التنبؤ بالسرقات الحضرية عبر محول زماني-مكاني مدعوم بنماذج لغوية كبيرة

لماذا ينبغي لسكان المدن الاهتمام

بالنسبة لأي شخص يعيش أو يعمل أو يتسوق في مدينة كبيرة، لا تمثل السرقة مجرد إحصائية؛ بل تشكل شعورنا بالأمان في الشوارع والمتاجر ووسائل النقل العام. تدرس هذه الدراسة مدينة نيويورك وتطرح سؤالًا عمليًا: هل يمكننا استخدام الذكاء الاصطناعي الحديث لنعرف، ساعة بساعة وشارعًا بشارع، أين من المرجح أن تقع سرقات، دون إعادة إنتاج تحيزات الشرطة القديمة؟ قد يساعد الجواب المدن على حماية الناس والممتلكات مع توجيه الموارد الشرطية المحدودة بحذر أكبر.

أين ومتى تتجمع السرقة بالفعل

يبدأ الباحثون بإظهار مدى عدم توزيع السرقة بشكل متساوٍ في نيويورك. باستخدام شبكة دقيقة تغطي المدينة، يجدون أن بعض المناطق الصغيرة تشهد مئات المرات من حالات السرقة مقارنة بمناطق أخرى. يُتركز نحو نصف كل حالات السرقة في جزء ضئيل من مربعات المدينة، خاصة في المناطق التجارية الكثيفة مثل وسط مانهاتن. كما يهم توقيت السنة وتوقيت اليوم: فالأشهر الأكثر دفئًا، وفترات التسوق في العطلات، وساعات الذروة في التنقل تجلب مزيدًا من الناس إلى الشوارع والمتاجر، ما يزيد فرص السرقة. يضيف الطقس والإضاءة ونوع الحي تعقيدات أخرى، حيث تبرز الليالي الصافية والجافة في مناطق الأعمال الحيوية كلحظات ذات مخاطر أعلى بوجه خاص.

تحويل حياة المدينة إلى بيانات

لالتقاط هذه الصورة المعقدة، يجمع الفريق خمسة أنواع من المعلومات. يستخدمون سجلات شرطية مفصلة للسرقات الماضية، وبيانات التقاط وإنزال سيارات الأجرة بالساعة كبديل لكيفية تحرك وتجمع الناس، وخرائط المتاجر والمساكن والمنتزهات ومحطات النقل، وصور الأقمار الصناعية لأضواء الليل، وبيانات الطقس والتعداد الأساسية. من ذلك يبنون عشرات المؤشرات: مدى تكرار الجرائم في كل خلية شبكية، مدى ازدحام المناطق التجارية في وقت المساء المبكر، كيف ينتقل خطر السرقة من بلوك إلى جيرانه، وكيف ترتفع أو تنخفض معدلات الجريمة مع تغيرات هطول الأمطار أو درجة الحرارة. كما يقيسون المدة منذ آخر سرقة في كل مكان، والتي تبين أنها دليل قوي على ما إذا كانت هناك سرقة أخرى محتملة قريبًا.

إعطاء نموذج لغوي إحساسًا بالمدينة

خطوة رئيسية هي مطالبة نموذج لغوي كبير بقراءة أوصاف قصيرة ومهيكلة لكل مكان ولحظة: أين يقع البلوك، ما أنواع الأماكن التي يحتويها، مدى سطوع أضواء الليل، كم من ركاب سيارات الأجرة وصلوا للتو، كيف الطقس، وكم مرة حدثت سرقات هناك سابقًا. يرد النموذج بعدها بتقدير لمخاطر السرقة وإشارات دلالية أخرى حول كيفية تفاعل الوظيفة والاكتظاظ والزمن. تُحوّل هذه الرؤى النصية الغنية إلى متجهات رقمية وتُصفى بعناية حتى لا تُكرر ببساطة البيانات المهيكلة. النتيجة صورة عالية البعد لكل خلية شبكية تعكس ليس فقط الأعداد الخام، بل أيضًا الأنماط التي تعلمها النموذج اللغوي من مجموعة واسعة من النصوص عن المدن والجريمة.

كيف يعمل محرك التنبؤ

تُغذى كل هذه الميزات إلى نموذج محول زماني-مكاني، وهو نوع من الشبكات العصبية مصمم لتتبع الأنماط عبر المكان والزمان معًا. أولًا يوحِّد النموذج أنواع الميزات المختلفة على أساس مشترك، ثم يطبق آليات الانتباه التي تتعلم أي البلوكات القريبة وأي الساعات الأخيرة لها أهمية أكبر لكل تنبؤ. كما يستخدم درجة الخطر التي يعطيها النموذج اللغوي كمعتقد سابق ويعدلها برفق باستخدام البيانات المرصودة، بحيث لا يطغى أي طرف على الآخر. بعد تدريبه على عدة سنوات من بيانات نيويورك، يتنبأ النظام، لكل خلية شبكية وكل ساعة، باحتمال وقوع سرقة واحدة على الأقل. في الاختبارات، يصل إلى مستوى عالٍ من التمييز بين الحالات التي تحدث فيها سرقة وتلك التي لا تحدث فيها، وحقق درجة F1 تعكس توازنًا قويًا بين رصد البؤر الحقيقية وتجنب الإنذارات الكاذبة.

ماذا يعني هذا للسلامة اليومية

بالنسبة للقارئ العادي، الخلاصة أن خطر السرقة ليس عشوائيًا؛ بل يرتبط ارتباطًا وثيقًا بكيفية تنقل الناس في المدينة، وكيف تُستخدم المناطق المختلفة، وكيف تطورت الأحداث مؤخرًا. من خلال مزج إحصاءات الجريمة التقليدية مع إشارات شبه مباشرة مثل تدفقات سيارات الأجرة وأضواء الليل، بالإضافة إلى القدرة التفسيرية لنموذج لغوي، يمكن لهذا النهج أن يحدد حصة صغيرة من البلوكات والساعات حيث تقع نسبة كبيرة من سرقات المدينة بالفعل. وبينما لا تزال الطريقة بحاجة لاختبار في مدن أخرى وفحوص دقيقة للعدالة، فإنها تشير إلى أدوات قد تساعد الشرطة ومخططي المدن على التركيز على مناطق مزدحمة وعالية المخاطر في أوقات محددة بدلاً من استخدام شبكة واسعة على مستوى الأحياء بأكملها.

الاستشهاد: Tang, M., Wang, J., Bu, X. et al. Urban theft prediction via LLM-empowered spatiotemporal transformer. Sci Rep 16, 15525 (2026). https://doi.org/10.1038/s41598-026-45681-0

الكلمات المفتاحية: توقع الجرائم الحضرية, بؤر السرقة, النمذجة الزمانية-المكانية, تدفق السكان الديناميكي, نماذج لغوية كبيرة