भूसूचना विज्ञान और भूसांख्यिकी: एक सिंहावलोकन

केन्या के नैरोबी सिटी काउंटी में आर्टिफिशियल इंटेलिजेंट एजेंटों का उपयोग करके अपराध मानचित्रण

मबानी बीओ, ओडेरा पीए और केंडुइवो बीके

अपराध का विश्लेषण और पूर्वानुमान काफी कठिन कार्य है क्योंकि अपराध प्रणाली अत्यधिक जटिल है। नैरोबी में, अपराध पुलिस के लिए चुनौती बन रहा है, भले ही अपराध को लक्षित करने के लिए अधिक प्रयास किए जा रहे हों। ऐसा इस तथ्य के कारण है कि अपराध की घटनाओं में वृद्धि के लिए जिम्मेदार अंतर्निहित कारक, जिनमें
हल्के आग्नेयास्त्रों का प्रसार, संगठित आपराधिक संगठनों की उपस्थिति, असमान संसाधन वितरण, खराब शहरी भूमि उपयोग नियोजन नीतियाँ, युवा बेरोजगारी और मादक द्रव्यों के सेवन के साथ-साथ संसाधनों और रसद दोनों के मामले में खराब पुलिस बल शामिल हैं, अभी भी पूरी तरह से संबोधित नहीं किए गए हैं। नतीजतन, अपराध की
घटना और अपराध की घटना के स्थानिक स्थान के बीच संबंध अपराध मॉडलिंग में महत्वपूर्ण संबंध है। यह पत्र दो तकनीकों: कृत्रिम बुद्धिमत्ता और भौगोलिक सूचना प्रणाली के अभिसरण का उपयोग करके अपराध की घटनाओं के मॉडलिंग के लिए एक एजेंट-आधारित स्थानिक-कालिक दृष्टिकोण प्रस्तुत करता है। कृत्रिम बुद्धिमत्ता (AI) का
उपयोग मानव व्यवहार को ऐसे एजेंटों में बनाने के लिए किया जाता है जो अनुभव से सीखते हुए स्वायत्त रूप से स्थानिक वातावरण का पता लगाते हैं। विशेष रूप से, अध्ययन में उपयोग किया जाने वाला AI एल्गोरिदम सुदृढीकरण सीखने का एक रूप है जिसे q-लर्निंग कहा जाता है। सुदृढीकरण सीखना एक प्रकार का मशीन लर्निंग दृष्टिकोण है
जो एजेंटों में, सड़क नेटवर्क के साथ अपने तरीके खोजने की क्षमता को मॉडल करता है, सिमुलेशन के आगे बढ़ने के साथ प्रत्येक पुनरावृत्ति में अनुभव से सीखता है। इस सिमुलेशन में तीन प्रकार के एजेंट डिज़ाइन किए गए थे: अपराधी; लक्ष्य और संरक्षक एजेंट। मल्टी-एजेंट सिमुलेशन को नेटलोगो सॉफ्टवेयर में विकसित किया गया था। नेटलोगो
पर्यावरण उपयोगकर्ता को अपराध पैटर्न उत्पन्न करने के लिए कई पुनरावृत्तियों के बाद संभावित अपराध घटना स्थानों सहित तीन एजेंटों को शामिल करते हुए एक कृत्रिम वातावरण डिजाइन करने की अनुमति देता है। अपराध घटना में भाग लेने वाले एजेंटों को डिजाइन करने के अलावा, एक संभावित जोखिम कारकों के एक सेट को ओवरले करके एक जोखिम क्षेत्र मॉडल तैयार किया गया था जो एक अपराध घटना को प्रभावित करते हैं। इन कारकों को पहले ची स्क्वायर टेस्ट का उपयोग करके अपराध घटना के साथ उनके सह-स्थान के लिए परीक्षण किया गया था और अंत में एक जोखिम क्षेत्र सतह उत्पन्न करने के लिए ओवरले किया गया था। मॉडल की सटीकता का परीक्षण करने के लिए एक सत्यापन सिमुलेशन द्वारा उत्पन्न अपराध की संख्या की तुलना अधिकारियों द्वारा रिपोर्ट किए गए लोगों से करके किया गया था। तुलना में इस्तेमाल किया गया मीट्रिक स्पीयरमैन का रैंक सहसंबंध गुणांक है। सत्यापन 0.4 का सहसंबंध गुणांक देता है जो दर्शाता है कि कुछ हद तक सकारात्मक सहसंबंध है क्योंकि एक पूर्ण सकारात्मक सहसंबंध के लिए, हम 1 के सहसंबंध गुणांक की अपेक्षा करते हैं। इस सिमुलेशन में किए गए विभिन्न अनुमानों जैसे कि एजेंटों को केवल सड़क नेटवर्क के साथ चलने की अनुमति देना और अपराध के प्रकार को केवल सड़क डकैती तक सीमित करना, के कारण सहसंबंध गुणांक थोड़ा कम है। इसके अलावा, जोखिम सतह के निर्माण में विचार किए जाने वाले संभावित जोखिम कारकों का समूह सीमित है, जबकि वास्तविक जीवन में अपराध को प्रेरित करने वाले कारक जटिल, बहुआयामी और संख्या में लगभग अनंत हैं।