Crime risk assessment and recommendation systems and methods thereof

Abstract

In some embodiments, provided is crime risk assessment and recommendation systems and methods thereof. In some embodiments, the system comprises a plurality of data collecting modules, a data analysis module, a big-data database module, and a user interface module. Other examples are provided herein. In some embodiments, the systems and methods provide intelligent and efficient risk assessment of crimes and real-time feedback and recommendations.

Description

CRIME RISK ASSESSMENT AND RECOMMENDATION SYSTEMS AND METHODS THEREOFCROSS-REFERENCE TO RELATED APPLICATION

[0001] This application claims priority to, and the benefit of, U.S. Provisional Application Serial No. 63 / 570,234 filed Mar. 26, 2024, entitled System and Computing Device for Strategic Transformer-Assisted Algorithm Model with Recommendations on Actionable and Timely Enforcement Guidance and Intelligence-Led Policing (STRATEGI) . The entire contents of the foregoing application are hereby incorporated by reference for all purposes.FIELD OF INVENTION

[0002] This invention relates to risk assessment technologies, and in particular systems and methods for crime risk assessment and recommendation.BACKGROUND OF INVENTION

[0003] Intelligence-Led Patrolling is a law enforcement strategy that emphasizes the use of intelligence and data analysis to guide patrol personals to specific areas where crime is more likely to occur. This approach aims to make the patrolling process more efficient and effective by focusing resources on hot spots or on individuals who are known or suspected to be involved in criminal activity. Without intelligence-led patrolling strategy, law enforcement agencies, security or management offices may face several challenges that can impact the efficiency and effectiveness of their crime prevention and response strategies.

[0004] Ineffective Resource Allocation: Without intelligence and data analysis, resources may be spread thinly or allocated based on outdated or inefficient practices, leading to less effective policing.

[0005] Increased Response Time: Officers may not be positioned optimally to respond quickly to incidents due to a lack of a predictive placement.

[0006] Hidden Crime Patterns and Trends: Law enforcement might overlook chances to thwart criminal activity or dismantle illicit networks if data is not scrutinized for recurring patterns.

[0007] Lack of Real-Time Intelligence-Led Policing AI Analytics for Timely Enforcement Analysis: Lack of real-time AI intelligence system to monitor live feeds, intelligence inputs, and officer locations to coordinate a rapid response.

[0008] Challenge in Analyzing Crime Displacement: Law enforcement can strategically position patrols in dynamic locations, which may cause criminal activities to migrate to less monitored areas. Complicated scenario analysis and proactive redistribution of police resources to deter crime effectively and manage its displacement by advanced AI recommendations.

[0009] Difficulties in Timely Analyzing Written Observations Report from Patrol Officers: Traditionally, patrol officer document observations made on paper while on duty. However, compiling these detailed accounts can be time-consuming. Moreover, the narrative format of these records often presents challenges for categorization and analysis.

[0010] Complications of Harnessing Open-Source Intelligence: Social-media servers as a significant resource for pinpointing “black spots” or areas frequently associated with accidents or criminal acts. To effectively use this information in crime prevention, automated analytical tools are essential for processing and understanding the data.

[0011] Interruption Caused to Officers by Manual Entry of Detailed Information During Patrols: The requirement for officers to manually input comprehensive details can disrupt their patrolling activities. To facilitate the easy recording of accurate location and timely data, it is essential to minimize such distractions from manual data entry tasks.SUMMARY OF INVENTION

[0012] In the light of the foregoing background, alternate systems and methods are provided to assess crime risk and provide recommendations based on intelligence data from multiple sources.

[0013] Accordingly, an example embodiment of the provided systems and methods relates to a crime risk assessment and recommendation system, comprising: a plurality of data collecting modules; a data analysis module; a big-data database module; and a user interface module, wherein the plurality of data collecting modules, the data analysis module, the big-data database module and the user interface module are in communication connection with each other, wherein the plurality of data collecting modules comprise: a crime intelligence data collector that is configured to obtain at least one crime intelligence data from at least one crime intelligence data source; a patrol data collector that is configured to obtain at least one patrol data from a patrol data source; and an open data collector that is configured to obtain at least one open data from internet, wherein the big-data database module is configured to store at least one historical data, wherein the data analysis module comprises: a plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules that are configured to analyze the at least one crime intelligence data from the crime intelligence data collector, the at least one patrol data from the patrol data collector, and / or at least one open data from the open data collector to obtain a plurality of intelligence feature data; and an indexing engine that is configured to analyze the plurality of intelligence feature data from the plurality of AI NLP modules to obtain at least one database query, wherein the big-data database module is configured to process the at least one database query from the indexing engine to obtain a selected portion of the at least one historical data according to the at least one database query, wherein the data analysis module further comprises: an encoder network that is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules and the selected portion of the at least one historical data from the big-data database module to obtain at least one attention encoder data; at least one embedding layer that is configured to analyze the at least one attention encoder data from the encoder network to obtain at least one street feature data, at least one crime feature data, and / or at least one general feature data; and an AI classifier that is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer, and the at least one attention encoder data from the encoder network to obtain the at least one crime risk assessment and the at least one recommendation, and wherein the user interface module is configured to output the at least one crime risk assessment and the at least one recommendation from the data analysis module.

[0014] In another example embodiment of the provided systems and methods relates to a method of crime risk assessment and recommendation, comprising the steps of: providing a system as claimed in any one of the preceding claims; obtaining, by the crime intelligence data collector, at least one crime intelligence data; obtaining, by the patrol data collector, at least one patrol data; obtaining, by the open data collector, at least one open data; storing, by the big-data database module, at least one historical data; analyzing, by the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules, the at least one crime intelligence data, the at least one patrol data, and at least one open data to obtain a plurality of intelligence feature data; analyzing, by the indexing engine, the plurality of intelligence feature data to obtain at least one database query; processing, by the big-data database module, the at least one database query to obtain a selected portion of the at least one historical data according to the at least one database query; analyzing, by the encoder network, the plurality of intelligence features and the selected portion of the at least one historical data to obtain at least one attention encoder data; analyzing, by the at least one embedding layer, the at least one attention encoder data to obtain at least one street feature data, at least one crime feature data, and at least one general feature data; and analyzing, by the AI classifier, the at least one street feature data, the at least one crime feature data, the at least one general feature data and the at least one attention encoder data to obtain the at least one crime risk assessment and the at least one recommendation, outputting, by the user interface module, the at least one location-based crime risk assessment and the at least one recommendation.

[0015] The above example embodiments have benefits and advantages over conventional technology. In some embodiments, the provided systems and methods increase processing speed of the data, shorten the turnaround time of the analysis of huge amount and various types of data and / or provide accurate, efficient assessment of the risk level of crime, and precise and useful recommendation to the user by using the algorithms and AI models as described herein. For example, the provided systems and methods (namely, STRATEGI) leverage AI techniques to predict and interdict crimes by enhancement of real-time intelligence-led policing capabilities. Provided methods and systems assess the risk level associated with various types of crime at specific locations (for example, the likelihood of jewelry theft on individual) and offering text-based guidance intelligence-led law enforcement strategies. By leveraging intelligence data sources through the suggested system, this approach delivers enforcement that is both immediate and precise.

[0016] For example, the provided systems and methods allow peer-to-peer real-time sharing of live data on the beat among officers and vehicles. For example, the provided systems (namely, STRATEGI) and methods thereof, analyze big data and combine it with user (e.g. police) intelligence to provide real-time feedback and recommendations, including designated visiting locations so as to dynamically provide maximum law / management enforcement forces (e.g. police, safeguards, etc. ) coverage to vulnerable locations in real-time.

[0017] For example, the provided systems and methods enable predictive policing by combining historical intelligence with live patrol data, thoroughly preparing patrol officers for the next unexpected incident.

[0018] For example, the provided systems and methods enables the use of GPS on patrol officer in relation to crime displacement: GPS data on patrol officers is critical asset for analysis as it plays a pivotal role in influencing the movement of crime. By leveraging precise location information, law enforcement can strategically position patrols, which may cause criminal activities to migrate to less monitored areas. The utilization of GPS data helps in the proactive redistribution of police resources to deter crime effectively and manage its displacement. These data are important for AI recommendations.

[0019] For example, the provided systems and methods enable real-time intelligence and patrol officer data tagging: Conventionally, patrol officer document observations made on paper while on duty. However, compiling these detailed accounts can be time-consuming. Moreover, the narrative format of these records often presents challenges for categorization and analysis. The implementation of real-time intelligence systems that allow for immediate tagging by officers, followed AI language understanding, can significantly incorporate the real-time intelligence to actionable insights.

[0020] For example, the provided systems and methods enables open-source intelligence: Social-media can be a valuable tool for identifying dangerous locations or “black spots” that are prone to accidents or criminal activities. Local groups can provide insights into areas that residents feel are unsafe such as pickpockets.

[0021] For example, the provided systems and methods enable the recording of dynamic patrol location and action by use of NFC: Employing NFC IoT Sensors to log dynamic patrol locations enables officers to effortlessly capture precise location and time data with minimal disruption, avoiding the need to input extensive details manually. This technology is particularly beneficial for overseeing the implementation of dynamic patrol routes that demand instantaneous and highly precise tracking. BRIEF DESCRIPTION OF FIGURES

[0022] FIG. 1 is a schematic diagram of an example system, according to an example embodiment.

[0023] FIG. 2 is another schematic diagram of another example system, according to another example embodiment.

[0024] FIG. 3 is a schematic diagram showing a first AI NLP module of an example system, according to another example embodiment.

[0025] FIG. 4 is a schematic diagram showing a second AI NLP module of an example system, according to another example embodiment.

[0026] FIG. 5 is a schematic diagram showing a third AL NLP module of an example system, according to another example embodiment.

[0027] FIG. 6 is a schematic diagram showing an indexing engine and a big-data database of an example system, according to another example embodiment.

[0028] FIG. 7 is a schematic diagram showing an encoding network of an example system, according to another example embodiment.

[0029] FIG. 8 is a schematic diagram showing an embedding layer and an AI classifier of an example system, according to another example embodiment.

[0030] FIG. 9 is a workflow diagram of an example method, according to an example embodiment.DETAILED DESCRIPTIONDEFINITIONS

[0031] As used herein and in the claims, the terms “comprising” (or any related form such as “comprise” and “comprises” ) , “including” (or any related forms such as “include” or “includes” ) , “containing” (or any related forms such as “contain” or “contains” ) , means including the following elements but not excluding others. It shall be understood that for every embodiment in which the term “comprising” (or any related form such as “comprise” and “comprises” ) , “including” (or any related forms such as “include” or “includes” ) , or “containing” (or any related forms such as “contain” or “contains” ) is used, this disclosure / application also includes alternate embodiments where the term “comprising” , “including, ” or “containing, ” is replaced with “consisting essentially of” or “consisting of”. These alternate embodiments that use “consisting of” or “consisting essentially of” are understood to be narrower embodiments of the “comprising” , “including, ” or “containing, ” embodiments.

[0032] For the sake of clarity, “comprising” , including, and “containing” , and any related forms are open-ended terms which allows for additional elements or features beyond the named essential elements, whereas “consisting of” is a closed end term that is limited to the elements recited in the claim and excludes any element, step, or ingredient not specified in the claim.

[0033] For the sake of clarity, “characterized by” or “characterized in” (together with their related forms as described above) , does not limit or change the nature of whether the list of terms following it are open or closed. For example, in a claim directed towards “acomposition comprising A, B, C, and characterized in D, E, and F” , the elements D, E, and F are still open-ended terms and the claim is meant to include other elements due to the use of the word “comprising” earlier in the claim.

[0034] As used herein and in the claims, the singular forms “a, ” “an, ” and “the” are intended to include the plural forms as well unless the context clearly indicates otherwise. Where a range is referred to in the specification and the claims, the range is understood to include each discrete point within the range. For example, 1-7 means 1, 2, 3, 4, 5, 6, and 7. Another example is that (a) - (d) means (a) , (b) , (c) , and (d) .

[0035] As used herein and in the claims, the terms “general” or “generally” , or “substantial” or “substantially” mean that the recited characteristic, shape, state, structure, or value need not be achieved exactly, but that deviations or variations, including for example, tolerances, measurement error, measurement accuracy limitations and other factors known to those of skill in the art, may occur in amounts that do not preclude the effect the characteristic was intended to provide. For example, an object that has a “generally” cylindrical shape would mean that the object has either an exact cylindrical shape or a nearly exact cylindrical shape.

[0036] As used herein, the term “about” is understood as within a range of normal tolerance in the art and not more than ±10%of a stated value. By way of example only, about 50 means from 45 to 55 including all values in between. As used herein, the phrase “about” a specific value also includes the specific value, for example, about 50 includes 50.

[0037] As used herein and in the claims, “operatively connect” refers to a functional or operational connection between two elements such as components, modules or systems that allows them to communicate, or interact with each other. Such connection may be direct or indirect. In some examples, the elements are in communication connection with each other.

[0038] As used herein and in the claims, “in communication connection with” refers to a connection between two elements such as components, modules or systems that allows them to exchange data, signals, or information, enabling coordination or interaction between them. Such connection may be direct or indirect, wired or wireless.

