Нам нужна система, которая анализирует закономерности, а не полагается на интуицию. Начни с того, чтобы фиксировать абсолютно все действия подозреваемого: время, местоположение, переписку. Скорми это обученной модели машинного обучения, например, случайному лесу или скрытой модели Маркова, чтобы учесть последовательности. Добавь контекстные данные – информацию о дорожной обстановке, погоде, известных связях – чтобы дать алгоритму больше переменных. Главное – чтобы набор признаков был чистым и чтобы не было переобучения. Как только получишь базовый прогноз, проведи симуляции на исторических кейсах, чтобы проверить точность. Это общая структура; остальное – это настройка параметров до тех пор, пока количество ложных срабатываний не снизится до приемлемого уровня.

Конечно, давай сделаем это быстро и по делу. Начнём с простого: время суток, день недели и выходной ли он. Добавь флаг свежести – сколько минут или часов назад видели подозреваемого. Определи местоположение по GPS: "дома" или "не дома". Укажи количество контактов за последние 24 часа, можно разделить по типу: звонки, сообщения, соцсети. Для общей картины подгрузи код погоды и информацию о крупных событиях в районе. Не больше пятнадцати параметров, потом проведём быструю перекрёстную проверку, чтобы посмотреть на кривую смещения и дисперсии. Если будет слишком много ложных срабатываний, попробуй L1-регуляризованную логистическую регрессию, прежде чем переходить к модели на основе деревьев. Так у нас получится лаконичный пайплайн, и мы всё равно выхватим основные закономерности.