違法者往往會在社交平臺上表達或者宣洩自己的情緒。透過社交平臺上的這些資訊，警方並不需要等待報警就能提前預測犯罪會在何處發生，有點類似於電影《少數派報告》中的場景。事實上執法機構在制定預防犯罪技術上已經有數十年的積累，不過這些資料大多數建立在歷史、地理位置和當地人口等基礎指標上，幫助各機構制定預防犯罪戰術，改善巡邏策略，提高公共安全性並減少經濟損失等等。
這傳統預防犯罪措施的問題在於，這些策略並不靈活，在短期內無法捕捉到和犯罪相關的資料和差異。幸運的是，目前執法部門可以透過社交媒體等現代化技術來關注公民的安全。正如最近論文[PDF]所顯示的，透過Twitter和Foursquare等社交平臺所產生的大量資料，為實時捕捉城市動態創造了新的機會。
將這些資料融入到演算法中能夠使用常規活動理論來確定不同背景下使用者是否可能會萌生出例如盜竊等犯罪行為。在布里斯班和紐約市的實驗中，研究人員發現在考慮動態功能（社交媒體資訊）之後，Area Under Curve (AUC) 值得到了改善。
使用隨機森林預測模型，盜竊預測成功增加了4%，毒品犯罪增加了4%，傷人行為增加了16%，欺詐增加了2%，非法入境增加了6%。在紐約市，盜竊案件的成功預測提高了4%，毒品犯罪提高2％，傷人提高2％，欺詐犯罪提高4％，非法入境提高4％。
違法者往往會在社交平臺上表達或者宣洩自己的情緒。透過社交平臺上的這些資訊，警方並不需要等待報警就能提前預測犯罪會在何處發生，有點類似於電影《少數派報告》中的場景。事實上執法機構在制定預防犯罪技術上已經有數十年的積累，不過這些資料大多數建立在歷史、地理位置和當地人口等基礎指標上，幫助各機構制定預防犯罪戰術，改善巡邏策略，提高公共安全性並減少經濟損失等等。
這傳統預防犯罪措施的問題在於，這些策略並不靈活，在短期內無法捕捉到和犯罪相關的資料和差異。幸運的是，目前執法部門可以透過社交媒體等現代化技術來關注公民的安全。正如最近論文[PDF]所顯示的，透過Twitter和Foursquare等社交平臺所產生的大量資料，為實時捕捉城市動態創造了新的機會。
將這些資料融入到演算法中能夠使用常規活動理論來確定不同背景下使用者是否可能會萌生出例如盜竊等犯罪行為。在布里斯班和紐約市的實驗中，研究人員發現在考慮動態功能（社交媒體資訊）之後，Area Under Curve (AUC) 值得到了改善。
使用隨機森林預測模型，盜竊預測成功增加了4%，毒品犯罪增加了4%，傷人行為增加了16%，欺詐增加了2%，非法入境增加了6%。在紐約市，盜竊案件的成功預測提高了4%，毒品犯罪提高2％，傷人提高2％，欺詐犯罪提高4％，非法入境提高4％。