[0039] As used herein and in the claims, “crime” refers tounlawful act or behavior. In some examples, the risk level of a crime is analyzed and evaluated by the system to predict the likelihood of its occurrence or recurrence, often to inform prevention or mitigation strategies.

[0040] As used herein and in the claims, “Artificial Intelligence (AI) Natural Language Processing (NLP) module” refers toa software component or algorithm with artificial intelligence that enables processing and interpreting human natural language data.

[0041] As used herein and in the claims, “indexing engine” refers toa software component or module that organizes and structures data into a searchable format, enabling retrieval of information based on queries.

[0042] As used herein and in the claims, “feature data” refers tothe data such as specific attributes, characteristics, or variables extracted or processed from raw data that are used as inputs for machine learning models or data analysis to identify patterns, make predictions, or perform classifications.

[0043] As used herein and in the claims, “encoder” refers to a module or algorithm that transforms input data into different representation, such as a compressed or structured format, to facilitate processing, analysis or transmission in systems such as machine learning models. As used herein and in the claims, “encoder network” refers to a neural network architecture with encoder.

[0044] As used herein and in the claims, “encoder fully-connected layer” refers to a layer in a neural network where every neuron is connected to every neuron in the previous and subsequent layers, used within an encoder to transform input data into a dense, lower-dimensional representation by learning complex patterns and relationships in the data.

[0045] As used herein and in the claims, “convolution layer” is a fundamental component in convolutional neural networks (CNNs) that applies a convolution operation to input data using filters to extract spatial features like edges, textures, or patterns, enabling the network to learn hierarchical representations of the data.

[0046] As used herein and in the claims, “risk assessment” refers to a process of identifying, analyzing, and evaluating potential risks or hazards of a crime to determine the likelihood and impact, enabling to provide recommendation to mitigate or manage them.

[0047] As used herein and in the claims, “concatenate” or “concatenation” refers to a process of combining two or more data sequences, arrays, or strings end-to-end into a single, unified structure, often used in programming, data processing, or neural networks to merge information from different sources or layers.

[0048] As used herein and in the claims, “recommendation” refers to providing suggestion or proposal generated by the system to guide a user (such as police) toward specific actions, such as based on the risk assessment.

[0049] As used herein and in the claims, “big-data database” refers to a specialized system to store, manage and analyze large and complex datasets, such as by leveraging distributed computing hardware, such as clustered memory and multi-core processors, to handle massive volumes of data.

[0050] As used herein and in the claims, “module” refers to is a hardware and / or software unit that contributes to the overall functionality of a system such as a computer system.

[0051] As used herein and in the claims, “estimator” refers to a software, module component or algorithm that estimates or predicts values, outcomes, based on the input of the data. In some examples, an estimator includes an AI model for implementing the functions thereof.

[0052] As used herein and in the claims, “embedding layer” refers to a neural network module or algorithm that transforms high-dimensional, discrete input data into lower-dimensional, continuous vector representations, capturing meaningful relationships and patterns in the data. In some examples, an embedding layer includes one or more concatenation layers, one or more fully-connected layers, one or more normalization layers, and / or one or more splitting layers.

[0053] As used herein and in the claims, “classifier” refers toa machine learning model or algorithm that categorizes input data into predefined classes or labels based on learned patterns from training data. In some examples, a classifier includes an AI Natural Language Model to generate text data based on the input data.

[0054] As used herein and in the claims, “self-attention layer” is a neural network module or algorithm, such as in transformer models, that computes relationships between all elements in a sequence (e.g., words in a sentence) to weigh their importance relative to each other, enabling the model to capture context and dependencies effectively.

[0055] As used herein and in the claims, “function layer” is a neural network module or algorithm that applies predefined functions such as normalization, activation, or aggregation to the input data. In some embodiments, function layer includes addition layers, which combine multiple inputs element-wise, and normalization layers (e.g., batch normalization, layer normalization) , which standardize activations to improve convergence and mitigate internal covariate shifts.

[0056] As used herein and in the claims, “intelligence” refers to the systematic collection, analysis, and interpretation of information related to criminal activities, threats, and patterns to support law enforcement and security operations. In some embodiments, “crime intelligence data” refers to the data that may be involved in or related to the process of collecting, analyzing, and / or interpreting the intelligence of a crime.

[0057] As used herein and in the claims, “aselected portion” refers to a subset of data that has been filtered, extracted, or highlighted according to specific criteria defined by the query. This portion generally represents the relevant information that matches the search parameters of the query. NUMBERED EMBODIMENTS Set I

[0058] Embodiment 1.1 A system for enabling predictive policing to predict risk level of crime and provide recommendations to interdict crime by combining historical intelligence with real-time data, comprising: an Intelligence big data database; a vertical intelligence data collector (such as 999 Police Call Centre) ; a real-time intelligence data collector (such as Mobile with NFC, GPS, Location-Tagging) ; an open-source data collector (such as social media crawler) ; a recommendation output data result; an user interface system (such as Mobile Application or Computer System) ; an artificial intelligence algorithm for receiving the information from intelligence big data database, vertical intelligence data collector, real-time intelligence data collector, open-source data collector, the artificial intelligence algorithm being configured to: determine the risk level of crime occurred in particular location of particular crime types; provide textual actionable recommendations as output; having capability to enhance the algorithm accuracy by crime displacement result and human-feedback loop.

[0059] Embodiment 1.2 The system of embodiment 1.1 wherein the Artificial Intelligence Algorithm is configured to accept data from vertical intelligence data collector (such as 999 Police Call Centre) .

[0060] Embodiment 1.3 The system of any one of embodiments 1.1 and 1.2 wherein the Artificial Intelligence Algorithm is configured to accept data from real-time intelligence data collector (such as Mobile with NFC, GPS, Location-Tagging) .

[0061] Embodiment 1.4. The system of any one of embodiments 1.1 to 1.3 wherein the Artificial Intelligence Algorithm is configured to accept web and social media data from open-source data collector.

[0062] Embodiment 1.5 The system of any one of embodiments 1.1 to 1.4 wherein the Artificial Intelligence Algorithm is configured to query and accept data from intelligence big data database.

[0063] Embodiment 1.6 The system of any one of embodiments 1.1 to 1.5 wherein the Artificial Intelligence Algorithm is configured with customized AI Transformer Model (AI Large Language Model) to analyse and retrieve essential information (Including high risk locations, potential risk factors, suspicious crime attributes, reported suspected features) from various data sources.

[0064] Embodiment 1.7 The system of any one of embodiment 1.1 to 1.6 wherein the Artificial Intelligence Algorithm is configured with algorithms to correlations of geospatial information, GPS coordinates, NFC sensor information.

[0065] Embodiment 1.8 The system of any one of embodiments 1.1 to 1.7 wherein the Artificial Intelligence Algorithm is configured with algorithms to retrieve locations and attributes tagged by police and correlate information with intelligence.

[0066] Embodiment 1.9 The system of any one of embodiments 1.1 to 1.8 wherein the Artificial Intelligence Algorithm is configured with customized Deep Learning Encoder Network Layers in the AI model to generate the embedding feature vectors by inputting vertical intelligence data, real-time intelligence data and open-source data. These customized layers are using AI Query-Key-Value attention mechanism and conditional probabilistic functional logics in mathematical implementations.

[0067] Embodiment 1.10 The system of embodiment 1.9 wherein the embedding feature vectors generated include but not limited to prediction input parameters such as street adjacency, crime displaced or impacted streets, shop attributes of streets, suspected features, suspected behaviours, crime-related objects and accessories, shop attributes, patrol frequency, patrol behaviours and historical actions and experience.

[0068] Embodiment 1.11 The system of any one of embodiments 1.1 to 1.10 wherein the Big Data Intelligence Database is equipped and queried by Artificial Intelligence using indexing techniques. The Big Data Intelligence Database includes the intelligence vector database indexing engine.

[0069] Embodiment 1.12 The system of any one of embodiments 1.10 and 1.11 wherein the embedding feature vectors is generated with the data retrieved and augmented with the Big Data Intelligence Database feature vectors in claim 10.

[0070] Embodiment 1.13 The system of any one of embodiments 1.1 to 1.12 wherein the Artificial Intelligence Algorithm include the probabilistic classifier include but not limited to the use of AI encoder-decoder transformer architecture and Fully-Connected Multi-layer Perceptron Layers.

[0071] Embodiment 1.14 The system of embodiment 1.13 wherein the Artificial Intelligence Algorithm calculate the risk level estimation of the particular street at particular time given the real-time input intelligence data by using weighted importance of different input factors from claim 9.

[0072] Embodiment 1.15 The system of embodiment 1.14 wherein the Artificial Intelligence Algorithm calculate the risk level include but not limited to the use of AI attention-based mathematical calculations to weight the importance and implications of each input parameter.

[0073] Embodiment 1.16 The system of any one of embodiments 1.1 to 1.15 wherein the Artificial Intelligence Algorithm utilize the AI technique include but not limited to the AI transformer architecture to provide textual recommendations as the output of the system.

[0074] Embodiment 1.17 The system of any one of embodiments 1.1 to 1.16 wherein the Artificial Intelligence Algorithm accepts the human feedback data as control feedback loop to fine-tune the embedding feature vectors and AI probability classifier. It acts as self-learning mechanism in the AI system.

[0075] Embodiment 1.18 The system of embodiment 1.17 wherein the feedback data is saved and indexed into the Big Data Intelligence Database in Claim 11.

[0076] Embodiment 1.19 The system of embodiment 1.18 wherein the Big Data Intelligence Database can be queried using vector indexing. It is also acted as the knowledge management database of Policing-action-and-Result-Pair knowledge to assist the operation of Intelligence-Led Policing.

[0077] Embodiment 1.20 The system of any one of embodiments 1.1 to 1.19 wherein the user interface system displays the output of analysis results, recommendations, dashboard. The user interfaced system allows user feedback to the AI system.

[0078] Embodiment 1.21 The system of any one of embodiments 1.1 to 1.20 wherein the user interface system can include one or plurality of hardware devices. The hardware device includes but not limited to any computing machine and mobile device.  Set II

[0079] Embodiment 2.1 A crime risk assessment and recommendation system, comprising: a plurality of data collecting modules; a data analysis module; a big-data database module; and a user interface module, wherein the plurality of data collecting modules, the data analysis module, the big-data database module and the user interface module are in communication connection with each other, wherein the plurality of data collecting modules comprise: a crime intelligence data collector that is configured to obtain at least one crime intelligence data; a patrol data collector that is configured to obtain at least one patrol data; and an open data collector that is configured to obtain at least one open data, wherein the big-data database module is configured to store at least one historical data, wherein the data analysis module comprises: a plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules that are configured to analyze the at least one crime intelligence data from the crime intelligence data collector, the at least one patrol data from the patrol data collector, and / or at least one open data from the open data collector to obtain a plurality of intelligence feature data; and an indexing engine that is configured to analyze the plurality of intelligence feature data from the plurality of AI NLP modules to obtain at least one database query, wherein the big-data database module is configured to process the at least one database query from the indexing engine to obtain a selected portion of the at least one historical data according to the at least one database query, wherein the data analysis module further comprises: an encoder network that is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules and the selected portion of the at least one historical data from the big-data database module to obtain at least one attention encoder data; at least one embedding layer that is configured to analyze the at least one attention encoder data from the encoder network to obtain at least one street feature data, at least one crime feature data, and / or at least one general feature data; and an AI classifier that is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer, and the at least one attention encoder data from the encoder network to obtain the at least one crime risk assessment and the at least one recommendation, and wherein the user interface module is configured to output the at least one crime risk assessment and the at least one recommendation from the data analysis module.

[0080] Embodiment 2.2 The system of embodiment 2.1, wherein the crime intelligence data collector is configured to collect at least one user crime intelligence data and at least one incident crime intelligence data, wherein the patrol data collector is configured to collect at least one patrol information data and at least one patrol sensor data from a patrol Internet of Things (IoT) device, wherein the open data collector is configured to collect at least one social media data, at least one web data, and / or at least one real-time data from Internet, and wherein the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules comprise: a first AI NLP module comprising: a first transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one user crime intelligence data and the at least one incident crime intelligence data from the crime intelligence data collector to obtain at least one pre-crime-intelligence feature data; and a first intelligence embedding layer submodule that is configured to analyze the at least one pre-crime-intelligence feature data from the first transformer-based large Language Model (LLM) submodule to obtain at least one crime intelligence feature data; a second AI NLP module comprising: a second transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one patrol information data and at least one patrol sensor data from the patrol data collector to obtain at least one pre-patrol-intelligence feature data; and a second intelligence embedding layer submodule that is configured to analyze the at least one pre-patrol-intelligence feature data from the second transformer-based large Language Model (LLM) submodule to obtain at least one patrol intelligence feature data; a third AI NLP module comprising: a third transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one social media data, the at least one web data, and the at least one real-time data from the open data collector to obtain at least one pre-open-intelligence feature data; and a third intelligence embedding layer submodule that is configured to analyze the pre-open-intelligence feature data from the second transformer-based large Language Model (LLM) submodule to obtain at least one open intelligence feature data.

