Введение. Актуальность исследования обусловлена вызовами и угрозами объектам транспорта и транспортной инфраструктуры, а также возможностями цифровой трансформации оперативно-служебной деятельности органов внутренних дел Российской Федерации. Рост несанкционированных вмешательств и общественная опасность посягательств требуют оптимизации деятельности полиции на транспорте, которая, в свою очередь может быть эффективно осуществлена с опорой на методы искусственного интеллекта – нейросетевого прогнозирования. Цель – систематизация теории и методологии применения нейросетевых технологий для прогнозирования правонарушений и преступлений на объектах транспортной инфраструктуры, осуществляемая для повышения эффективности деятельности полиции на транспорте. Методы исследования: общенаучные методы анализа, систематизации и конкретизации, использованные в отношении сведений о применении искусственного интеллекта и нейросетевых систем прогнозирования правонарушений и преступлений на транспорте. Результаты. Проанализированы отечественные и зарубежные технологии искусственного интеллекта, применяемые при прогнозировании правонарушений и преступлений, систематизированы нейросетевые методы прогнозирования, пригодные для построения моделей правонарушений и преступлений; конкретизирован алгоритм прогноза правонарушений и преступлений на транспорте и объектах транспортной инфраструктуры посредством нейросетевой технологии применения искусственного интеллекта. Показано, что многослойный персептрон (MLP), рекуррентная нейронная сеть (RNN), временная сверточная сеть (TCN), графовая нейронная сеть (GNN) могут применяться для оперативного (в режиме реального времени) а также стратегического (криминологического) прогноза правонарушений и преступлений на транспорте. Приводятся примеры нейросетевых моделей, используемых для решения задач прогнозирования правонарушений и преступлений на транспорте. С учетом выполненного анализа формулируется алгоритм разработки нейросетевой модели прогноза правонарушений и преступлений. Описываются четыре этапа его осуществления, позволяющие перейти к практическому воплощению (разработке) модели прогноза.
интеллектуальное прогнозирование преступлений, искусственная нейронная сеть, нейросетевой прогноз преступлений, нейросетевой анализ правонарушений, интеллектуальное предсказание преступлений, криминологический прогноз, информационные технологии прогнозирования правонарушений
1. Захватов, И. Ю. Прогнозирование как элемент информационно-аналитического обеспечения деятельности органов внутренних дел / И. Ю. Захватов, М. Н. Пчоловский // Высшая школа: научные исследования : материалы Межвузовского международного конгресса, Москва, 24 июня 2021 года. – Москва: Инфинити, 2021. – С. 14-24.
2. Кайбичев, И. А., Кайбичева, Е. И. Математическое моделирование временного ряда количества преступлений в России //Вестник экономики, управления и права. – 2019. – №. 4 (49). – С. 80-85.
3. Киселев, А. А. Сезонность преступности как объект криминологического изучения / А. А. Киселев // Правовая культура. – 2020. – № 2(41). – С. 139-150.
4. Клейменов, М. П. Уголовно-правовое прогнозирование / М. П. Клейменов. – Томск : Национальный исследовательский Томский государственный университет, 1991. – 167 с.
5. Петрова, В. Ю. Роль прогнозирующих моделей в управлении органами внутренних дел (на примере преступлений, связанных с легализацией преступных доходов) / В. Ю. Петрова // Вестник Владимирского юридического института. – 2013. – № 2(27). – С. 107-109.
6. Симонова, Е. Н. Реализация логистической регрессии в R, как наименьшей возможной нейронной сети / Е. Н. Симонова // Modern Science. – 2021. – № 1-1. – С. 491-495.
7. Суходолов А. П., Бычкова А. М. Искусственный интеллект в противодействии преступности, ее прогнозировании, предупреждении и эволюции //Всероссийский криминологический журнал. – 2018. – Т. 12. – №. 6. – С. 753-766.
