KR102430920B1 - Device and method for predicting the number of crimes using security data and public data - Google Patents
Device and method for predicting the number of crimes using security data and public data Download PDFInfo
- Publication number
- KR102430920B1 KR102430920B1 KR1020200163665A KR20200163665A KR102430920B1 KR 102430920 B1 KR102430920 B1 KR 102430920B1 KR 1020200163665 A KR1020200163665 A KR 1020200163665A KR 20200163665 A KR20200163665 A KR 20200163665A KR 102430920 B1 KR102430920 B1 KR 102430920B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- predictive model
- crime
- report
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013480 data collection Methods 0.000 claims abstract description 24
- 230000009193 crawling Effects 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010010144 Completed suicide Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
치안 및 공공 데이터 기반 범죄 신고 수 예측모델 생성 장치 및 방법이 개시된다. 상기 예측모델 생성 장치는 크롤링 기법을 이용하여 데이터를 수집하는 데이터 수집부, 상기 데이터를 전처리하는 데이터 가공부, 및 전처리된 데이터를 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 예측모델을 생성하는 예측모델 생성부를 포함한다.An apparatus and method for generating a prediction model for the number of crime reports based on public security and public data are disclosed. The predictive model generating device generates a predictive model for predicting the number of crime reports at a prediction time using a data collection unit that collects data using a crawling technique, a data processing unit that pre-processes the data, and the pre-processed data. It includes a predictive model generator.
Description
본 발명은 치안 및 공공 데이터 기반 범죄 신고 수 예측 방법에 관한 것으로, 특히 범죄 신고 수, 기상 데이터 등을 이용하여 예측모델을 생성함으로써 예측 시점에서의 범죄 신고 수를 미리 예측할 수 있는 범죄 신고 수 예측 장치 및 방법에 관한 것이다.The present invention relates to a method for predicting the number of crime reports based on public security and public data, and in particular, a device for predicting the number of crime reports at the time of prediction by generating a predictive model using the number of crime reports and weather data, etc. and methods.
인공지능 등의 정보통신의 발달로 치안 서비스의 지능화가 진행되고 있으며, 미국 등 주요 선진국들은 지난 10년 동안 범죄에 대한 경찰 빅데이터 분석을 통하여 한정된 경찰 인력을 효과적으로 활용하기 위해 많은 노력을 하고 있다.With the development of information and communication technologies such as artificial intelligence, security services are becoming more intelligent, and major advanced countries such as the United States are making great efforts to effectively utilize the limited police force through police big data analysis on crimes over the past decade.
최근에는 범죄예측 모델을 통한 범죄테러 감지, 용의자의 차량 인식, 추적 등을 통하여 위험 상황을 사전에 예측하여 선제적인 대응 및 수사 지원을 위한 시스템 개발이 이루어지고 있다.Recently, a system for preemptive response and investigation support is being developed by predicting dangerous situations in advance through crime terror detection through a crime prediction model, vehicle recognition of suspects, and tracking.
사회 안전과 치안 유지를 위해 경찰 인력이 점점 증가하지만, 인력 충원만으로는 제약이 있기 때문에 새로운 기술의 도입이 시급하다. 종래의 기술은 전통 통계 방식 기반 범죄 예측을 수행하기 때문에 예측 성능 확보에 어려움이 있다. 이에 본 발명에서는 머신러닝 기술을 활용하여 범죄 예측 모델 기반으로 범죄 발생 건수 예측, 예측 모델 요인 진단을 통해 결과 해석 기능을 제공하고자 한다.Although the number of police personnel is increasing to maintain social safety and security, there is a limit to recruiting manpower alone, so the introduction of new technologies is urgently needed. Since the prior art performs crime prediction based on a traditional statistical method, it is difficult to secure prediction performance. Accordingly, the present invention intends to provide a result interpretation function by predicting the number of crimes and diagnosing predictive model factors based on a crime prediction model using machine learning technology.
본 발명이 이루고자 하는 기술적인 과제는 치안 및 공공 데이터 기반 범죄 신고 수를 예측하는 장치 및 방법을 제공하는 것이다.The technical problem to be achieved by the present invention is to provide an apparatus and method for predicting the number of crime reports based on security and public data.
본 발명의 일 실시예에 따른 예측모델 생성 장치는 크롤링 기법을 이용하여 데이터를 수집하는 데이터 수집부, 상기 데이터를 전처리하는 데이터 가공부, 및 전처리된 데이터를 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 예측모델을 생성하는 예측모델 생성부를 포함한다.The apparatus for generating a predictive model according to an embodiment of the present invention includes a data collection unit that collects data using a crawling technique, a data processing unit that pre-processes the data, and the number of crime reports at the time of prediction using the pre-processed data. and a predictive model generator for generating a predictive model to predict.
본 발명의 일 실시예에 따른 예측모델 생성 방법은 적어도 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되고, 크롤링 기법을 이용하여 데이터를 수집하는 단계, 상기 데이터를 전처리하는 단계, 및 전처리된 데이터를 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 예측모델을 생성하는 단계를 포함한다.The method for generating a predictive model according to an embodiment of the present invention is performed by a computing device including at least a processor, collecting data using a crawling technique, pre-processing the data, and using the pre-processed data and generating a predictive model for predicting the number of crime reports at the time of prediction.
본 발명의 일 실시예에 따른 예측 장치는 제2 데이터를 수집하는 제2 데이터 수집부, 상기 제2 데이터를 전처리하는 제2 데이터 가공부, 및 제5항 내지 제7항 중 어느 하나의 항에 기재된 예측모델 생성 방법에 의해 생성되고 전처리된 제2 데이터를 입력으로 하는 예측모델을 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 예측부를 포함한다.A prediction apparatus according to an embodiment of the present invention includes a second data collection unit for collecting second data, a second data processing unit for pre-processing the second data, and any one of claims 5 to 7 It includes a prediction unit for predicting the number of crime reports at the time of prediction by using a prediction model that is generated by the described prediction model generation method and that takes as an input the second data pre-processed.