[0081] Embodiment 2.3 The system of any one of the preceding embodiments, wherein the encoder network comprises: a plurality of encoder convolution layer submodules that is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules and the selected portion of the at least one historical data from the big-data database module to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, at least one post-open-intelligence feature data, and at least one post-historical intelligence feature data; an encoder concatenation submodule that is configured to concatenate the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature data from the plurality of convolution layer submodules to obtain at least one combined intelligence feature data; a first encoder fully-connected layers submodule that is configured to analyze the at least one combined nan encoder self-attention layer submodule that is configured to analyze the at least one pre-attention-encoder data from the first fully-connected layers submodule to obtain at least one post-attention intelligence data; and a second encoder fully-connected layers submodule that is configured to analyze the at least one post-attention intelligence data from the encoder self-attention layer submodule to obtain the at least one attention encoder data.

[0082] Embodiment 2.4 The system of any one of the preceding embodiments, wherein the AI classifier comprises: a risk classifier submodule that is configured to analyze the at least one attention encoder data from the encoder network to obtain the at least one crime risk assessment; and a recommendation submodule that is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer, and the risk assessment from the risk classifier submodule to obtain the at least one recommendation.

[0083] Embodiment 2.5 The system of of any one of the preceding embodiments, wherein the risk classifier submodule comprises: at least one risk classifier attention layer that is configured to analyze the at least one attention encoder data from the encoder network to obtain at least one post-attention-risk feature data; and a plurality of risk classifier function layers that is configured to analyze the at least one post-attention-risk feature data from the at least one risk classifier attention layer to obtain the at least one crime risk assessment.

[0084] Embodiment 2.6 The system of of any one of the preceding embodiments, wherein the user interface module is configured to receive at least one user action outcome data from a user action outcome data source and send the at least one user action outcome data to the big-data database module to update the at least one historical data.

[0085] Embodiment 2.7 A method of crime risk assessment and recommendation, comprising the steps of: providing a system as claimed in any one of the preceding embodiments; obtaining, by the crime intelligence data collector, at least one crime intelligence data; obtaining, by the patrol data collector, at least one patrol data; obtaining, by the open data collector, at least one open data; storing, by the big-data database module, at least one historical data; analyzing, by the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules, the at least one crime intelligence data, the at least one patrol data, and at least one open data to obtain a plurality of intelligence feature data; analyzing, by the indexing engine, the plurality of intelligence feature data to obtain at least one database query; processing, by the big-data database module, the at least one database query to obtain a selected portion of the at least one historical data according to the at least one database query; analyzing, by the encoder network, the plurality of intelligence features and the selected portion of the at least one historical data to obtain at least one attention encoder data; analyzing, by the at least one embedding layer, the at least one attention encoder data to obtain at least one street feature data, at least one crime feature data, and at least one general feature data; and analyzing, by the AI classifier, the at least one street feature data, the at least one crime feature data, the at least one general feature data, and the at least one attention encoder data to obtain the at least one crime risk assessment and the at least one recommendation, outputting, by the user interface module, the at least one location-based crime risk assessment and the at least one recommendation.

[0086] Embodiment 2.8 The method of of any one of the preceding embodiments, wherein the step (ii) obtaining at least one crime intelligence data comprises the step of: collecting, by the crime intelligence data collector, at least one user crime intelligence data and at least one incident crime intelligence data; wherein the step (iii) obtaining at least one patrol data comprises the step of : collecting, by the patrol data collector, at least one patrol information data and at least one patrol sensor data; wherein the step (iv) obtaining at least one open data comprises the step of: collecting, by the open data collector, at least one social media data, at least one web data, and at least one real-time data, and wherein the step (vi) analyzing the at least one crime intelligence data, the at least one patrol data, and at least one open data comprises the steps of: analyzing, by the first transformer-based large Language Model (LLM) submodule, the at least one user crime intelligence data and the at least one incident crime intelligence data to obtain at least one pre-crime-intelligence feature data; analyzing, by the first intelligence embedding layer submodule, the at least one pre-crime-intelligence feature data to obtain at least one crime intelligence feature data; analyzing, by the second transformer-based large Language Model (LLM) submodule, the at least one patrol information data and at least one patrol sensor data to obtain at least one pre-patrol-intelligence feature data; analyzing, by the second intelligence embedding layer submodule, the at least one pre-patrol-intelligence feature data to obtain at least one patrol intelligence feature data; analyzing, by the third transformer-based large Language Model (LLM) submodule, the at least one social media data, the at least one web data, and the at least one real-time data to obtain at least one pre-open-intelligence feature data; and analyzing, by the third intelligence embedding layer submodule, the pre-open-intelligence feature data to obtain at least one open intelligence feature data.

[0087] Embodiment 2.9 The method of of any one of the preceding embodiments, wherein step (ix) analyzing the plurality of intelligence features and the selected portion of the at least one historical data comprises the steps of: analyzing, by the plurality of convolution layer submodules, the at least one crime intelligence feature data, at least one patrol intelligence feature data, the at least one open intelligence feature data and the selected portion of the at least one historical to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, concatenating, by the concatenation submodule, the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature to obtain at least one combined intelligence feature data; analyzing, by the first encoder fully-connected layers submodule, the at least one combined intelligence feature data to obtain at least one pre-attention intelligence data; analyzing, by the encoder self-attention layer submodule, the at least one pre-attention-encoder data to obtain at least one post-attention intelligence data; and analyzing, by the second encoder fully-connected layers submodule, the at least one post-attention intelligence data to obtain the at least one attention encoder data.

[0088] Embodiment 2.10 The method of of any one of the preceding embodiments, wherein the step (xii) analyzing the at least one street feature data, the at least one crime feature data the at least one general feature data, and the at least one attention encoder data comprises the steps of: analyzing, by the risk classifier submodule, the at least one attention encoder data to obtain the at least one crime risk assessment; and analyzing, by the recommendation submodule, the at least one street feature data, the at least one crime feature data, and the at least one general feature data, and the risk assessment to obtain the at least one recommendation.

[0089] Embodiment 2.11 The method of of any one of the preceding embodiments, wherein the step of analyzing the at least one attention encoder data comprises the steps of: analyzing, by the at least one risk classifier attention layer, the at least one attention encoder data to obtain at least one post-attention-risk feature data; and analyzing, by the plurality of risk classifier function layers, the at least one post-attention-risk feature data to obtain the at least one crime risk assessment.

[0090] Embodiment 2.12 The method of of any one of the preceding embodiments, further comprising the steps of: receiving, by the user interface module, at least one user action outcome; sending, by the user interface module, the at least one user action outcome data to the big-data database module; and updating, by the big-data database module, the at least one historical data. EXAMPLES

[0091] The following example embodiments alone or in combination may be practiced to provide a method and a system of risk assessment of a crime and providing recommendation.

[0092] In some examples, provided is a system of risk assessment, comprising one or more processors and one or more memory coupled to the one or more processors and storing instructions that, when executed by the one or more processors, cause the system to perform the methods as described herein.

[0093] In some examples, provided is a non-transitory computer-readable medium storing at least one computer program for implementing a method as described herein.EXAMPLE 1 SUMMARY

[0094] Now referring to FIG. 1, an ingenuous intelligence-led law enforcement system 100 with a centralised dashboard designed to provide ideal responses to crime as they occur. Leveraging the proposed purposely engineered AI Techniques -STRATEGI -to predict and interdict crimes by enhancement of real-time intelligence-led policing capabilities.

[0095] The proposed system 100 allows peer-to-peer real-time sharing of live data on the beat among officers and police vehicles. STRATEGI analyses big data and combines it with police intelligence to provide real-time feedback and recommendations, including designated visiting locations so as to dynamically provide maximum police coverage to vulnerable locations in real-time.

[0096] The application of such techniques to enable predictive policing by combining historical intelligence with live patrol data, thoroughly preparing patrol officers for the next unexpected incident.

[0097] Various examples of the disclosure are discussed below. While specific implementations are discussed, it should be understood that this is done for illustrative purposes and variations with other components and configurations may be used without departing from the scope of the disclosure as defined by appended claims.

[0098] Intelligence-Led Patrolling is a law enforcement strategy that emphasizes the use of intelligence and data analysis to guide patrol officers to specific areas where crime is more likely to occur. This approach aims to make the patrolling process more efficient and effective by focusing resources on hot spots or on individuals who are known or suspected to be involved in criminal activity. Without intelligence-led patrolling strategy, law enforcement agencies may face several challenges that can impact the efficiency and effectiveness of their crime prevention and response strategies.

[0099] Ineffective Resource Allocation: Without intelligence and data analysis, resources may be spread thinly or allocated based on outdated or inefficient practices, leading to less effective policing.

[0100] Increased Response Time: Officers may not be positioned optimally to respond quickly to incidents due to a lack of a predictive placement.

[0101] Hidden Crime Patterns and Trends: Law enforcement might overlook chances to thwart criminal activity or dismantle illicit networks if data is not scrutinized for recurring patterns. Utilizing sophisticated analytical methods is crucial to uncovering these patterns in criminal behaviour and providing informed recommendations.

[0102] Real-Time Intelligence Input for Timely Enforcement: Implementing advanced data communications with AI interpretation allows timely enforcement. Establishing centralized command call centres that can monitor live feeds, intelligence inputs, and officer locations to coordinate a rapid response.

[0103] Use of GPS on Patrol officer in relation to Crime Displacement: GPS data on patrol officers is critical asset for analysis as it plays a pivotal role in influencing the movement of crime. By leveraging precise location information, law enforcement can strategically position patrols, which may cause criminal activities to migrate to less monitored areas. The utilization of GPS data helps in the proactive redistribution of police resources to deter crime effectively and manage its displacement. These data are vital for AI recommendations.

[0104] Real-Time Intelligence and Patrol Officer Data Tagging: Conventionally, patrol officer document observations made on paper while on duty. However, compiling these detailed accounts can be time-consuming. Moreover, the narrative format of these records often presents challenges for categorization and analysis. The implementation of real-time intelligence systems that allow for immediate tagging by officers, followed AI language understanding, can significantly incorporate the real-time intelligence to actionable insights.

[0105] Open-Source Intelligence: Social-media can be a valuable tool for identifying dangerous locations or “black spots” that are prone to accidents or criminal activities. Local groups can provide insights into areas that residents feel are unsafe such as pickpockets.

[0106] Enabling of Recording Dynamic Patrol Location and Action by use of NFC: Employing NFC IoT Sensors to log dynamic patrol locations enables officers to effortlessly capture precise location and time data with minimal disruption, avoiding the need to input extensive details manually. This technology is particularly beneficial for overseeing the implementation of dynamic patrol routes that demand instantaneous and highly precise tracking.

[0107] The present disclosure proposes a method shown in FIG. 1 to address all the above challenges. It assesses the risk level associated with various types of crime at specific locations (for example, the likelihood of jewellery theft on individual) and offering text-based guidance intelligence-led law enforcement strategies. By leveraging intelligence data sources through the suggested system, this approach delivers enforcement that is both immediate and precise.

[0108] At block 1 data is received from a vertical intelligence data collector. This encompasses traditional intelligence sources, including information from the 999 police emergency call centre and the internal police internal incident intelligence database.

[0109] At block 2 patrol Internet of Things (IoT) data is received from real-time intelligence data collector. This data encompasses GPS positional data, NFC (Near Field Communication) data and any specially tagged observations made during patrols.

[0110] At block 3 data from web and social media platforms is received via open-source data collector. This includes data on trending topics and locations flagged for high-risk for theft, robbery, and safety concern as mentioned in the open-source web and social media.

[0111] At block 4 vertical intelligence data is fed into the transformer large language model (AI NLP) to extract essential key information such as street location, adjacency, jewellery shops attributes, historical cases.

[0112] At block 5 real-time intelligence data is fed into the transformer large language model (AI NLP) to extract essential key information such as patrolling locations and specific observation made in patrolling.

[0113] At block 6 open-source data is fed into the transformer large language model (AI NLP) to extract the trending high-risk keywords, locations and attributes.

[0114] At block 7 key information extracted from block 4, block 5 and block 6 are queried with block 7 to correlate the historical information in Big Data Intelligence Database block 8.

[0115] At block 8 intelligence-led policing knowledge is stored in Big Data Intelligence Database.

[0116] At block 9 key information extracted from block 4, block 5, block 6 and block 7 are fed into customized deep learning encoder network layers and functional logics. AI Attention mechanism is used to analyse the complicated combinations of intelligence and output the compressed information in embedding vectors format as in block 10.

[0117] At block 10 key information such as street information, suspected information, hot-trends, past policing actions and strategies are represented in embedding vector matrices formats.

[0118] At block 11 key information from block 10 Embedding layers is fed into AI probabilistic classifier. It includes block 12 an AI attention-based algorithms to judge the importance and implications by using mathematical weighting of factors. Risk level is calculated in the algorithm.

[0119] At block 11 It includes block 13 AI NLP generative AI to provide textual recommendation and actionable insights such as patrolling frequency and location, Continue-to-Monitor, Escalation-to -Officer etc.

[0120] At block 14 The analysis is displayed in the user interface of the system in call centre or patrolling police. Police supervisor can take or not take actions to the feedback.

[0121] At block 14 Actual actions taken and outcome such as crime displacement is fed back to block 8 Big Data Intelligence Database to fine-tune the future recommendations.

[0122] The above embodiments are described by way of example only. Many variations are possible without departing from the scope of the invention as defined in the appended claims.

