Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Martín Solís; Luis Alexander Calvo-Valverde

doi:10.3390/engproc2024068004

Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Research output: Contribution to journal › Conference article › peer-review

Abstract

Crime forecasting has gained popularity in recent years; however, the majority of studies have been conducted in the United States, which may result in a bias towards areas with a substantial population. In this study, we generated different models capable of forecasting the number of crimes in 83 regions of Costa Rica. These models include the spatial–temporal correlation between regions.
The findings indicate that the architecture based on an LSTM encoder–decoder achieved superior performance. The best model achieved the best performance in regions where crimes occurred more
frequently; however, in more secure regions, the performance decayed.

Translated title of the contribution	Aprendizaje profundo para la predicción de delitos en múltiples regiones, teniendo en cuenta las correlaciones espacio-temporales entre regiones
Original language	English
Article number	4
Journal	Engineering Proceedings
Volume	68
Issue number	1
DOIs	https://doi.org/10.3390/engproc2024068004 https://doi.org/10.3390/engproc2024068004
State	Published - 28 Jun 2024

UN SDGs

This output contributes to the following UN Sustainable Development Goals (SDGs)

SDG 16 Peace, Justice and Strong Institutions

Keywords

crime forecasting
deep learning
spatial–temporal correlation

Access to Document

Cite this

@article{236e4cd6effa4fc5a9ac97efea1bd245,

title = "Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions",

abstract = "La predicci{\'o}n de la delincuencia ha ganado popularidad en los {\'u}ltimos a{\~n}os; sin embargo, la mayor{\'i}a de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia {\'a}reas con una poblaci{\'o}n sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el n{\'u}mero de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlaci{\'o}n espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logr{\'o} un rendimiento superior. El mejor modelo logr{\'o} el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones m{\'a}s seguras, el rendimiento disminuy{\'o}.",

keywords = "crime forecasting, deep learning, spatial–temporal correlation",

author = "Mart{\'i}n Sol{\'i}s and Calvo-Valverde, \{Luis Alexander\}",

note = "Publisher Copyright: {\textcopyright} 2024 by the authors.",

year = "2024",

month = jun,

day = "28",

doi = "10.3390/engproc2024068004",

language = "Ingl{\'e}s",

volume = "68",

journal = "Engineering Proceedings",

issn = "2673-4591",

number = "1",

}

TY - JOUR

T1 - Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

AU - Solís, Martín

AU - Calvo-Valverde, Luis Alexander

PY - 2024/6/28

Y1 - 2024/6/28

N2 - La predicción de la delincuencia ha ganado popularidad en los últimos años; sin embargo, la mayoría de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia áreas con una población sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el número de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlación espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logró un rendimiento superior. El mejor modelo logró el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones más seguras, el rendimiento disminuyó.

AB - La predicción de la delincuencia ha ganado popularidad en los últimos años; sin embargo, la mayoría de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia áreas con una población sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el número de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlación espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logró un rendimiento superior. El mejor modelo logró el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones más seguras, el rendimiento disminuyó.

KW - crime forecasting

KW - deep learning

KW - spatial–temporal correlation

UR - https://www.scopus.com/pages/publications/85218081271

U2 - 10.3390/engproc2024068004

DO - 10.3390/engproc2024068004

M3 - Artículo de la conferencia

SN - 2673-4591

VL - 68

JO - Engineering Proceedings

JF - Engineering Proceedings

IS - 1

M1 - 4

ER -

Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Abstract

UN SDGs

Keywords

Access to Document

Other files and links

Fingerprint

Cite this