머신러닝기반 범죄발생 위험지역 예측 = Predicting Crime Risky Area Using Machine Learning

다국어 초록 (Multilingual Abstract)

In Korea, citizens can only know general information about crime. Thus it is difficult to know how much they are exposed to crime. If the police can predict the crime risky area, it will be possible to cope with the crime efficiently even though insufficient police and enforcement resources. However, there is no prediction system in Korea and the related researches are very much poor. From these backgrounds, the final goal of this study is to develop an automated crime prediction system. However, for the first step, we build a big data set which consists of local real crime information and urban physicalor non-physical data. Then, we developed a crime prediction model through machine learning method. Finally, we assumed several possible scenarios and calculated the probability of crime and visualized the results in a map so as to increase the people's understanding. Among the factors affecting the crime occurrence revealed in previous and case studies, data was processed in the form of a big data for machine learning: real crime information, weather information (temperature, rainfall, wind speed, humidity, sunshine, insolation, snowfall, cloud cover) and local information (average building coverage, average floor area ratio, average building height, number of buildings, average appraised land value, average area of residential building, average number of ground floor). Among the supervised machine learning algorithms, the decision tree model, the random forest model, and the SVM model, which are known to be powerful and accurate in various fields were utilized to construct crime prevention model. As a result, decision tree model with the lowest RMSE was selected as an optimal prediction model. Based on this model, several scenarios were set for theft and violence cases which are the most frequent in the case city J, and the probability of crime was estimated by 250x250m grid. As a result, we could find that the high crime risky area is occurring in three patterns in case city J. The probability of crime was divided into three classes and visualized in map by 250 x 250m grid. Finally, we could develop a crime prediction model using machine learning algorithm and visualized the crime risky areas in a map which can recalculate the model and visualize the result simultaneously as time and urban conditions change.

국문 초록 (Abstract)

우리나라의 시민들은 범죄에 대한 일반적인 사항만을 알 수 있을 뿐, 자신이 범죄위험에 얼마나 노출되어 있는지를 파악하기 어렵다. 경찰의 입장에서도 범죄발생 지역을 예측할 수 있다면 경찰력이 부족한 상황에서 효율성 있게 범죄에 대처 가능할 것이지만 아직 우리나라에서는 예측시스템이 없고, 관련 연구도 매우 부족한 실정이다. 이에 본 연구에서는 범죄발생 위험지역 예측 자동화 시스템 개발의 첫 번째 단계로 빅데이터로 구축 가능한 범죄정보와 도시지역 자료를 바탕으로 머신러닝 방식을 통해 한국형 범죄발생 위험지역 예측 모형을 개발하고자 한다. 또한 시나리오를 가정하여 범죄발생 확률을 지도로 시각화함으로써 사용자의 이해도를 높이도록 하였다. 선행 연구 및 사례에서 범죄발생에 영향을 미치는 요인 중 빅데이터로 구축 가능한 범죄정보, 날씨정보(기온, 강수량, 풍속, 습도, 일조, 일사, 적설, 전운량), 지역정보(평균 건폐율, 평균 용적율, 평균 높이, 총 건축물수, 평균 공시지가, 평균 주거용도면적, 평균 지상층수)를 머신러닝에 활용할 수 있도록 데이터를 사전 처리하였다. 머신러닝 알고리즘으로서 지도학습 모형 중 다양한 분야에서 활용되며정확도가 높다고 알려진 의사결정나무모형, 랜덤포레스트모형, Support Vector Machine(SVM)모형을 활용하여 범죄 예측 모형을 구축하고 비교·분석하였다. 그 결과 평균 제곱근 오차(Root Mean Square Error, RMSE)가 낮아 예측력이 높은 의사결정나무모형을 최적모형으로 선정하였다. 이를 바탕으로 가장 빈번하게 발생하는 절도와 폭력범죄를 대상으로 시나리오를 작성하여 범죄 발생 위험지역을 예측한 결과, 사례도시 J시는 위험지역이 3가지 패턴으로 발생하는 것으로 나타났으며, 각각 발생확률을 3 등급으로 구분하여 250 x 250m 단위의 지도형태로 시각화할 수 있었다. 본 연구는 향후 자동화 시스템으로 개발하여 시시각각으로 변하는 도시 상황에 따라 실시간으로 예측 결과를 시각화하여 제공함으로써 보다 범죄로부터 안전한 도시환경 조성에 기여하고자 한다.

