预测性警务技术不是可以分类的事物，因为这涉及不同的方法，技术和理论。本文使用最成熟但相对较小的三种独立预测性警务技术作为有争议的技术类型的示例。选择这些公司、技术是因为它们受到尊重，已经被警察部队采用，并且在预测性警务市场具有透明性和参与度的记录。当然，每年都有新进入者进入预测性警务领域，并且该领域保持着相当灵活和竞争性。

PredPol

如果你可以通过向犯罪分子发出信号，告知某个特定地点不会成为下一次犯罪的地点，从而降低逮捕率和犯罪率，你该怎么办？如果你可以在恰好合适的时间将警车恰好位于正确的街区以阻止犯罪，你该怎么办？这是诸如PredPol之类的预测性警务计划的目标，该计划告诉警察在特定时间和地点警惕特定的犯罪。他们的想法是，配置良好的警车的威慑作用将改变犯罪模式，而且对普通的警察巡逻几乎没有干扰。该理论旨在通过增加警察的存在感来瞄准预测地点，从而减少犯罪。

PredPol是一家小型私营公司，在预测性警务技术方面处于领先地位。该公司最初是最早的进入者之一，后来迅速发展，并在预测性警务领域树立了强大的品牌。PredPol提供了几种预测服务，但是最著名的预测警务产品预测可能犯罪活动的领域主要集中在三种犯罪：盗窃，盗窃汽车和车内盗窃。

PredPol的产品受地震学上一种算法的启发，认为某些犯罪行为遵循类似可预测的余震（例如地震）的事实。研究表明，像入室盗窃这样的某些财产犯罪往往具有几乎病毒式，传染性的性质，在这种情况下，一个入室盗窃会在时间和地点上与原始犯罪发生更多类似的犯罪（余震效应）。这种犯罪蔓延被认为是因为同一集团实施抢劫案或有关某些环境漏洞的信息泄露而助长了进一步的犯罪。PredPol的算法可将这种洞察力运用到对类似传染性财产犯罪的犯罪的精确预测中。

PredPol系统中唯一需要输入的是事件记录，犯罪类型，时间和地点。这是一种最小化数据的方法，它限制了分析中的变量和干扰量。此外，由于担心可能会调整现有的警务做法，PredPol不会将逮捕量作为输入数据。

PredPol充当巡逻管理系统。对于警察而言，数据驱动的预测可以通过计算机生成的预测犯罪地图进行操作。这些目标地图在点名发出或在警察小队的计算机上可用时，往往会预测准确的区域（500乘500平方英尺），并且表示发生特定犯罪的风险较高。该策略是在特定的预测时间增加某些地方的警察人数。PredPol可以通过GPS设备跟踪官员在某个区域的停留时间，然后将该信息报告给警察管理员。

该预测为何行之有效的理论依据是，在容易犯罪的地区增加警察的可见度，大概会阻止该地区的犯罪。例如，如果由于在时间和地点附近发生盗车的情况而将停车场强制转换为盗车的现场，那么将警车送到该确定的位置将阻止潜在的偷车贼。目标甚至可能不是在该地区逮捕个人，而仅仅是提供一个可见的威慑标志，表明警察在场并且不会让该漏洞继续下去。在PredPol模型下，减少受害者，而不是增加逮捕，已成为预测性警务的既定目标。

RTM

自助洗衣店，便利店和废弃房屋场所有什么共同点？在新泽西州的大西洋城，事实证明，它们是减少暴力犯罪的关键。为什么？因为这些环境因素的相互影响助长了毒品犯罪和与该犯罪活动有关的暴力。犯罪学家乔尔·卡普兰和莱斯·肯尼迪通过他们的风险地形建模（RTM）系统发现，想要购买毒品的人遵循可预测的模式。在整理数据并研究区域的地理风险因素之后，出现了犯罪模式背后的故事（“风险叙述”）。数据推动了对发生情况的评估，从而使分析人员能够预测下一步将发生的情况，从而导致采取干预措施阻止其再次发生。RTM能够预测风险，然后向市政府提供解决环境漏洞的建议，以免再次在该地点再次发生犯罪。

