In uno studio pubblicato su EPJ Data Science rivista, il team di ricercatori RMIT mostra come i dati di posizione e attività degli utenti dell'app Foursquare, quando accoppiato con algoritmi di raccomandazione, ci consente di prevedere i crimini in modo più accurato che mai.

Gli utenti Foursquare condividono la loro posizione e attività quando fanno il "check-in" in vari luoghi. Lo studio ha utilizzato i dati di oltre 20, 000 check-in da parte di utenti a Brisbane, e quasi 230, 000 check-in da parte di utenti a New York City.

La dottoressa Flora Salim, scienziata informatica di RMIT, afferma che questa dinamica, i dati in tempo reale sui movimenti delle persone in una città sono molto preziosi per comprendere la probabilità di situazioni diverse in un'area.

Ma per colmare le molte lacune in questi dati basati sulla posizione, i ricercatori hanno anche sviluppato algoritmi di raccomandazione, simili a quelli utilizzati per consigliare brani correlati su Spotify.

"Ovviamente la grande maggioranza delle persone in città non usava sempre l'app e coloro che commettevano crimini probabilmente non pubblicavano sull'app al riguardo, "dice. "Allora, abbiamo utilizzato sistemi di raccomandazione per colmare le lacune e prevedere altre attività in un dato scenario."

Nei test su entrambe le città, il sistema prevedeva tipi specifici di criminalità in parti specifiche della città meglio dei modelli di previsione della criminalità esistenti basati sulle tendenze della criminalità.

A Brisbane, il sistema è risultato essere il 16% più accurato nel prevedere gli assalti rispetto ai modelli attuali, 6% più accurato per prevedere l'ingresso illegale, 4% migliore per reati di droga e furto e 2% migliore per la previsione delle frodi.

Nella città di New York, ha migliorato l'accuratezza delle previsioni del 4% per i reati di furto e droga, frode e ingresso illecito, migliorando le previsioni di aggressione del 2%.

Salim afferma che, data la scarsità di set di dati utilizzati nello studio, questi risultati sono significativi.

"Sulla base di questi risultati positivi, questa tecnologia potrebbe consentire alla polizia di progettare strategie di pattugliamento più efficaci con risorse limitate inviando agenti nei luoghi in cui è più probabile il crimine, " lei dice.

Il sistema può anche essere facilmente scalato per elaborare campioni più grandi da quasi tutte le piattaforme di social media, app o rete mobile che raccoglie dati basati sulla posizione.

"L'uso diffuso dei social media come Twitter e Foursquare, che raccolgono tutti enormi quantità di dati sulla nostra posizione, attività e preferenze:offre opportunità senza precedenti per catturare il movimento e l'attività delle persone in una città, " lei dice.

Lo studio è solo un esempio di come i nostri dati possono essere utilizzati per prevedere le nostre azioni per un'intera gamma di applicazioni.

Un altro progetto in cui è coinvolto Salim esamina algoritmi per prevedere, con alti livelli di precisione, cosa faremo nella seconda metà della nostra giornata in base a modelli storici e dati raccolti dalla prima metà della nostra giornata.

"Ricerca sul modello del movimento umano, in base ai dati delle nostre app mobili, mostra spesso quanto siano prevedibili molte delle nostre attività, " dice Salim.

Autore principale e Ph.D. la studentessa Shakila Khan Rumi, che è supervisionato da Salim e dal Dr. Ke Deng, afferma che lo studio segna un significativo passo avanti sui modelli di previsione del crimine.

"Gli attuali modelli di previsione del crimine all'avanguardia generalmente si basano su caratteristiche statiche relative, tra cui informazioni storiche a lungo termine, informazioni geografiche e informazioni demografiche. Queste informazioni cambiano lentamente nel tempo, il che significa che questi modelli tradizionali non sono stati in grado di catturare le variazioni a breve termine degli eventi criminali, "dice Rumi.

"I risultati dei nostri test dimostrano che il miglioramento delle prestazioni di previsione dopo l'aggiunta di funzionalità dinamiche è considerevole e statisticamente significativo. È davvero rivoluzionario".

Il gruppo sta ora pianificando di estendere il lavoro addestrando gli algoritmi utilizzando i dati di una città e aumentando la sua capacità di applicare tali apprendimenti in una città diversa dove i modelli sono diversi.