Predictive Crime Modeling - Toronto Police Service

Predictive Crime Modeling

A completed spatial-temporal crime forecasting project using Random Forest, XGBoost, and SARIMAX to identify high-risk crime areas within a 90-day window and support resource allocation efficiency.

MACHINE LEARNING / FORECASTING / PUBLIC SAFETY / RESOURCE ALLOCATION

Project Overview

Intent

This project was developed to support proactive public safety planning through predictive crime modeling. Instead of only reviewing historical crime patterns, the system used spatial-temporal modeling to forecast high-risk crime areas within a 90-day window and translate model outputs into operational recommendations.

The project combined Random Forest, XGBoost, and SARIMAX to model patterns across time, geography, and crime-related features. The final output focused on improving resource allocation efficiency by proposing actionable plans for patrol optimization, CCTV deployment, and community engagement.

Core Direction

Primary Goal

Forecast high-risk crime areas within a 90-day window to support proactive policing strategies.

Interaction Mode

Train predictive models, compare forecasting results, identify high-risk areas, and translate outputs into action plans.

System Priority

Spatial-temporal accuracy, interpretability, resource allocation efficiency, and actionable public safety planning.

Current Status

Completed. The project achieved approximately 68% accuracy in spatial-temporal forecasting and was used to propose practical resource-allocation strategies for Toronto Police Service planning contexts. The final recommendations focused on patrol optimization, CCTV deployment, and targeted community engagement based on predicted high-risk areas.

Technic Used

Random Forest

Used as an ensemble learning model to capture nonlinear relationships across crime features, time variables, and location-related patterns.

XGBoost

Used as a boosted tree model to improve predictive performance on structured spatial-temporal crime features.

SARIMAX Forecasting

Used to model time-series patterns and forecast crime trends while considering temporal structure and external variables.

Spatial-Temporal Feature Engineering

Used to transform date, time, geography, crime category, and historical event patterns into model-ready predictors.

Model Evaluation

Used to compare model performance, validate 90-day forecasting behavior, and report approximately 68% forecasting accuracy.

Resource Allocation Planning

Used to translate predicted high-risk areas into recommendations for patrol optimization, CCTV readiness, and community engagement.

Architecture

Layer 01

Model

Build machine learning and forecasting models using crime history, location, time, and category-level signals.

Layer 02

Forecast

Identify high-risk crime areas within a 90-day prediction window using spatial-temporal forecasting outputs.

Layer 03

Allocate

Translate model results into patrol, CCTV, and community engagement recommendations for more efficient resource use.

Phased Development

Phase 01 — Data Understanding

Review crime records, define forecasting target variables, and identify time, location, and crime-category features.

Phase 02 — Feature Engineering

Create spatial-temporal features from historical crime records, including time-window, location, and category-level predictors.

Phase 03 — Model Building

Train Random Forest, XGBoost, and SARIMAX models to forecast high-risk crime areas within a 90-day window.

Phase 04 — Evaluation

Evaluate model outputs and validate the forecasting framework, achieving approximately 68% spatial-temporal forecasting accuracy.

Phase 05 — Action Plan

Convert predicted risk areas into operational recommendations for patrol optimization, CCTV deployment, and community engagement.

Notes

This project is a completed predictive modeling case study focused on public safety decision support. Its value comes from connecting spatial-temporal forecasting with practical resource allocation, helping translate model predictions into patrol, surveillance, and community-level planning actions.

Predictive Crime Modeling - Toronto Police Service

犯罪预测建模

一个已经完成的时空犯罪预测项目，使用 Random Forest、XGBoost 与 SARIMAX，在 90 天窗口内预测高风险犯罪区域，并支持资源分配效率提升。

机器学习 / 预测建模 / 公共安全 / 资源分配

项目概述

项目意图

该项目旨在通过预测性犯罪建模支持更主动的公共安全规划。它不是单纯回顾历史犯罪模式，而是利用时空建模预测未来 90 天内的高风险犯罪区域，并将模型结果转化为实际可执行的资源配置建议。

项目结合 Random Forest、XGBoost 和 SARIMAX，对时间、地理位置与犯罪相关特征进行建模。最终输出重点在于提升资源分配效率，并提出巡逻优化、CCTV 部署与社区参与方面的行动方案。

核心方向

主要目标

在 90 天预测窗口内识别高风险犯罪区域，以支持主动警务策略。

互动形式

训练预测模型、比较预测结果、识别高风险区域，并将输出转化为行动计划。

系统优先级

时空预测准确性、可解释性、资源配置效率与可执行公共安全规划。

当前状态

该项目已经完成。项目在时空预测中达到了约 68% 的准确率，并用于提出面向 Toronto Police Service 规划场景的实际资源配置策略。最终建议聚焦于基于高风险区域预测结果进行巡逻优化、CCTV 部署与社区参与。

