地理信息学与地统计学：概述

肯尼亚内罗毕市县使用人工智能代理绘制犯罪地图

Mbani BO、Odera PA 和 Kenduiywo BK

由于犯罪系统过于复杂，犯罪分析和预测仍然是一项相当困难的任务。在内罗毕，尽管警方加大了打击犯罪的力度，但犯罪对警方的挑战仍然越来越大。这是因为导致犯罪事件激增的潜在因素尚未得到充分解决，这些因素包括
轻型枪支泛滥、有组织犯罪团伙的存在、资源分配不均、城市土地利用规划政策不佳、青年失业和药物滥用，以及警察部队在资源和后勤方面准备不足。因此，犯罪
发生与犯罪事件的空间位置之间的联系是犯罪建模的关键关系。本文提出了一种基于代理的时空犯罪事件建模方法，利用人工智能和地理信息系统这两种技术的融合。人工智能 (AI) 用于
将人类行为构建到代理中，代理可以自主探索空间环境，同时从经验中学习。具体而言，研究中使用的 AI 算法是一种强化学习形式，称为 q 学习。强化学习是一种机器学习方法
，它将在街道网络中寻找路径的能力建模到代理中，并在模拟过程中从每次迭代中的经验中学习。在这个模拟中设计了三种类型的代理：罪犯、目标和监护人代理。多代理模拟是在 Netlogo 软件中开发的。Netlogo
环境允许用户设计一个由三个代理组成的人工环境，包括经过几次迭代后可能出现的犯罪地点，以生成犯罪模式。除了设计参与犯罪事件的代理外，还通过叠加一组影响犯罪事件的潜在风险因素生成了风险地形模型。首先使用卡方检验测试这些因素与犯罪发生的共存情况，最后叠加以生成风险地形表面。通过将模拟生成的犯罪数量与当局报告的犯罪数量进行比较，对模型的准确性进行了验证。比较中使用的指标是斯皮尔曼等级相关系数。验证得出的相关系数为 0.4，表明存在一定程度的正相关性，因为对于完美的正相关性，我们预期相关系数为 1。由于此模拟中做出了各种假设，例如仅允许代理沿着街道网络移动并将犯罪类型限制为街头抢劫，因此相关系数有点低。此外，在生成风险曲面时考虑的潜在风险因素集合是有限的，而事实上在现实生活中，引发犯罪的因素是复杂的、多维的并且数量几乎是无限的。