본 발명의 실시예에 따른 범죄 신고 수 예측 장치 및 방법에 의할 경우, 예측 시점의 범죄 신고 수를 예측할 수 있고, 예측 결과에 기반하여 관할관서별 신고와 범죄를 효율적으로 처리할 수 있는 효과가 있다.According to the device and method for predicting the number of crime reports according to an embodiment of the present invention, it is possible to predict the number of crime reports at the time of prediction, and based on the prediction result, it is possible to efficiently process reports and crimes by jurisdiction. have.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.
도 1은 본 발명이 일 실시예에 따른 예측모델 생성 장치의 기능 블럭도이다.
도 2는 도 1에 도시된 예측부에 의해 예측된 범죄 발생의 중요 변수를 도시한다.
도 3은 본 발명의 일 실시예에 따른 예측 장치의 기능 블럭도이다.
도 4는 도 1에 도시된 예측모델 생성 장치에 의해 수행되는 예측모델 생성 방법 또는 도 3에 도시된 예측 장치에 의해 수행되는 예측 방법을 설명하기 위한 흐름도이다.In order to more fully understand the drawings recited in the Detailed Description of the Invention, a detailed description of each drawing is provided.
1 is a functional block diagram of an apparatus for generating a predictive model according to an embodiment of the present invention.
FIG. 2 shows important variables of crime occurrence predicted by the prediction unit shown in FIG. 1 .
3 is a functional block diagram of a prediction apparatus according to an embodiment of the present invention.
FIG. 4 is a flowchart for explaining a predictive model generating method performed by the predictive model generating apparatus shown in FIG. 1 or a prediction method performed by the predictive model generating apparatus shown in FIG. 3 .
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.Specific structural or functional descriptions of the embodiments according to the concept of the present invention disclosed herein are only exemplified for the purpose of explaining the embodiments according to the concept of the present invention, and the embodiment according to the concept of the present invention These may be embodied in various forms and are not limited to the embodiments described herein.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.Since the embodiments according to the concept of the present invention may have various changes and may have various forms, the embodiments will be illustrated in the drawings and described in detail herein. However, this is not intended to limit the embodiments according to the concept of the present invention to specific disclosed forms, and includes all modifications, equivalents, or substitutes included in the spirit and scope of the present invention.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.Terms such as first or second may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another, for example without departing from the scope of the inventive concept, a first component may be termed a second component and similarly a second component A component may also be referred to as a first component.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being “connected” or “connected” to another component, it may be directly connected or connected to the other component, but it is understood that other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle. Other expressions describing the relationship between elements, such as "between" and "immediately between" or "neighboring to" and "directly adjacent to", etc., should be interpreted similarly.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used herein are used only to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described herein is present, but one or more other features It is to be understood that it does not preclude the possibility of the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present specification. does not
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시예들을 상세히 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. However, the scope of the patent application is not limited or limited by these embodiments. Like reference numerals in each figure indicate like elements.
도 1은 본 발명의 일 실시예에 따른 예측모델 생성 장치의 기능 블럭도이다.1 is a functional block diagram of an apparatus for generating a predictive model according to an embodiment of the present invention.
도 1은 참조하면, 예측모델 생성 장치(100)는 데이터 수집부(110), 데이터 가공부(120), 군집화부(130), 예측모델 생성부(140), 예측부(150), 및 저장부(160) 중 적어도 하나를 포함할 수 있다. 즉, 상술한 예측모델 생성 장치(100)의 일부 구성은 실시예에 따라 생략될 수도 있으며, 예측모델 생성부(140)는 적어도 프로세서 및/또는 메모리를 포함하는 컴퓨팅 장치로 구현될 수 있다.Referring to FIG. 1 , the predictive
예측모델 생성 장치(100)는 데이터 수집부(110)에 의해 수집된 데이터 또는 소정의 입력 장치를 통해 수신되어 저장부(160)에 저장되어 있는 데이터를 이용하여 범죄 신고 수(또는 범죄 발생 수) 및/또는 범죄 발생 요인을 예측하는 예측모델을 생성할 수 있다. 실시예에 따라, 예측모델 생성 장치(100)는 생성된 예측모델을 이용하여 범죄 신고 수(또는 범죄 발생 수) 및/또는 범죄 발생 요인을 예측할 수 있다. 이 경우, 예측모델 생성 장치(100)는 예측 장치로 명명될 수도 있다.The predictive
데이터 수집부(110)는 예측모델의 생성과 예측 동작을 수행하는 과정에서 필요한 데이터를 수집할 수 있다. 데이터는 미리 정해진 시간 구간 동안의 데이터로 제1 데이터 및/또는 제2 데이터 중 적어도 하나를 포함할 수 있다. 데이터 수집부(110)는 크롤링 기법을 통해 데이터를 제공하는 서버(또는 서버에 의해 제공되는 포털 사이트)로부터 데이터를 수집할 수 있다. 데이터 수집부(110)에 의해 수집된 데이터는 저장부(160)에 저장될 수 있다.The
제1 데이터는 범죄 신고 수(또는 범죄 발생 수)를 예측하는 제1 예측모델의 학습 과정 및/또는 제1 예측모델을 이용한 범죄 신고 수(또는 범죄 발생 수) 예측 과정에 이용되는 데이터로써, 범죄 신고 데이터를 의미할 수 있다. 아래 표 1은 범죄 신고 데이터의 일 예를 나타낸다.The first data is data used in the learning process of the first predictive model for predicting the number of crime reports (or the number of crimes) and/or the process of predicting the number of reports of crimes (or the number of crimes) using the first predictive model. It may mean reported data. Table 1 below shows an example of crime report data.
