Розроблення рекомендаційної системи підвищення безпеки на основі аналізу злочинності

Abstract

У сучасних умовах зростання рівня злочинності громадяни потребують своєчасного інформування про потенційні ризики у своєму місті та персоналізованих рекомендацій для планування безпечних маршрутів пересування. Актуальність роботи зумовлена необхідністю автоматизації обробки значних обсягів історичних даних про кримінальні інциденти з використанням методів машинного навчання та просторово-часового аналізу для підвищення обізнаності громадян щодо зон підвищеного ризику. У межах дослідження проведено комплексну підготовку даних: виконано очищення та нормалізацію CSV-файлу з інформацією про злочини, здійснено кодування категоріальних змінних і заповнення пропусків. Розроблено та оптимізовано модель машинного навчання з геопросторовою складовою, застосувавши техніку SMOTE для балансування класів та гіперпараметричний пошук для визначення оптимальної архітектури нейронної мережі. Створено REST-API на основі фреймворку Flask для обробки запитів і генерації прогнозів рівня ризику, а фронтенд реалізовано з використанням бібліотеки Leaflet.js для інтерактивного відображення небезпечних зон. Для інформування адміністрації та підтримки зворотного зв’язку реалізовано контактну форму, що перевіряє валідність email і тексту повідомлення на клієнті й сервері та надсилає лист через Gmail SMTP. Крім того, за допомогою Flask-SocketIO реалізовано оновлення карти в реальному часі без перезавантаження сторінки. Проведено модульне, інтеграційне та користувацьке тестування, яке підтвердило стабільність роботи системи та її відповідність заданому функціоналу. 2 Об’єктом аналізу є інформаційні системи забезпечення громадської безпеки, а предметом – алгоритми просторово-часового аналізу даних про злочинність та механізми формування рекомендацій для пересування громадян. Метою роботи є розроблення рекомендаційної системи, здатної автоматично оцінювати рівень ризику в різних мікрорайонах міста та надавати якісну інформацію для планування безпечних маршрутів пересування. Практичне застосування системи передбачає її інтеграцію в інформаційні платформи органів місцевого самоврядування, правоохоронних структур, а також веб- та мобільних додатків для мешканців і гостей міста. Це сприятиме підвищенню рівня обізнаності громадян, оптимізації маршрутів пересування та потенційному зниженню рівня злочинності через превентивні заходи.

In contemporary urban environments, rising crime rates demand timely access to information about potential risks and personalized guidance for planning safe travel routes. The relevance of this work stems from the need to automate the processing of large volumes of historical crime?incident data through machine learning and spatiotemporal analytics, thereby enhancing citizens’ awareness of high?risk areas. Within the scope of this research, a comprehensive data?preparation pipeline was executed: the raw CSV dataset of criminal events was cleansed, normalized, and categorical variables were encoded, with missing values imputed. A geospatial machine-learning model was developed and optimized using SMOTE for class balancing and hyperparameter search to determine the optimal neural-network architecture. A REST-API was implemented using the Flask framework to handle requests and generate risk-level forecasts, while the frontend was built with Leaflet.js to provide interactive visualizations of hazardous zones. A contact form has been implemented to notify administrators and facilitate feedback, validating both the email address and message content on the client and server sides before sending via Gmail SMTP. Additionally, real?time map updates have been enabled using Flask-SocketIO, ensuring that the map refreshes dynamically without requiring a full page reload. Comprehensive module, integration, and user?acceptance testing have been conducted, confirming the system’s stability and compliance with the specified functional requirements. The object of analysis is information systems that support public safety, while the subject is the spatio-temporal analysis algorithms applied to crime data and the mechanisms for generating citizen navigation recommendations. The aim of this work 4 is to develop a recommendation system capable of automatically assessing risk levels across the city’s neighborhoods and providing high?quality guidance for planning safe travel routes. Practical implementation of the system envisions its integration into the information platforms of local government bodies and law-enforcement agencies, as well as into web and mobile applications for residents and visitors. Such deployment will improve public awareness, optimize travel routes, and potentially reduce crime rates through preventative measures.