LLMを活用した時空間トランスフォーマーによる都市窃盗予測

なぜ都市居住者が気にすべきか

大都市で暮らす、働く、買い物をする誰にとっても、窃盗は単なる統計以上の意味を持ちます。通りや店舗、公共交通での安心感を左右するからです。本研究はニューヨーク市を対象に、実用的な問いを立てます：現代の人工知能を使って、古い警察バイアスを繰り返すことなく、時間ごと・街区ごとに窃盗が起きやすい場所を予測できるか。答えは、限られた警察資源をより慎重に使いながら人や財産を守る手助けになる可能性があります。

窃盗が実際にどこでいつ集中するか

研究者らはまず、窃盗がニューヨーク内でいかに不均一に分布しているかを示します。市域に細かいグリッドをかぶせて分析すると、ある小さな領域が他より数百倍も多くの窃盗を抱えていることが分かります。全窃盗件数の約半分がごく一部の街区に集中しており、特にミッドタウン・マンハッタンのような商業密集地帯で顕著です。季節や時間帯も重要です：暖かい季節、年末の買い物時期、通勤ピークなどは通行・滞留する人が増え、窃盗の機会が増えます。天候、照明、近隣の性格も影響を与え、とくに晴れて乾いた夜に賑わう商業地区がリスクの高い瞬間として目立ちます。

都市の営みをデータに変える

この複雑な状況を捉えるために、研究チームは五種類の情報を組み合わせます。過去の窃盗の詳細な警察記録、乗客の移動・集積を示す時間ごとのタクシー乗降データ、店舗や住宅、公園、駅といった施設の地図、夜間照明の衛星画像、基本的な気象・国勢データです。ここから、多数の指標を構築します：各グリッドセルで犯罪がどれだけ繰り返されるか、商業地が夕方にどれほど混雑するか、ある街区のリスクが隣接区にどう波及するか、降雨や気温の変化で犯罪率がどう上下するか等です。また、各地点で最後の窃盗からどれくらい時間が経っているかを測ると、近いうちに再発するかどうかの強い手がかりになることが分かりました。

言語モデルに都市の感覚を与える

重要なステップは、大規模言語モデルに各地点・各時刻の短い構造化された記述を読ませることです：街区の位置、含まれる施設の種類、夜間照明の明るさ、到着したタクシー乗客数、天候、過去の窃盗頻度など。言語モデルはこれに対して窃盗リスクの推定や、機能、混雑、時間の相互作用に関する意味的なヒントを返します。これらのテキストベースの洞察は数値ベクトルに変換され、構造化データを単に重複しないよう慎重にフィルタリングされます。その結果、各グリッドセルの高次元な肖像が得られ、生データの単純な集計だけでなく、言語モデルが都市や犯罪に関する幅広い文献から学んだパターンも反映します。

予測エンジンの仕組み

これらすべての特徴量は、時空間トランスフォーマーと呼ばれるニューラルネットワークに投入されます。これは空間と時間の両方にまたがるパターンを追跡するよう設計されています。モデルはまず異なる特徴タイプを同一の基準に揃え、次に注意機構を適用して、どの近隣街区や直近の時間帯が各予測に最も重要かを学習します。また、言語モデルのリスクスコアを事前の信念として取り入れ、観測データで穏やかに調整することでどちらか一方が支配しすぎないようにしています。数年分のニューヨークのデータで訓練されたシステムは、各グリッドセルについて毎時間、少なくとも1件の窃盗が発生する確率を予測します。検証では、窃盗と非窃盗状況を高い精度で識別し、真のホットスポットを捉えつつ誤警報を抑えるバランスを示すF1スコアも高い結果を出しました。

日常の安全にとっての意味

一般向けの要点は、窃盗リスクはランダムではなく、人々の市内での移動、地域の使われ方、最近の出来事の展開に密接に結びついているということです。古典的な犯罪統計にタクシー流動や夜間照明といったライブに近いシグナル、そして言語モデルの解釈力を組み合わせることで、都市全体の窃盗の多くが実際に発生するごく一部の街区と時間帯を絞り込むことが可能になります。手法は他都市での追加検証や公平性の慎重なチェックを要しますが、広い地域に網をかけるのではなく、特定の混雑しやすく高リスクな場所と時間に対して警察や都市計画担当者が重点的に対応するための道具となる可能性を示しています。

引用: 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

キーワード: 都市犯罪予測, 窃盗ホットスポット, 時空間モデリング, 動的な人口流動, 大規模言語モデル