제1 데이터에는 범죄 신고가 발생한 일자, 시간, 장소, 신고 내용, 범죄의 유형, 중 적어도 하나를 포함할 수 있다. 범죄 신고가 발생한 시간은 신고가 접수된 시간을 의미하거나 신고가 접수된 시간 구간(시간대)을 의미할 수도 있다. 시간 구간은 미리 정해진 시간 단위로 구분될 수 있다. 예컨대, 시간 구간은 하루 24시간을 n(n은 정수) 시간 단위로 분할한 것으로, 0~1시, 1~2시, …, 23~24시 중 어느 하나를 의미할 수 있다. 범죄 신고가 발생한 시간이 시간 구간으로 정의된 경우, 제1 데이터는 해당 시간 구간 동안에 접수된 신고 건수를 포함할 수도 있다. 장소는 범죄가 발생한 장소 또는 신고된 장소를 의미할 수 있다. 실시예에 따라, 장소는 장소를 식별할 수 있는 좌표(예컨대, GPS 좌표), 주소(신고자가 위치한 위치의 주소 또는 범죄가 발생한 위치의 주소), 행정동 단위, 경찰서, 지구대, 파출소의 관할 구역 등을 의미할 수 있다. 신고 내용은 범죄 신고자의 신고 내용으로 신고 내용이 담긴 음성 데이터, 신고 내용이 기재된 텍스트 데이터, 또는 신고 내용을 요약한 요약 데이터 등을 의미할 수 있다. 범죄의 유형은 신고된 범죄의 유형을 의미하는 것으로, 가정, 강도·마약, 교통, 사기, 살인, 여성, 자살, 절도, 질서 유지, 청소년, 폭력, 풍속, 기타 등 중 어느 하나를 의미할 수 있다. 대한민국의 경우, 범죄 신고 데이터는 긴급 전화번호 112를 통해 접수된 범죄 신고 데이터에 해당한다. 상술한 제1 데이터에 포함된 내용은 데이터 수집부(110)의 크롤링 결과일 수도 있으나, 적어도 일부는 후술할 데이터 가공부(120)에 의해 가공된 결과일 수도 있다.The first data may include at least one of a date, time, place, report content, and type of crime when the crime report occurred. The time at which the crime report occurred may mean the time at which the report was received or the time interval (time zone) at which the report was received. The time period may be divided into predetermined time units. For example, the time interval is a division of 24 hours a day into n (n is an integer) time unit, 0 to 1 o'clock, 1 to 2 o'clock, ... , may mean any one of 23 to 24 hours. When the time when the crime report occurs is defined as a time interval, the first data may include the number of reports received during the corresponding time interval. A place may mean a place where a crime occurred or a place where it was reported. According to the embodiment, the place may be a coordinate that can identify the place (eg, GPS coordinates), an address (the address of the location where the reporter is located or the address of the location where the crime occurred), administrative unit, police station, district unit, jurisdiction of a police box, etc. can mean The report contents are the contents of the report of the crime reporter, and may mean voice data containing the contents of the report, text data containing the contents of the report, or summary data summarizing the contents of the report. Type of crime refers to the type of crime reported. It can mean any one of family, robbery/drugs, traffic, fraud, murder, women, suicide, theft, maintenance of order, youth, violence, customs, etc. have. In the case of the Republic of Korea, crime report data corresponds to crime report data received through emergency phone number 112. The content included in the above-described first data may be a crawling result of the
제2 데이터는 범죄 발생 요인들 중 가장 중요도를 갖는 적어도 하나의 범죄 발생 요인을 예측하는 제2 예측모델의 학습 과정 및/또는 제2 예측모델을 이용한 범죄 발생 요인 예측 과정에 이용되는 데이터를 의미할 수 있다. 제2 데이터는 기상 데이터, 집회 데이터, 공휴일 데이터, 지역 공공 데이터, 및 유동인구 데이터 중 적어도 하나를 의미할 수 있다. 상술한 제2 데이터에 포함된 내용은 데이터 수집부(110)의 크롤링 결과일 수도 있으나, 적어도 일부는 후술할 데이터 가공부(120)에 의해 가공된 결과일 수도 있다.The second data may mean data used in the learning process of the second predictive model for predicting at least one crime occurrence factor having the most importance among the crime occurrence factors and/or the crime occurrence factor prediction process using the second predictive model. can The second data may mean at least one of weather data, assembly data, holiday data, local public data, and floating population data. The content included in the above-described second data may be a crawling result of the
기상 데이터는 과거의 기상 데이터 및/또는 미래의 기상 예보 데이터를 포함할 수 있다. 또한, 기상 데이터는 일정 구역(도, 시, 구 등)에 관한 과거의 기상 데이터 및/또는 기상 예보 데이터를 포함할 수도 있다.The weather data may include past weather data and/or future weather forecast data. In addition, the weather data may include historical weather data and/or weather forecast data for a certain area (province, city, district, etc.).
집회 데이터는 집회를 하기 위해 신고된 집회 신고 데이터, 과거의 집회 발생 데이터 등을 의미할 수 있으며, 집회 일시, 집회 장소, 집회 인원 등에 관한 정보를 포함할 수 있다.The assembly data may refer to assembly report data reported for the assembly, past assembly occurrence data, and the like, and may include information on the date and time of the assembly, the assembly place, the number of assembly people, and the like.
공휴일 데이터는 법정 공휴일, 임시 공휴일 등에 관한 데이터를 의미할 수 있다.The holiday data may refer to data regarding legal holidays, temporary holidays, and the like.
지역 공공 데이터는 해당 지역(예컨대, 미리 정의된 구역(구, 관할경찰서, 관할관서 등))의 보육 시설(어린이집, 유치원 등)의 유무, 해당 월, 해당 지역의 범죄발생현황(5대범죄발생현황, 발생율, 발생빈도 등), 해당 지역의 공원 분포 여부, 해당 지역의 사망원인별 사망통계, 해당 지역의 공공체육시설 유무, 해당 지역의 노인여가복지시설 유무, 해당 지역의 장애인 현황(장애인 분포율 등), 해당 지역의 저소득한부모가족 현황(분포율 등), 해당 지역의 용도지역 구분, 해당 지역의 국공립중학교 유무, 해당 지역의 공동주택건립 여부, 해당 지역의 노인주거복지 시설의 유무, 해당 지역의 의료기관 유무, 해당 지역의 국공립고등학교 유무, 해당 지역의 빈집 현황, 해당 지역의 주민등록 인구 등 중 적어도 하나를 의미할 수 있다.Local public data includes the presence or absence of childcare facilities (daycare centers, kindergartens, etc.) in the area (e.g., a pre-defined area (gu, competent police station, competent government office, etc.) Current status, incidence rate, frequency of occurrence, etc.), distribution of parks in the area, death statistics by cause of death in the area, presence of public sports facilities in the area, presence of leisure welfare facilities for the elderly in the area, status of persons with disabilities in the area (distribution rate of persons with disabilities) etc.), the current status of low-income single-parent families in the area (distribution rate, etc.), the classification of the area of use in the area, whether there is a national or public middle school in the area, whether or not apartment houses are built in the area, whether there are residential welfare facilities for the elderly in the area, It may mean at least one of the presence of medical institutions, the presence of national and public high schools in the region, the status of vacant houses in the region, and the resident registration population of the region.
