یا بدتر از هر روش دیگری تنها با نگاه کردن به شکل 8 دشوار است . بنابراین، یک آزمون فریدمن اجرا شد که نشان داد بین شش روش و/یا ده مجموعه داده تفاوت وجود دارد.

χ^{2} (9) = 50.42, p = 8.98 \times 10^{- 8}

متأسفانه، آزمون تعقیبی Nemenyi نتوانست هیچ تفاوت آماری معنی‌داری را بین شش روش تحلیل زمانی شناسایی کند. میانگین رتبه‌های روش‌های تحلیل زمانی نسبت به مجموعه‌های داده در جدول 12 ارائه شده است که نشان می‌دهد روش آئوریستی کمترین رتبه را دارد که نشان می‌دهد مناسب‌ترین روش نامزد برای تخمین توزیع ماهانه جرایم زمانی است.

6.2.4. سناریوی کاهش روز در سال

شکل 8 عملکرد شش روش را هنگام تخمین فراوانی جرم در روز در یک سال نشان می دهد، زیرا تعداد جرایم موجود در تجزیه و تحلیل کاهش می یابد. پنج روش مشابه روند نزولی داشتند که پیکربندی‌های قبلی مورد بررسی قرار گرفتند و حدود 300 جنایت را تثبیت کردند. با این حال، روش میانگین عملکرد پایین‌تری را در تخمین فراوانی جرم در پیکربندی روز سال نشان می‌دهد. به دلیل رفتار شدید آن، صحت اجرای روش میانگین مجدداً آزمایش شد، اما هیچ خطایی یافت نشد. آزمون فریدمن نشان داد که تفاوت‌های آماری بین شش روش و/یا مجموعه داده‌ها وجود دارد.

χ^{2} (9) = 23.709, p = 0.00479

یک تست تعقیبی Nemenyi آن آئوریستیک را شناسایی کرد

_{e x t}

بر روش‌های میانگین، شروع و توقف غالب بود، در حالی که روش آئوریستی از روش‌های میانگین و شروع برتری داشت. جدول 13 را ببینید . روش تصادفی نیز به طور قابل توجهی بهتر از روش متوسط عمل کرد. میانگین رتبه های آزمون فریدمن نشان می دهد که آئوریستی

_{e x t}

روش بهترین کاندید برای تخمین فراوانی جرم در روز حل سال بود.

7. تجزیه و تحلیل و بحث

امروزه، مجریان قانون از یک رویکرد موردی برای تخمین توزیع زمانی سرقت‌های مسکونی استفاده می‌کنند. این رویکرد می‌تواند بر برنامه‌ریزی منابع تأثیر منفی بگذارد، زیرا پیش‌بینی چگونگی تغییر توزیع جرایم در طول زمان دشوار است. اغلب، تجربه در فرآیند تصمیم گیری رایج است. در این مقاله، رویکردهای متعددی برای تخمین توزیع زمانی تقریبی سرقت‌های مسکونی بررسی شده است.

روشی که بتواند توزیع زمانی جرایم را تقریبی کند، همراه با داده‌های مکانی یک جزء کلیدی است، زمانی که برای مثال، سازمان‌های مجری قانون، گشت‌ها و سایر منابع را به نحو مؤثرتری برنامه‌ریزی می‌کنند تا در هنگام وقوع جنایات، هماهنگی بهتری داشته باشند. به عنوان مثال، داشتن مجموعه‌ای از تقریب‌های ساعتی که به خوبی با توزیع زمانی واقعی سرقت‌های مسکونی در مناطق مختلف یک شهرداری مطابقت دارد، به گشت‌ها اجازه می‌دهد تا زمانی که احتمال وقوع سرقت مسکونی بالاتری وجود دارد، در منطقه صحیح حضور داشته باشند، به عنوان مثال، اولویت بندی مسیر گشت.

