Şehir güvenliğinin sağlanması ve etkili kolluk kuvveti dağıtımı için kritik öneme sahip suç noktası tahmini, yapay zeka teknolojisindeki son gelişmelerle yeni bir boyut kazandı. Araştırmacılar, geleneksel yöntemlerin yetersiz kaldığı bu alanda çığır açacak bir sistem geliştirdi.
Mevcut yaklaşımlar genellikle KDE ve SVM gibi klasik algoritmaları kullanarak suç olaylarını birbirinden bağımsız veriler olarak işliyordu. Ancak gerçekte suç olayları arasında karmaşık coğrafi bağımlılıklar bulunuyor ve komşu bölgelerdeki aktiviteler birbirini etkileyebiliyor.
Yeni geliştirilen sistem, Graf Evrişimsel Ağlar (GCN) teknolojisini kullanarak bu sorunu çözüyor. Sistem, suç verilerini bir graf yapısı olarak modelleniyor - her coğrafi alan bir düğüm, bölgeler arası yakınlık ilişkileri ise kenarlar olarak temsil ediliyor. Bu yaklaşım, bölgesel etkileşimleri ve mekânsal bağımlılıkları doğrudan hesaba katmaya olanak sağlıyor.
Chicago Suç Veri Seti kullanılarak test edilen çok katmanlı GCN modeli, hem farklı suç türlerini sınıflandırmada hem de yüksek riskli bölgeleri önceden belirlemede geleneksel yöntemleri geride bıraktı. Sistem, coğrafi özellikleri analiz ederek hangi bölgelerin daha riskli hale gelebileceğini başarıyla tahmin ediyor.
Bu gelişme, polis departmanlarının kaynakları daha stratejik şekilde dağıtması ve şehir planlamacılarının güvenlik odaklı kararlar alması için değerli bir araç sunuyor.