top of page
top_technology.jpg

Technology

犯罪(CRIME)の預言者(NABI)と名付けられたこのシステムは
“いつ・どこで未来の犯罪が起きるのか”を予測します

tec_crimenabi logo.png

過去の犯罪発生パターンや周囲の状況に基づき、未来の犯罪が起こりやすい場所を予測できます。
さらに、犯罪予測に基づき犯罪が起こりやすい場所を重点的に警備するルートを提示することで、
警備の犯罪抑止効果を高めます。

tec.png

実際の犯罪発生マップ（左）に対して、従来手法（中央）だと不鮮明な予測しかできないのに対して、Crime Nabi（右）を使うと、高精度・高解像度な予測が可能です。

特徴1　高精度・高解像度の予測

過去の犯罪実績、人口統計、建物属性、衛星画像など様々なデータを用いて犯罪を予測します。

01. 高精度・高解像度な予測を支える基盤技術
技術の優位性1.png
独自のデータ圧縮技術で世界最高速度

独自のデータ圧縮技術により、計算コストの圧倒的な削減ができます。入力データが増えるほど、従来手法では計算時間がかかるのに対して、CRIME NABIでは圧倒的な高速化を実現できます。コスト関数最適化のプロセスをO(N^0)で計算できる手法を活用しているため、エッジコンピューティングも可能です。今後モバイルデバイスやドローン、ロボット上で計算を行い最適な警備を行うといった未来にもつながる技術です。

02. 民間への犯罪予測サービス提供を支える技術
転移学習による小数データからの予測

犯罪データを持つエリアでモデルを学習させ、我々の転移学習技術と組み合わせることで、警察組織が持つ犯罪データが入手できないエリアでも、犯罪を予測することができます。
犯罪データが入手できない民間企業の私有地などのエリアに対しても、高精度な犯罪予測が可能です。

技術の優位性2 _edited.jpg

特徴2
ルート策定・警備業務計画・犯罪抑止効果の数値評価

スクリーンショット 2025-07-25 17.58.44.png

予測に基づき、車両やカメラによる警備の計画を策定します。ルーティングアルゴリズムと組み合わせた車両・人の警備リソースの最適配置や、監視カメラの最適配置を提供します。

また、警備活動の実績データをもとに、警備の犯罪抑止効果を評価することもできます。

特徴3　警備効果の向上

technology_img_1_sp_edited.jpg

犯罪発生確率が高いと予測されたエリアを重点的に巡回するルートでは、警備効果が大きく向上します。

​

東京都、名古屋市、足立区での検証では、従来の犯罪予測手法と比較して、1.5倍以上の効果を上げる結果が得られています。CRIME NABIの予測結果の空間分布が、従来手法に比べてより効果的であることが分かります。

​限られたリソースをピンポイントに配置

警備効果の向上1.png

実際に、CRIME NABIを導入することで、ブラジルでは犯罪を68.5%減少させることができました。

​

具体的には、ブラジルで二番目に大きな州・ミナスジェライス州の州都・ベロオリゾンテ市で、ケーブル盗難を対象にしたCRIME NABIを使ったパトロールを市の警察組織が実施したところ、我々のシステム導入エリアと非導入エリアに大きな差が出たことを現地の警察、大学、市政府と一緒に共同で検証し、学術論文の形でも報告しています。

​主な研究成果

犯罪予測に関する研究プロジェクト採択・論文・特許等

計算犯罪学、空間統計、計算科学、犯罪学を専門とする研究チームがさまざまな犯罪予測アルゴリズムを開発しています。

委託研究・研究助成

  • NEDO SBIR推進プログラム 2021

  • NICT委託研究「データ連携・利活用による地域課題解決のための実証型研究開発」(2018.12~2021.03・終了時評価：最高『S』)

  • 東京都中小企業振興公社　次世代イノベーション創出プロジェクト2020助成事業

  • 東京都中小企業振興公社　令和2年度第2回　革新的サービスの事業化支援事業

  • 経済産業省　グローバルサウス未来志向型共創等事業費補助金（2025）

論文

  1. Quantifying Crime Deterrence Effect of Patrol Optimization through GPS Data
    Mami Kajita, Daisuke Murakami, Seiji Kajita, Georgia Ribeiro, Genilson Zeferino, and Claudio Beato
    preprint (2024)

  2. Fast Spatio‐Temporally Varying Coefficient Modeling With Reluctant Interaction Selection
    Daisuke Murakami, Shinichiro Shirota, Seiji Kajita and Mami Kajita
    Geographical Analysis (2025)

  3. Spatial process-based transfer learning for prediction problems
    Daisuke Murakami, Mami Kajita, and Seiji Kajita
    Journal of Geographical Systems (2025)

  4. Compositionally-warped additive mixed modeling for a wide variety of non-Gaussian spatial data

    Daisuke Murakami, Mami Kajita, Seiji Kajita and Tomoko Matsui
    Spatial Statistics (2021)

  5. Scalable Model Selection for Spatial Additive Mixed Modeling: Application to Crime Analysis

    Daisuke Murakami, Mami Kajita, and Seiji Kajita
    ISPRS International Journal of Geo-Information (IJGI). (2020)

  6. Crime prediction by data-driven Green’s function method
    Mami Kajita and Seiji Kajita
    International Journal of Forecasting (2019) 

特許

  • 特願2020-061937

  • 特願2019-518001, US, EU, CH, PCT

  • 特願2018－524169

bottom of page