با تقریب توزیع زمانی سرقت‌های منازل مسکونی در طول روزهای هفته، به اداره اجرای قانون اجازه می‌دهد تا افسران مجری قانون را برای وظایف مختلف برنامه‌ریزی کند. توزیع زمانی مربوط به روزهای هفته در جدول 3 نشان می‌دهد که سرقت‌های منازل مسکونی در روزهای جمعه و شنبه افزایش می‌یابد و سپس در یکشنبه‌ها کاهش می‌یابد. این نشان می‌دهد که تمرکز افسران اجرای قانون بر سرقت‌های منازل در روزهای جمعه و شنبه نسبت به یکشنبه‌ها کارآمدتر است. علاوه بر این، جدول 2 نشان می دهد که بیشتر سرقت های منازل مسکونی در ساعات کاری اتفاق می افتد. داشتن تجزیه و تحلیل در مناطق مختلف جغرافیایی و روزهای خاص به مجریان قانون اجازه می دهد تا الگوهای موجود در داده ها را بیشتر تشخیص دهد.

با نگاهی به توزیع های واقعی، داده ها نشان می دهد که

21.9 %

سرقت ها در طول حداقل یک ساعت انجام می شود.

43.7 %

از سرقت های مسکونی در عرض شش ساعت رخ می دهد. با افزایش زمان، میزان سرقت هایی که بخش های طولانی را در بر می گیرد، کاهش می یابد.

26.7 %

جرایم در یک بازه زمانی بیش از یک روز ارتکاب یافته است، یعنی جرم ممکن است در آن بازه زمانی انجام شده باشد. فقط

6.8 %

از سرقت‌های منازل مسکونی در یک بازه زمانی بیش از یک هفته انجام می‌شود، که به این معنی است که جرایم ممکن است برای مدت طولانی گزارش نشود. در داده ها،

6.8 %

نشان دهنده تعداد مطلق 7009 سرقت در طول پنج سال است. این تعداد بسیار زیادی دزدی است که برای مدت طولانی گزارش نشده است. البته می توان اشاره کرد که بیشتر جرایم در یک بازه زمانی شش ساعته اتفاق می افتد. به این ترتیب، توانایی تشخیص تغییرات در روندها نیازمند توانایی تعیین توزیع بر اساس وضوح ساعتی است. اگر تخمین توزیع جرم فقط در یک بازه زمانی طولانی‌تر اتفاق بیفتد، جزئیات از بین خواهند رفت. این امر بر نیاز به برآورد دقیق توزیع جرم در مقیاس ساعتی تأکید بیشتری می کند [ 13 ].

نتایج و تجزیه و تحلیل آماری نشان می دهد که آئوریستی و آئوریستی

_{e x t}

روش‌ها نسبت به روش‌های دیگر برای تخمین توزیع زمانی سرقت‌های مسکونی ترجیح داده می‌شوند، زیرا به طور قابل‌توجهی بهتر از روش توقف، متوسط و شروع در پیکربندی‌های چندگانه عمل می‌کنند. آئوریستیک

_{e x t}

روش در مقایسه با روش آئوریستیک بسیار پیچیده است و در مقایسه با روش آئوریستیک نتایج بهبود یافته ای را پیشنهاد نمی کند. ما فرض می کنیم که این به دلیل جزئیات محدود در داده های زمانی برای پشتیبانی از آئوریستیک است

_{e x t}

روش، به عنوان مثال، به این دلیل که هم شاکیان و هم شاهدان می توانند زمان مشاهدات خود را به واحدهای زمانی ساختاریافته، مانند ربع، نیم ساعت یا حتی ساعت کامل، جمع کنند. به این ترتیب، وضوح زمانی در داده ها کاهش می یابد.

با این حال، زمانی که وضوح زمانی در عوض روزهای منحصر به فرد در سال باشد، چنین تفاوت های ظریف تأثیر ناچیزی دارند. در آن مورد خاص، آئوریستیک

_{e x t}

روش نیز به عنوان مناسب‌ترین نامزد ظاهر می‌شود، اما جالب است که این روش برای تخمین روز در هفته یا ماه در سال صدق نمی‌کند. این انحرافات می تواند به دانه بندی نسبتاً کم در آن موارد بستگی داشته باشد، به عنوان مثال، به ترتیب 7 و 12 اسلات. در پایان، هر دو روش آئوریستی نتایج قابل استفاده تولید می کنند. با توجه به اینکه داده های زمانی با وضوح کافی وجود دارد، مبادله بین دقت و پیچیدگی زمانی است، یعنی زمان اجرا. اگر تمرکز اصلی بر پیچیدگی زمانی باشد، پس یک روش تصادفی که به جای توزیع یکنواخت، در عوض از توزیع جرایم با زمان جرم شناخته شده استفاده می‌کند، احتمالاً تا زمانی که جرایم به اندازه کافی در تحلیل گنجانده شده باشد، نتایج قابل استفاده ارائه می‌دهد.

