چکیده مطلب . هدف ما شناسایی اتوماتیکی الگوهای جرائم است . در بین مجموعه ای بزرگ از جرائم که هر ساله در شهرهای بزرگ رخ می دهد ، شناسایی آن برای تحلیلگران چالش برانگیز ، زمان بر و کاربر است ، جرائمی که توسط افراد مشابه انجام می شود . اگر ابزارهای داده رهنمون ، خودکار برای شناسایی الگوی جرائم برای کمک به تحلیلگران در دسترس باشد ، این ابزارها می تواند به پلیس برای درک بهترم الگوی جرائم کمک می کند ، که منجر به تخصیص دقیقتر جرائم قبلی و دستگیری (بازداشت) مظنونین می شود . برای انجام این کار ، ما الگوریتم تعیین الگو را پیشنهاد می کنیم که آن را یابنده زنجیره ای می نامیم ، که الگوهای جرائم کشف شده با استفاده از پایگاه داده را افزایش می دهد که از پیگردی جرائم معدود آغاز می شود . یابنده های زنجیره ای ویژگیهای رایج کل الگوها و جوانب منحصر به فرد هر الگوی خاص را با هم ترکیب می کنند ، که جمع آوری داده های الگوی جرائم یک دهه توسط واحد تجزیه و تحلیل جرائم اداره پلیس کمبریج نتایج امیدبخشی داشت .
واژگان کلیدی : شناسایی الگو ، استخراج داده های مربوط به جرائم ، کنترل پیشگویانه .
1.مقدمه
هدف استخراج داده های مربوط به جرائم شناخت الگوها در رفتار تبهکاران (مجرمان ) برای پیش بینی جرائم ، پیش بینی فعالیت مجرمان و جلوگیری از آن است . اخیراً حرکت هایی در تنفیذ قانون برای رویکردهای داده رهنمون و عملی تر برای کنترل پیشگویانه انجام شد و سازمان دادگستری کشوری اخیراً اقداماتی برای پشتیبانی از کنترل پیشگویانه انجام داده است . اگرچه ، حتی با رویکردهای جدید داده رهنمون برای پیش بینی جرائم ، کار بنیادین تحلیلگران جرائم هنوز دشوار و اغلب دستی است ؛ الگوهای خاص جرائم ضرورتاً با استفاده از ابزارهای خودکار به آسانی یافت نمی شود ، در حالیکه روند کار تراکمی با مقیاس بزرگتر عمدتاً متشکل از سطوح سوابق جرائم است که بر اساس نرم افزارها و رویکردهای داده رهنمون برای تخمین و ارزیابی آسانتر است . متد رایج تر و موفق تر برای شناسایی الگوهای جرائم خاص شامل بازنگری گزارشات مربوط به جرائم هر روزه و مقایسه ی آن گزارشات با جرائم قبلی است ، حتی با وجود اینکه این روند می تواند به طور غیر عادی زمان بر باشد . در انجام این مقایسه ها ، تحلیلگر در جستجوی مشترکات کافی بین جرائم قبلی و جرائم کنونی برای پیشنهاد یک الگو است . حتی با وجود اینکه شناسایی خودکار الگوهای جرائم خاص مسئله ای دشوار تر از ارزیابی سطوح سوابق جرائم می باشد ، ابزارهایی برای حل این مسئله می توانست در کمک به تحلیلگران جرائم بی نهایت ارزشمند باشد ، و می توانست مستقیماً منجر به سنجش پیشگیرانه قابل تعقیب قانونی باشد . تعیین این الگوها به طور اتوماتیکی چالشی است که ابزارهای یادگیری ماشینی و تحلیل استخراج داده ها قادر به عمل کردن به روشی است که مستقیماً کار تحلیلگران جرائم انسانی را تکمیل می کند .
در این تحقیق ، ما از رویکرد یادگیری ماشینی برای مسئله ی کشف الگوهای خاص جرائم استفاده کردیم که توسط مجرم یا گروه مشابه به کار برده می شود . اطلاعات روندهای الگوریتم یادگیری ما خود به خود مشابه به اطلاعات روند تحلیلگران جرائم است : جستجوی الگوریتم از طریق پایگاه داده برای جستجوی شباهت ها بین جرائم در یک الگوی در حال رشد و بر اساس پایگاه داده ، و تلاش برای تعیین و شناسایی شیوه ی کار (M.O ) یک مجرم خاص . M.O مجموعه ای از روش ها است که مجرم آن را دنبال می کند و نوعی از اصول به کار رفته برای مشخص کردن الگوها است . همانگونه که جرائمی به این مجموعه اضافه می شود ، M.O بهتر تعریف و تعیین می شود . رویکرد ما برای کشف الگوها جنبه های الگویی مهمی را در بر می گیرد :
- هر M.O متفاوت است . مجرمان به روشی که جرائم را به کار می برند تاحدی خودسازگار هستند . اگرچه ، جرائم مختلف می تواند M.O های بسیار متفاوت داشته باشد . مسئله ی پیش بینی سرقت از خانه را در نظر بگیرید : برخی مجرمین در طول روز اقدام می کنند در حالیکه سکنه در حال کارند ؛ برخی مخفیانه و در شب دست به کار می شوند ، در حالیکه سکنه در خواب هستند . برخی مجرمین به آپارتمان های بزرگ علاقه دارند که می توانند در یک روز به چند واحد دستبرد بزنند ؛ برخی مجرمین دیگر به خانه های تک واحدی علاقه دارند که می توانند اقلام ارزشمندتری را به سرقت ببرند . ترکیبات مختلف روش های جرم می تواند مهم تر از مشخص کردن M.O های مختلف باشد .