8. Ульянов А. Д., Власов Б. Е. Теоретико-методологическое обеспечение аналитической работы в органах внутренних дел в современных условиях //Труды Академии управления МВД России. – 2023. – №. 1 (65). – С. 24-31
9. Федорова О. Б., Хейло Л. Г. Статистические методы анализа, оценки и прогнозирования оперативной обстановки: учебно-методическое пособие для сотрудников штабных подразделений органов внутренних дел //М.: ОАД МВД России. – 2018
10. Шалагин А. Е., Шарапова А. Д. Криминологическое прогнозирование и планирование в деятельности органов внутренних дел //Вестник экономики, права и социологии. – 2017. – №. 2. – С. 127-130
11. Alsubayhin A., Ramzan M. S., Alzahrani B. Crime Prediction Model using Three Classification Techniques: Random Forest, Logistic Regression, and LightGBM //International Journal of Advanced Computer Science & Applications. – 2024. – Т. 15. – №.
12. Ansfield, B. The broken windows of the Bronx: Putting the theory in its place //American Quarterly. – 2020. – Т. 72. – №. 1. – С. 103-127.
13. Bifari, E. et al. Text mining and machine learning for crime classification: using unstructured narrative court documents in police academic //Cogent Engineering. – 2024. – Т. 11. – №. 1. – С. 2359850.
14. Clavell, G. G. (2018). Exploring the ethical, organizational and technological challenges of crime mapping: A critical approach to urban safety technologies. Ethics and Information Technology, 20(4), 265–277. https://doi.org/https://doi.org/10.1007/s10676-018-9477.
15. Dakalbab, F. et al. Artificial intelligence & crime prediction: A systematic literature review //Social Sciences & Humanities Open. – 2022. – Т. 6. – №. 1. – С. 100342.
16. Johnson, T. L. et al. Police facial recognition applications and violent crime control in US cities //Cities. – 2024. – Т. 155. – С. 105472.
17. Kim, G. et al. Crime Mapping in Urban Environments Using Explainable AI: A Case Study of Daegu, Korea //Sustainable Cities and Society. – 2025. – С. 106507.
18. Lee, W. D. et al. The influence of intra-daily activities and settings upon weekday violent crime in public spaces in Manchester, UK //European Journal on Criminal Policy and Research. – 2021. – Т. 27. – №. 3. – С. 375-395
19. Marciniak, D. Algorithmic policing: An exploratory study of the algorithmically mediated construction of individual risk in a UK police force //Policing and society. – 2023. – Т. 33. – №. 4. – С. 449-463.
20. Massarelli, C., Uricchio, V. F. The contribution of open-source software in identifying environmental crimes caused by illicit waste management in urban areas //Urban Science. – 2024. – Т. 8. – №. 1. – С. 21.
21. Mishra, R. K. et al. Analysis of criminal landscape by utilizing statistical analysis and deep learning techniques //Journal of Applied Security Research. – 2024. – Т. 19. – №. 4. – С. 560-585.
22. Mukherjee, K. et al. Uncovering spatial patterns of crime: A case study of Kolkata //Crime Prevention and Community Safety. – 2024. – Т. 26. – №. 1. – С. 47-90.
23. Saunders, J., Hunt P., Hollywood, J. S. Predictions put into practice: a quasi-experimental evaluation of Chicago’s predictive policing pilot //Journal of experimental criminology. – 2016. – Т. 12. – №. 3. – С. 347-371
24. Singh, A. et al. An introduction on the impact of artificial intselligence (ai) in forensic science: a study on the role of ai in crime prevention //Dinesh, An introduction on the impact of artificial intselligence (ai) in forensic science: a study on the role of ai in crime prevention (October 25, 2024). – 2024.
25. van Sleeuwen S. E. M., Ruiter, S., Steenbeek, W. Right place, right time? Making crime pattern theory time-specific //Crime Science. – 2021. – Т. 10. – №. 1. – С. 2.
26. Yang, S. et al. The impact of surveillance cameras and community safety activities on crime prevention: Evidence from Kakogawa City, Japan //Sustainable Cities and Society. – 2024. – Т. 115. – С. 105858.
27. Zeng, M., Mao, Y., Wang, C. The relationship between street environment and street crime: A case study of Pudong New Area, Shanghai, China //Cities. – 2021. – Т. 112. – С. 103143.