سناریوهایی با تعداد جرایم کاهش یافته در این مطالعه مهم هستند، زیرا در عمل، حجم نمونه کوچکتر محتمل تر است. علاوه بر این، با داشتن حجم نمونه بزرگ، احتمال بیشتری وجود دارد که روندهای مختلف یا سایر متغیرها “هموار” شوند. این یک نگرانی برای، به عنوان مثال، ساعت، روز در هفته، و قطعنامه های ماه است، زیرا تغییرات فصلی ممکن است روند را در کوتاه مدت تحت تاثیر قرار دهد [ 19 ]. مقیاس های زمانی کوچکتر در ارائه پیش بینی های کوتاه مدت موفق تر خواهد بود. با این حال، از آنجایی که هدف این مطالعه شناسایی الگوریتمی بود که کارآمدترین الگوریتم در تقریب توزیع زمانی است، این مشکل تلقی نمی‌شود. حتی با یک مجموعه داده کاهش یافته، یافته ها همچنان پابرجا هستند.

در حالی که احتمالاً یک پنجره زمانی کوچک‌تر برای پیش‌بینی زمانی ترجیح داده می‌شود، منطقه جغرافیایی کوچک‌تر نیز احتمالاً نتایج را بهبود می‌بخشد. مجرمان تحت محدودیت های مختلف در مناطق جغرافیایی مختلف عمل می کنند و بر توزیع زمانی تأثیر می گذارند. علاوه بر این، تغییرات فصلی بر مناطق و فرصت‌های جرم و جنایت تأثیر متفاوتی می‌گذارد، به عنوان مثال، در مناطق تعطیلات. این همچنین به مناطق مختلف اجازه می دهد تا به طور متفاوتی پیش بینی شوند و به این ترتیب، ممکن است زمان بندی منابع را بیشتر بهینه کند. یک مطالعه اولیه نشان داد که توزیع زمانی برای شهرستان هالند سوئد کاملاً با شهرستان گوتلند متفاوت است. دیدنشکل 9. در طول تابستان، سرقت های مسکونی در هالند کاهش یافت، اما در گوتلند به دلیل تعداد زیادی از گردشگرانی که از جزیره دیدن کردند، افزایش یافت. در حالی که ممکن است استدلال شود که تقسیم‌بندی جغرافیایی در این سطح هنوز خیلی زیاد است، تفاوت‌ها هنوز قابل مشاهده است.

تخمین توزیع‌های زمانی و استفاده در پیش‌بینی گرایش‌های جرم باعث می‌شود که یک مرور کلی اداری امکان ساده‌سازی زمان‌بندی منابع را فراهم کند. به عنوان مثال، گشت‌های اضافی ممکن است در عصرهای جمعه و شنبه در مناطق مسکونی حضور داشته باشند یا عصرهای روز هفته تعداد گشت‌های کمتری در مناطق مسکونی داشته باشند. توزیع زمانی به سازمان‌های مجری قانون اجازه می‌دهد تا بر اساس آگاهی از زمان وقوع جنایات، زمان‌بندی پرسنل خود را برنامه‌ریزی کنند و تعیین کنند که چه زمانی اقدامات هدفمند می‌تواند به نتیجه مطلوب منجر شود.