使用到的技术

Random Forest

作为集成学习模型，用于捕捉犯罪特征、时间变量和地理模式之间的非线性关系。

XGBoost

作为梯度提升树模型，用于提升结构化时空犯罪特征上的预测表现。

SARIMAX 预测

用于建模时间序列模式，并在考虑时间结构与外部变量的情况下预测犯罪趋势。

时空特征工程

用于将日期、时间、地理位置、犯罪类别与历史事件模式转化为可用于模型训练的预测变量。

模型评估

用于比较模型表现、验证 90 天预测效果，并报告约 68% 的时空预测准确率。

资源配置规划

用于将预测出的高风险区域转化为巡逻优化、CCTV 准备与社区参与建议。

系统架构

层级 01

建模

基于犯罪历史、地点、时间和类别信号构建机器学习与预测模型。

层级 02

预测

通过时空预测结果，在 90 天窗口内识别高风险犯罪区域。

层级 03

配置

将模型结果转化为巡逻、CCTV 与社区参与建议，以提升资源使用效率。

分阶段开发

阶段 01 — 数据理解

审查犯罪记录，定义预测目标变量，并识别时间、地点与犯罪类别特征。

阶段 02 — 特征工程

从历史犯罪记录中创建时空特征，包括时间窗口、地点与类别层面的预测变量。

阶段 03 — 模型构建

训练 Random Forest、XGBoost 与 SARIMAX 模型，在 90 天窗口内预测高风险犯罪区域。

阶段 04 — 模型评估

评估模型输出并验证预测框架，达到约 68% 的时空预测准确率。

阶段 05 — 行动方案

将预测风险区域转化为巡逻优化、CCTV 部署与社区参与方面的运营建议。

补充说明

该项目是一个已经完成的公共安全决策支持预测建模案例。它的价值在于将时空预测与实际资源配置连接起来，把模型预测结果转化为巡逻、监控部署与社区层面的规划行动。

Predictive Crime Modeling - Toronto Police Service

犯罪予測モデリング

Random Forest、XGBoost、SARIMAX を用いて、90日間の予測期間内に高リスク犯罪エリアを特定し、リソース配分の効率化を支援する完成済みの時空間犯罪予測プロジェクト。

機械学習 / 予測モデリング / 公共安全 / リソース配分

プロジェクト概要

意図

このプロジェクトは、予測犯罪モデリングを通じて、より積極的な公共安全計画を支援するために開発されました。過去の犯罪パターンを振り返るだけでなく、時空間モデリングを用いて90日以内の高リスク犯罪エリアを予測し、モデル出力を運用上の提案へ変換します。

Random Forest、XGBoost、SARIMAX を組み合わせ、時間、地理、犯罪関連特徴のパターンをモデル化しました。最終成果は、巡回最適化、CCTV 配置、コミュニティエンゲージメントの実行可能な計画を提案することで、リソース配分効率を高めることに重点を置いています。

中核方針

主目的

90日間の予測期間内に高リスク犯罪エリアを予測し、積極的な警務戦略を支援すること。

インタラクション形態

予測モデルを訓練し、結果を比較し、高リスクエリアを特定し、行動計画へ変換する。

優先順位

時空間精度、解釈可能性、リソース配分効率、実行可能な公共安全計画。

現在の状態

完成済みです。このプロジェクトは時空間予測で約68%の精度を達成し、Toronto Police Service の計画文脈における実用的なリソース配分戦略の提案に使用されました。最終提案は、高リスクエリア予測に基づく巡回最適化、 CCTV 配置、コミュニティエンゲージメントに重点を置いています。

使用した技術

Random Forest

犯罪特徴、時間変数、位置関連パターンの非線形関係を捉えるアンサンブル学習モデルとして使用。

XGBoost

構造化された時空間犯罪特徴に対する予測性能を高めるブースティングモデルとして使用。

SARIMAX 予測

時間構造と外部変数を考慮しながら、時系列パターンと犯罪傾向を予測するために使用。

時空間特徴量設計

日付、時間、地理、犯罪カテゴリ、過去イベントパターンをモデル用の予測変数に変換するために使用。

モデル評価

モデル性能を比較し、90日間予測の挙動を検証し、約68%の予測精度を報告するために使用。

リソース配分計画

予測された高リスクエリアを、巡回最適化、CCTV 準備、コミュニティエンゲージメントの提案へ変換するために使用。

アーキテクチャ

レイヤー 01

モデル化

犯罪履歴、位置、時間、カテゴリ信号を用いて、機械学習および予測モデルを構築する。

レイヤー 02

予測

時空間予測出力を用いて、90日間の予測期間内に高リスク犯罪エリアを特定する。

レイヤー 03

配分

モデル結果を巡回、CCTV、コミュニティエンゲージメントの提案へ変換し、リソース利用効率を高める。

段階的開発

Phase 01 — データ理解

犯罪記録を確認し、予測対象変数を定義し、時間・位置・犯罪カテゴリ特徴を特定する。

Phase 02 — 特徴量設計

過去の犯罪記録から、時間窓、位置、カテゴリレベルの予測変数を含む時空間特徴量を作成する。

Phase 03 — モデル構築

Random Forest、XGBoost、SARIMAX モデルを訓練し、90日間の予測期間内に高リスク犯罪エリアを予測する。

Phase 04 — 評価

モデル出力を評価し、予測フレームワークを検証して、約68%の時空間予測精度を達成する。

Phase 05 — 行動計画

予測されたリスクエリアを、巡回最適化、CCTV 配置、コミュニティエンゲージメントの運用提案へ変換する。

補足

このプロジェクトは、公共安全の意思決定支援に焦点を当てた完成済みの予測モデリング事例です。価値は、時空間予測を実用的なリソース配分と接続し、モデル予測を巡回、監視、地域レベルの計画行動へ変換する点にあります。