Ein internationales Forscherteam hat ein künstliches Intelligenz-Modell vorgestellt, das Kriminalitätsereignisse mit einer Genauigkeit von 86,3 Prozent vorhersagen kann. Die Forschungsergebnisse wurden im International Journal of Innovative Computing and Applications publiziert. Der Ansatz übertrifft etablierte Prognoseverfahren durch die Integration räumlicher und zeitlicher Analysetechniken in einer gemeinsamen Architektur. Das System verbindet ein Graph-Convolutional-Network zur Erkennung lokaler Tatortzusammenhänge mit einem Transformer zur Analyse zeitlicher Muster. Zur Stabilisierung des Trainingsprozesses wurde ein Generative Adversarial Network eingesetzt, das durch einen variationalen Autoencoder ergänzt wurde. Diese Kombination minimiert typische ML-Herausforderungen wie verzerrte Datenoutputs oder abflachende Gradienten und erhöht insgesamt die Aussagekraft der Modellvorhersagen. Bei Validierungstests mit historischen Datensätzen aus mehreren US-Städten, darunter Los Angeles und Seattle, erreichte das Verfahren bei Raubüberfällen 86,3 Prozent Trefferquote. Damit schlägt es das leistungsstärkste Konkurrenzsystem um 3,1 Prozentpunkte, das auf 83,2 Prozent kommt. Auch bei anderen Deliktarten zeigte der Algorithmus stabile Ergebnisse. Die primäre Anwendungsmöglichkeit liegt in der optimierten Disposition von Streifenkräften und der gezielten Präsenz in Risikozonen. Dennoch weist das Modell klare Grenzen auf: In Regionen mit unzureichender historischer Datengrundlage oder fehlenden Vorfallsberichten sinkt die Prognosegenauigkeit deutlich. Künftige Entwicklungsarbeiten konzentrieren sich daher auf Transfer-Learning-Verfahren, um gelernte Muster aus datenreichen Gebieten auf unterversorgte Stadtteile zu übertragen. Trotz dieser Herausforderung markiert das System einen signifikanten Fortschritt in der datenbasierten Kriminalprävention.