STROOBnet Optimization via GPU-Accelerated Proximal Recurrence Strategies

要約

時空間ネットワークの観察機能は、複数のセクターにわたる正確なデータ収集と情報に基づいた意思決定にとって重要です。
この研究は、観測ノード (監視カメラなど) を定義された地理的領域内のイベントにリンクし、効率的な監視を可能にする時空間遠隔観測者-観測可能な二部ネットワーク (STROOBnet) に焦点を当てています。
ニューオーリンズのリアルタイム犯罪カメラ (RTCC) システムとサービス要請 (CFS) からのデータを使用して、RTCC は警察の駐留が減少する中で増加する犯罪と闘っているため、ネットワークの初期の観測の不均衡に対処します。
均一な観察有効性を目指して、我々は近接再発アプローチを提案します。
全体的なイベント頻度と空間的考慮を提供し、観測範囲を強化することで、K 平均法や DBSCAN などの従来のクラスタリング手法を上回りました。

要約(オリジナル)

Spatiotemporal networks’ observational capabilities are crucial for accurate data gathering and informed decisions across multiple sectors. This study focuses on the Spatiotemporal Ranged Observer-Observable Bipartite Network (STROOBnet), linking observational nodes (e.g., surveillance cameras) to events within defined geographical regions, enabling efficient monitoring. Using data from Real-Time Crime Camera (RTCC) systems and Calls for Service (CFS) in New Orleans, where RTCC combats rising crime amidst reduced police presence, we address the network’s initial observational imbalances. Aiming for uniform observational efficacy, we propose the Proximal Recurrence approach. It outperformed traditional clustering methods like k-means and DBSCAN by offering holistic event frequency and spatial consideration, enhancing observational coverage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google