참고문헌 (Reference)

• 1 송영석, "의사결정나무모형을 이용한 급경사지재해 예측프로그램 개발 및 적용" 대한토목학회 29 (29): 59-69, 2009
• 2 조예림, "의사결정나무기법을 이용한 건설재해 사전 예측모델 개발" 한국건축시공학회 17 (17): 295-303, 2017
• 3 안현철, "유전자 알고리즘을 이용한 다분류 SVM의 최적화: 기업신용등급 예측에의 응용" 한국경영정보학회 16 (16): 161-177, 2014
• 4 최하나, "앙상블 SVM 모형을 이용한 기업 부도 예측" 한국데이터정보과학회 24 (24): 1113-1125, 2013
• 5 박원기, "시청률예측에관한연구 회귀모형과 데이터마이닝모형의 비교를중심으로" 한국방송광고공사 58 : 61-79, 2003
• 6 오병훈, "스마트 폰 기반 차량 환경에서의 랜덤 포레스트를 이용한 시선 인식 시스템" 한국인터넷방송통신학회 15 (15): 191-197, 2015
• 7 송주영, "빅데이터를 활용한 범죄예측" 황소걸음아카데미 414-, 2018
• 8 허선영, "베이지안 확률 기반 범죄위험지역 예측 모델 개발" 한국지리정보학회 20 (20): 89-101, 2017
• 9 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측" 한국주택학회 26 (26): 107-133, 2018
• 10 김수진, "로지스틱 회귀분석과 의사결정나무 분석을 이용한 일 대도시주민의 우울 예측요인 비교 연구" 한국콘텐츠학회 13 (13): 829-839, 2013
• 11 이선민, "랜덤포레스트와 부스티드 트리 모델을 적용한 서울의 홍수와 산사태 취약성 분석" 서울시립대학교 2017
• 12 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법" 한국교육평가학회 28 (28): 427-448, 2015
• 13 정진호, "랜덤 포레스트 기반 공동주택 공용관리비 추산모델" 대한건축학회 33 (33): 19-27, 2017
• 14 최종후, "데이터마이닝 의사결정나무의응용" 4 (4): 61-83, 1999
• 15 김성진, "기업신용등급 예측을 위한 랜덤 포레스트의 응용" 산업개발연구소 32 (32): 187-211, 2016
• 16 유병국, "기계학습기법을 활용한 소비자의 소매유형 선택 연구: 대형마트와 전통시장을 중심으로" 한국상업교육학회 32 (32): 155-174, 2018
• 17 "Wikipedia"
• 18 Elleng G, "Weather and crime" 30 (30): 51-64, 1990
• 19 Horrocks, J, "The effects of weather on crime" 45 (45): 231-254, 2011
• 20 Cortes, C, "Supportvector networks" 20 (20): 273-297, 1995
• 21 이슬기, "SVM과 meta-learning algorithm을 이용한 고지혈증 유병 예측모형 개발과 활용" 한국지능정보시스템학회 24 (24): 111-124, 2018
• 22 허준영, "SVM 기반의 재무 정보를 이용한 주가 예측" 한국정보과학회 21 (21): 167-172, 2015
• 23 Neuilly, M. A., "Predicting recidivism in homicide offenders using classification tree analysis" 15 (15): 154-176, 2011
• 24 Oliveira, S., "Modeling spatial patterns of fire occurrence in Mediterranean Europe using Multiple Regression and Random Forest" 275 : 117-129, 2012
• 25 Guo, F., "Modeling anthropogenic fire occurrence in the boreal forest of China using logistic regression and random forests" 7 (7): 250-, 2016
• 26 Hajek, P, "Feature selection in corporate credit rating prediction" 51 : 72-84, 2013
• 27 Chaurasia, V, "Early prediction of heart diseases using data mining techniques" 1 : 208-217, 2013
• 28 Newburn, T, "Criminal Justice and Political Cultures:National and international dimensions of crime control" Willan Publishing 2004
• 29 Ranson, M, "Crime, weather, and climate change" 67 (67): 274-302, 2014
• 30 Almanie, T., "Crime prediction based on crime types and using spatial and temporal criminal hotspots" 5 (5): 1-19, 2015
• 31 Brown, I, "An experimental comparison of classification algorithms for imbalanced credit scoring data sets" 39 (39): 3446-3453, 2012