도시 환경 특성 기반 설명가능 AI 범죄위험 지도 구축

Explainable AI-Based Crime Risk Mapping Using Urban Environmental Characteristics

연구 내용

도시 토지피복과 환경 변수에 기반해 범죄 발생확률을 예측하고 SHAP으로 핵심 변수를 설명하여 위험지도와 방범 의사결정을 지원하는 연구

도시 환경 특성이 범죄 유형의 발생과 어떤 방식으로 연관되는지 분석하기 위해, 112개 신고지점을 중심으로 10~50m 버퍼 영역을 생성해 공간 단위 데이터를 구성합니다. XGBoost 모델로 범죄 확률을 예측하고 SHAP을 적용하여 유형별로 중요한 설명 변수를 도출합니다. 상업시설, 유동인구, 카드 거래 규모, 가구 수, 도로 면적 등 환경 요인의 영향이 버퍼 스케일에 따라 달라지는 양상을 정리하고, 예측 결과를 고해상도 범죄확률 지도 형태로 시각화합니다. 또한 위험도가 높은 구역과 CCTV 설치 현황을 비교하여 방범 인프라의 적정성을 평가하는 절차를 제공합니다.

관련 프로젝트

0건

연구 흐름

연구는 도시 안전을 지속가능 도시의 계획 변수로 다루는 관점에서 시작되었습니다. 특정 도시 사례에 대해 공간 버퍼 스케일을 체계적으로 설정하고, XGBoost 기반 예측과 SHAP 기반 설명을 결합해 모델 해석 가능성을 확보했습니다. 이후에는 예측된 위험도를 지도화하여 고위험 구역을 식별하고, CCTV 설치 적정성 평가로 연결하는 실증 흐름을 구성했습니다. 최근 연구에서는 설명가능 결과를 활용해 도시계획과 안전정책을 연결하는 확장 가능성을 강조하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

범죄위험도 기반 CCTV 설치 최적화
도시 환경변수-범죄 상관분석 프레임
버퍼 스케일별 위험예측 고도화 절차
SHAP 기반 정책 설명용 인사이트 카드
공공 안전 자원 배분 계획 수립
장소특성 기반 예방순찰 구역 설정
방범시설 영향평가 및 사후검증
지역 간 모델 전이 적용 가이드
도시계획과 안전정책 연계 분석체계
설명가능 AI 결과 기반 민원 대응자료 생성