I en studie publicerad i EPJ Data Science tidning, teamet av RMIT -forskare visar hur plats- och aktivitetsdata från användare av Foursquare -appen, i kombination med rekommendationsalgoritmer, gör att vi kan förutsäga brott mer exakt än någonsin tidigare.

Foursquare-användare delar sin plats och aktivitet när de "checkar in" på olika platser. Studien använde data från över 20, 000 incheckningar av användare i Brisbane, och nästan 230, 000 incheckningar av användare i New York City.

RMIT datavetare Dr Flora Salim säger att denna dynamik, realtidsdata om människors rörelser runt en stad är mycket värdefullt för att förstå sannolikheten för olika situationer i ett område.

Men för att fylla de många luckorna i denna platsbaserade data, forskare utvecklade också rekommendationsalgoritmer, liknande dem som används för att rekommendera relaterade låtar på Spotify.

"Självklart använde den stora majoriteten av människorna i staden inte alltid appen och de som begick brott skrev förmodligen inte om det i appen, " säger hon. "Så, vi använde rekommendatorsystem för att fylla i luckorna och förutsäga andra aktiviteter i ett givet scenario. "

I tester i båda städerna, systemet förutspådde specifika typer av brott i specifika delar av staden bättre än befintliga modeller för förutsägelse av brott baserade på brottstrender.

I Brisbane, systemet visade sig vara 16 % mer exakt när det gäller att förutsäga övergrepp än nuvarande modeller, 6 % mer exakt för att förutsäga olagligt inträde, 4% bättre för narkotikabrott och stöld och 2% bättre för bedrägeri.

I New York City, det förbättrade prediktionsnoggrannheten med 4 % för stöld- och narkotikabrott, bedrägeri och olagligt inträde, samtidigt som förutsägelserna om misshandel förbättrades med 2 %.

Salim säger att med tanke på den sparsamma datamängden som används i studien, dessa resultat är betydande.

"Baserat på dessa positiva resultat, den här tekniken kan göra det möjligt för polisen att utforma effektivare patrullstrategier med begränsade resurser genom att skicka poliser till de platser där brott är mer sannolikt, " hon säger.

Systemet kan också enkelt skalas upp för att bearbeta större prover från nästan alla sociala medieplattformar, app eller mobilnätverk som samlar in platsbaserad data.

"Den utbredda användningen av sociala medier som Twitter och Foursquare - som alla samlar in enorma mängder data om vår plats, aktiviteter och preferenser - ger oöverträffade möjligheter att fånga rörelse och aktivitet hos människor över en stad, " hon säger.

Studien är bara ett exempel på hur vår data kan användas för att förutsäga våra handlingar för en hel rad tillämpningar.

Ett annat projekt Salim är involverad i tittar på algoritmer för att förutsäga, med hög noggrannhet, vad vi kommer att göra under den andra hälften av vår dag baserat på historiska mönster och data som samlats in från den första hälften av vår dag.

"Forska om mönstret för mänsklig rörelse, baserat på data från våra mobilappar, visar ofta hur förutsägbara många av våra aktiviteter är, " säger Salim.

Huvudförfattare och doktorand student Shakila Khan Rumi, som övervakas av Salim och Dr Ke Deng, säger studien markerar ett betydande steg framåt vad gäller brottsprediktionsmodeller.

"Nuvarande toppmoderna brottsprediktionsmodeller förlitar sig i allmänhet på relativa statiska egenskaper inklusive långsiktig historisk information, geografisk information och demografisk information. Denna information förändras långsamt över tiden, vilket innebär att dessa traditionella modeller inte kunde fånga de kortsiktiga variationerna i brottshändelser, säger Rumi.

"Våra testresultat visar förbättringen av förutsägelseprestanda efter att dynamiska funktioner har lagts till är betydande och statistiskt signifikant. Det är verkligen revolutionerande."

Gruppen planerar nu att utöka arbetet genom att träna algoritmerna med hjälp av data från en stad och öka dess förmåga att tillämpa dessa lärdomar i en annan stad där mönstren är olika.