유동인구 데이터는 해당 지역의 특정 시점(또는 특정 시간 구간)에서의 유동인구를 의미할 수 있으며, 통신사 등으로부터 제공받을 수 있다.The floating population data may mean the floating population at a specific point in time (or a specific time period) in the corresponding area, and may be provided by a telecommunication company or the like.
실시예에 따라, 데이터 수집부(110)는 예측모델 생성 장치(100)에서 생략될 수 있다. 이 경우, 예측모델 생성 장치(100)는 미리 저장부(160)에 저장되어 있는 데이터를 이용하여 예측모델의 생성 및/또는 예측 동작을 수행할 수 있다.In some embodiments, the
데이터 가공부(120)는 데이터 수집부(110)에 의해 수집된 데이터 및/또는 미리 수신되어 저장부(160)에 저장되어 있는 데이터를 전처리할 수 있다. 구체적으로, 제1 데이터에 포함된 범죄신고 데이터에 구체적인 시간이 포함되어 있는 경우, 미리 정해진 시간 구간 별로 그룹화하여 해당 시간 구간과 해당 시간 구간의 신고 건수를 포함하는 범죄 신고 데이터로 변환할 수 있다. 제1 데이터에 포함된 범죄신고 데이터에 구체적인 장소(GPS 좌표, 주소 등)가 포함되어 있는 경우, 데이터 가공부(120)는 해당 범죄 신고 데이터를 관할경찰서, 미리 정해진 해당 구역(구, 동 등), 및/또는 관할관서(관할 지구대 또는 관할 파출소)를 추가하거나 변환할 수 있다. 제1 데이터에 구체적인 신고 내용이 포함되어 있으나 범죄의 유형이 포함되어 있지 않는 경우, 범죄 신고에 기초하여 범죄의 유형을 결정하고 범죄 유형이 포함된 범죄 신고 데이터로 변환하거나 추가할 수 있다. 이를 위해, 데이터 가공부(120)는 범죄 신고 데이터에 포함된 음성 데이터를 텍스트 데이터로 변환할 수 있고, 텍스트 데이터에 기재된 키워드를 추출하는 방식 등으로 범죄의 유형을 결정할 수 있다.The
또한, 데이터 가공부(120)는 제1 데이터 및/또는 제2 데이터에 결측치가 있는 데이터를 삭제할 수도 있다.Also, the
데이터 가공부(120)에 의해 가공된 데이터는 저장부(160)에 저장될 수 있다. 또한, 제1 데이터 및/또는 제2 데이터에 전처리 동작이 불필요한 경우 데이터 가공부(120)는 예측모델 생성 장치(100)에서 생략될 수 있다. 이 경우, 예측모델 생성 장치(100)는 데이터 수신부(110)에 의해 수신된 데이터 또는 저장부(160)에 미리 저장되어 있는 데이터를 이용하여 예측모델의 생성 및/또는 예측 동작을 수행할 수 있다.Data processed by the
군집화부(130)는 시계열적인 범죄 신고 데이터를 이용하여 관할관서들을 범죄 신고 패턴이 유사한 관할관서로 그룹화할 수 있다.The
시계열적인 범죄 신고 데이터는 제1 데이터를 의미할 수 있다. 이때, 제1 데이터는 미리 정해진 시간 단위(예컨대, 1일 또는 n 시간)로 관할관서별 범죄 신고 건수를 포함할 수 있다.Time-series crime report data may refer to first data. In this case, the first data may include the number of crime reports for each jurisdiction in a predetermined time unit (eg, 1 day or n hours).
또한, 군집화부(130)는 시계열 데이터의 패턴의 유사도(또는 거리)를 측정하고 측정된 유사도(또는 거리)에 따라 관할관서들을 그룹화할 수 있으며, 소정의 군집화 알고리즘이 이용될 수 있다. 예시적인 군집화 알고리즘은 DTW(Dynamic time warping)를 거리척도로 활용한 K-means 알고리즘이다.In addition, the
예측모델 생성부(140)는 데이터 수신부(110)에 의해 수신된 데이터, 데이터 가공부(120)에 의해 전처리된 데이터, 또는 미리 수신되어 저장부(160)에 저장되어 있는 데이터를 이용하여 범죄 신고 수 및/또는 범죄 발생 요인을 예측하는 예측모델을 생성할 수 있다. 예측모델은 제1 데이터 및/또는 제2 데이터를 이용하여 범죄 신고 수를 예측하는 제1 예측모델과 제2 데이터를 이용하여 범죄 발생 요인을 예측하는 제2 예측모델 중 적어도 하나를 포함할 수 있다.The predictive
구체적으로, 예측모델 생성부(140)는 제1 데이터를 이용하여 시계열 모델, 예컨대, RNN(Recurrent Neural Network)과 같은 인공 신경망을 학습시킴으로써 제1 예측모델을 생성할 수 있다. 구체적으로, 예측모델 생성부(140)는 제1 데이터를 이용하여 예측 시점 이전의 범죄 신고 수를 입력받아 예측 시점으로부터 미리 정해진 시간 구간(예측 구간) 동안의 범죄 신고 수를 예측하도록 인공 신경망을 학습시킴으로써 제1 예측모델을 생성할 수 있다. 범죄 신고 수의 예측은 예측 동작을 수행하는 시점으로부터 k일(k는 정수) 후까지 수행될 수 있다. 예컨대, 제1 예측모델은 예측 동작을 수행하는 시점으로부터 7일 후까지의 범죄 신고 수를 일별로 예측할 수 있다. 아래 표 2는 예측 동작을 수행하는 시점으로부터 7일 후까지 일별로 범죄 신고 수를 예측하는 예를 나타낸다.Specifically, the
실시예에 따라, 제1 예측 모델은 미리 정해진 시간 단위(예컨대, 6시간 단위) 별로 범죄 신고 수를 예측할 수도 있다. 다른 예로, 제1 예측 모델은 일단위 별로 범죄 신고 수를 예측하되, 적어도 일부의 예측 시점(예컨대, 1일 후)에 관하여는 미리 정해진 시간 단위 별로 범죄 신고 수를 예측할 수도 있다.According to an embodiment, the first prediction model may predict the number of crime reports for each predetermined time unit (eg, 6 hour units). As another example, the first prediction model predicts the number of crime reports for each unit, but may also predict the number of crime reports for each predetermined time unit with respect to at least a partial prediction time (eg, one day later).
