Till innehåll på sidan
Till KTH:s startsida

AI, stadsmiljö och trygghetsanalys i Stockholm

Stockholm står idag inför ett antal utmaningar, där låga nivåer av upplevd säkerhet är ett framträdande exempel. Vissa grupper av människor känner sig mer utsatta än andra, medan vissa till och med aktivt undviker offentliga platser på grund av sin rädsla. En fråga som uppstår är då: vilka egenskaper hos stadsmiljön upplevs som trygga eller otrygga av befolkningen?

Syftet med denna studie är att fastställa hur trygghetsuppfattningar är kopplade till urbana och sociala landskap i Stockholm. Detta uppnås genom att skapa en AI-framställd trygghetskarta baserad på ett flertal datakällor. Data från online-baserade trygghetsundersökningar kommer kombineras med Street View-bilder med hjälp av AI och jämförs sedan med flera olika säkerhetsindikatorer (t.ex. polisregister, samtal om gatuservice och störningar). Det slutgiltiga målet är att utveckla en prototyp av en långsiktig övervakningsplattform som använder AI som är reproducerbar. Detta kan förse stadsplanerare med en kunskapsbas över hur trygghetsmönster varierar temporalt och bland olika befolkningsgrupper, samt vilka kännetecken hos stadsmiljön som mest uppfattas som (o)trygga.

Projektledare (KTH): Vania Ceccato i samarbete med Jonatan Abraham

Projektledare (MIT): Fábio Duarte

Projektet är en del av Senseable Stockholm Lab, ett samarbete mellan Kungliga Tekniska högskolan (KTH), Massachusetts Institute of Technology (MIT) och Stockholms stad med stöd från Stockholms Handelskammare och Newsec.

Publications

Assessing differences in safety perceptions using GeoAI and survey across neighbourhoods in Stockholm, Sweden

This study compares safety perceptions in Stockholm using street view images analyzed by a GeoAI-model and conventional safety survey responses. The GeoAI-measure better capture situational elements of safety, while surveys better reflect lived experiences. The research highlights perception biases and suggests integrating both methods for a fuller understanding of urban safety.

Available at: doi.org/10.1016/j.landurbplan.2023.104768

Crime and Visually Perceived Safety of the Built Environment: A Deep Learning Approach

This paper applies deep learning algorithms to Google Street View images to estimate perceived safety and examines its relationship with crime in Stockholm. It finds that lower visual perceived safety largely correlates with higher crime, yet also identifies geographical mismatches of perceived and objective safety conditions.

Available at: doi.org/10.1080/24694452.2025.2501998