జియోఇన్ఫర్మేటిక్స్ & జియోస్టాటిస్టిక్స్: ఒక అవలోకనం

కెన్యాలోని నైరోబి సిటీ కౌంటీలో ఆర్టిఫిషియల్ ఇంటెలిజెంట్ ఏజెంట్లను ఉపయోగించి క్రైమ్ మ్యాపింగ్

Mbani BO, Odera PA మరియు Kenduiywo BK

నేర వ్యవస్థ మితిమీరిన సంక్లిష్టంగా ఉన్నందున నేర విశ్లేషణ మరియు అంచనా చాలా కష్టమైన పని. నైరోబీలో, వైస్‌ను లక్ష్యంగా చేసుకునే ప్రయత్నం పెరిగినప్పటికీ, నేరం పోలీసులకు సవాలును పెంచుతోంది. నేర సంఘటనల పెరుగుదలకు దారితీసే అంతర్లీన కారకాలు, వీటిలో
తేలికపాటి తుపాకీల విస్తరణ, వ్యవస్థీకృత నేరస్థుల ఉనికి, అసమాన వనరుల పంపిణీ, పేద పట్టణ భూ వినియోగ ప్రణాళిక విధానాలు, యువత నిరుద్యోగం మరియు మాదకద్రవ్య దుర్వినియోగం వంటివి ఉన్నాయి. వనరులు మరియు లాజిస్టిక్స్ పరంగా సరిగ్గా సిద్ధం కాని పోలీసు దళం, ఇంకా పూర్తిగా పరిష్కరించబడలేదు. పర్యవసానంగా, క్రైమ్
సంఘటన మరియు నేర సంఘటన యొక్క ప్రాదేశిక స్థానం మధ్య అనుబంధం నేరాన్ని మోడలింగ్ చేయడంలో కీలకమైన సంబంధం. కృత్రిమ మేధస్సు మరియు భౌగోళిక సమాచార వ్యవస్థలు అనే రెండు సాంకేతికతల కలయికను ఉపయోగించుకునే క్రైమ్ సంఘటనలను మోడలింగ్ చేయడానికి ఈ పేపర్ ఏజెంట్-ఆధారిత ప్రాదేశిక తాత్కాలిక విధానాన్ని అందిస్తుంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అనేది
మానవ ప్రవర్తనను ఏజెంట్లుగా రూపొందించడానికి ఉపయోగించబడుతుంది, ఇది ప్రాదేశిక వాతావరణాన్ని స్వతంత్రంగా అన్వేషిస్తుంది, అదే సమయంలో అనుభవం నుండి నేర్చుకుంటుంది. ప్రత్యేకంగా, అధ్యయనంలో ఉపయోగించిన AI అల్గారిథమ్ అనేది q-లెర్నింగ్‌గా సూచించబడే రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ యొక్క ఒక రూపం. రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ అనేది ఒక రకమైన మెషీన్ లెర్నింగ్ విధానం
, ఇది ఏజెంట్‌లలోకి, వీధి నెట్‌వర్క్‌ల వెంట వారి మార్గాలను కనుగొనే సామర్థ్యాన్ని కలిగి ఉంటుంది, అనుకరణ కొనసాగినప్పుడు ప్రతి పునరావృతంలో అనుభవం నుండి నేర్చుకుంటుంది. ఈ అనుకరణలో మూడు రకాల ఏజెంట్లు రూపొందించబడ్డాయి: అపరాధి; టార్గెట్ మరియు గార్డియన్ ఏజెంట్లు. నెట్‌లోగో సాఫ్ట్‌వేర్‌లో మల్టీ-ఏజెంట్ అనుకరణ అభివృద్ధి చేయబడింది. నెట్లోగో
పర్యావరణం అనేది నేర నమూనాలను రూపొందించడానికి అనేక పునరావృతాల తర్వాత సాధ్యమయ్యే నేరాలు సంభవించే ప్రదేశాలతో సహా ముగ్గురు ఏజెంట్లతో కూడిన కృత్రిమ వాతావరణాన్ని రూపొందించడానికి వినియోగదారుని అనుమతిస్తుంది. క్రైమ్ ఈవెంట్‌లో పాల్గొనే ఏజెంట్‌ల రూపకల్పనతో పాటు, నేర సంఘటనను ప్రభావితం చేసే సంభావ్య ప్రమాద కారకాల సమితిని అతివ్యాప్తి చేయడం ద్వారా రిస్క్ టెర్రైన్ మోడల్ రూపొందించబడింది. ఈ కారకాలు మొదట చి స్క్వేర్ పరీక్షను ఉపయోగించి నేరం సంభవించిన వారి కోలోకేషన్ కోసం పరీక్షించబడ్డాయి మరియు చివరకు రిస్క్ టెర్రైన్ ఉపరితలాన్ని రూపొందించడానికి అతివ్యాప్తి చేయబడ్డాయి. మోడల్ యొక్క ఖచ్చితత్వాన్ని పరీక్షించడానికి ధ్రువీకరణ అధికారులు నివేదించిన వాటికి వ్యతిరేకంగా అనుకరణ ద్వారా సృష్టించబడిన నేరాల గణనలను పోల్చడం ద్వారా నిర్వహించబడింది. పోలికలో ఉపయోగించిన మెట్రిక్ స్పియర్‌మ్యాన్ ర్యాంక్ కోరిలేషన్ కోఎఫీషియంట్. ధృవీకరణ 0.4 యొక్క సహసంబంధ గుణకాన్ని సూచిస్తుంది, ఇది ఖచ్చితమైన సానుకూల సహసంబంధం కోసం, మేము సహసంబంధ గుణకం 1ని ఆశిస్తున్నాము, ఎందుకంటే ఈ అనుకరణలో ఏజెంట్లను మాత్రమే అనుమతించడం వంటి వివిధ అంచనాల కారణంగా సహసంబంధ గుణకం కొంచెం తక్కువగా ఉంటుంది. వీధి నెట్‌వర్క్‌తో పాటు వెళ్లడం మరియు నేరాల రకాన్ని వీధి దోపిడీకి మాత్రమే పరిమితం చేయడం. అంతేకాకుండా, నిజ జీవితంలో, నేరాలను ప్రేరేపించే కారకాలు సంక్లిష్టమైనవి, బహుమితీయమైనవి మరియు దాదాపు అనంతమైన సంఖ్యలో ఉన్నప్పుడు ప్రమాద ఉపరితలం యొక్క తరంలో పరిగణించబడే సంభావ్య ప్రమాద కారకాల సమితి పరిమితమైనది.