Простая модель обошла LightGBM в прогнозе полицейских инцидентов в Лиме
Исследование на открытых данных Лимы проверяет, улучшают ли признаки городской среды ежедневный прогноз зарегистрированных инцидентов по 2 120 ячейкам.

Модель оценивает не точные координаты, а вероятность регистрации инцидента в каждой ячейке на следующий день. Территория разбита на гексагоны H3, которые используются как модельное покрытие Лимы, а не как административные районы. В расчёты включены история обращений в полицию, календарные признаки и характеристики городской среды — объекты интереса, застройка и уличная сеть из OpenStreetMap.
Данные об инцидентах взяты из публичного слоя SIDPOL, который публикует МВД Перу. В исследовании учитываются только зарегистрированные события с известными координатами. Поэтому показатели отражают не только криминальную активность, но и обращаемость жителей, а также особенности регистрации. Семейное насилие исключено из анализа как отдельный процесс с другой географией; мошенничество и вымогательство выделены в самостоятельную категорию, поскольку координата может указывать на адрес заявителя.
Авторы сравнили модели с историческими ориентирами. Лучшим простым вариантом оказался EWM-30 — сглаженная оценка, в которой более свежие инциденты получают больший вес. В топ-5% ячеек этот вариант охватывал 41,2% инцидентов тестового периода. Дополнительно проверялись модели LightGBM: одна использовала историю и календарь, другая добавляла городские признаки, а третья корректировала базовую оценку EWM-30.
Городские данные позволяют описывать окружение ячейки, но сами по себе не доказывают причин криминальной активности. Кроме того, снимок OpenStreetMap от 11.11.2026 был сделан после завершения тестового периода. Поэтому результаты моделей с такими признаками нельзя считать полностью защищёнными от временной утечки: для окончательной проверки нужен исторический снимок OSM и повторная оценка.




