Анализ 80-20 (Анализ преступности и безопасность)—ArcGIS Pro

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 агрегации определяет, 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 агрегации 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 агрегации 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).
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

Подпись	Описание	Тип данных
Входные точечные объекты	Входные точечные объекты, использующиеся для создания кластеров, линий или полигонов.	Feature Layer
Выходной класс пространственных объектов	Выходной класс объектов. Если для параметра Метод агрегации задано Кластер, выходными данными будет класс точечных объектов. Если для параметра Метод агрегации 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 агрегации задано Кластер.	Linear Unit
Выходные поля (Дополнительный)	Поля из входных объектов, которые будут перенесены в выходные данные.	Field
Метод агрегирования (Дополнительный)	Задает способ агрегации 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 будет выполняться агрегация значения параметра Входные точечные объекты. Этот параметр активен, когда для параметра Метод агрегации задано Ближайший объект.	Feature Layer

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

Имя	Описание	Тип 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 агрегации 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 будет выполняться агрегация значения параметра in_features. Этот параметр активен тогда, когда параметр aggregation_method имеет значение CLOSEST_FEATURE.	Feature Layer

Пример кода

EightyTwentyAnalysis, пример 1 (окно Python)

В следующем скрипте окна Python показано, как используется функция 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)

В следующем скрипте Python показано, как использовать функцию EightyTwentyAnalysis в автономном скрипте.


# 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)

EightyTwentyAnalysisStreets, 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)

Краткая информация

Использование

Параметры

Пример кода

Параметры среды

Информация о лицензиях

Связанные разделы

В этом разделе