[0123] For clarity of explanation, in some instances the present technology has been presented as including individual functional blocks including functional blocks comprising devices, device components, steps or routines in a method embodied in software, or combinations of hardware and software.

[0124] Methods according to the above-described examples can be implemented using computer-executable instructions that are stored or otherwise available from computer readable media. Such instructions can comprise, for example, instructions and data which cause or otherwise configure a general-purpose computer, special purpose computer, or special purpose processing device to perform a certain function or group of functions. Portions of computer resources used can be accessible over a network. The computer executable instructions may be, for example, binaries, intermediate format instructions such as assembly language, firmware, or source code. Examples of computer-readable media that may be used to store instructions, information used, and / or information created during methods according to described examples include magnetic or optical disks, flash memory, Universal Serial Bus (USB) devices provided with non-volatile memory, networked storage devices, and so on.

[0125] Devices implementing methods according to these disclosures can comprise hardware, firmware and / or software, and can take any of a variety of form factors. Typical examples of such form factors include laptops, smart phones, small form factor personal computers, personal digital assistants, and so on. Functionality described herein also can be embodied in peripherals or add-in cards. Such functionality can also be implemented on a circuit board among different chips or different processes executing in a single device, by way of further example.

[0126] The instructions, media for conveying such instructions, computing resources for executing them, and other structures for supporting such computing resources are means for providing the functions described in these disclosures.

[0127] Although a variety of examples and other information was used to explain aspects within the scope of the appended claims, no limitation of the claims should be implied based on particular features or arrangements in such examples, as one of ordinary skill would be able to use these examples to derive a wide variety of implementations. Further and although some subject matter may have been described in language specific to examples of structural features and / or method steps, it is to be understood that the subject matter defined in the appended claims is not necessarily limited to these described features or acts. For example, such functionality can be distributed differently or performed in components other than those identified herein. Rather, the described features and steps are disclosed as examples of components of systems and methods within the scope of the appended claims.

[0128] It is to be understood that any feature described in relation to any one example may be used alone, or in combination with other features described, and may also be used in combination with any features of any other of the examples, or any combination of any other of the examples. EXAMPLE 2 SYSTEM ARCHITECTURE

[0129] Now referring to FIG. 2, showing an example system 200 for crime risk assessment. The system 200 generally includes multiple data collecting modules 210, a data analysis module 220, a big-data database 230 and a user interface module 240, which are in communication connection with each other. 2.1 Data Collecting Modules

[0130] In this example, there are three data collecting modules 210, including intelligence data collector 211, patrol data collector 212 and open data collector 213. The data collector modules are configured to receive various data and sends to the multiple AI NLP modules (transformer LLM) 2210 of the data analysis module 220 for analysis.

[0131] Intelligence data collector (or vertical intelligence data collector) 211 is configured to receive at least one crime intelligence data, which includes at least one user crime intelligence data 201 from a user crime intelligence data source (e.g. a police call center or a safeguard control center) and at least one incident crime intelligence data 202 from at least one incident crime intelligence data source (e.g. insider’s report, any leaking information of the crime plan, one’s eavesdropping of crime information, etc. ) . This data encompasses intelligence sources, including but not limited to information from the police emergency call center and the internal police internal incident intelligence database.

[0132] Patrol data collector (or called real-time intelligence data collector) 212 is configured to receive at least one patrol intelligence data (Internet of Things (IoT) data) such as at least one patrol information data and at least one patrol sensor data from a patrol IoT device. The data is collected from one or more IoT devices that can transmit data to the patrol data collector. This data encompasses GPS positional data, Near Field Communication (NFC) data and any specially tagged observations made during patrols by the IoT device user (such as police) .

[0133] Open data collector (open-source data collector) 213 is configured to receive open data such as from web and / or social media platforms. For example, the open data collector is configured collect at least one social media data, at least one web data from web crawlers, and / or at least one real-time data from the internet. Open data includes data on trending topics and locations flagged for high-risk for theft, robbery, and / or safety concern as mentioned in the open-source web and social media. 2.2 Data Analysis module

[0134] Still referring to FIG. 2, the data analysis module 220 generally includes multiple AI NLP modules 2210, indexing engine 222, big-data database 230, an encoder network 223, embedding layer 224, AI classifier 225, configured to operatively connected with (and in communication connection with) each other. In this example, an encoder network 223, embedding layer 224, AI classifier 225 are sequentially connected. 2.2.1 AI NLP Modules

[0135] The multiple AI NLP modules 2210 are configured to analyze the at least one crime intelligence data from the crime intelligence data collector, the at least one patrol data from the patrol data collector, and / or at least one open data from the open data collector to obtain a plurality of intelligence feature data. In this example, the multiple AI NLP modules 2210 includes a first AI NLP 2211, a second AI NLP 2212, and a third AI NLP 2213, which are configured to analyze the data from the rime intelligence data collector 211, patrol data collector 212 and open data collector 213, respectively, to obtain multiple intelligence feature data, which may be sent to encoder network 223 and indexing engine for further processing.

[0136] The multiple AI NLP modules include the first AL NLP module 2211, the second AL NLP module 2212 and the third AL NLP module 2213.

[0137] In this example, the first AL NLP module 2211 contains a transformer large language model (AI NLP) and vertical intelligence data is fed into the same to extract key information such as street location, adjacency, jewelry shops attributes, and / or historical cases.

[0138] The second AL NLP module 2212 contains the transformer large language model (AI NLP) and real-time intelligence data is fed into the same to extract key information such as patrolling locations and specific observation made in patrolling. In some examples, the specific observation is reported by the IoT devices.

[0139] The third AL NLP module 2213 contains the transformer large language model (AI NLP) and open-source data is fed into the same to extract the trending high-risk keywords, locations and / or attributes. 2.2.2 Indexing engine

[0140] The indexing engine 222 is configured to receive intelligence feature data from the multiple AI NLP modules 2210 and to analyze the plurality of intelligence feature data to obtain at least one database query.

[0141] Information or data extracted from the first AL NLP module 2211, the second AL NLP module 2212, the third AL NLP module 2213 are queried with the indexing engine 222 to correlate the historical information in the big-data database (or Big Data Intelligence Database) 230. 2.2.3 Encoder network

[0142] Information or data (intelligence features) extracted from the first AL NLP module 2211, the second AL NLP module 2212, the third AL NLP module 2213 and selected portion of the historical data from the indexing engine 222 and indirectly from the big-data database 230 are fed into Encoder network 223, which contains customized deep learning encoder network layers and functional logics to obtain attention encoder data. AI Attention mechanism or algorithm is used to analyze the complicated combinations of intelligence and output the compressed information in embedding vectors format as in the embedding layers 224. 2.2.4 Embedding layers

[0143] At least one embedding layer 224 is configured to analyze the at least one attention encoder data from the encoder network 223 to obtain feature data such as at least one street feature data, at least one crime feature data, and / or at least one general feature data. Feature data or information such as street information, suspected information, hot-trends, past policing actions and strategies are represented in embedding vector matrices formats. 2.2.5 AI classifier

[0144] AI classifier 225 is configured to analyze feature data such as the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer 224, and the at least one attention encoder data from the encoder network 223 to obtain the at least one crime risk assessment and the at least one recommendation. Information or feature data from the embedding layers 224 is fed into AI classifier 225 as an AI probabilistic classifier. AI classifier 225 includes a risk classifier submodule 2251, which applies an AI attention-weighted mathematical weighting of factors importance mechanism that contains an AI attention-based algorithm to judge the importance and implications by using mathematical weighting of factors. Risk level is calculated in the algorithm. In some examples, AI classifier 225 is configured to analyze the at least one attention encoder data from the encoder network 223 to obtain the at least one crime risk assessment. In some examples, AI classifier 225 is an AI Probabilistic Classifier that includes an AI encoder-decoder transformer and fully-connected multi-layer perceptron layers.

[0145] In this example, AI classifier 225 also includes recommendation submodule 2252 that is configured to analyze the at least one street feature data, the at least one crime feature data, and the at least one general feature data from the at least one embedding layer 224, and the risk assessment from the risk classifier submodule 2251 to obtain the at least one recommendation. In some examples, recommendation submodule 2252 contains AI NLP generative AI to provide textual recommendation and actionable insights such as patrolling frequency and location, Continue-to-Monitor, Escalation-to -Officer etc. 2.3 Big-data database module

[0146] The big-data database module 230 is configured to process the at least one database query from the indexing engine to obtain a selected portion of the at least one historical data according to the at least one database query and sends the selected portion of the at least one historical data to the indexing engine for further processing. In some examples, intelligence-led policing knowledge is stored in Big Data Intelligence Database. 2.4 User interface module

[0147] The user interface module 240 is configured to output the at least one crime risk assessment 22501 and the at least one recommendation 22502 from the data analysis module.

[0148] The analysis (e.g., crime risk assessment 22501 and / or the at least one recommendation 22502) is displayed in the user interface 240 of the system such as to a call centre or a patrolling police. Police supervisor can take or not take actions based the feedback. In some examples, the user interface 240 is a software program running on desktop applications, an application software (APP) running on smart devices including smart phones or tablets. In some examples, the user interface 240 can also be a software and hardware integrated system such as a display terminal device or a command and control center with multiple computer stations or one or more kiosk.

[0149] In some examples, the user action outcome is fed back to the big-data database (Big Data Intelligence Database) 230 to fine-tune or re-train the future recommendations. In some examples, the user action outcome includes actual actions actually taken and / or the outcome such as crime displacement. EXAMPLE 3 First AI NLP module

[0150] Now referring to FIG. 3, showing a partial system containing another example first AI NLP module (or Vertical Intelligence Transformer) 3211. In this example, the first AI NLP module generally contains a first transformer-based large Language Model (LLM) submodule (orTransformer-based Large Language model) 32111 and a first intelligence embedding layer submodule 32112, which are in communication connection. The first transformer-based large Language Model (LLM) submodule 32111 is configured to analyze the at least one user crime intelligence data and the at least one incident crime intelligence data from the crime intelligence data collector 211 to obtain at least one crime intelligence feature data 321101 or pre-crime-intelligence feature data. In some examples, the first transformer-based large Language Model (LLM) submodule 32111 is fine-tuned on Customized Embedding Data. In some examples, the first transformer-based large Language Model (LLM) submodule 32111 is configured to execute the following steps:

[0151] Step 1: Input from incident crime intelligence data (e.g., a textual data) from the crime intelligence data collector 211

[0152] Step 2: The input textual data is appended with customized question prompt text related to police call report information (user crime intelligence data) and intelligence information (incident crime intelligence data) . The resultant text is fed into the transformer-based large language model in 32111. The model in 32111 can be any open-source or proprietary large language model based on transformer structure. The large language model in 32111 is fine-tuned with police call report information, intelligence data and investigation experience data.

[0153] Step 3: The large language model 32111 will output pre-crime-intelligence feature data such as a textual output Pre-Vertical-Intelligence-Text (e.g., 32x512 Vector) .

[0154] The first intelligence embedding layer submodule 32112 is configured to analyze the at least one pre-crime-intelligence feature data from the first transformer-based large Language Model (LLM) submodule 32111 to obtain at least one crime intelligence feature data. In some examples, the first intelligence embedding layer submodule 32112 is used for conversion to Vertical Intelligence Embedding. In some examples, the first intelligence embedding layer submodule 32112 is configured to execute the following steps:

[0155] Step 1: Input of pre-crime-intelligence feature data (e.g., Pre-Vertical-Intelligence-Text) from the first transformer-based large Language Model (LLM) submodule 32111.

[0156] Step 2: The pre-crime-intelligence feature data (such as an input text Pre-Vertical-Intelligence-Text) is inputted to the first intelligence embedding layer submodule 32112 (or Embedding Layer 32112) . The Embedding Layer 32112 will output crime intelligence feature data. In some examples, crime intelligence feature data is or contains a feature vector Vertical-Intelligence-Embedding (e.g., 32x512 Vector) .

[0157] Step 3: The output crime intelligence feature data 321101 (Vertical-Intelligence-Embedding (e.g., 32x512 Vector) ) is fed into the encoder network and the indexing engine. EXAMPLE 4 Second AI NLP module

[0158] Now referring to FIG. 4, showing a partial system containing another example second AL NLP module 4212. In this example, the second AL NLP module 4212 contains a second transformer-based large Language Model (LLM) submodule 42121 that is configured to analyze the at least one patrol information data and at least one patrol sensor data from the patrol data collector to obtain at least one pre-patrol-intelligence feature data; and a second intelligence embedding layer submodule 42122 that is configured to analyze the at least one pre-patrol-intelligence feature data from the second transformer-based large Language Model (LLM) submodule 42121 to obtain at least one patrol intelligence feature data 421201.

[0159] In this example, the second transformer-based large Language Model (LLM) submodule 42121 is an Open Data Transformer. Still referring to FIG. 4, showing the second transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one patrol information data and at least one patrol sensor data from the patrol data collector 212 to obtain at least one pre-patrol-intelligence feature data; and a second intelligence embedding layer submodule 42122 that is configured to analyze the at least one pre-patrol-intelligence feature data from the second transformer-based large Language Model (LLM) submodule 42121 to obtain at least one patrol intelligence feature data 421201. In some examples, the second transformer-based large Language Model (LLM) submodule 42121 is configured to execute the following steps:

[0160] Step 1: Input from patrol sensor data (e.g., textual data) from the patrol data collector 212.

