米国ロサンゼルスやシアトルなどの歴史的犯罪データを基に、強盗事件を高精度で予測する人工知能モデルが開発された。本研究は学術誌International Journal of Innovative Computing and Applicationsにて発表されている。同モデルは、地理的空間的な関連性を特定するグラフ畳み込みネットワークと時間的パターンを検出するトランスフォーマーを融合させ、犯罪活動の立体的な傾向を抽出する。さらに、性能向上競争を行う生成敵対ネットワーク（GAN）を採用し、変分オートエンコーダーにより学習の不安定性や出力バイアスを抑制する仕組みを組み込んだ。従来の手法が処理に苦戦する複合データセットを統合解析するこのアーキテクチャは、テスト環境における強盗予測精度を86.3%に到達させ、既存の最有力システムを明確に上回った。他の犯罪区分でも安定した結果を示しており、法執行機関の警戒リソース配分や高リスク地区の早期特定に資する可能性がある。一方、犯罪記録が稀少な地域や履歴データが不足する場所では予測精度が低下する課題が確認された。研究チームは今後の展開として、転移学習を活用して単一環境の知見を他地域へ適用する手法の開発を進める方針だ。データ駆動型の防犯戦略を高度化させるこの技術は、実証段階から実用段階へ移行するための重要な一歩となる。