داده‌های مورد استفاده در این مطالعه دارای دقت دقیقه‌ای برای شروع و پایان بازه‌های زمانی هستند، به عنوان مثال، زمان وقوع جرم می‌تواند بین 10:29-14:53 باشد. با این حال، در

54.5 %

در مورد سرقت ها، زمان شروع با دقت یک ساعت گزارش می شود، در حالی که این موضوع در مورد سرقت ها صادق است

3.4 %

از آخرالزمان به احتمال زیاد، این به دلیل عدم اطمینان از زمان شروع جنایت و گردآوری زمان گزارش شده به نزدیکترین ساعت است. عدم دقت در داده ها به احتمال زیاد دلیل نتایج برای آئوریستیک است

_{e x t}

روش بهتر از روش آئوریستیک نیست. عدم دقت در بازه زمانی گزارش شده، همراه با بازه‌های زمانی طولانی‌تر، هر گونه پیشرفتی را که آئوریستیک ایجاد می‌کند، از بین می‌برد.

_{e x t}

روش در مقابل روش آئوریستی پیشنهاد می کند.

محدودیت ها

در حالی که آئوریستی

_{e x t}

روش روش آئوریستی را با سطحی از پیچیدگی گسترش می دهد که امکان افزایش دقت زمان تخمینی را داشته باشد، همچنین به جمع آوری داده های دقیق تری نیاز دارد، یعنی بازه زمانی جمع آوری شده باید دقیق تر باشد، هم برای زمان شروع و هم برای پایان. . اگر اطلاعات جرم جمع آوری شده فقط بیان می کند که جرم بین ساعت 13 و 16 در یک روز مشخص رخ داده است، آئوریستیک

_{e x t}

روش بهتر از روش آئوریستیک نخواهد بود. در آن صورت، آئوریستیک

_{e x t}

باید به رویکرد نسبتا ساده‌تر روش آئوریستی برگردیم. همین امر برای بازه های زمانی که زمان شروع یا پایان آن به اندازه کافی دقیق نیست صدق می کند. در آن صورت، توزیع نقطه مشابه روش آئوریستی خواهد بود (با توجه به اینکه بازه زمانی از تعداد واحدهای زمانی معینی فراتر می رود). با این حال، اگر اطلاعات زمانی جمع آوری شده، در بازه، حاوی دقیقه باشد، دقت به طور بالقوه بهبود می یابد. این معقول است، زیرا جدول 3 نشان می دهد که اکثر جرایم (بیش از 50٪) دارای بازه زمانی کمتر از دوازده ساعت گزارش شده اند.

برای بازه‌های زمانی طولانی‌تر، احتمال کمتری وجود دارد که داده‌ها با چنان دقتی جمع‌آوری شوند که آئوریستیک

_{e x t}

نتایج بهبود یافته ای را به همراه خواهد داشت. علاوه بر این، با بازه‌های زمانی طولانی‌تر، وضوح کمتر تأثیر کمتری خواهد داشت، زیرا نقاط به میزان کمتری بر توزیع نهایی تأثیر می‌گذارند (نقاط پراکنده‌تر هستند). همین امر در مورد روش آئوریستی نیز صادق است.

8. نتیجه گیری

تجزیه و تحلیل جرم نیاز به اطلاعات زمانی دقیق دارد. در بسیاری از موارد، اطلاعات زمانی نامشخص است یا به عنوان یک بازه زمانی در دسترس است. در نتیجه، تقریب زمان جرم جرایمی که اغلب فاقد اطلاعات زمانی دقیق هستند، مهم است. در یک آزمایش، دقت شش روش تحلیل زمانی، پنج روش موجود و یک روش جدید، با توجه به توانایی آنها در تقریبی زمان‌های تخلف مورد ارزیابی قرار گرفت.

نتایج نشان می دهد که آئوریستی و آئوریستی

_{e x t}

روش ها به طور قابل توجهی بهتر از روش های متوسط، شروع و توقف عمل کردند. با این حال، رمان aoristic

_{e x t}

روش به طور قابل توجهی بهتر از روش آئوریستیک نبود. آئوریستیک

_{e x t}

روش در بدترین حالت شبیه به روش آئوریستیک عمل می کند. با توجه به سطح معینی از دقت در داده های جمع آوری شده، زمان تخمین زده شده برای جرایم دقیق تر خواهد بود. با این حال، اگر چنین سطحی از دقت در زمان تخمینی مورد نیاز نباشد، پیچیدگی بیشتر آئوریستیک

_{e x t}

روش استفاده از آن را نسبت به روش آئوریستی توجیه نمی کند.