[0161] Step 2: The input textual data is appended with customized question prompt text related to patrolling data, sensor data such as NFC data, GPS data and Tagged data. The resultant text is fed into the second transformer-based large Language Model (LLM) submodule (or large language model) 4212. For example, the model can be any open-source or proprietary large language model based on transformer structure. The large language model 4212 is fine-tuned with historical patrolling data, sensor data, police call report information, intelligence data and / or investigation experience data.

[0162] Step 3: The large language model 4212 will outputpatrol intelligence feature data (such as textual output Pre-Open-Data-Intelligence-Text (e.g., 32x512 Vector) ) .

[0163] The second intelligence embedding layer submodule 42122 - Conversion to Open-Data-Intelligence Embedding

[0164] The second intelligence embedding layer submodule 42122 is configured to analyze the at least one pre-patrol-intelligence feature data from the second transformer-based large Language Model (LLM) submodule 42121 to obtain at least one patrol intelligence feature data. In some examples, the second intelligence embedding layer submodule 42122 is configured to execute the following steps:

[0165] Step 1: Input of pre-patrol-intelligence feature data (Pre-Open-Data-Intelligence-Text) from the patrol data collector 212.

[0166] Step 2: The input text Pre-Open-Data-Intelligence-Feature-Text is inputted to the second intelligence embedding layer submodule 42122 (Embedding Layer) . The Embedding Layer will output a patrol intelligence feature data 421201 (such as a feature vector Patrol-Data-Intelligence-Embedding (e.g., 32x512 Vector) .

[0167] Step 3: The output patrol intelligence feature data 421201 is fed into the encoder network and the indexing engine. EXAMPLE 5 Third AI NLP module

[0168] Now referring to FIG. 5, showing a partial system containing the third AI NLP module 5213 that is configured to analyze the at least one social media data, the at least one web data, and / or the at least one real-time data from the open data collector 213 to obtain at least one at least one open intelligence feature data 521301. The third AI NLP module 5213 generally contains a third transformer-based large Language Model (LLM) submodule 52131 and a third intelligence embedding layer submodule 52132, which are in communication connection with each other. The third transformer-based large Language Model (LLM) submodule 52131 is configured to analyze the at least one social media data, the at least one web data, and the at least one real-time data from the open data collector 213 to obtain at least one pre-open-intelligence feature data. The third intelligence embedding layer submodule 52132 is configured to analyze the pre-open-intelligence feature data from the second transformer-based large Language Model (LLM) submodule to obtain at least one open intelligence feature data 521301.

[0169] The third transformer-based large Language Model (LLM) submodule 52131 -Real-Time Data Transformer

[0170] In some examples, 52131 is configured to execute the following steps:

[0171] Step 1: Input open data (such as textual data) from open data collector 213.

[0172] Step 2: The input open data is appended with customized question prompt text related to real-time data (or real-time intelligence data) , social media data and online web data. The resultant data is fed into the third transformer-based large Language Model (LLM) submodule 52131 (or transformer-based large language model) . The model can be any open-source or proprietary large language model based on transformer structure. In some examples, the transformer-based LLM is fine-tuned by customized embedding data. In some examples, the large language model is fine-tuned with historical social media data, online data, police call report information, intelligence data and / or investigation experience data.

[0173] Step 3: The third transformer-based Large Language Model (LLM) submodule 52131 will output pre-open-intelligence feature data (such as textual output Pre-Real-Time-Intelligence-Text (e.g., 32x512 Vector) ) .

[0174] The third intelligence embedding layer submodule 52132 - Conversion to Real-Time-Intelligence Embedding

[0175] The third intelligence embedding layer submodule 52132 is configured to analyze the pre-open-intelligence feature data from the second transformer-based large Language Model (LLM) submodule 52131 to obtain at least one open intelligence feature data 521301. In some examples, the third intelligence embedding layer submodule 52131 is configured to execute the following steps:

[0176] Step 1: Input of pre-open-intelligence feature data (such as Pre-Real-Time-Intelligence-Text) from the third transformer-based large Language Model (LLM) submodule 52131.

[0177] Step 2: The pre-open-intelligence feature data is inputted to the third intelligence embedding layer submodule 52132 (Embedding Layer) . The Embedding Layer will output an open intelligence feature data 521301. In some examples, the open intelligence feature data 521301 is a feature vector (Real-Time-Intelligence-Embedding, e.g., 32x512 Vector) .

[0178] Step 3: The output open intelligence feature data 521301 is fed into the encoder network and the indexing engine. EXAMPLE 6 Indexing Engine and Big-data database

[0179] Now referring to FIG. 6, showing a partial system containing an indexing engine 622 and big-data database module 630. The indexing engine 622 is configured to analyze the plurality of intelligence feature data from the plurality of AI NLP modules 2210 (including a first AI NLP 2211, a second AI NLP 2212, and a third AI NLP 2213) to obtain at least one database query 62201. The big-data database module 630 is configured to process the at least one database query 62201 from the indexing engine 622 to obtain a selected portion 63001 of the at least one historical data according to the at least one database query 62201. The indexing engine 622 receives the selected portion 63001 of the at least one historical data from the big-data database 630 and sends it to related system parts for further processing and analysis.

[0180] In some examples, the indexing engine 622 is configured to execute the following steps:

[0181] Step 1: Input at least one crime intelligence feature data (Vertical-Intelligence-Embedding) from the first AI NLP module 2211.

[0182] Step 2: Input at least one patrol intelligence feature data (or Patrol-Data-Intelligence-Embedding) from the second AI NLP module 2212.

[0183] Step 3: Input at least one open intelligence feature data (Real-Time-Intelligence-Embedding) from the third AI NLP module 2213.

[0184] Step 4: Indexing engine 622 searches the related information from the big-data database module 630 using Vertical-Intelligence-Embedding, Patrol-Data-Intelligence-Embedding, Real-Time-Intelligence-Embedding. Indexing engine 622 can be any database indexing engine similar to elastic-search indexing engine.

[0185] Step 5: The output result selected portion of the historical data 63001 (DB-Intelligence-Embedding (e.g., 32x512 Vector) ) . The output is fed into the encoder network.

[0186] Big-data database (or Intelligence Database)

[0187] In some examples, the big-data stores the intelligence-led policing knowledge.

[0188] In some examples, the big-data database 230 or Intelligence Database can be any high-speed vector data-store. It stores unstructured intelligence data. It supports the intelligence query from the indexing engine 622. EXAMPLE 7 Encoder Network

[0189] Now referring to FIG. 7, showing a partial system containing an encoder network 723 which is for Depthwise Convolution. The encoder network 723 is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules 2210 and the selected portion of the at least one historical data from the indexing engine module 222 to obtain at least one attention encoder data. The encoder network 723 contains a plurality of convolution layer submodules 7231 that is configured to analyze the at least one crime intelligence feature data from the first AI NLP module 2211, at least one patrol intelligence feature data from the second AI NLP module 2212, the at least one open intelligence feature data from the third AI NLP module 2213 and the selected portion of the at least one historical data from the indexing engine module 622 to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, at least one post-open-intelligence feature data, and at least one post-historical intelligence feature data; an encoder concatenation submodule 7232 that is configured to concatenate the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature data from the plurality of convolution layer submodules 7231 to obtain at least one combined intelligence feature data; a first encoder fully-connected layers submodule 7233 that is configured to analyze the at least one combined intelligence feature data from the concatenation submodule to obtain at least one pre-attention intelligence data; an encoder self-attention layer submodule 7234 that is configured to analyze the at least one pre-attention-encoder data from the first fully-connected layers submodule to obtain at least one post-attention intelligence data; and a second encoder fully-connected layers submodule 7235 that is configured to analyze the at least one post-attention intelligence data from the encoder self-attention layer submodule 7234 to obtain the at least one attention encoder data 72301.

[0190] In this example, the encoder self-attention layer submodule 7234 includes Multi-head Self-Attention Layers 72341 and an add and norm layer 72342. The second encoder fully-connected layers submodule 7235 includes a Fully-Connected Layers 72351 and a Normalization Layers 72352. The 7232, 7233, 72341, 72342, 72351 and 72352 are in communication connection in a sequential order. The convolution layer submodules 7231 includes four Depth-wise Convolution Layers 72311, 72312, 72313, and 72314, which are configured to receive and anlayze the at least one crime intelligence feature data from the first AI NLP module 2211, at least one patrol intelligence feature data from the second AI NLP module 2212, the at least one open intelligence feature data from the third AI NLP module 2213 and the selected portion of the at least one historical data from the indexing engine module 622, respectively, to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, at least one post-open-intelligence feature data, and at least one post-historical intelligence feature data, respectively.

[0191] In some examples, the encoder network 723 is configured to execute the following steps:

[0192] Step 1: Input crime intelligence feature data (such as Vertical-Intelligence-Embedding (e.g., 32x512 Vector) ) from first AI NLP module 2211.

[0193] Step 2: The input is fed into convolution layer 72311 (or Depth-wise Convolution Layers) . It outputs at least one post-crime-intelligence feature data (such as Post-Vertical-Intelligence-Embedding (e.g., 64x64 Vector) ) .

[0194] Step 3: Input patrol intelligence feature data (such as Patrol-Data-Intelligence-Embedding (e.g., 32x512 Vector) ) from second AI NLP module 2212.

[0195] Step 4: The input is fed into convolution layer submodules 72311. It outputs post-patrol-intelligence feature data (such as Post-Patrol-Data-Intelligence-Embedding (e.g., 64x64 Vector) ) .

[0196] Step 5: Input open intelligence feature data (such as Real-Time-Intelligence-Embedding (e.g., 32x512 Vector) ) from third AI NLP module 2213.

[0197] Step 6: The input is fed into convolution layer submodules 72311. It outputs post-open-intelligence feature data (such as Post-Real-Time-Intelligence-Embedding (e.g., 64x64 Vector) ) .

[0198] Step 7: Input of the selected portion of the at least one historical data (DB-Intelligence-Embedding (e.g., 32x512 Vector) ) from the index engine 222.

[0199] Step 8: The input is fed into convolution layer submodules 72314. It outputs post-historical intelligence feature data (Post-DB-Intelligence-Embedding (e.g., 64x64 Vector) ) .

[0200] Step 9: Concatenation of Post-Vertical-Intelligence-Embedding, Post-Patrol-Data-Intelligence-Embedding, Post-Real-Time-Intelligence-Embedding, Post-DB-Intelligence-Embedding into Combined-Intelligence-Embedding (e.g., 256x64 Vector) by 7232.

[0201] 7233, 7234, and 7235 - Layers for Intelligence Combination

[0202] In some examples, the Intelligence Combination with 7233, 7234, 7235 is configured to execute the following steps:

[0203] Step 1: Input Combined-Intelligence-Embedding (256x64Vector) from encoder concatenation submodule 7232.

[0204] Step 2: Combined-Intelligence-Embedding is inputted into a first encoder fully-connected layers submodule 7233 (or Fully-Connected Layers) . It outputs Pre-Attention-Intelligence-Embedding (e.g., 1x768 Vector) .

[0205] Step 3: Pre-Attention-Intelligence-Embedding is inputted into Multi-head Self-Attention Layers 72341. It outputs Post-Attention-Intelligence-Embedding (e.g., 1x768 Vector) .

[0206] Step 4: By the add and norm layer 72342, skip connection from Pre-Attention-Intelligence-Embedding (e.g., 1x768 Vector) is added to Post-Attention-Intelligence-Embedding and normalized. It outputs Post-Attention-Skip-Embedding (e.g., 1x768 Vector) .

[0207] Step 5: Post-Attention-Skip-Embedding is inputted into Fully-Connected Layers 72351. It outputs Post-FC-Attention-Embedding (e.g., 1x768 Vector) .

[0208] Step 6: Post-FC-Attention-Embedding is inputted into the Normalization Layers 72352. It outputs the at least one attention encoder data 72301 (such as Attention-Encoder-Embedding (e.g., 1x768 Vector) ) . EXAMPLE 8 Embedding Layer and AI classifier

[0209] Now referring to FIG. 8, showing a partial system containing an example embedding layer 824 and an example AI classifier 825. The embedding layer 824 is configured to analyze the at least one attention encoder data from the encoder network 223 to obtain at least one street feature data, at least one crime feature data, and / or at least one general feature data. In other examples, one or more embedding layers are provided. In this example, the embedding layer 824 further contains at least one embedding splitting layer 8241.

[0210] Embedding Layers - For Embedding Splitting

[0211] In some examples, the one or more embedding layers 824 are configured to execute the following steps:

[0212] Step 1: Embedding Layers 824 gets input of the at least one attention encoder data (Attention-Encoder-Embedding (e.g., 1x768 Vector) ) from the encoder network 223.

[0213] Step 2: By embedding splitting layer 8241, the input is split and outputted into three output embedding: at least one street feature data (Street-Embedding (e.g., 1x256 Vector) ) , at least one crime feature data (Crime-Embedding (e.g., 1x256 Vector) ) , and / or at least one general feature data (General-Embedding (e.g., 1x256 Vector) ) .

