Algoritmy pro analýzu časoprostorového chování podezřelých osob

Abstract

Mnoho studií prokázalo, že vzorce lidského pohybu mají vysoký stupeň jak prostorové, tak i časové pravidelnosti. Tento fakt nás ujišťuje, že je možné vytvořit model lidského chování pro extrakci vzorů chování a predikci pohybu. Detektivové vybaveni těmito modely budou schopní odhalit potenciální hrozby rychleji, stejně jako automaticky odhalit podezřelé chování sledovaných osob.

Implementovali jsme aplikaci umožňující detekci důležitých míst pro jednotlivce s následnou možností predikce pohybu mezi těmito místy jen z osobní historie polohy. Pro detekci důležitých míst byl navržen nový algoritmus AgarClust. Na predikci pohybu byl použit model založnený na rekurentní neuronové síti, Neural Turing Machine. Ukázali jsme, že prediktor založený na NTM je schopný modelovat mnohé vzorce pohybu s přesnosí blížící se maximální prediktabilitě. Vytvořená aplikace pomůže zefektivnit práci detektívů Policie České Republiky pri analýze dat o sledovaných osobách.

Many studies have shown that human mobility patterns have a high degree of both spatial and temporal regularity. This fact assures us that it is possible to create a model of human behaviour for mobility pattern extraction and location prediction. Detectives empowered with such models will be able to detect potential threats faster as well as detect suspicious behaviour of suspects automatically.

We have implemented application for personally important place detection as well as mobility prediction just from personal location history. For place detection new algorithm AgarClust has been proposed. Sequence learning potential of recurrent neural networks has been used for mobility prediction. We implemented and used Neural Turing Machine to model person`s behaviour and to predict his future locations. We showed that NTM predictor is able to model many mobility patterns with accuracy almost equal to maximum predictability. Created application will help detectives within Police of the Czech Republic to notice threats faster and make their work more efficient.