실시예에 따라, 제1 예측 모델은 군집화부(130)에 의해 군집화된 각 군집들 각각에 대한 예측모델들을 포함할 수도 있다. 이 경우, 예측모델 생성부(140)는 각 군집들 각각에 대응하는 학습 데이터(제1 데이터 중 해당 군집에 관한 데이터)를 이용하여 군집들 각각에 대한 예측모델을 학습시킬 수 있다.According to an embodiment, the first prediction model may include prediction models for each of the clusters clustered by the
또한, 예측모델 생성부(140)는 제2 데이터를 이용하여 범죄 발생 요인을 결정하는 제2 예측모델을 생성할 수 있다. 예컨대, 예측모델 생성부(140)는 제2 데이터를 이용하여, 범죄 발생에 가장 큰 영향을 미친 적어도 하나의 중요 변수를 추출하는 의사결정나무 모델(또는 부스팅 의사결정나무 모델)을 학습시킴으로써 제2 예측모델을 생성할 수 있다. 부스팅 의사결정나무 모델은 여러 개의 의사결정나무를 결합하여 하나의 의사결정나무보다 더 좋은 결과를 출력하도록 하는 머신러닝 기법이다. 의사결정나무는 분류와 회귀가 모두 가능한 지도학습 모델 중 하나이다. 예시적인 부스팅 의사결정나무 모델은 CatBoost(Categorical Boost) 기법이다.Also, the
예측부(150)는 예측모델 생성부(140)에 의해 생성된 예측모델을 이용하여 예측동작을 수행할 수 있다. 구체적으로, 예측부(150)는 제1 예측모델 및 제2 예측모델을 이용하여 범죄 신고 수를 예측할 수 있고, 제2 예측모델을 이용하여 범죄 발생의 중요 변수를 추가적으로 예측할 수도 있다.The
제1 예측모델 및 제2 예측모델을 이용하여 범죄 신고 수를 예측하는 경우, 예측부(150)는 제1 데이터(예컨대, 최근 30일 간의 범죄 신고 데이터)를 이용하여 미리 정해진 구역(예컨대, 관할 경찰서 또는 관할관서) 별로 범죄 신고 수를 예측할 수 있다. 이때, 하나의 제1 예측모델을 이용하여 각 구역의 범죄 신고 수를 예측하거나, 구역별로 특화된 예측모델(즉, 해당 구역이 속한 군집의 데이터를 이용하여 생성된 예측모델)을 이용하여 해당 구역의 범죄 신고 수를 예측할 수 있다. 또한, 예측부(150)는 제1 데이터를 이용하여 미리 정해진 예측 기간 동안이 범죄 신고 수를 예측할 수 있다.When the number of crime reports is predicted using the first prediction model and the second prediction model, the
제2 예측모델을 이용하여 범죄 발생의 중요 변수를 예측하는 경우, 예측부(150)는 제1 데이터 및/또는 제2 데이터를 이용하여 예측 시점(예컨대, 3일 후)에서의 범죄 발생의 중요 변수를 추출할 수 있다. 제2 예측모델을 이용한 범죄 발생의 중요 변수 예측 결과는 도 2에 도시되어 있다.In the case of predicting an important variable in the occurrence of a crime using the second prediction model, the
예측부(150)의 예측 결과를 통해 효율적인 인력 배치가 가능하다. 예컨대, 범죄 신고 수가 많을 것으로 예측되는 시점의 경찰 근무 인력을 탄력적으로 증원하거나, 범죄 신고 수가 많을 것으로 예측되는 구역의 경찰 근무 인력을 증원할 수 있다. 또한, 범죄 발생의 중요 변수에 따라, 효과적으로 사전 대비가 가능하다. 일 예로, 범죄 발생의 중요 변수가 '보육시설'인 경우, 보육시설의 순찰과 경계를 강화함으로써 범죄 발생을 억제하거나 조기 검거가 가능할 것이다.Efficient manpower allocation is possible through the prediction result of the
저장부(160)에는 데이터 수집부(110)에 의해 수집된(또는 수신된) 데이터, 데이터 가공부(120)에 의해 전처리된 데이터, 군집화부(130)에 의한 군집화 결과, 예측모델 생성부(140)에 의해 생성된 예측모델, 예측부(150)에 의한 예측 결과 등이 저장될 수 있다.In the
도 3은 본 발명의 일 실시예에 따른 예측 장치의 기능 블럭도이다. 도 3에 도시된 예측 장치(300)를 설명함에 있어서, 앞서 기재된 내용과 중복되는 내용에 관하여는 그 기재를 생략하기로 한다.3 is a functional block diagram of a prediction apparatus according to an embodiment of the present invention. In the description of the
도 3을 참조하면, 예측 장치(300)는 데이터 수집부(310), 데이터 가공부(320), 예측부(330), 및 저장부(340) 중 적어도 하나를 포함할 수 있다. 즉, 예측 장치(300)의 일부 구성은 실시예에 따라 생략될 수도 있으며, 예측 장치(300)는 적어도 프로세서 및/또는 메모리를 포함하는 컴퓨팅 장치로 구현될 수 있다.Referring to FIG. 3 , the
예측 장치(300)는 데이터 수집부(310)에 의해 수집된 데이터 또는 소정의 입력 장치를 통해 수신되어 저장부(340)에 저장되어 있는 데이터를 이용하여 범죄 신고 수(또는 범죄 발생 수) 및/또는 범죄 발생 요인을 예측하는 예측모델을 이용하여 범죄 신고 수(또는 범죄 발생 수) 및/또는 범죄 발생 요인을 예측할 수 있다. 예측모델은 도 1에 도시된 예측모델 생성 장치(100)의 의해 생성되거나 도 1에 도시된 예측모델 생성 장치(100)에 의해 수행되는 예측모델 생성 방법을 통해 생성된 예측모델을 의미할 수 있다.The
데이터 수집부(310)는 예측 동작을 수행하는 과정에서 필요한 데이터를 수집할 수 있다. 데이터는 미리 정해진 시간 구간 동안의 데이터로 제1 데이터 및/또는 제2 데이터 중 적어도 하나를 포함할 수 있다. 데이터 수집부(310)에 의해 수집된 데이터는 저장부(340)에 저장될 수 있다. 데이터 수집부(310)의 동작은 도 1에 도시된 데이터 수집부(110)의 동작과 동일할 수 있으므로 구체적인 설명은 생략하기로 한다.The
실시예에 따라, 데이터 수집부(310)는 예측 장치(300)에서 생략될 수 있다. 이 경우, 예측 장치(300)는 미리 저장부(340)에 저장되어 있는 데이터를 이용하여 예측 동작을 수행할 수 있다.In some embodiments, the
데이터 가공부(320)는 데이터 수집부(310)에 의해 수집된 데이터 및/또는 미리 수신되어 저장부(340)에 저장되어 있는 데이터를 전처리할 수 있다. 데이터 가공부(32)의 구체적인 동작은 도 1에 도시된 데이터 가공부(120)의 동작과 동일할 수 있으므로 구체적인 설명은 생략하기로 한다.The
데이터 가공부(320)에 의해 가공된 데이터는 저장부(340)에 저장될 수 있다. 또한, 제1 데이터 및/또는 제2 데이터에 전처리 동작이 불필요한 경우 데이터 가공부(320)는 예측 장치(300)에서 생략될 수 있다. 이 경우, 예측 장치(300)는 데이터 수신부(310)에 의해 수신된 데이터 또는 저장부(340)에 미리 저장되어 있는 데이터를 이용하여 예측 동작을 수행할 수 있다.Data processed by the
