Наверх

Анализ 80-20 (Анализ преступности и безопасности)

В этом разделе

  1. Краткая информация
  2. Использование
  3. Параметры
  4. Параметры среды
  5. Информация о лицензиях

Краткая информация

Проводит анализ объектов 80/20 и создает кластеры точек, линии или полигоны на основании числа связанных инцидентов. Инструмент вычисляет поле накопленного процента, которое позволит идентифицировать местоположения, в которых происходит непропорциональное число инцидентов.

Использование

  • Правило 80-20 является теоретической концепцией, в соответствии с которой значительное большинство инцидентов происходит в меньшинстве мест, например, 80 процентов инцидентов - в 20 процентах мест.

  • В анализе преступности этот инструмент можно использовать различными способами. Обычно применяются следующие рабочие процессы анализа:

    • Агрегация инцидентов в кластеры - этот тип анализа определяет свойства с наибольшим числом инцидентов за указанный период.
    • Агрегация инцидентов по участкам улиц - этот тип анализа часто называется поиском "горячих улиц".
    • Агрегация инцидентов по границам районов - этот тип анализа часто называется поиском "горячих районов".

  • Параметр Метод агрегирования задает, как будет проводиться анализ 80-20 и как будут агрегироваться входные точечные объекты. Для анализа доступно два метода агрегации: Кластер и Ближайший объект, которые описываются ниже:

    • Кластер - входные точечные объекты будут кластеризоваться на основе метода кластеризации Заданное расстояние (DBSCAN), использующегося в инструменте Кластеризация на основе плотности.
    • Ближайший объект - входные точечные объекты будут связаны с ближайшим входным объектом линии или полигона сравнения.

  • Когда параметру Метод агрегирования задается значение Кластер, в выходные данные будут добавлены следующие поля:

    • ICOUNT- количество точек, найденных в пределах кластерного допуска для этого кластера.
    • PERC- процент от общего числа точек, найденных в пределах кластерного допуска для этого кластера.
    • CUMU_PERC- накопленный процент текущей точки кластера и всех других более крупных точек кластера, вычисленный с помощью значения ICOUNT.
    • CUMU_LPERC- накопленный процент текущей точки кластера и всех других более крупных точек кластера, вычисленный с использованием общего количества выходных точечных объектов.

    Значения CUMU_PERC и CUMU_LPERC можно использовать для определения того, представляет ли непропорционально малое число кластеров местоположения большую долю преступлений, например, содержат ли 20 процентов кластеров 80 процентов от общего количества точек.

    Когда параметру Метод агрегирования задается значение Ближайший объект, в выходные данные будут добавлены следующие поля:

    • ICOUNT- число точек, ближайших к линейному или полигональному объекту.
    • PERC- процент от общего числа точек, найденных около или внутри линейного или полигонального объекта.
    • CUMU_PERC- накопленный процент текущего объекта и всех остальных объектов с большим количеством, вычисленный с помощью значения ICOUNT.
    • CUMU_LPERC- накопленный процент текущего объекта и всех остальных объектов с большим количеством, вычисленный с использованием общего числа выходных линейных или полигональных объектов.
    • INC_KM- число объектов на километр. Добавляется в выходные данные, когда Входными объектами сравнения являются линии.
    • INC_MI- число объектов на милю. Добавляется в выходные данные, когда Входными объектами сравнения являются линии.
    • INC_SQKM- число объектов на квадратный километр. Добавляется в выходные данные, когда Входными объектами сравнения являются полигоны.
    • INC_SQMI- число объектов на квадратную милю. Добавляется в выходные данные, когда Входными объектами сравнения являются полигоны.

    Значения CUMU_PERC и CUMU_LPERC можно использовать для определения того, представляет ли непропорционально малое число линейных или полигональных объектов большую долю преступлений, например, 20 процентов линейных или полигональных объектов содержат 80 процентов от общего количества точек.