RTM源自纽瓦克罗格斯大学，它是一种策略，用于检查某个地区的风险环境，以弄清犯罪发生的原因。RTM模型将城市的实际情况视为具有重叠风险的地形，彼此之间越靠近的风险越多，则导致犯罪预测的风险就越高。RTM模型确定了鼓励特定类型犯罪的“空间漏洞”的位置。因此，例如在大西洋城，RTM着重研究了为什么原本没有联系的三个环境因素的重叠会导致脆弱的暴力空间。

RTM还提出了管理策略，以对位置进行重新评估。因此，人们可以修复大西洋城的废弃房屋，或者在格伦代尔的自动取款机或便利事例周围提供更好的监视或威慑。无论选择哪种策略，目标都是根据以下理论来纠正基于地点的风险：空间环境可以鼓励犯罪行为，而固定这些空间可以减少犯罪行为。

RTM背后的主要思想是重新考虑警察组织“作为风险管理机构，通过超越特定犯罪者的威慑力的战略来解决其所服务社区中的漏洞和风险。解决方案要求警察与政府和社区合作，因为弱势地区需要的不仅仅是警察的帮助。早期研究表明，在多个城市中，减少犯罪的结果很明显。例如，在大西洋城，暴力犯罪下降了20％，而在格伦代尔，抢劫下降了42％。

HunchLab

如果你可以鼓励警察使用技术来融入社区，该怎么办？如果计算机可以根据某个地区的精确犯罪预测来影响警察的策略，该怎么办？如果可以将一个城市分解成不同的风险源，然后塑造巡逻模式以将警察置于正确的位置（甚至不告诉警察为什么要将他们送到这些地点），该怎么办？巡逻人员将被“推挤”，以不知不觉地在正确的时间将他们转移到犯罪预测地区的方式正在改变他们的例行工作。如果通过使用类似HunchLab的服务，可以在了解社区犯罪模式的情况下告知社区采取制止犯罪的方法？在不改变警务常规的情况下，犯罪率将减少，并且通过更好的数据和反馈，社区的了解将增加。

HunchLab称自己为“巡逻管理系统”，它结合了PredPol和RTM背后的技术要素，并加入了其他因素。该系统既可以预测犯罪风险的领域，也可以建议针对性的警务策略来应对这些风险。与其他系统一样，该模型从犯罪数据和对数据进行排序的算法开始。此外，在大约时间周期和事件（季节性，星期几，节假日，体育赛事等）中添加了非犯罪数据集。该模型甚至包含有关已知犯罪者，社会经济因素和天气模式的信息。由于变量更多，该模型比其他模型更复杂（同时伴有高风险和高回报）。

HunchLab使用机器学习技术来分析犯罪数据和测试数据（以便可以比较数据集），然后对数据进行建模以用于预测。这些预测然后变成巡逻分配建议。犯罪的严重程度和巡逻效率会重新加权，以平衡预测并最大限度地提高警察的效力。由于HunchLab专注于直接巡逻，因此它对那些对直接巡逻做出更强反应的犯罪进行加权。因此，例如，枪支犯罪可能具有较高的严重性，而加重的殴打指控可能具有较低的警察效力权重（因为那些冲动性暴力犯罪较少受到警察巡逻的阻止）。

向使用HunchLab的警察提供了有关在哪里巡逻的信息（基于预测），然后还提供了建议的策略以提高这些特定区域的效率。这些策略着重于警官应如何与周围的人互动以应对特定的犯罪风险。例如，一个警察部门希望警察从巡逻车中出来并让社区参与进来，他们会建议采取鼓励对话的策略，而不是采取诸如停车，搜身或其他威慑型策略之类的策略。

作为一项技术问题，HunchLab已构建了移动设备（手持式和基于平板电脑的设备），以使警察可以实时查看巡逻的区域，并向官员提示适当的战术。数据收集机制不仅涉及向官员推送信息，还涉及从官员那里收集有关其行为的信息。HunchLab的早期测试在减少犯罪方面已在芝加哥和费城取得了积极成果，但调查结果尚未在任何同行评审的期刊上发表。

总结

三种代表性技术中的每一种都涉及几个共同点。首先，所有研究都专门针对基于位置的预测分析。其次，所有人都认识到犯罪风险与环境脆弱性有关。第三，所有假设都表明，警方的某些干预都会降低犯罪率。最后，所有这些都需要大量犯罪数据和城市数据来提供使该技术如此诱人的预测能力。