예측부(330)는 도 1에 도시된 예측모델 생성부(140)에 의해 생성된 예측모델을 이용하여 예측 동작을 수행할 수 있다. 구체적으로, 예측부(330)는 제1 예측모델을 이용하여 범죄 신고 수를 예측할 수 있고, 제2 예측모델을 이용하여 범죄 발생의 중요 변수를 예측할 수도 있다. 예측부(330)의 구체적인 동작은 도 1의 예측부(330)의 동작과 동일할 수 있으므로 구체적인 설명은 생략하기로 한다.The
저장부(340)에는 데이터 수집부(310)에 의해 수집된(또는 수신된) 데이터, 데이터 가공부(320)에 의해 전처리된 데이터, 예측모델, 예측부(330)에 의한 예측 결과 등이 저장될 수 있다.The
도 4는 도 1에 도시된 예측모델 생성 장치 또는 도 3에 도시된 예측 장치에 의해 수행되는 예측모델 생성 방법 또는 예측 방법을 설명하기 위한 흐름도이다.FIG. 4 is a flowchart illustrating a prediction model generation method or a prediction method performed by the prediction model generation apparatus illustrated in FIG. 1 or the prediction apparatus illustrated in FIG. 3 .
우선, 예측모델을 생성하기 위한 데이터 또는 예측 동작을 수행하기 위한 데이터가 수집된다(S100). 데이터는 제1 데이터 및/또는 제2 데이터를 포함할 수 있다. 실시예에 따라, 데이터는 소정의 저장 장치를 통하여 미리 수신되어 저장되어 있을 수 있으며, 이 경우 S100 단계는 생략될 수 있다.First, data for generating a prediction model or data for performing a prediction operation are collected (S100). The data may include first data and/or second data. According to an embodiment, the data may be previously received and stored through a predetermined storage device, and in this case, step S100 may be omitted.
수신된 데이터 또는 미리 수신되어 저장되어 있는 데이터는 예측모델을 생성하기 위한 형식 또는 예측 동작을 수행하기 위한 형식으로 가공(또는 전처리)된다(S200). 수신된 데이터 또는 미리 수신되어 저장되어 있는 데이터는 예측모델을 생성하기 위한 형식 또는 예측 동작을 수행하기 위한 형식일 수 있으며, 이 경우 S200 단계는 생략될 수 있다.The received data or previously received and stored data is processed (or pre-processed) into a format for generating a predictive model or a format for performing a predictive operation (S200). Received data or previously received and stored data may be in a format for generating a prediction model or a format for performing a prediction operation, in which case step S200 may be omitted.
이후, 복수의 관할관서들이 범죄 신고 수의 패턴에 따라 그룹화(또는 군집화)된다(S300). 이는 각 그룹 별로 상이한 예측모델을 생성하기 위한 것으로, 하나의 예측모델을 생성하는 경우, S300 단계는 생략될 수 있다. 또한, 예측모델 생성 방법이 아닌 예측 방법은 S300 단계를 포함하지 않을 수 있다.Thereafter, a plurality of competent authorities are grouped (or clustered) according to the pattern of the number of crime reports (S300). This is to generate different predictive models for each group, and when generating one predictive model, step S300 may be omitted. In addition, the prediction method other than the prediction model generation method may not include step S300.
다음으로, 적어도 하나의 예측모델이 생성될 수 있다(S400). 예측모델 생성 방법에 관한 상세한 설명은 생략하기로 한다.Next, at least one predictive model may be generated (S400). A detailed description of the predictive model generation method will be omitted.
추가적으로, 예측 단계가 수행될 수 있다(S500). 예측 단계는 생성된 예측모델을 이용하여 범죄 신고 수(또는 범죄 발생 수) 및/또는 범지 발생의 중요 변수들이 예측될 수 있다.Additionally, a prediction step may be performed (S500). In the prediction step, the number of crime reports (or the number of crimes) and/or important variables of the occurrence of crimes may be predicted using the generated prediction model.
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 집합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPA(Field Programmable array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(Operation System, OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(Processing Element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor)와 같은, 다른 처리 구성(Processing Configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a set of hardware components and software components. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a Programmable Logic Unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include For example, the processing device may include a plurality of processors or one processor and one controller. Other Processing Configurations are also possible, such as a Parallel Processor.
