Kriminalitätsbekämpfung 06.05.2019, 14:42 Uhr

Dank Machine Learning: Einbrechern einen Schritt voraus

Eine neue Machine-Learning-Methode von ETH-Wissenschaftlern ermöglicht Einbruchsprognosen auch in dünn besiedelten Gebieten.
Verschiedene Variablen wie Tageszeit, Ort, Bevölkerungsdichte helfen, eine bestimmte Land-Parzelle zu einer bestimmten Zeit als Einbruchsgefährdet oder nicht einzuschätzen
(Quelle: ETHZ)
Eingebrochen wird nicht überall und jederzeit. Es gibt Gemeinden, Quartiere und Strassen sowie Jahres- und Tageszeiten mit niedrigerem und solche mit höherem Risiko. Aus Einbruchsstatistiken können mit Machine-Learning Muster erkannt und das Risiko für einen Einbruch an einem bestimmten Ort vorausgesagt werden. Computerprogramme können der Polizei also helfen, für jeden Tag sogenannte Hotspots – Orte mit besonders hohem Einbruchsrisiko – zu erkennen und Patrouillen entsprechend einzusetzen.

Ungleichgewicht erschwert das Lernen

Bisher funktionieren solche Warnsysteme aber nur in dicht besiedelten Gebieten, also vor allem in Städten. Denn um Muster erkennen zu können, brauchen die Computerprogramme genügend Daten. In ländlichen, dünn besiedelten Gebieten sind kriminelle Vorfälle seltener. In der Statistik spricht man von einem «Klassenungleichgewicht». Konkret heisst das: Auf einen Strassenabschnitt mit Einbruch kommen einige hundert oder sogar 1000 ohne.

Algorithmen arbeiten parallel

Cristina Kadar ist Informatikerin und Doktorandin am Departement für Management, Technologie und Ökonomie. Sie hat eine Methode entwickelt, die trotz ungleich verteilten Daten zuverlässige Prognosen machen kann. Ihre Arbeit stellte sie soeben in der Fachzeitschrift Decision Support Systems vor. Die Forscherin hat mit einem grossen Datensatz von Einbrüchen im Kanton Aargau zahlreiche Machine-Learning-Methoden getestet, miteinander kombiniert und die Trefferraten verglichen. Am treffsichersten erwies sich eine Methode, welche die Gruppenintelligenz nutzt und Analysen verschiedener Algorithmen kombiniert.
Beim maschinellen Lernen trainiert sich ein Algorithmus anhand von grossen Datensätzen selber, Daten richtig zu klassifizieren. Im aktuellen Beispiel lernt er aus Variablen wie Tageszeit, Ort, Bevölkerungsdichte und vielem mehr, eine bestimmte Land-Parzelle zu einer bestimmten Zeit als Einbruchsgefährdet oder nicht einzuordnen.



Das könnte Sie auch interessieren