본 논문은 인공 신경망(ANN)의 수학적 틀을 공간-시간 문제에 맞게 확장하고 적용하여 예측 범죄 모델을 개선하는 것을 목표로 합니다. 지리적 가중치를 깊은 학습 모델에 포함하여 공간 데이터에서 자주 나타나는 비정상성을 고려하는 데 중점을 둔 최근 지리 공간-시간 모델링 분야의 발전을 바탕으로, 지리적 및 시간적 가중 회귀(GTWR)를 해결하기 위한 새로운 반해석적 접근 방식을 제시하고, 이를 런던 범죄 데이터에 적용합니다. 결과적으로 높은 정확도의 예측 평가 점수가 생성되어 접근 방식의 가정과 근사의 유효성을 확인합니다. 또한, 지리적 및 시간적 가중 신경망(GTWNN) 프레임워크에 대한 수학적 발전을 제시하며, GTWNN 프레임워크에 대한 세 가지 수학적 확장을 생성합니다. 이러한 확장의 조합을 통해 런던과 디트로이트 데이터 세트에 적용되는 다섯 가지 새로운 ANN을 제시합니다. 결과는 확장 중 하나가 중복되고 일반적으로 'history-dependent module'이라고 하는 다른 확장보다 성능이 떨어짐을 시사합니다. 나머지 확장은 GTWNN 개선을 위한 세 가지 새로운 ANN 설계를 형성합니다. 런던과 디트로이트 범죄 데이터 세트에서 다양한 모델의 효과를 평가하여 모델 적합성을 개선하기 위한 모델링 전략을 선택할 때 특정 지리적 및 시간적 특성을 고려하는 것이 중요함을 강조합니다. 일반적으로 제안된 방법은 공간-시간 모델링에서 더욱 맥락을 인식하고 정확하며 강력한 ANN 접근 방식의 기초를 제공합니다.
