LLM destekli uzaysal-zamansal dönüştürücü ile kentsel hırsızlık tahmini

Neden şehir sakinleri bunu umursamalı

Büyük bir şehirde yaşayan, çalışan veya alışveriş yapan herkes için hırsızlık yalnızca bir istatistik değildir; sokaklarda, mağazalarda ve toplu taşımada hissettiğimiz güveni şekillendirir. Bu çalışma New York’u ele alıyor ve pratik bir soru soruyor: modern yapay zekâyı kullanarak saatte, blok blok, hırsızlığın en muhtemel olduğu yerleri söyleyebilir miyiz; hem de eski polislik önyargılarını tekrar etmeden? Yanıt, şehirlerin insanları ve mülkleri korumasına yardımcı olurken sınırlı polis kaynaklarını daha dikkatli kullanmalarını sağlayabilir.

Hırsızlığın gerçekten nerede ve ne zaman kümelendiği

Araştırmacılar önce hırsızlığın New York genelinde ne kadar düzensiz dağıldığını gösteriyor. Şehir üzerine yerleştirilen ince bir ızgara kullanarak bazı küçük alanların diğerlerinden yüzlerce kat daha fazla hırsızlık gördüğünü tespit ediyorlar. Tüm hırsızlık vakalarının yaklaşık yarısı, özellikle Midtown Manhattan gibi yoğun ticari bölgelerde, şehir bloklarının çok küçük bir kesimine sıkışmış durumda. Yılın zamanı ve günün saati de önem taşıyor: daha sıcak aylar, tatil alışveriş dönemleri ve yoğun işe gidip gelme saatleri sokaklara ve mağazalara daha fazla insan getiriyor ve hırsızlık için daha fazla fırsat yaratıyor. Hava, aydınlatma ve mahalle tipi de daha fazla değişken katıyor; canlı iş bölgelerindeki açık, kuru geceler özellikle riskli anlar olarak öne çıkıyor.

Şehir yaşamını veriye dönüştürmek

Bu karmaşık resmi yakalamak için ekip beş tür bilgiyi birleştiriyor. Geçmiş hırsızlıklara ait ayrıntılı polis kayıtları, insanların nasıl hareket ettiğini ve toplandığını göstermek için saatlik taksi iniş-biniş verileri, mağaza, konut, park ve toplu taşıma istasyonlarının haritaları, gece ışıklarının uydu görüntüleri ve temel hava ile nüfus sayımı verileri kullanılıyor. Bunlardan, her ızgara hücresinde suçların ne sıklıkla tekrar ettiği, ticari bölgelerin erken akşam saatlerinde ne kadar kalabalıklaştığı, bir bloktaki hırsızlık riskinin komşu bloklara nasıl sızdığı ve yağış veya sıcaklık değişimleriyle suç oranlarının nasıl yükselip düştüğü gibi onlarca gösterge oluşturuluyor. Ayrıca her yerdeki son hırsızlığın üzerinden ne kadar süre geçtiğini ölçüyorlar; bu, yakında başka bir olay olup olmayacağı konusunda güçlü bir ipucu olarak ortaya çıkıyor.

Bir dil modeline şehri ‘hissettirmek’

Önemli bir adım, büyük bir dil modeline her yer ve an için kısa, yapılandırılmış tanımlar okutmak: bloğun nerede olduğu, içerdiği mekan tipleri, gece ışıklarının parlaklığı, kaç taksi yolcusunun yeni geldiği, havanın nasıl olduğu ve daha önce orada hırsızlıkların ne sıklıkta gerçekleştiği gibi. Model daha sonra tahmini bir hırsızlık riski ve işlev, kalabalıklaşma ve zamanın nasıl etkileştiğine dair diğer anlamsal ipuçlarıyla yanıt veriyor. Bu zengin, metin tabanlı içgörüler sayısal vektörlere dönüştürülüyor ve yapılandırılmış verileri yalnızca kopyalamadığından emin olmak için dikkatle filtreleniyor. Sonuç, yalnızca ham sayıları değil, dil modelinin şehirler ve suç hakkında geniş bir metin yelpazesinden öğrendiği kalıpları da yansıtan yüksek boyutlu bir ızgara hücresi portresi oluyor.

Tahmin motoru nasıl çalışıyor

Tüm bu özellikler uzaysal-zamansal bir dönüştürücü modele, yani hem mekân hem zaman boyunca kalıpları izlemek üzere tasarlanmış bir sinir ağı türüne besleniyor. Model önce farklı özellik türlerini aynı düzeye getiriyor, sonra hangi yakındaki blokların ve hangi son saatlerin her tahmin için en çok önem taşıdığını öğrenen dikkat (attention) mekanizmalarını uyguluyor. Ayrıca dil modelinin risk skorunu bir ön inanç (prior) olarak kullanıyor ve gözlemlenen verilerle nazikçe ayarlayarak hiçbir tarafın baskın olmamasını sağlıyor. New York verileri üzerinde birkaç yıllık eğitimle sistem, her ızgara hücresi ve her saat için en az bir hırsızlık olma olasılığını tahmin ediyor. Testlerde hırsızlık ile hırsızlık olmayan durumlar arasında yüksek ayrımcılık sağlıyor ve gerçek sıcak noktaları yakalamayla yanlış alarmlardan kaçınma arasında güçlü bir dengeyi yansıtan iyi bir F1 skoru elde ediyor.

Günlük güvenlik için bunun anlamı ne

Bir ilgisiz gözlemci için çıkarım şu: hırsızlık riski rastgele değil; insanların şehir içindeki hareketlerine, farklı alanların kullanımına ve son olayların nasıl geliştiğine sıkı sıkıya bağlı. Klasik suç istatistiklerini taksi akışları ve gece ışıkları gibi canlı benzeri sinyaller ve bir dil modelinin yorumlayıcı gücüyle harmanlayarak, bu yaklaşım şehrin hırsızlıklarının büyük kısmının gerçekten meydana geldiği blokların ve saatlerin küçük bir payını işaretleyebiliyor. Yöntem hâlâ diğer şehirlerde test edilmeye ve adalet açısından dikkatli kontroller yapılmaya ihtiyaç duysa da, polislerin ve şehir planlamacılarının tüm mahallelere geniş bir ağ atmak yerine belirli zamanlarda belirli yoğun, yüksek riskli alanlara odaklanmasına yardımcı olabilecek araçlara işaret ediyor.

Atıf: 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

Anahtar kelimeler: kentsel suç tahmini, hırsızlık sıcak noktaları, uzaysal-zamansal modelleme, dinamik nüfus akışı, büyük dil modelleri