소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(Code), 명령(Instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(Collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성 요소(Component), 물리적 장치, 가상 장치(Virtual Equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(Signal Wave)에 영구적으로, 또는 일시적으로 구체화(Embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more thereof, and configure the processing device to operate as desired or process it independently or in combination (Collectively) You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or provide instructions or data to the processing device. , or may be permanently or temporarily embodied in a transmitted signal wave (Signal Wave). The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-optical Media), 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magnetic media such as floppy disks. - Includes hardware devices specially configured to store and execute program instructions, such as Magneto-optical Media, ROM, RAM, Flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성 요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성 요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.Although the present invention has been described with reference to the embodiment shown in the drawings, which is only exemplary, those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result. Accordingly, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.
100 : 예측모델 생성 장치
110 : 데이터 수집부
120 : 데이터 가공부
130 : 군집화부
140 : 예측모델 생성부
150 : 예측부
160 : 저장부
300 : 예측 장치
310 : 데이터 수집부
320 : 데이터 가공부
330 : 예측부
340 : 저장부100: predictive model generating device
110: data collection unit
120: data processing unit
130: clustering unit
140: predictive model generation unit
150: prediction unit
160: storage
300: prediction device
310: data collection unit
320: data processing unit
330: prediction unit
340: storage
Claims (9)
상기 제1 데이터를 전처리하는 데이터 가공부; 및
전처리된 제1 데이터를 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 제1 예측모델을 생성하고, 상기 제2 데이터를 이용하여 범죄 발생 요인을 예측하는 제2 예측모델을 생성하는 예측모델 생성부를 포함하고,
상기 데이터 가공부는,
상기 제1 데이터에 포함된 범죄 신고 데이터를 신고 시간에 기초하여 미리 정해진 시간 구간 별로 그룹화하여 시간 구간과 해당 시간 구간의 신고 건수를 포함하는 범죄 신고 데이터로 변환하고,
상기 제1 데이터에 포함된 상기 범죄 신고 데이터를 신고 장소에 기초하여 신고 장소의 관할 경찰서, 관할 지구대, 및 관할 파출소 중 적어도 하나를 포함하는 범죄 신고 데이터로 변환하고,
상기 제1 데이터에 포함된 상기 범죄 신고 데이터에 포함된 음성 데이터를 텍스트 데이터로 변환한 후 키워드를 추출하고 추출된 키워드에 기초하여 범죄 유형을 포함하는 범죄 신고 데이터로 변환하고,
상기 제2 데이터는 지역별 보육 시설의 유무, 노인여가복지시설의 유무, 국공립중학교의 유무, 국공립고등학교의 유무, 및 빈집 현황 중 적어도 하나를 포함하는 지역 공공 데이터이고,
상기 예측모델 생성부는 상기 범죄 신고 데이터를 이용하여 RNN(Recurrent Neural Network)을 학습시켜 상기 제1 예측 모델을 생성하고, 상기 제2 데이터를 이용하여 부스팅 의사결정나무 모델을 학습시켜 상기 제2 예측모델을 생성하는,
예측모델 생성 장치.a data collection unit configured to collect data including first data and second data using a crawling technique;
a data processing unit pre-processing the first data; and
A predictive model generating unit that generates a first predictive model for predicting the number of crime reports at the time of prediction using the pre-processed first data, and generates a second predictive model for predicting a crime occurrence factor using the second data including,
The data processing unit,
The crime report data included in the first data is grouped for each predetermined time section based on the report time and converted into crime report data including the time section and the number of reports in the time section,
Converting the crime report data included in the first data to crime report data including at least one of a police station, a district bureau, and a police box having jurisdiction over the location of the report based on the location of the report,
After converting the voice data included in the crime report data included in the first data into text data, extracting a keyword, and converting it into crime report data including a crime type based on the extracted keyword,
The second data is local public data including at least one of the presence or absence of regional childcare facilities, the existence of leisure welfare facilities for the elderly, the existence of national and public middle schools, the existence of national and public high schools, and the status of vacant houses,
The predictive model generator generates the first predictive model by learning a Recurrent Neural Network (RNN) using the crime report data, and trains a boosting decision tree model using the second data to learn the second predictive model. to create,
Predictive model generation device.
범죄 신고 수의 패턴 유사도에 따라 관할관서들을 군집화하는 군집화부를 더 포함하고,
상기 예측모델 생성부는 군집들 각각에 대한 제1 예측모델을 생성하는,
예측모델 생성 장치.According to claim 1,
Further comprising a clustering unit for clustering the competent authorities according to the pattern similarity of the number of crime reports,
The predictive model generator generates a first predictive model for each of the clusters,
Predictive model generation device.
상기 군집화부는 DTW(Dynamic Time Warping)를 거리척도로 활용한 K-means 알고리즘을 이용하여 군집화하는,
예측모델 생성 장치.4. The method of claim 3,
The clustering unit clusters using a K-means algorithm using DTW (Dynamic Time Warping) as a distance scale,
Predictive model generation device.
