Die Exploration räumlicher Beziehungen zwischen Kriminalität, sozio-ökonomischen und raumstrukturellen Merkmalen administrativer Einheiten ist ein aufstrebendes Forschungsfeld der Geoinformation. Räumliches Data Mining trägt dabei maßgeblich zum besseren Verständnis von geographischen Daten und raum-zeitlichen Prozessen bei. Die meisten Verfahren konzentrieren sich entweder auf räumliche Aspekte, zeitliche Aspekte oder eine Kombination von beiden, wobei sich Straftaten aber in einem mehrdimensionalen Merkmalsraum ereignen. Deshalb ist es notwendig, diese multidimensionalen Aspekte zu kombinieren und simultan zu betrachten. Dieser Beitrag präsentiert erstmals einen solchen Ansatz zur Exploration von raum-zeitlichen Kriminalitätsmustern unter Berücksichtigung des sozio-ökonomischen und demographischen Kontextes. Das Analysedesign besteht aus der raum-zeitlichen Scan-Statistik zur Detektion von Kriminalitäts-Hotspots, einer wachsenden Kohonen- Karte (Self-Organizing Map, SOM) zur Klassifikation des Kontextes und Trajektorien zur Visualisierung von zeitlichen Veränderungen der Verbrechens-Hotspots. Das Fallbeispiel analysiert Einbrüche während der Hurrikansaison in der Stadtregion Houston, Texas, im Zeitraum August bis Oktober 2005.
...
Spatio-temporal analysis of crime hotspots by trajectories and Self-Organizing Maps
The exploration of spatial relationships between crime incidents, the socio-economic characteristics of neighborhoods, as well as physical and structural compositions of the urban landscape is an ongoing research issue in Geographic Information Science. Spatial data mining tools improve the ability to gain knowledge from geographic data and help to understand spatio-temporal processes that contribute to the presence or absence of criminal offenses. However, most of the currently available tools focus either on the spatial, the temporal, or a combination of both aspects. But crime has a spatial and temporal component in a multidimensional attribute space. Therefore, it is reasonable to combine all these aspects within one analytical framework. This paper presents such a methodology to explore crime patterns and their spatial and temporal behavior within their socio-economic and environmental neighborhoods. The framework consists of three complementary techniques: A spatio-temporal scan statistic to detect crime hotspots, a growing Self-Organizing Map (SOM) to analyze attribute properties of the neighborhoods, and mapping of crime hotspot trajectories onto different SOM visualizations. The case study uses burglary locations from Houston, Texas, from August to October 2005.