Einbrüche erfolgen nicht überall und nicht zu jeder Zeit. Eine Rolle spielen etwa Jahres- und Tageszeiten, Ort oder Bevölkerungsdichte. In dicht besiedelten Städten können aus Einbruchsstatistiken mit Maschinellem Lernen Muster erkannt und das Risiko für einen Einbruch an einem bestimmten Ort vorausgesagt werden. Die Polizei kann dadurch sogenannte Hotspots erkennen und Patrouillen entsprechend einsetzen.
Allerdings brauchen Computer genügend Daten, um solche Muster zu erkennen. In ländlichen, dünn besiedelten Gebieten liegen aber zumeist nicht genügend Daten vor. Forscher der Eidgenössischen Technischen Hochschule Zürich (ETH) haben nun eine Methode im Bereich des Maschinellen Lernens entwickelt, mit der auch an solchen dünn besiedelten Gebieten präzise Einbruchsprognosen möglich werden.
Die Forscher haben dafür verschiedene Algorithmen mit Informationen gefüttert und am Ende die Analysen der verschiedenen Algorithmen kombiniert. Beim Füttern der Algorithmen haben sie den Datensatz bearbeitet: „Per Zufallsprinzip wurden Einheiten ohne Einbrüche entfernt, bis sich Einheiten mit und solche ohne Einbrüche die Waage hielten“, erklärt die ETH in einer Mitteilung. Diese statistische Methode nennt sich Random Undersampling.
„Die Methode erzielt mit ungleich verteilten Daten mindestens gleich gute und zum Teil bessere Trefferquoten als herkömmliche Methoden in städtischen Gebieten, wo die Daten dichter sind und zudem gleichmässiger verteilt“, wird ETH-Forscher Cristina Kadar zitiert.
Die Erkenntnisse sind in erster Linie für die Polizei nützlich. Die Methode könnte laut der ETH aber auch für die Vorhersage von anderen Risiken genutzt werden. Als Beispiele werden unter anderem Gesundheitsrisiken und die Wahrscheinlichkeit für Ambulanz-Notrufe aufgeführt.
