Gew alttätige Bandenkriminalität mit Mathematik bekämpfen

Gew alttätige Bandenkriminalität mit Mathematik bekämpfen
Gew alttätige Bandenkriminalität mit Mathematik bekämpfen
Anonim

UCLA-Mathematiker, die mit der Los Angeles Police Department zusammenarbeiten, um Verbrechensmuster zu analysieren, haben einen mathematischen Algorithmus entwickelt, um Straßenbanden zu identifizieren, die an ungelösten Gew altverbrechen beteiligt sind. Ihre Forschung basiert auf Mustern bekannter krimineller Aktivitäten zwischen Banden und stellt die erste wissenschaftliche Studie dieser Art über Bandengew alt dar.

Die Forschungsarbeit erscheint am 31. Oktober auf der Website der von Fachleuten begutachteten mathematischen Zeitschrift Inverse Problems und wird in einer zukünftigen Druckausgabe veröffentlicht.

Bei der Entwicklung ihres Algorithmus analysierten die Mathematiker mehr als 1.000 Bandenverbrechen und mutmaßliche Bandenverbrechen, von denen etwa die Hälfte ungelöst war und die sich über einen Zeitraum von 10 Jahren in einem Polizeibezirk im Osten von Los Angeles, bekannt als Hollenbeck, ereigneten. ein kleines Gebiet, in dem es etwa 30 Banden und fast 70 Bandenrivalitäten gibt.

Um den Algorithmus zu testen, erstellten die Forscher eine Reihe simulierter Daten, die die Verbrechensmuster des Hollenbeck-Gang-Netzwerks genau nachahmten. Dann ließen sie einige der Schlüsselinformationen weg – manchmal das Opfer, den Täter oder beide – und testeten, wie gut der Algorithmus die fehlenden Informationen berechnen konnte.

"Wenn die Polizei glaubt, dass eine von sieben oder acht rivalisierenden Banden ein Verbrechen begangen haben könnte, würde unsere Methode die jüngsten historischen Ereignisse in der Gegend betrachten und die Wahrscheinlichkeiten berechnen, welche dieser Banden am wahrscheinlichsten begangen haben Kriminalität", sagte die leitende Autorin der Studie, Andrea Bertozzi, Professorin für Mathematik und Direktorin für angewandte Mathematik an der UCLA.

Ungefähr 80 Prozent der Fälle konnten die Mathematiker auf drei Bandenrivalitäten eingrenzen, die höchstwahrscheinlich an einem Verbrechen beteiligt waren.

"Unser Algorithmus platzierte die richtige Bandenrivalität in 80 Prozent der Fälle unter den drei wahrscheinlichsten Rivalitäten, was deutlich besser ist als der Zufall", sagte Martin Short, außerordentlicher Assistenzprofessor für Mathematik an der UCLA und Mitautor von die Studium."Das schränkt es ziemlich ein, und dann wissen wir nichts über das Verbrechensopfer oder den Täter."

Die Mathematiker fanden auch heraus, dass die richtige Bande in 50 Prozent der Fälle die Nummer 1 war und nicht nur unter den ersten drei, verglichen mit nur 17 Prozent durch Zufall.

Die Polizei kann weiter ermitteln, wenn die Banden eingegrenzt sind.

"Wir können noch besser werden", sagte Bertozzi. "Dies ist die erste Veröffentlichung, die diesen neuen Ansatz verfolgt. Wir können diese 80 Prozent nur verbessern, indem wir ausgefeiltere Methoden entwickeln.

"Unser Algorithmus nutzt die Aktivitätsmuster von Banden aus, um die beste Wahrscheinlichkeit zu ermitteln, welche Bande oder welche drei Banden für die Verbrechen verantwortlich waren", sagte sie.

Bertozzi und ihre Kollegen haben mit dem LAPD an einer Vielzahl von Arten von Kriminalität gearbeitet. Die Implikationen der Forschung gehen über die Bekämpfung von Banden und Verbrechen hinaus.

"Der von uns entwickelte Algorithmus könnte auf eine viel breitere Klasse von Problemen angewendet werden, die Aktivitäten in sozialen Netzwerken betreffen", sagte Bertozzi. „Sie haben Ereignisse – es könnten Verbrechen oder etwas anderes sein – die in einer Zeitreihe und einem bekannten Netzwerk auftreten. Es gibt Aktivitäten zwischen Knoten, in diesem Fall eine Bande, die eine andere Bande angreift. Bei einigen dieser Aktivitäten wissen Sie genau, wer war beteiligt und mit anderen nicht. Die Herausforderung besteht darin, ein möglichst fundiertes Urteil darüber zu fällen, wer an den unbekannten Aktivitäten beteiligt war. Wir glauben, dass es eine Reihe von sozialen Netzwerken gibt, die dasselbe Muster aufweisen."

Die Identifizierung von Hackern wäre ein Beispiel; Unternehmen dabei zu unterstützen, Werbung auf Verbraucher auszurichten, die am meisten an ihren Produkten und Dienstleistungen interessiert sind, und die Privatsphäre zu schützen, wäre eine andere.

"Einem Werbetreibenden ist es vielleicht egal, wer einzelne Personen sind, sondern nur, wie sie sich verh alten", sagte Bertozzi. "Werbetreibende könnten Verbraucher ansprechen, indem sie ihr Einkaufsverh alten kennen, ohne ihre Identität zu kennen."

Der Hauptautor der Studie ist Alexey Stomachin, ein UCLA-Doktorand in angewandter Mathematik, der ein Jahr lang daran gearbeitet hat, den Algorithmus zu entwerfen, der die fehlenden Informationen ergänzen kann.

Die neue Forschung wird von der National Science Foundation, der Mathematikabteilung des U.S. Army Research Office, dem U.S. Office of Naval Research und dem U.S. Air Force Office of Scientific Research finanziert.

Beliebtes Thema