برای کار آینده، یک ارزیابی مبتنی بر شبیه‌سازی از روش‌های تحلیل زمانی با استفاده از مجموعه داده‌ای دیگر برای انجام به عنوان مکمل مطالعه حاضر جالب خواهد بود. همچنین بررسی اینکه آیا اندازه‌های نمونه کوچک در مناطق جغرافیایی خاص نشان می‌دهد که آیا نتایج هنوز برای یک شهر خاص یا مناطق مختلف یک شهر وجود دارد یا خیر، جالب خواهد بود. علاوه بر این، بررسی اینکه آیا توزیع‌های زمانی برای مناطق جغرافیایی مختلف بر یکدیگر تأثیر می‌گذارند یا خیر و آیا می‌توان روش‌هایی را برای تخمین خودکار پیوندهای بین توزیع‌های جغرافیایی محدود توسعه داد. این امر به مجریان قانون اجازه می دهد تا چگونگی روند دزدی های مسکونی را در مناطق جغرافیایی مشاهده کنند.

منابع

راتکلیف، امضاهای JH Aoristic و تحلیل مکانی-زمانی الگوهای جرم با حجم بالا. جی. کوانت. جنایت. 2002 ، 18 ، 23-43. [ Google Scholar ] [ CrossRef ]
سانتوس، RB Crime Analysis with Crime Mapping , 3rd ed.; انتشارات SAGE: Thousand Oaks، CA، USA، 2013. [ Google Scholar ]
چینی، اس. Ratcliffe, J. GIS and Crime Mapping ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
پری، WL; مک اینیس، بی. قیمت، سی سی; اسمیت، اس. هالیوود، پلیس پیش بینی JS ; RAND Corporation: Santa Monica، CA، USA، 2013. [ Google Scholar ]
ری، اس جی. مک، EA؛ Koschinsky، J. تحلیل فضا-زمان اکتشافی الگوهای سرقت. جی. کوانت. جنایت. 2011 ، 28 ، 509-531. [ Google Scholar ] [ CrossRef ]
لایتنر، ام. هلبیچ، ام. تأثیر طوفان ها بر جرم و جنایت: تحلیل مکانی-زمانی در شهر هیوستون، تگزاس. کارتوگر. Geogr. Inf. علمی 2013 ، 38 ، 213-221. [ Google Scholar ] [ CrossRef ]
برانتینگهام، پی جی. Brantingham, PL Environmental Criminology , 2nd ed.; Waveland Press: Long Grove, IL, USA, 1991. [ Google Scholar ]
جانسون، SD; برناسکو، دبلیو. Bowers، KJ; الفرز، اچ. راتکلیف، جی. رنگرت، جی. تاونزلی، ام. الگوهای خطر فضا-زمان: ارزیابی متقابل ملی از قربانی شدن سرقت مسکونی. جی. کوانت. Criminol. 2007 ، 23 ، 201-219. [ Google Scholar ] [ CrossRef ]
ایوانسکی، ن. فرانک، آر. دباغیان، و. رید، ا. برانتینگهام، پی. تحلیل سفر مجرم به جرم: مدل پوشش جنایی (CriMM). در مجموعه مقالات کنفرانس انفورماتیک اطلاعات و امنیت اروپا، آتن، یونان، 12 تا 14 سپتامبر 2011.
Ratcliffe, JH یک نظریه محدودیت زمانی برای توضیح الگوهای توهین آمیز فضایی مبتنی بر فرصت. J. Res. جنایت دلینق. 2006 ، 43 ، 261-291. [ Google Scholar ] [ CrossRef ]
اشبی، نماینده مجلس؛ Bowers، KJ مقایسه روش‌هایی برای تحلیل زمانی جرم آئوریستی. علوم جنایی 2013 ، 2 ، 1-16. [ Google Scholar ] [ CrossRef ]
راتکلیف، جی اچ. مک کالا، تحلیل جنایی ام جی آئوریستی. بین المللی جی. جئوگر. Inf. علمی 1998 ، 12 ، 751-764. [ Google Scholar ] [ CrossRef ]
فلسون، ام. پولسن، ای. شاخص های ساده جرم بر حسب زمان روز. بین المللی J. پیش بینی. 2003 ، 19 ، 595-601. [ Google Scholar ] [ CrossRef ]
