En ny metode bruker historiske politiinnrapporteringer og rom‑tid maskinlæring for å anslå fotgjengerrisiko på bydelsnivå.
Data fra San Francisco Open Data-portalen (politiinnrapporteringer fra 1. januar 2018 og framover) brukes med informasjon om kategori, underkategori, tekst, tid og posisjon. For å skille alvorlighetsgrad blir hver unik insidenttype scoret av en stor språkmodell som et eksempel på kunstlig intelligens (KI), med tre dimensjoner 0–10: skadepotensial, eiendomsskade og samfunnsforstyrrelse. Poengene kombineres til et samlet alvorlighetssignal som aggregeres i rom og tid. For romlig koding brukes H3-hexagoner for å indeksere gater og nabolag; for tid brukes sykliske funksjoner (sin/cos) og 3‑timers vinduer for å fange døgn- og ukemønstre. Sluttdata for modellen er H3‑indeks, syklisk tidsrepresentasjon og aggregert alvorlighet, og modellen trenes for å forutsi forventet risiko for en gitt celle og tidspunkt. Dette er AI-nyheter.
Metoden er relevant for norske byer fordi den baserer seg på åpne politi-data, romlig indeksering og tidskodede mønstre som kan anvendes på lokale datasett uten å endre metodebeskrivelsen.
Kilde: https://towardsdatascience.com/modeling-urban-walking-risk-using-spatial-temporal-machine-learning | Sammendraget er KI-generert med OpenAI API og kvalitetssikret av redaksjonen i Ainy.no