    Записи в выходных данных сортируются по значениям сгенерированных полей ICOUNT (число инцидентов), CUMU_PERC (накопленный процент), PERC (процент инцидентов) и CUMU_LPERC (накопленный процент местоположений).

  • Параметр Сопоставление атрибутов отфильтровывает объекты, которым будут соответствовать пространственные отношения, указанные в параметре Метод агрегирования сопоставления. Укажите поля из входного сравнения и входных точечных объектов, в которых есть совпадающие атрибуты в дополнение к их пространственному отношению.

  • Символы выходному классу объектов присваиваются с использованием поля ICOUNT.

  • Символы выходного класса точечных объектов присваиваются по слою градуированных символов на основе числа инцидентов в каждом местоположении.

Параметры

ДиалогPython

ПодписьОписаниеТип данных
Входные точечные объекты

Входные точечные объекты, использующиеся для создания кластеров, линий или полигонов.

Feature Layer
Выходной класс объектов

Выходной класс объектов.

Если для параметра Метод агрегирования задано Кластер, выходными данными будет класс точечных объектов.

Если для параметра Метод агрегирования задано Ближайший объект, тип геометрии выходных данных будет соответствовать значению параметра Входные объекты сравнения.

Feature Class
Кластерный допуск
(Дополнительный)

Максимальное расстояние, разделяющее точки, в пределах которого они будут считаться частью одного кластера.

Если кластерный допуск не задан, инструмент создает кластер в месте пересечения точечных объектов.

Этот параметр активен, когда для параметра Метод агрегирования задано Кластер.

Linear Unit
Выходные поля
(Дополнительный)

Поля из входных объектов, которые будут перенесены в выходные данные.

Field
Метод агрегирования
(Дополнительный)

Задает способ агрегирования входных точечных объектов.

  • Кластер—Входные точечные объекты будут кластеризованы. Это значение по умолчанию
  • Ближайший объект—Входные точечные объекты будут агрегированы с ближайшим линейным или полигональным объектом сравнения.
String
Входные объекты сравнения
(Дополнительный)

Класс полигональных или линейных объектов сравнения, по которому агрегируются значения параметра Входные точечные объекты.

Этот параметр активен, когда для параметра Метод агрегирования задано Ближайший объект.

Feature Layer
Сопоставление полей
(Дополнительный)

Пары полей из входных точечных объектов и входных объектов сравнения, которые будут использоваться для сопоставления атрибутов. В пространственном объединении будут участвовать только те записи входных точечных объектов, которые в сопоставляемых полях имеют одинаковые значения с входными объектами сравнения.

Этот параметр активен, когда для параметра Метод агрегирования задано Ближайший объект.

Value Table

arcpy.ca.EightyTwentyAnalysis(in_features, out_feature_class, {cluster_tolerance}, {out_fields}, {aggregation_method}, {in_comparison_features}, {match_fields})
ИмяОписаниеТип данных
in_features

Входные точечные объекты, использующиеся для создания кластеров, линий или полигонов.

Feature Layer
out_feature_class

Выходной класс объектов.

Если для параметра aggregation_method задано POINT_CLUSTER, выходными данными будет класс точечных объектов.

Если для параметра aggregation_method задано CLOSEST_FEATURE, тип геометрии выходных данных будет соответствовать значению параметра in_comparison_features.

Feature Class
cluster_tolerance
(Дополнительный)

Максимальное расстояние, разделяющее точки, в пределах которого они будут считаться частью одного кластера.

Если кластерный допуск не задан, инструмент создает кластер в месте пересечения точечных объектов.

Этот параметр активен тогда, когда параметр aggregation_method имеет значение POINT_CLUSTER.

Linear Unit
out_fields
[out_fields,...]
(Дополнительный)

Поля из входных объектов, которые будут перенесены в выходные данные.

Field
aggregation_method
(Дополнительный)

Задает способ агрегирования входных точечных объектов.