크롤링 기법을 이용하여 제1 데이터와 제2 데이터를 포함하는 데이터를 수집하는 단계;
상기 제1 데이터를 전처리하는 단계; 및
전처리된 제1 데이터를 이용하여 예측 시점에서의 범죄 신고 수를 예측하는 제1 예측모델을 생성하고, 상기 제2 데이터를 이용하여 범죄 발생 요인을 예측하는 제2 예측모델을 생성하는 단계를 포함하고,
상기 제1 데이터를 전처리하는 단계는,
상기 제1 데이터에 포함된 범죄 신고 데이터를 신고 시간에 기초하여 미리 정해진 시간 구간 별로 그룹화하여 시간 구간과 해당 시간 구간의 신고 건수를 포함하는 범죄 신고 데이터로 변환하는 단계;
상기 제1 데이터에 포함된 상기 범죄 신고 데이터를 신고 장소에 기초하여 신고 장소의 관할 경찰서, 관할 지구대, 및 관할 파출소 중 적어도 하나를 포함하는 범죄 신고 데이터로 변환하는 단계; 및
상기 제1 데이터에 포함된 상기 범죄 신고 데이터에 포함된 음성 데이터를 텍스트 데이터로 변환한 후 키워드를 추출하고 추출된 키워드에 기초하여 범죄 유형을 포함하는 범죄 신고 데이터로 변환하는 단계를 포함하고,
상기 제2 데이터는 지역별 보육 시설의 유무, 노인여가복지시설의 유무, 국공립중학교의 유무, 국공립고등학교의 유무, 및 빈집 현황 중 적어도 하나를 포함하는 지역 공공 데이터이고,
상기 예측모델을 생성하는 단계는, 상기 범죄 신고 데이터를 이용하여 RNN(Recurrent Neural Network)을 학습시켜 상기 제1 예측모델을 생성하고, 상기 제2 데이터를 이용하여 부스팅 의사결정나무 모델을 학습시켜 상기 제2 예측모델을 생성하는,
예측모델 생성 방법.In the predictive model generation method performed by a computing device comprising at least a processor,
collecting data including first data and second data using a crawling technique;
pre-processing the first data; and
Generating a first predictive model for predicting the number of crime reports at the time of prediction using the pre-processed first data, and generating a second predictive model for predicting the crime occurrence factors using the second data, ,
The pre-processing of the first data comprises:
converting the crime report data included in the first data into crime report data including the time section and the number of reports in the time section by grouping the crime report data for each predetermined time section based on the report time;
converting the crime report data included in the first data into crime report data including at least one of a police station having jurisdiction over the location of the report, a district office having jurisdiction over the location of the report, and a police box having jurisdiction based on the location of the report; and
After converting the voice data included in the crime report data included in the first data into text data, extracting a keyword and converting it into crime report data including a crime type based on the extracted keyword,
The second data is local public data including at least one of the presence or absence of regional childcare facilities, the existence of leisure welfare facilities for the elderly, the existence of national and public middle schools, the existence of national and public high schools, and the status of vacant houses,
In the generating of the predictive model, the first predictive model is generated by learning a Recurrent Neural Network (RNN) using the crime report data, and the boosting decision tree model is trained using the second data. generating a second predictive model,
How to create a predictive model.
상기 전처리하는 단계 이후에,
범죄 신고 수의 패턴 유사도에 따라 관할관서들을 군집화하는 단계를 더 포함하고,
상기 예측모델을 생성하는 단계는, 군집들 각각에 대한 제1 예측모델을 생성하는,
예측모델 생성 방법.6. The method of claim 5,
After the pretreatment step,
Further comprising the step of clustering the competent authorities according to the pattern similarity of the number of crime reports,
The generating of the predictive model includes generating a first predictive model for each of the clusters,
How to create a predictive model.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2020/017257 WO2022034984A1 (en) | 2020-08-14 | 2020-11-30 | Device and method for predicting number of crime reports on basis of security and public data |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200102512 | 2020-08-14 | ||
KR20200102512 | 2020-08-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220021840A KR20220021840A (en) | 2022-02-22 |
KR102430920B1 true KR102430920B1 (en) | 2022-08-10 |
Family
ID=80494333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200163665A KR102430920B1 (en) | 2020-08-14 | 2020-11-30 | Device and method for predicting the number of crimes using security data and public data |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102430920B1 (en) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140100173A (en) | 2013-02-05 | 2014-08-14 | 인터로젠 (주) | Method for providing crime forecast service using weather |
US20160189043A1 (en) | 2014-12-24 | 2016-06-30 | Locator IP, L.P. | Crime forcasting system |
KR102340258B1 (en) * | 2015-12-29 | 2021-12-15 | 삼성에스디에스 주식회사 | Method and apparatus for time series data prediction |
KR101870296B1 (en) * | 2016-12-07 | 2018-06-25 | 동국대학교 산학협력단 | Apparatus and method for preventing a crime |
-
2020
- 2020-11-30 KR KR1020200163665A patent/KR102430920B1/en active IP Right Grant
Non-Patent Citations (1)
Title |
---|
방준성 et.al, 지능형 치안 서비스 기술 동향, 전자통신동향분석 , 한국전자통신연구원, Vol.34, no.1, pp.111-122(2019.02.) 1부.* |
Also Published As
Publication number | Publication date |
---|---|
KR20220021840A (en) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Application of computational intelligence technologies in emergency management: a literature review | |
Levine et al. | The New York City police department’s domain awareness system | |
Ma et al. | Data sets, modeling, and decision making in smart cities: A survey | |
CN109523061A (en) | A kind of emergency event Emergency decision method based on scenario analysis | |
CN106507315B (en) | Urban traffic accident prediction technique and system based on network social intercourse media data | |
Guo et al. | Air pollution concentration forecast method based on the deep ensemble neural network | |
Dagaeva et al. | Big spatio‐temporal data mining for emergency management information systems | |
CN111311869B (en) | Fire safety monitoring method and system based on area alarm model and cloud platform | |
CN110009185A (en) | AI dispatch control plateform system | |
CN110334904B (en) | LightGBM-based key information infrastructure type unit attribution determination method | |
Wang et al. | An improved robust principal component analysis model for anomalies detection of subway passenger flow | |
Chow et al. | Recognizing animal-caused faults in power distribution systems using artificial neural networks | |
Lee et al. | Use of dynamic event trees and deep learning for real-time emergency planning in power plant operation | |
CN116405326B (en) | Information security management method and system based on block chain | |
Cerna et al. | A comparison of LSTM and XGBoost for predicting firemen interventions | |
Zhu et al. | Spatio-temporal point processes with attention for traffic congestion event modeling | |
Kee et al. | Multi-label classification of estimated time of arrival with ensemble neural networks in bus transportation network | |
Suwaileh et al. | IDRISI-RE: A generalizable dataset with benchmarks for location mention recognition on disaster tweets | |
CN117436351B (en) | Knowledge-graph-based power grid equipment fault prediction method and system under complex weather | |
WO2022034984A1 (en) | Device and method for predicting number of crime reports on basis of security and public data | |
KR102430920B1 (en) | Device and method for predicting the number of crimes using security data and public data | |
Wang et al. | Correlation Analysis of External Environment Risk Factors for High‐Speed Railway Derailment Based on Unstructured Data | |
Yu et al. | Sports event model evaluation and prediction method using principal component analysis | |
Patel et al. | Intellectual and enhance digital solution for police station | |
CN111402099A (en) | Earthquake emergency decision system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
E90F | Notification of reason for final refusal | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) |