警务大数据：纽约警察使用Twitter预测犯罪

提到警务大数据预测犯罪，人们立刻会联想到电影《少数派报告》和CBS电视剧《数字追凶》，在今天的移动社交时代，社会化媒体的实时分析将成为警务大数据预测分析的热点领域，但这将意味着实时分析海量大数据的技术挑战，也就是从“大数据警务”到“快数据警务”的挑战。

也许不久后，纽约城警察局就能使用带地理位置标签的推文来预测犯罪。这听起来就像是科幻电影少数派报 告里的场景(更像美国队长2里的场景有木有，Hail Hydra)，不过当我联系这项技术背后的弗吉尼亚大学研究员Matthew Greber博士时，他解释说这个系统并不是玄幻的，而是数学可行的。

Greber博士设计的这个系统，混合了各种新旧技术。当下，许多警察局会根据犯罪频率特定地监控一些犯罪热点。这个方法被称作核密度估计(KDE)，它 可以把历史犯罪记录和地理位置信息结合起来，用一个几率函数计算出该地区未来会发生犯罪的几率。不过，根据Gerber博士的研究论文“使用推特和核密度估计预测犯罪”，这个方法与推特的实时动态数据流相比，简直弱爆了。

    Greber博士的方法与KDE相似，但用网络数据和编程语言替代了档案。这套系统能绘制出一个推特环境，就像当下警察用KDE方法绘制出物理环境一样。 大的差别在于，Greber博士看的是人们实时谈论的热点，和他们的后续动作，得到他们的匹配度。

Greber说，这个算法可以寻找区域内暗示即将发生犯罪 的特定语句，“我们会观察人们谈论的话，出去啊，喝酒啊，逛吧啊，看比赛啊之类的。这些事件通常会与犯罪相关，这也就是模型要挑出的东西。”

    一旦收集到了数据，推文上的GPS标签允许Greber和团队们在虚拟地图上标出潜在犯罪的热点。当然，并不是每个发推说待会逛酒吧的人都会实施犯罪。 Greber还比较了两种KDE预测方法的准确度。不过问题是，这个方法真的有用么？对于Greber来说，答案是肯定有点用的。“它能帮助一些人，也会 打击一些人”。

    根据研究结果，基于推特的KDE算法与传统KDE方法相比，在预测跟踪，刑事损害，和赌博问题的准确度上有所提升。但在纵火，绑架，勒索等问题上，准确度 却相对较低。尽管尚不清楚为何使用推特反而更难预测这些犯罪，不过研究表示，这个问题可能与在推特上使用的语言有关，速记，非正式语言，会让算法难以分 析。

    这种高科技预防犯罪手段引发了很多关于滥用用户隐私的争论。让警察使用这些数据来追踪罪犯，让事情变得极为敏感。关于这一点，尽管Greber知道一些社 会批评家反对国家使用私人数据，但他却是漠不关心。“人们勾选了用户协议允许推文上带有GPS标签。这个一个可选的东西，如果你不勾选，你的数据就不会被 收集。推特是一个公开的服务，我想大家很清楚这一点。”

    Greber坚持说，使用这个系统对个人并没有威胁，因为它只会记录个人姓名，并不会对个人建模，也不会去识别罪犯。不过，问题并不在于警察会不会针对个人，而是团体和社区。这项技术的用处主要在于让警察能高效地定位。

    不过，Greber反驳说，“你可以说它会让警察针对社区，但事实上，警察已经这么做了。警察们很清楚哪些社区比较坏，而且会针对性地分配更多警力。”

    Greber说，纽约警察局会先在皇后区和布朗克斯区试点使用(满满的恶意啊)。不过，大范围采用还言之尚早，因为还没有测试它是否真的能降低犯罪率。