  • POINT_CLUSTER—Входные точечные объекты будут кластеризованы. Это значение по умолчанию
  • CLOSEST_FEATURE—Входные точечные объекты будут агрегированы с ближайшим линейным или полигональным объектом сравнения.
String
in_comparison_features
(Дополнительный)

Класс полигональных или линейных объектов сравнения, по которому агрегируются значения параметра in_features.

Этот параметр активен тогда, когда параметр aggregation_method имеет значение CLOSEST_FEATURE.

Feature Layer
match_fields
[[point_fields, comparison_fields],...]
(Дополнительный)

Пары полей из входных точечных объектов и входных объектов сравнения, которые будут использоваться для сопоставления атрибутов. В пространственном объединении будут участвовать только те записи входных точечных объектов, которые в сопоставляемых полях имеют одинаковые значения с входными объектами сравнения.

Этот параметр активен тогда, когда параметр aggregation_method имеет значение CLOSEST_FEATURE.

Value Table

Пример кода

EightyTwentyAnalysis, пример 1 (окно Python)

Пример скрипта окна Python для использования функции EightyTwentyAnalysis в режиме прямого запуска.

import arcpy
arcpy.env.workspace = r"C:/data/city_pd.gdb"
arcpy.ca.EightyTwentyAnalysis("CallsForService", "80_20_clusters")
EightyTwentyAnalysis, пример 2 (автономный скрипт)

Следующий скрипт Python демонстрирует использование функции EightyTwentyAnalysis в качестве автономного скрипта.


# Name: EightyTwentyAnalysis.py
# Description: Conducts an 80/20 analysis of 911 calls to determine clusters of calls within 50 meters of each other.

# import system modules 
import arcpy

# Set environment settings
arcpy.env.workspace = r"C:\data\city_pd.gdb"

# Set local variables
in_features = "CallsForService"
out_feature_class = "80_20_clusters"
cluster_tolerance = "50 Meters"
out_fields = ["FULLADDR","RESCITY", "RESSTATE", "RESZIP5"]

# Run EightyTwentyAnalysis
arcpy.ca.EightyTwentyAnalysis(in_features,
                              out_feature_class,
                              cluster_tolerance,
                              out_fields)
EightyTwentyAnalysis, пример 3 (автономный скрипт)

В следующем автономном скрипте Python показано, как использовать функцию EightyTwentyAnalysis в автономном скрипте для определения участков улиц с непропорциональным значением числа преступлений. В анализе преступности этот тип анализа часто называется поиском "горячих улиц".

# Name: EightyTwentyAnalysisStreets.py
# Description: Conduct an 80/20 analysis of calls for service to determine street segments with a disproportional amount of crimes nearby.

# import system modules
import arcpy

# Set environment settings
arcpy.env.workspace = r"C:\data\city_pd.gdb"

# Set local variables
in_features = "CallsForService"
out_feature_class = "80_20_streets"
comp_features = "city_centerlines"
out_fields = ["STREET_NAME", "L_ADDR_NUM", "R_ADDR_NUM"]

# Run Eighty Twenty Analysis
arpcy.ca.EightyTwentyAnalysis(in_features,
                              out_feature_class,
                              in_comparison_features=comp_features,
                              out_fields=out_fields)

Параметры среды

Текущая рабочая область, Временная рабочая область, Выходная система координат, Географические преобразования, Экстент, Разрешение XY, Допуск XY, Выходные данные имеют M-значения, Разрешение M, Допуск M, Выходные данные имеют Z-значения, Выходное значение Z по умолчанию, Разрешение Z, Допуск Z, Полноценные имена полей, Выходное ключевое слово CONFIG, Поддержка вложений, Автоматическое подтверждение, Выходной XY домен, Выходной домен M, Выходной домен Z

Отзыв по этому разделу?

В этом разделе
  1. Краткая информация
  2. Использование
  3. Параметры
  4. Параметры среды
  5. Информация о лицензиях