[0214] In this example, the AI classifier 825 is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer 824, and the at least one attention encoder data from the encoder network 223 to obtain the at least one crime risk assessment 82501 and the at least one recommendation 82502. The AI classifier 825 includes a risk classifier submodule 8251 that is configured to analyze the at least one attention encoder data from the encoder network 223 to obtain the at least one crime risk assessment 82501; and a recommendation submodule 8252 that is configured to analyze the at least one street feature data, the at least one crime feature data, and the at least one general feature data from the at least one embedding layer 824 and the at least one crime risk assessment 82501 from the risk classifier submodule 8251 to obtain the at least one recommendation 82502. In this example, the risk classifier submodule 8251 includes at least one risk classifier attention layer 82511 or multi-head attention layers and a plurality of risk classifier function layers 82512, which further include an add and norm layer 825121, a fully-connected layer 825122, and a normalization layer 825123. The layers 82511, 825121, 825122, 825123 are in communication connection with each other in a sequential order.

[0215] The risk classifier submodule 8251 - As a Risk Probabilistic Classifier

[0216] In some examples, the risk classifier submodule 8251 is configured to execute the following steps:

[0217] Step 1: 8251 inputs the at least one attention encoder data (Attention-Encoder-Embedding (e.g., 1x768 Vector) ) from the encoder network 223 into at least one risk classifier attention layer 82511 (Multi-head Attention Layers) . It outputs Post-Multi-Head-Attention-Embedding (e.g., 1x768 Vector) .

[0218] Step 2: By 825121, skip Connection from Attention-Encoder-Embedding (e.g., 1x768 Vector) is added to Post-Multi-Head-Attention-Embedding (e.g., 1x768 Vector) and normalized. It outputs Post-Decoder-Skip-Embedding (e.g., 1x768 Vector) .

[0219] Step 3: Post-Decoder-Skip-Embedding is inputted into Fully-Connected layers 825122. It outputs Post-Decoder-FC-Embedding (e.g., 1x16 Vector) .

[0220] Step 4: Post-Decoder-FC-Embedding is inputted into Normalization layers 825123. It outputs at least one crime risk assessment 82501 (such as Crime-Risk-Embedding (e.g., 1x16 Vector) ) .

[0221] Recommendation submodule 8252 - Textual Recommendation

[0222] Step 1: 8252 inputs at least one street feature data (Street-Embedding (e.g., 1x256 Vector) ) , at least one crime feature data (Crime-Embedding (e.g., 1x256 Vector) ) , and / or at least one general feature data (General-Embedding (e.g., 1x256 Vector) ) from the at least one embedding layer 824.

[0223] Step 2: 8252 inputs Crime-Risk-Embedding (1x16 Vector) from the risk classifier submodule 8251.

[0224] Step 3: A customized prompt text is created by filing data from Street-Embedding, Crime-Embedding, General-Embedding and Crime-Risk-Embedding. The prompt text is then fed into a transformer-based large language model in 8252 to obtain the at least one recommendation 82502 (such as a textual recommendation) . The large language model can be any open-source or proprietary transformer-based large language model fine-tuned with customized prompt as training data or with Customized Embedding Data. EXAMPLE 9 Methods of Crime Risk Assessment and Recommendation

[0225] Now referring to FIG. 9, provided is an example method 900 for crime risk assessment and recommendation. The method 900 comprises one or more of the following steps:

[0226] Step 901: providing a system as described herein.

[0227] Step 902: obtaining, by the crime intelligence data collector, at least one crime intelligence data.

[0228] Step 903: obtaining, by the patrol data collector, at least one patrol data.

[0229] Step 904: obtaining, by the open data collector, at least one open data.

[0230] Step 905, storing, by the big-data database module, at least one historical data.

[0231] Step 906: analyzing, by the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules, the at least one crime intelligence data, the at least one patrol data, and at least one open data to obtain a plurality of intelligence feature data.

[0232] Step 907: analyzing, by the indexing engine, the plurality of intelligence feature data to obtain at least one database query.

[0233] Step 908: processing, by the big-data database module, the at least one database query to obtain a selected portion of the at least one historical data according to the at least one database query.

[0234] Step 909: analyzing, by the encoder network, the plurality of intelligence features and the selected portion of the at least one historical data to obtain at least one attention encoder data.

[0235] Step 910: analyzing, by the at least one embedding layer, the at least one attention encoder data to obtain at least one street feature data, at least one crime feature data, and at least one general feature data.

[0236] Step 911: analyzing, by the AI classifier, the at least one street feature data, the at least one crime feature data, the at least one general feature data, and the at least one attention encoder data to obtain the at least one crime risk assessment and the at least one recommendation.

[0237] Step 912: outputting, by the user interface module, the at least one location-based crime risk assessment and the at least one recommendation.

[0238] In some examples, the step 902 obtaining at least one crime intelligence data comprises the step of: collecting, by the crime intelligence data collector, at least one user crime intelligence data and at least one incident crime intelligence data.

[0239] In some examples, the step 903 obtaining at least one patrol data comprises the step of : collecting, by the patrol data collector, at least one patrol information data and at least one patrol sensor data.

[0240] In some examples, the step 904 obtaining at least one open data comprises the step of:collecting, by the open data collector, at least one social media data, at least one web data, and at least one real-time data.

[0241] In some examples, the step 905 analyzing the at least one crime intelligence data, the at least one patrol data, and at least one open data comprises the steps of:

[0242] (a) analyzing, by the first transformer-based large Language Model (LLM) submodule, the at least one user crime intelligence data and the at least one incident crime intelligence data to obtain at least one pre-crime-intelligence feature data;

[0243] (b) analyzing, by the first intelligence embedding layer submodule, the at least one pre-crime-intelligence feature data to obtain at least one crime intelligence feature data;

[0244] (c) analyzing, by the second transformer-based large Language Model (LLM) submodule, the at least one patrol information data and at least one patrol sensor data to obtain at least one pre-patrol-intelligence feature data;

[0245] (d) analyzing, by the second intelligence embedding layer submodule, the at least one pre-patrol-intelligence feature data to obtain at least one patrol intelligence feature data;

[0246] (e) analyzing, by the third transformer-based large Language Model (LLM) submodule, the at least one social media data, the at least one web data, and the at least one real-time data to obtain at least one pre-open-intelligence feature data; and

[0247] (f) analyzing, by the third intelligence embedding layer submodule, the pre-open-intelligence feature data to obtain at least one open intelligence feature data.

[0248] In some examples, step 910 analyzing the plurality of intelligence features and the selected portion of the at least one historical data comprises the steps of:

[0249] (1) analyzing, by the plurality of convolution layer submodules, the at least one crime intelligence feature data, at least one patrol intelligence feature data, the at least one open intelligence feature data and the selected portion of the at least one historical to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, concatenating, by the concatenation submodule, the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature to obtain at least one combined intelligence feature data;

[0250] (2) analyzing, by the first encoder fully-connected layers submodule, the at least one combined intelligence feature data to obtain at least one pre-attention intelligence data;

[0251] (3) analyzing, by the encoder self-attention layer submodule, the at least one pre-attention-encoder data to obtain at least one post-attention intelligence data; and

[0252] (4) analyzing, by the second encoder fully-connected layers submodule, the at least one post-attention intelligence data to obtain the at least one attention encoder data.

[0253] In some examples. the step 912 analyzing the at least one street feature data, the at least one crime feature data the at least one general feature data, and the at least one attention encoder data further comprises the steps of:

[0254] (1) analyzing, by the risk classifier submodule, the at least one attention encoder data to obtain the at least one crime risk assessment; and

[0255] (2) analyzing, by the recommendation submodule, the at least one street feature data, the at least one crime feature data, and the at least one general feature data, and the risk assessment to obtain the at least one recommendation.

[0256] In some examples, the step of (1) analyzing the at least one attention encoder data further comprises the steps of:

[0257] (1-1) analyzing, by the at least one risk classifier attention layer, the at least one attention encoder data to obtain at least one post-attention-risk feature data; and

[0258] (1-2) analyzing, by the plurality of risk classifier function layers, the at least one post-attention-risk feature data to obtain the at least one crime risk assessment.

[0259] In some examples, the method further comprises the steps of:

[0260] receiving, by the user interface module, at least one user action outcome;

[0261] sending, by the user interface module, the at least one user action outcome data to the big-data database module; and

[0262] updating, by the big-data database module, the at least one historical data. EXAMPLE 10 Model Training

[0263] Now referring to FIG 2, the training of the AI models in the system 200 is described hereafter. 10.1 Training Data

[0264] The key training data is extracted from Police Intelligence datasets, incident datasets, patrolling datasets, sensor datasets, open data sets, social media and online web datasets.

[0265] Police Intelligence datasets, Police Call Centre datasets, incident datasets and patrolling dataset is collected from database and systems from government law enforcement department.

[0266] Patrolling datasets and sensors datasets are collected from Internet of Things sensors.

[0267] Open data datasets include a wide spectrum of online web data that comprises of common knowledge, sense and logical understanding in public domains. This is an important datasets in the initial phase of training.

[0268] Social media and online web datasets include data collected by web crawling online. 10.2 Training Process

[0269] The training process involves data collection phase, data annotation phase and data training phase.

[0270] In data collection phase, data adapter system program is written to collected data from internal system from government law enforcement department, external web and online data sources, and external API on open data and social media sources.

[0271] In order to ensure the data quality, data cleansing is conducted with validation rules including the numerical range checking, categorical type validation, trend and outlier tolerance checking, missing value handling.

[0272] In order to derive important metrics, data transformation including mathematical derivation of traversal speed, population density, spatial density, criminal-risk-scoring is derived from collected raw data.

[0273] Different sources of data have different ages of data. The ages of data ranges from one years to ten years. Map datasets in open data including the streets, roads, shops are collected from government provided sources and open data sources. Environmental datasets in open data are collected from observatory repositories and various environmental data provider. Intelligence datasets are collected from government internal data. Social media and online web datasets are collected by web-crawling.

[0274] The model training is divided into 3 phases.

[0275] The first phase involves the fine-tuning of large language models in the big-data database 230 using mentioned training datasets. Depends on the amount of data, this process typically requires computational powers of 3.5 billion Tera-flops. The computational requirement is typically equivalent to around 120 training-days of using NVIDIA GPU 4090. Typically, 192GB GPU memory is recommended for the first phase LLM fine-tuning process.

[0276] The second phase involves the training of encoder network 223, embedding layer 224, and risk classifier submodule 2251, respectively. Depends on the amount of training data available, this process may require computational power of 3 billion Tera-flops. The computational requirement is typically equivalent to around 120 training-days of using NVIDIA GPU 4090.192GB GPU is used in our training.

[0277] The third phase involves the fine-tuning of large language models in recommendation submodule 2252. The computational requirement is typically around 3.5 billion Tera-flops. It is equivalent to around 120-training-days of using NVIDIA GPU 4090. 10.3 Training effect using desired Data

[0278] Our designed AI structures in encoder network and block 12 utilize our tailored use of data with AI technical structures called cross-attention structures with Encoding and Decoding capabilities. The power of cross-attention mechanism in encoder network provides an important mathematical focus on the required data among all information. Among many intelligences, the attention embedding retrieved the most important characteristics among street intelligence, crime intelligence and general intelligence.

[0279] Fusion with the processing of probabilistic classifier module in block 12, our validation test datasets increase the estimation of risk level location by more than 20%. With the assistance of historical big data records in 8, the historical experience improves the estimation by 6.2%. The human feedback loop with the actual outcome provides continuous improvements of the system, with roughly 1-3%for every 1000 feedbacks. 10.4 A training exampleExample Data Size for Training

[0280] In this example, on top of the pre-training LLM model, additional data of 100GB data is used. The larger the data amount, the better the system.

[0281] There are two types of datasets used.

[0282] The first type of datasets include internal data from internal system in government law enforcement department. The second type of datasets include open data sets. The second datasets play a very important role at the initial phase of system training due to the time required to collect experience data from the first type of datasets. On the other hand, the first type of data provides highly specific patrolling and policing experience in the risk estimation and actionable recommendations.Example Type of Data

[0283] Police Intelligence Data: Text Type

[0284] Police Call Centre Data: Text Type

[0285] Incident Data: Text Type

[0286] Patrolling Data: Text Type

[0287] IoT NFC Data: Numeric, 32-bit floating point number

[0288] GPS Data -Longitude: Numeric, 32-bit floating point number

[0289] GPS Data -Latitude: Numeric, 32-bit floating point number

[0290] Tagged Data: Text Type

[0291] Social Media Data: Text type

[0292] Online Web Data: Text type

[0293] Police Historical Case Data: Text typeHow Data are Labelled

[0294] Police Intelligence Data: Text Type

[0295] A long text from Police Internal System.

[0296] The text data content may describe intelligence information include observation date, time, locations, person names, incident descriptions, justifications, source, case status and more information.

[0297] Police Call Centre Data: Text Type

[0298] A long text from Police Internal System.

[0299] The text data content may describe reported case information including reported date, time, locations, person names, incident descriptions, justifications, source, case status and more information.

[0300] Incident Data: Text Type

[0301] A long text from Police Internal System.

[0302] The text data content may describe incident information including incident date, time, locations, person names, incident descriptions, justifications, source, case status and more information.

[0303] Patrolling Data: Text Type

[0304] A long text from Police Internal System.

[0305] The text data content may describe patrolling log information including date, time, locations, observations, status, recommendations and more information.

[0306] IoT NFC Data: Numeric, 32-bit floating point number

[0307] Numeric value from Police Internet of Things Sensor System.

[0308] The data is collected from sensor and equipment device.

[0309] GPS Data -Longitude: Numeric, 32-bit floating point number

[0310] Numeric value from Police Internet of Things Sensor System.

[0311] The data is collected from sensor and equipment device.

[0312] GPS Data -Latitude: Numeric, 32-bit floating point number

[0313] Numeric value from Police Internet of Things Sensor System.

[0314] The data is collected from sensor and equipment device.

[0315] Tagged Data: Text Type

[0316] Text value from Police Internal Patrolling Log System in key-value format.

[0317] The data is collected from patrolling system and equipment device.

[0318] Social Media Data: Text type

[0319] Text data-type.

[0320] Raw post data subscribed from social media provider feed.

[0321] The raw data include the post title and the post content. Those post data are encapsulated in json-formatted. The json-formatted is fed to the model directly.

[0322] Online Web Data: Text type

[0323] Text data-type.

[0324] Raw post data subscribed from social media provider feed.

[0325] The raw data include the web content title text, the web content text. Those data are encapsulated in json-formatted. The json-formatted is fed to the model directly.

[0326] Police Historical Case Data: Text type

[0327] Text data-type.

[0328] Raw post data subscribed from social media provider feed.

[0329] The raw data include the historical case title text, the web content text. Those data are encapsulated in json-formatted. The json-formatted is fed to the model directly.

[0330] Phase 1 Training - first AI NLP module 2211

[0331] Dataset: It involves the training of block-4 only. In AI technical term, this process called “fine-tuning” of transformer model. Rather than train a model from scratch, the model is fine-tuned on top of existing pre-trained large language model. Three datasets are involved: [1] Police Intelligence Data [2] Police Call Centre Data [3] Incident Data [4] Patrolling Data

[0332] Aim of fine-tuning: On top of the existing large language transformer model, the ‘fine-tuning’ process allows the model to learn more specific (in this case “Patrolling and Policing” ) knowledge and keywords for data extraction.

[0333] Key algorithm: There is no restriction in the fine-tuning algorithm such as LoRA or prompt tuning. In our case, we utilize “Low-Rank Adaptation (LoRA) ” fine-tuning method. It adds low-rank matrices to existing model weights with no new layers.

[0334] Parameters: The parameters needs to tune based on different datasets. In particular, we use “Rank=8” , “lora_dropout=0.1” , ” bias=none” parameters. Learning rate is adaptive starting from 1e-4 and AdamW as optimizer.

[0335] Phase 1 Training - second AI NLP module 2212

[0336] Dataset: It involves the training of second AI NLP module only. In AI technical term, this process called “fine-tuning” of transformer model. Rather than train a model from scratch, the model is fine-tuned on top of existing pre-trained large language model. Three datasets are involved: [1] Json-formatted from IoT NFC Data [2] Json-formatted from GPS Longitude Data [3] Json-formatted from GPS Latitude Data

[0337] Aim of fine-tuning: On top of the existing large language transformer model, the ‘fine-tuning’ process allows the model to learn more specific (in this case “Sensors Interpretation and location Interpretation” ) knowledge and keywords for data extraction.

[0338] Key algorithm: There is no restriction in the fine-tuning algorithm such as LoRA or prompt tuning. In our case, we utilize “Low-Rank Adaptation (LoRA) ” fine-tuning method. It adds low-rank matrices to existing model weights with no new layers.

[0339] Parameters: The parameters needs to tune based on different datasets. In particular, we use “Rank=8” , “lora_dropout=0.1” , ” bias=none” parameters. Learning rate is adaptive starting from 1e-4 and AdamW as optimizer.

[0340] Phase 1 Training - third AI NLP module 2213

[0341] Dataset: It involves the training of third AI NLP module only. In AI technical term, this process called “fine-tuning” of transformer model. Rather than train a model from scratch, the model is fine-tuned on top of existing pre-trained large language model. Three datasets are involved: [1] Social Media Data [2] Online Web Data [3] Police Historical Case Data

[0342] Aim of fine-tuning: On top of the existing large language transformer model, the ‘fine-tuning’ process allows the model to learn more specific (in this case “Retrieval for Date, Time, Location, Person, Event Type, Key Events Keyword” ) knowledge and keywords for data extraction.

[0343] Key algorithm: There is no restriction in the fine-tuning algorithm such as LoRA or prompt tuning. In our case, we utilize “Low-Rank Adaptation (LoRA) ” fine-tuning method. It adds low-rank matrices to existing model weights with no new layers.

[0344] Parameters: The parameters needs to tune based on different datasets. In particular, we use “Rank=8” , “lora_dropout=0.1” , ” bias=none” parameters. Learning rate is adaptive starting from 1e-4 and AdamW as optimizer.

[0345] Phase 2 Training - Encoder network 223, at least one embedding layer 224, and risk classifier submodule 2251

[0346] Dataset to first AI NLP module : [1] Police Intelligence Data [2] Police Call Centre Data [3] Incident Data [4] Patrolling Data

[0347] Dataset to second AI NLP module : [1] Json-formatted from IoT NFC Data [2] Json-formatted from GPS Longitude Data [3] Json-formatted from GPS Latitude Data

[0348] Dataset to third AI NLP module: Three datasets are involved: [1] Social Media Data [2] Online Web Data [3] Police Historical Case Data

[0349] Training Methodology: Block encoder network, 10, 12 is trained in this phase before integrating back to the whole architecture. Only parameters in encoder network, 10, 12 are trainable. Parameters in all other modules are frozen.

[0350] During training, datasets are fed and the output will be predicted. Training is conducted via backward propagation mechanism by calculating the errors from ground-truth.

[0351] Training Data Output:

[0352] The ground-truth risk level of location is annotated manually.

[0353] Parameters: Learning rate is adaptive starting from 1e-4 and AdamW as optimizer.

[0354] Aim of Training: The objective of the training is to find the compressed essential feature embedding that imply the risk level of location.

[0355] Phase 3 Training - recommendation submodule 2252

[0356] Dataset: In Phase 3 of training, it involves the training of recommendation submodule only. Parameters from all other modules are frozen. In AI technical term, this process called “fine-tuning” of transformer model. Rather than train a model from scratch, the model is fine-tuned on top of existing pre-trained large language model. All dataset are used.

[0357] Aim of fine-tuning: On top of the existing large language transformer model, the ‘fine-tuning’ process allows the model to learn more specific (in this case “recommendation” ) knowledge.

[0358] Key algorithm: There is no restriction in the fine-tuning algorithm such as LoRA or prompt tuning. In our case, we utilize “Low-Rank Adaptation (LoRA) ” fine-tuning method. It adds low-rank matrices to existing model weights with no new layers.

[0359] Parameters: The parameters needs to tune based on different datasets. In particular, we use “Rank=8” , “lora_dropout=0.1” , ” bias=none” parameters. Learning rate is adaptive starting from 1e-4 and AdamW as optimizer.

[0360] Model Output from risk classifier submodule 2251

[0361] Risk Level of Location: Numeric, 32-bit floating point number

[0362] Numeric value from 0 to 100. The number represent the magnitude of risk. 0 indicates the lowest risk and 100 indicates the highest risk.

[0363] Model Output from recommendation submodule 2252

[0364] Textual Recommendations &Action Insights

[0365] “Recommendation” output: Text data type. Typically range from 100 to 300 words.Training Data Example

[0366] Example Input Training Data 1:

[0367] Police Intelligence Dataset:

[0368] ‘Date: Feb 10, 2024

[0369] In the silence of night, a 2020 Black Ford Mustang (KA-1234) vanished from 22 Jordy Street. Witnesses recall a shadowy figure deftly steering the car into the darkness. The theft, swift and silent, left behind only the echo of a revving engine disappearing into the night. The search is underway. ”

[0370] “Date: Apr 2, 2024

[0371] Under moon's gaze, "La Lune" Jewelers faced a brazen robbery. A masked duo, with sly precision, shattered glass and dreams, escaping with gems glittering like stars. In minutes, the tranquil night was pierced by alarms, as the thieves melded into the shadows, leaving a trail of sparkling remnants. Diamond $2mil were reported stolen. ”

[0372] Example Incident Dataset:

[0373] “Feb 2 2024

[0374] Vehicle Mustang with car-plate KA-1234 was reported to be stolen. ”

[0375] Example Police Call Centre Dataset:

[0376] “Apr 10 2024 10: 30, two man, with suspicious look is carrying knife wrapped with newspaper, sighted at Jordan Street. One man was dressed in dark inconspicuous clothing, seemingly chosen to avoid drawing attention. He wore a black hoodie with the hood pulled up, casting a shadow over his face. Underneath, a plain, slightly oversized black jacket hung loosely. His jeans were worn and slightly baggy. The second man wore a blue shirt with black gloves covered his hands. A cap was tucked low under his hood, obscuring his features. These two man has been wandering around for over an hour. ”

[0377] Example Patrolling Dataset:

[0378] “Apr 10 2024 10: 00, KA-1234 Sighted at Jordan Street, near Jewel Shop”

[0379] Example NFC Sensor Dataset: (CheckPoint Sensor Record)

[0380] {datetime: “Apr 7 2024 10: 00” , location: ” Jordan Street” , type: ” NFC Patrol Sensor” , value: ” 1” } ,

[0381] {datetime: “Apr 8 2024 10: 00” , location: ” Jordan Street” , type: ” NFC Patrol Sensor” , value: ” 1” } ,

[0382] {datetime: “Apr 9 2024 10: 00” , location: ” Jordan Street” , type: ” NFC Patrol Sensor” , value: ” 1” } ,

[0383] {datetime: “Apr 10 2024 10: 00” , location: ” Jordan Street” , type: ” NFC Patrol Sensor” , value: ” 1” } ,

[0384] {datetime: “Apr 10 2024 10: 00” , location: ” Jordan Street” , type: ” tagged” , value: ” suspicious carplate” }

[0385] Example GIS Sensor Dataset: (Patrolling Route Record)

[0386] {datetime: “Apr 10 2024 10: 00” , location: ” 22.305090076874617, 114.1702827251691” } ,

[0387] {datetime: “Apr 10 2024 10: 01” , location: ” 22.305090076874617, 114.1702827251691” } ,

[0388] {datetime: “Apr 10 2024 10: 02” , location: ” 22.305268512971463, 114.16962933798031” )

[0389] {datetime: “Apr 10 2024 10: 03” , location: ” 22.305090076874617, 114.16921211483566” )

[0390] {datetime: “Apr 10 2024 10: 04” , location: ” 22.304048588169138, 114.16920030663346” )

[0391] {datetime: “Apr 10 2024 10: 05” , location: ” 22.303214663292373, 114.16962540191291” )

[0392] {datetime: “Apr 10 2024 10: 06” , location: ” 22.303815526696138, 114.16964114618253” )

[0393] Example Open Dataset: (Including Map Data)

[0394] {District: ” Jordan” , Shopname: ” Jewel-A” , type: ” Jewel Shop” , Value=” Jordan Street 14” } ,

[0395] {District: ” Jordan” , Shopname: ” Jewel-A” , type: ” Jewel Shop” , Value=” Jordan Street 39” } ,

[0396] {District: ” Jordan” , Shopname: ” Jewel-A” , type: ” Jewel Shop” , Value=” Jordan Street 45” }

[0397] Example Social Media Dataset:

[0398] { “Post - With Jordan Street becoming a hotspot for luxury goods, concerns over safety have grown, prompting calls for stronger security measures to protect businesses and shoppers alike…”

[0399] Example Online Web Dataset:

[0400] { “News - Jewelry shop with revitalizing economy.

[0401] This year, numerous new jewelry shops have opened along Jordan Street, reflecting the area's thriving economy. The surge in luxury retail highlights growing consumer demand and business confidence, turning the street into a bustling hub for fine jewelry and craftsmanship. With the economy flourishing, both local entrepreneurs and established brands are seizing the opportunity to expand, further enhancing the street’s reputation as a premier shopping iExample Output Training Data 1:

[0402] Risk Level: 92

[0403] Recommendation Output:

[0404] “Summary: High Risk detected.

[0405] Analysis: AI detected the suspicious correlation of events across the car-plate KA-1234.

[0406] Firstly, the vehicle with the car-plate KA-1234 was reported to be stolen on Feb 2 2024. (Source: Police Intelligence and Incident Dataset) . Secondly, the car-plate was spotted again in Jordan Street on Apr 10 2024. Thirdly, there is an increasing security risk along the Jordan Street due to the increasing number of new jewelry shops opened along the Jordan Street. The rise in high-value stores has attracted more attention from criminals, leading to a surge in thefts and suspicious activity in the district. (Sources: online web, social media and open dataset)

[0407] Recommendation: Since a suspicious man was spotted (Source: Police Call Centre Data) , and the current patrolling frequency and locations appear insufficient, it is recommended to enhance security efforts. This includes increasing patrol frequency and adjusting patrol routes to improve coverage and effectiveness. The recommended routes as below: Spot-A, Spot-B, and Spot C. ”

[0408] Various examples of the disclosure are discussed above. While specific implementations are discussed, it should be understood that this is done for illustrative purposes and variations with other components and configurations may be used without departing from the scope of the disclosure as defined by appended claims.

[0409] The above embodiments are described by way of example only. Many variations are possible without departing from the scope of the invention as defined in the appended claims.

[0410] For clarity of explanation, in some instances the present technology has been presented as including individual functional blocks including functional blocks comprising devices, device components, steps or routines in a method embodied in software, or combinations of hardware and software.

[0411] Methods according to the above-described examples can be implemented using computer-executable instructions that are stored or otherwise available from computer readable media. Such instructions can comprise, for example, instructions and data which cause or otherwise configure a general-purpose computer, special purpose computer, or special purpose processing device to perform a certain function or group of functions. Portions of computer resources used can be accessible over a network. The computer executable instructions may be, for example, binaries, intermediate format instructions such as assembly language, firmware, or source code. Examples of computer-readable media that may be used to store instructions, information used, and / or information created during methods according to described examples include magnetic or optical disks, flash memory, Universal Serial Bus (USB) devices provided with non-volatile memory, networked storage devices, and so on.

[0412] Devices implementing methods according to these disclosures can comprise hardware, firmware and / or software, and can take any of a variety of form factors. Typical examples of such form factors include laptops, smart phones, small form factor personal computers, personal digital assistants, and so on. Functionality described herein also can be embodied in peripherals or add-in cards. Such functionality can also be implemented on a circuit board among different chips or different processes executing in a single device, by way of further example.

[0413] The instructions, media for conveying such instructions, computing resources for executing them, and other structures for supporting such computing resources are means for providing the functions described in these disclosures.

[0414] Although a variety of examples and other information was used to explain aspects within the scope of the appended claims, no limitation of the claims should be implied based on particular features or arrangements in such examples, as one of ordinary skill would be able to use these examples to derive a wide variety of implementations. Further and although some subject matter may have been described in language specific to examples of structural features and / or method steps, it is to be understood that the subject matter defined in the appended claims is not necessarily limited to these described features or acts. For example, such functionality can be distributed differently or performed in components other than those identified herein. Rather, the described features and steps are disclosed as examples of components of systems and methods within the scope of the appended claims.

[0415] It is to be understood that any feature described in relation to any one example may be used alone, or in combination with other features described, and may also be used in combination with any features of any other of the examples, or any combination of any other of the examples.

[0416] Blocks and / or methods discussed herein can be executed and / or made by a user, a user agent (including machine learning agents and intelligent user agents) , a software application, an electronic device, a computer, firmware, hardware, a process, a computer system, and / or an intelligent personal assistant. Furthermore, blocks and / or methods discussed herein can be executed automatically with or without instruction from a user.

[0417] It should be understood for those skilled in the art that the division between hardware and software is a conceptual division for ease of understanding and is somewhat arbitrary. Moreover, it will be appreciated that peripheral devices in one computer installation may be integrated to the host computer in another. Furthermore, the application software systems may be executed in a distributed computing environment. The software program and its related databases can be stored in a separate file server or database server and is transferred to the local host for execution.

[0418] The exemplary embodiments of the present invention are thus fully described. Although the description referred to particular embodiments, it will be clear to one skilled in the art that the present invention may be practiced with variation of these specific details. Hence this invention should not be construed as limited to the embodiments set forth herein.

[0419] Methods discussed within different figures can be added to or exchanged with methods in other figures. Further, specific numerical data values (such as specific quantities, numbers, categories, etc. ) or other specific information should be interpreted as illustrative for discussing example embodiments. Such specific information is not provided to limit example embodiment.

Claims

1.A crime risk assessment and recommendation system, comprising:a plurality of data collecting modules;a data analysis module;a big-data database module; anda user interface module,wherein the plurality of data collecting modules, the data analysis module, the big-data database module and the user interface module are in communication connection with each other,wherein the plurality of data collecting modules comprise:a crime intelligence data collector that is configured to obtain at least one crime intelligence data;a patrol data collector that is configured to obtain at least one patrol data; andan open data collector that is configured to obtain at least one open data, wherein the big-data database module is configured to store at least one historical data,wherein the data analysis module comprises:a plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules that are configured to analyze the at least one crime intelligence data from the crime intelligence data collector, the at least one patrol data from the patrol data collector, and / or at least one open data from the open data collector to obtain a plurality of intelligence feature data; andan indexing engine that is configured to analyze the plurality of intelligence feature data from the plurality of AI NLP modules to obtain at least one database query,wherein the big-data database module is configured to process the at least one database query from the indexing engine to obtain a selected portion of the at least one historical data according to the at least one database query,wherein the data analysis module further comprises:an encoder network that is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules and the selected portion of the at least one historical data from the big-data database module to obtain at least one attention encoder data;at least one embedding layer that is configured to analyze the at least one attention encoder data from the encoder network to obtain at least one street feature data, at least one crime feature data, and / or at least one general feature data; andan AI classifier that is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer, and the at least one attention encoder data from the encoder network to obtain the at least one crime risk assessment and the at least one recommendation,and wherein the user interface module is configured to output the at least one crime risk assessment and the at least one recommendation from the data analysis module.2.The system of claim 1,wherein the crime intelligence data collector is configured to collect at least one user crime intelligence data and at least one incident crime intelligence data,wherein the patrol data collector is configured to collect at least one patrol information data and at least one patrol sensor data from a patrol Internet of Things (IoT) device,wherein the open data collector is configured to collect at least one social media data, at least one web data, and / or at least one real-time data from Internet,and wherein the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules comprise:a first AI NLP module comprising:a first transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one user crime intelligence data and the at least one incident crime intelligence data from the crime intelligence data collector to obtain at least one pre-crime-intelligence feature data; anda first intelligence embedding layer submodule that is configured to analyze the at least one pre-crime-intelligence feature data from the first transformer-based large Language Model (LLM) submodule to obtain at least one crime intelligence feature data;a second AI NLP module comprising:a second transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one patrol information data and at least one patrol sensor data from the patrol data collector to obtain at least one pre-patrol-intelligence feature data; anda second intelligence embedding layer submodule that is configured to analyze the at least one pre-patrol-intelligence feature data from the second transformer-based large Language Model (LLM) submodule to obtain at least one patrol intelligence feature data;a third AI NLP module comprising:a third transformer-based large Language Model (LLM) submodule that is configured to analyze the at least one social media data, the at least one web data, and the at least one real-time data from the open data collector to obtain at least one pre-open-intelligence feature data; anda third intelligence embedding layer submodule that is configured to analyze the pre-open-intelligence feature data from the second transformer-based large Language Model (LLM) submodule to obtain at least one open intelligence feature data.3.The system of claim 1, wherein the encoder network comprises:a plurality of encoder convolution layer submodules that is configured to analyze the plurality of intelligence features from the plurality of AI NLP modules and the selected portion of the at least one historical data from the big-data database module to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, at least one post-open-intelligence feature data, and at least one post-historical intelligence feature data;an encoder concatenation submodule that is configured to concatenate the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature data from the plurality of convolution layer submodules to obtain at least one combined intelligence feature data;a first encoder fully-connected layers submodule that is configured to analyze the at least one combined nan encoder self-attention layer submodule that is configured to analyze the at least one pre-attention-encoder data from the first fully-connected layers submodule to obtain at least one post-attention intelligence data; anda second encoder fully-connected layers submodule that is configured to analyze the at least one post-attention intelligence data from the encoder self-attention layer submodule to obtain the at least one attention encoder data.4.The system of claim 1, wherein the AI classifier comprises:a risk classifier submodule that is configured to analyze the at least one attention encoder data from the encoder network to obtain the at least one crime risk assessment; anda recommendation submodule that is configured to analyze the at least one street feature data, the at least one crime feature data and the at least one general feature data from the at least one embedding layer, and the risk assessment from the risk classifier submodule to obtain the at least one recommendation.5.The system of claim 4, wherein the risk classifier submodule comprises:at least one risk classifier attention layer that is configured to analyze the at least one attention encoder data from the encoder network to obtain at least one post-attention-risk feature data; anda plurality of risk classifier function layers that is configured to analyze the at least one post-attention-risk feature data from the at least one risk classifier attention layer to obtain the at least one crime risk assessment.6.The system of claim 1, wherein the user interface module is configured to receive at least one user action outcome data from a user action outcome data source and send the at least one user action outcome data to the big-data database module to update the at least one historical data.7.A method of crime risk assessment and recommendation, comprising the steps of:(i) providing a system as claimed in any one of the preceding claims;(ii) obtaining, by the crime intelligence data collector, at least one crime intelligence data;(iii) obtaining, by the patrol data collector, at least one patrol data;(iv) obtaining, by the open data collector, at least one open data;(v) storing, by the big-data database module, at least one historical data;(vi) analyzing, by the plurality of Artificial Intelligence (AI) Natural Language Processing (NLP) modules, the at least one crime intelligence data, the at least one patrol data, and at least one open data to obtain a plurality of intelligence feature data;(vii) analyzing, by the indexing engine, the plurality of intelligence feature data to obtain at least one database query;(viii) processing, by the big-data database module, the at least one database query to obtain a selected portion of the at least one historical data according to the at least one database query;(ix) analyzing, by the encoder network, the plurality of intelligence features and the selected portion of the at least one historical data to obtain at least one attention encoder data;(x) analyzing, by the at least one embedding layer, the at least one attention encoder data to obtain at least one street feature data, at least one crime feature data, and at least one general feature data; and(xi) analyzing, by the AI classifier, the at least one street feature data, the at least one crime feature data, the at least one general feature data, and the at least one attention encoder data to obtain the at least one crime risk assessment and the at least one recommendation,(xii) outputting, by the user interface module, the at least one location-based crime risk assessment and the at least one recommendation.8.The method of claim 7,wherein the step (ii) obtaining at least one crime intelligence data comprises the step of: collecting, by the crime intelligence data collector, at least one user crime intelligence data and at least one incident crime intelligence data;wherein the step (iii) obtaining at least one patrol data comprises the step of : collecting, by the patrol data collector, at least one patrol information data and at least one patrol sensor data;wherein the step (iv) obtaining at least one open data comprises the step of:collecting, by the open data collector, at least one social media data, at least one web data, and at least one real-time data,and wherein the step (vi) analyzing the at least one crime intelligence data, the at least one patrol data, and at least one open data comprises the steps of:analyzing, by the first transformer-based large Language Model (LLM) submodule, the at least one user crime intelligence data and the at least one incident crime intelligence data to obtain at least one pre-crime-intelligence feature data;analyzing, by the first intelligence embedding layer submodule, the at least one pre-crime-intelligence feature data to obtain at least one crime intelligence feature data;analyzing, by the second transformer-based large Language Model (LLM) submodule, the at least one patrol information data and at least one patrol sensor data to obtain at least one pre-patrol-intelligence feature data;analyzing, by the second intelligence embedding layer submodule, the at least one pre-patrol-intelligence feature data to obtain at least one patrol intelligence feature data;analyzing, by the third transformer-based large Language Model (LLM) submodule, the at least one social media data, the at least one web data, and the at least one real-time data to obtain at least one pre-open-intelligence feature data; andanalyzing, by the third intelligence embedding layer submodule, the pre-open-intelligence feature data to obtain at least one open intelligence feature data.9.The method of claim 7, wherein step (ix) analyzing the plurality of intelligence features and the selected portion of the at least one historical data comprises the steps of:analyzing, by the plurality of convolution layer submodules, the at least one crime intelligence feature data, at least one patrol intelligence feature data, the at least one open intelligence feature data and the selected portion of the at least one historical to obtain at least one post-crime-intelligence feature data, at least one post-patrol-intelligence feature data, concatenating, by the concatenation submodule, the at least one post-crime-intelligence feature data, the at least one post-patrol-intelligence feature data, the at least one post-open-intelligence feature data, and the at least one post-historical intelligence feature to obtain at least one combined intelligence feature data;analyzing, by the first encoder fully-connected layers submodule, the at least one combined intelligence feature data to obtain at least one pre-attention intelligence data;analyzing, by the encoder self-attention layer submodule, the at least one pre-attention-encoder data to obtain at least one post-attention intelligence data; andanalyzing, by the second encoder fully-connected layers submodule, the at least one post-attention intelligence data to obtain the at least one attention encoder data.10.The method of claim 8, wherein the step (xii) analyzing the at least one street feature data, the at least one crime feature data the at least one general feature data, and the at least one attention encoder data comprises the steps of:analyzing, by the risk classifier submodule, the at least one attention encoder data to obtain the at least one crime risk assessment; andanalyzing, by the recommendation submodule, the at least one street feature data, the at least one crime feature data, and the at least one general feature data, and the risk assessment to obtain the at least one recommendation.11.The method of claim 9, wherein the step of analyzing the at least one attention encoder data comprises the steps of:analyzing, by the at least one risk classifier attention layer, the at least one attention encoder data to obtain at least one post-attention-risk feature data; andanalyzing, by the plurality of risk classifier function layers, the at least one post-attention-risk feature data to obtain the at least one crime risk assessment.12.The method of claim 7, further comprising the steps of:receiving, by the user interface module, at least one user action outcome;sending, by the user interface module, the at least one user action outcome data to the big-data database module; andupdating, by the big-data database module, the at least one historical data.

Images