Detailansicht
Exploring the predictive performance of space-time autoregressive models in different temporal resolutions
Daniel Larcher
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Ourania Kounadi
DOI
10.25365/thesis.71422
URN
urn:nbn:at:at-ubw:1-27666.15669.686829-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die räumliche Verteilung der Kriminalität war Gegenstand einer der ersten wissenschaftlichen Studien in der Kriminologie. Heute bildet die Umweltkriminologie einen wichtigen theoretischen Rahmen in der aktuellen kriminologischen Theorie. Der wesentliche Punkt der Umweltkriminalität ist, dass die Kriminalität nicht zufällig in Raum und Zeit verteilt ist. Die Einbeziehung von Raum und Zeit in die Kriminalitätsvorhersage hat sich als wertvolle Erkenntnis für viele verschiedene Forschungsbereiche erwiesen. In den letzten 30 Jahren haben Fortschritte in der Informationstechnologie, insbesondere geografische Informationssysteme, die Einführung von Kriminalitätsprognosen in den Polizeidienststellen erleichtert. Die Verwendung von Prognoseinstrumenten durch die Polizei ist jedoch heute stark in die Kritik geraten. Die Verwendung voreingenommener Variablen hat dazu geführt, dass bes- timmte Bevölkerungsgruppen in den Vereinigten Staaten weiterhin zu Opfern werden. Die größte Herausforderung, vor der die Strafverfolgungsbehörden heute stehen, ist jedoch die effiziente und genaue Analyse der wachsenden Datenmengen. Daher werden Methoden benötigt, die keine verzerrten Daten verwenden, Daten effizient nutzen und genaue Vorher- sagen machen. Eine Methode, die alle diese Anforderungen erfüllt, sind die Modelle des Space-Time Auto-Regressive Moving Average (STARMA). Obwohl sie nachweislich Daten effizient nutzen und ähnliche Methoden übertreffen, sind sie im Bereich der Kriminalitätsvorhersage noch nicht eingehend untersucht worden. Diese Studie zielt darauf ab, die Forschungslücke im Bereich der Kriminalitätsvorhersage zu schließen, indem sie an frühere Studien anknüpft und STARMA-Modelle mit ihrem nicht-räumlichen Gegenstück (ARIMA) in verschiedenen Zeiträumen und Kriminalitätsarten vergleicht. Frei verfügbare Daten und Software wurden verwendet, um die Replikation dieser Analyse zu erleichtern, und der programmierte R-Code wurde veröffentlicht. In der Studie werden STARMA- und ARIMA-Modelle für drei Arten von Verbrechen (alle, Gewalt- und Eigentumsdelikte) in fünf Zeiträumen (wöchentlich, monatlich, vierteljährlich, halbjährlich und jährlich) erstellt. Die Modelle werden dann mit ihren Fehlermetriken (MSE, RMSE und R2), den abgebildeten Residuen des Modells und den LISA-Karten der Modellresiduen verglichen. Die wichtigsten Ergebnisse dieser Studie sind, dass STARMA-Modelle besser abschneiden, wenn die Straftaten im Untersuchungsgebiet mindestens ein Moran’s I von 0, 2 aufweisen. Wenn die Straftaten jedoch zufällig im Raum verteilt sind, schneiden die ARIMA-Modelle besser ab. Die besten STARMA-Modelle wurden für den vierteljährlichen Zeitraum gefunden, und der wichtigste ist der autoregressive Parameter erster Ordnung.
Abstract
(Englisch)
The spatial distribution of crime was the subject of one of the first scientific studies in criminology. Today, environmental criminology forms an important theoretical framework in current criminological theory. The essential point of environmental criminology is that crime is not randomly distributed in space and time. The incorporation of space and time into crime prediction has proven to be a valuable insight for many different areas of re- search. Over the past 30 years, advances in information technology, particularly geographic information systems, have facilitated the implementation of crime forecasting in police de- partments. However, the use of forecasting tools by police today has come under severe criticism. The use of biased variables has resulted in the continued victimization of certain populations in the United States. However, the greatest challenge facing law enforcement agencies today is how to efficiently and accurately analyze the growing volumes of data. Therefore, methods are needed that do not use biased data, use data efficiently, and make accurate predictions. Space-Time Auto-Regressive Moving Average (STARMA) models are one method that meets all of these requirements. Although they have been shown to use data efficiently and outperform similar methods, they have not been studied in depth in the field of crime prediction. This study aims to fill the research gap in crime forecasting by following up on previous studies and comparing STARMA models with their non-spatial counterpart (ARIMA) in different time periods and crime types. Freely available data and software were used to facilitate replication of this analysis, and programmed R code was published. The study builds STARMA and ARIMA models for three types of crimes (all, violent, and property) in five time periods (weekly, monthly, quarterly, semiannual, and annual). The models are then compared with their error metrics (MSE, RMSE, and R2), the mapped residuals of the model, and the LISA maps of the model residuals. The main findings of this study are that STARMA models perform better when the crimes in the study area have at least a Moran’s I of 0.2. However, when the crimes are randomly distributed in space, the ARIMA models perform better. The best STARMA models were found for the quarterly period, and the most important is the first-order au- toregressive parameter.
Schlagwörter
Schlagwörter
(Deutsch)
Räumliche Kriminalitätsvorhersage STAR STARMA Raum-Zeit-Autoregression ARIMA
Schlagwörter
(Englisch)
Spatial Crime Forecasting STAR STARMA Space Time Auto Regression ARIMA
Autor*innen
Daniel Larcher
Haupttitel (Englisch)
Exploring the predictive performance of space-time autoregressive models in different temporal resolutions
Paralleltitel (Deutsch)
Untersuchung der Vorhersageleistung von autoregressiven Raum-Zeit-Modellen in verschiedenen zeitlichen Auflösungen
Publikationsjahr
2022
Umfangsangabe
xi, 94, XXII Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Ourania Kounadi
Klassifikationen
74 Geographie > 74.47 Kartengebrauch ,
74 Geographie > 74.48 Geoinformationssysteme
AC Nummer
AC16559326
Utheses ID
62377
Studienkennzahl
UA | 066 | 856 | |