تامپسون، ال. تاونزلی، ام. (به دنبال) بازگشت به آینده: استفاده از الگوهای فضا-زمان برای پیش بینی بهتر مکان جرم خیابانی. بین المللی J. Police Sci. مدیریت 2012 ، 12 ، 23-40. [ Google Scholar ] [ CrossRef ]
واسیلیف، زمان نقشه برداری IR. کارتوگرافی: بین المللی جی. جئوگر. Inf. جئوویس. 2006 ، 34 ، 1-51. [ Google Scholar ] [ CrossRef ]
رتکلیف، تحلیل آئوریستی JH: تفسیر فضایی رویدادهای زمانی نامشخص. بین المللی جی. جئوگر. Inf. علمی 2000 ، 14 ، 669-679. [ Google Scholar ] [ CrossRef ]
کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. Soc. Rev. 1995 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
روتون، جی. فری، جی. آلودگی هوا، آب و هوا، و جنایات خشونت آمیز. جی. شخص. Soc. روانی 1985 ، 49 ، 1207-1220. [ Google Scholar ] [ CrossRef ]
کوهن، EG; Rotton, J. حتی جنایتکاران هم تعطیلات می گیرند: جنایات ابزاری و بیانی در تعطیلات بزرگ و کوچک. جی. جنایت. عدالت 2003 ، 31 ، 351-360. [ Google Scholar ] [ CrossRef ]
براندون، سی. Corcoran, J. استفاده از آمار دایره ای برای تجزیه و تحلیل الگوهای زمانی در وقوع جرم. Com. محیط زیست سیستم شهری 2006 ، 30 ، 300-319. [ Google Scholar ] [ CrossRef ]
کوام، PH; Vidakovic، B. آمار ناپارامتریک با کاربرد در علوم و مهندسی. در سری Wiley در احتمال و آمار ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2007. [ Google Scholar ]
Sheskin, DJ Handbook of Parametric and Nonparametric Statistical Procedures , 5th ed.; CRC: Boca Raton، FL، USA، 2011. [ Google Scholar ]
بیکل، پی جی؛ Doksum, KA Mathematical Statistics 2e , 2nd ed.; Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2006. [ Google Scholar ]
بنیامینی، ی. Hochberg, Y. کنترل نرخ کشف نادرست: یک رویکرد عملی و قدرتمند برای آزمایش چندگانه. JR Stat. Soc. 1995 ، 57 ، 289-300. [ Google Scholar ]
دمسار، ج. مقایسه آماری طبقه‌بندی‌کننده‌ها روی مجموعه داده‌های چندگانه. جی. ماخ. فرا گرفتن. Res. 2006 ، 7 ، 1-30. [ Google Scholar ]
هلندر، ام. ولف، دی. مرغ، E. روشهای آماری ناپارامتری ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 1999. [ Google Scholar ]

شکل 1. ( الف ) امتیاز آئوریستیک برای یک جرم نمونه که چهار ساعت را در بر می گیرد با توجه به بازه زمانی 20:45 تا 23:10. ( ب ) آئوریستیک

_{e x t}

نمرات برای مثال مشابه

شکل 2. توزیع آئوریستی تمام دزدی‌ها و اقدام به سرقت با وضوح ساعت بین سال‌های 2010 و 2014 با خط مبنا به صورت خط چین نشان داده شده است.

شکل 3. توزیع آئوریستی تمام دزدی ها و اقدام به سرقت با وضوح روز در هفته بین سال های 2010 و 2014 با خط مبنا به عنوان یک خط چین نشان داده شده است.

شکل 4. توزیع آئوریستی تمام سرقت‌ها و اقدام به سرقت با تفکیک ماهانه بین سال‌های 2010 و 2014 با خط مبنا به صورت خط چین نشان داده شده است.

