The most promising of these tools i

The most promising of these tools is kernel density estimation (Chainey and
Ratcliffe, 2005; Sabel, 2006). There are many advantages of kernel
density estimation (KDE) as opposed to statistical hotspot and
clustering techniques such as K-means. The main advantage for this
method lies in determining the spread of risk of an accident. The
spread of risk can be defined as the area around a defined cluster in
which there is an increased likelihood for an accident to occur based
on spatial dependency. Secondly by using this density method, an
arbitrary spatial unit of analysis can be defined and be homogenous
for the whole area whichmakes comparison and ultimately a
taxonomy possible.

ผลลัพธ์ (ไทย) 2:

มีแนวโน้มมากที่สุดของเครื่องมือเหล่านี้คือการประมาณค่าความหนาแน่นของเคอร์เนล (Chainey และ
Ratcliffe 2005; Sabel 2006) มีข้อดีของเคอร์เนลมี
การประมาณค่าความหนาแน่น (KDE) เมื่อเทียบกับฮอตสปอตทางสถิติและ
เทคนิคการจัดกลุ่มเช่น K-วิธี ประโยชน์หลักของเรื่องนี้
อยู่ที่วิธีการในการพิจารณาการแพร่กระจายของความเสี่ยงของการเกิดอุบัติเหตุ
การแพร่กระจายของความเสี่ยงที่สามารถกำหนดเป็นบริเวณโดยรอบเป็นกลุ่มที่กำหนดไว้ใน
ที่มีโอกาสเพิ่มขึ้นในการเกิดอุบัติเหตุที่จะเกิดขึ้นอยู่
ในการพึ่งพาเชิงพื้นที่ ประการที่สองโดยใช้วิธีหนาแน่นนี้
หน่วยเชิงพื้นที่โดยพลการของการวิเคราะห์สามารถกำหนดและเป็นเนื้อเดียวกัน
สำหรับพื้นที่ทั้งหมด whichmakes เปรียบเทียบและในที่สุด
อนุกรมวิธานที่เป็นไปได้

ผลลัพธ์ (ไทย) 3:

มีแนวโน้มมากที่สุดของเครื่องมือเหล่านี้มีความหนาแน่นประมาณเคอร์เนล ( chainey และ
แร็ตคลีฟ , 2005 ; ซาเบิล , 2006 ) มีข้อดีหลายประการของน่าจะประมาณนี้แหละ
( KDE ) เป็นนอกคอก hotspot สถิติและข้อมูลเทคนิค เช่น k-means
. ประโยชน์หลักของวิธีนี้
อยู่ในการกําหนดการกระจายความเสี่ยงของอุบัติเหตุ
การกระจายความเสี่ยงที่สามารถกำหนดเป็นพื้นที่ๆกำหนดกลุ่ม
ซึ่งจะมีเพิ่มขึ้นโอกาสสำหรับอุบัติเหตุที่จะเกิดขึ้นตาม
บนพื้นที่การอ้างอิง ประการที่สอง โดยใช้ความหนาแน่นวิธี ,
พลพื้นที่หน่วยการวิเคราะห์สามารถกำหนดเป็น homogenous
สำหรับพื้นที่ทั้งหมด whichmakes เปรียบเทียบและในที่สุด
อนุกรมวิธานที่เป็นไปได้