شکل 5. توزیع آئوریستی همه سرقت‌ها و اقدام به سرقت با وضوح یک روز در سال بین سال‌های 2010 و 2014 با خط مبنا به صورت خط چین نشان داده شده است. میانگین پنجره چرخشی چهار روزه برای افزایش خوانایی به خط پایه اعمال شد.

شکل 6. توسعه هر روش تجزیه و تحلیل با توجه به پیرسون

χ^{2}

اندازه گیری توزیع ساعت به عنوان جنایات به طور مکرر 50٪ کاهش می یابد. این طرح بر اساس تمام سرقت های سوئدی بین سال های 2010 و 2014 (N = 103029) است.

شکل 7. توسعه هر روش تجزیه و تحلیل با توجه به پیرسون

χ^{2}

اندازه گیری توزیع روزهای هفته به عنوان جنایات به طور مکرر 50٪ کاهش می یابد. این طرح بر اساس تمام سرقت های سوئدی بین سال های 2010 و 2014 (N = 103029) است.

شکل 8. توسعه هر روش تجزیه و تحلیل با توجه به پیرسون

χ^{2}

اندازه گیری توزیع ماه به عنوان جنایات به طور مکرر 50٪ کاهش می یابد. این طرح بر اساس تمام سرقت های سوئدی بین سال های 2010 و 2014 (N = 103029) است.

شکل 9. توزیع فراوانی جرایم آئوریستی در ماه بر اساس سرقت های مسکونی پنج ساله در دو شهرستان مختلف در سوئد.

جدول 1. تعداد سرقت ها در سال شامل این مطالعه و تعداد سوابق حذف شده در سال.

جدول 2. نوع و قالب ویژگی های نمونه ها.

جدول 3. توزیع عدم قطعیت در داده های زمانی موجود برای سرقت های سوئدی در طول پنج سال. عدم قطعیت زمانی به عنوان تفاوت بین محاسبه می شود

o f f e n s e_{s t a r t}

o f f e n s e_{e n d}

جدول 4. میانگین و انحراف معیار برای چهار معیار ارزیابی و شش روش تحلیل زمانی که با داده های ساعتی در هر یک از پنج سال ارزیابی شدند.

جدول 5. نتایج آزمون معناداری دان از مقایسه های زوجی بین روش های تحلیل زمانی در

χ^{2}

داده های ساعت

جدول 6. میانگین و انحراف معیار برای چهار معیار ارزیابی و شش روش تجزیه و تحلیل زمانی که با داده های روزهای هفته در هر یک از پنج سال ارزیابی شدند.

جدول 7. نتایج آزمون معناداری دان از مقایسه های زوجی بین روش های تحلیل زمانی در

χ^{2}

داده های روزهای هفته

جدول 8. میانگین و انحراف معیار برای چهار معیار ارزیابی و شش روش تحلیل زمانی که با داده های ماه در هر یک از پنج سال ارزیابی شدند.

جدول 9. میانگین و انحراف معیار برای چهار معیار ارزیابی و شش روش تحلیل زمانی که با داده های روز سال در هر یک از پنج سال ارزیابی شدند.

جدول 10. نتایج آزمون معناداری Nemenyi از مقایسه زوجی بین روش های تحلیل زمانی در تفکیک زمانی ساعت در روز با کاهش تعداد جرایم موجود در طول تجزیه و تحلیل.

جدول 11. نتایج آزمون معناداری Nemenyi از مقایسه های زوجی بین روش های تحلیل زمانی در قطعنامه های زمانی روزهای هفته با کاهش تعداد جرایم موجود در طول تجزیه و تحلیل.

جدول 12. میانگین رتبه های شش روش تحلیل زمانی در تفکیک زمانی ماه در سال و با کاهش تعداد جرایم موجود در طول تجزیه و تحلیل. رتبه پایین تر مطلوب است.

جدول 13. نتایج آزمون معناداری Nemenyi از مقایسه های زوجی بین روش های تحلیل زمانی در تفکیک زمانی روز در سال و با کاهش تعداد جرایم موجود در طول تجزیه و تحلیل.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب