Spatial Visualization

12 5 24 3 17 18 15 7 2 9 21 22 1 23 4 6 10 11 20 14 16 19 8 13 25 34 28 41 45 38 27 29 48 43 42 37 44 35 47 39 30 40 31 32 26 33 46 36 61 70 62 49 52 63 65 50 66 58 59 51 53 69 64 67 60 54 68 56 57 71 55 72 78 75 81 86 74 97 91 89 85 77 80 79 84 88 73 95 98 76 82 93 96 83 87 92 94 104 109 100 120 110 108 114 122 118 111 106 115 105 101 103 112 116 107 119 99 121 113 102 140 137 148 164 131 125 132 160 168 135 153 138 117 129 146 144 152 161 133 145 141 134 136 155 171 151 123 156 143 170 139 142 154 124 163 126 158 157 147 165 149 159 167 127 162 150 169 128 176 213 180 181 182 173 203 183 220 186 201 214 217 208 193 185 199 191 209 189 192 207 211 187 184 195 174 194 206 202 216 166 198 175 178 200 221 179 172 177 204 218 197 190 188 219 215 212 196 205 239 232 246 210 227 229 244 233 228 245 234 238 243 251 273 259 264 272 270 266 267 257 262 263 278 275 285 287 320 319 332 330 299 323 347 350 318 334 305 283 297 282 276 290 296 235 222 223 224 225 242 230 231 248 236 240 226 241 271 256 250 258 260 261 268 255 253 249 254 274 252 265 293 325 294 295 335 292 300 328 291 280 326 304 346 344 348 277 340 341 331 286 307 349 317 324 303 339 343 302 310 298 279 312 306 314 308 345 336 351 355 356 378 400 373 376 377 380 383 352 379 401 407 404 409 405 403 410 416 417 418 421 423 424 426 432 433 434 435 437 439 441 443 446 449 450 451 456 457 463 465 364 368 357 388 362 372 382 399 413 419 420 438 445 447 452 453 458 471 474 477 478 480 483 484 485 487 490 492 493 496 499 502 504 505 506 508 510 513 518 519 522 523 526 527 528 529 534 537 543 550 552 555 556 559 564 568 313 333 337 309 327 311 321 284 322 315 329 281 316 288 289 301 370 363 361 354 353 384 396 411 412 414 422 427 428 429 430 436 444 448 454 459 468 469 470 472 473 475 367 391 371 393 358 369 395 381 374 385 390 387 394 359 375 386 389 397 398 402 360 366 392 406 408 415 425 431 440 455 460 461 462 464 466 467 476 482 507 511 524 525 538 544 548 561 565 573 586 587 591 592 593 596 606 619 622 627 632 641 642 643 651 479 481 488 498 503 515 516 520 530 533 535 536 539 546 547 549 551 553 554 558 562 563 567 569 570 571 574 578 579 582 583 590 594 595 597 599 600 605 607 608 611 617 618 621 625 629 633 635 636 639 640 647 486 489 491 494 495 497 500 501 509 514 517 521 531 532 540 541 545 557 560 566 572 575 577 581 598 601 613 623 630 631 645 650 652 656 659 660 663 665 669 671 673 676 654 655 658 662 664 677 680 681 682 683 687 691 692 693 694 696 700 701 702 703 704 709 710 712 714 715 718 720 721 722 723 725 726 728 729 732 733 735 736 737 739 740 741 742 747 751 754 755 757 758 760 761 763 765 766 767 769 771 772 777 778 779 785 787 789 790 791 792 793 795 796 797 799 800 802 805 808 810 811 812 813 814 815 818 820 821 823 824 825 826 827 828 830 831 832 834 836 837 839 843 844 845 848 849 850 851 853 856 857 858 859 861 863 865 867 869 871 874 876 877 881 883 884 888 892 894 895 897 898 899 901 902 908 909 914 916 917 918 920 922 924 925 926 927 929 934 936 939 940 941 942 945 947 952 953 954 957 959 960 961 962 963 966 967 968 969 970 971 972 973 974 977 978 986 987 988 989 992 994 997 999 1000 1002 1003 1004 1006 1007 1009 1010 576 580 584 585 588 589 602 603 604 609 610 612 614 615 616 620 624 626 628 634 637 638 644 646 648 649 653 657 666 672 661 667 668 670 674 675 678 679 684 685 686 688 689 690 695 697 698 699 705 706 707 708 711 713 716 717 719 724 727 730 731 734 738 743 744 745 746 748 749 750 752 753 756 759 762 764 768 770 773 774 775 776 780 781 782 783 784 786 788 794 798 801 803 804 806 807 809 816 817 819 822 829 833 835 838 840 841 842 846 847 852 854 855 860 862 864 866 868 870 872 873 875 878 879 880 882 885 886 887 889 890 891 893 896 900 903 904 905 906 907 910 911 912 913 915 919 921 923 928 930 931 932 933 935 937 938 943 944 946 948 949 950 951 955 956 958 964 965 975 976 979 980 981 982 983 984 985 990 991 993 995 996 998 1001 1005 1008 1011 1016 1017 1018 1020 1023 1024 1025 1028 1030 1031 1033 1012 1013 1014 1015 1019 1021 1022 1026 1027 1029 1032 1034 1035 1036 1037 1039 1041 1042 1044 1046 1048 1050 1051 1052 1053 1054 1057 1038 1040 1043 1045 1047 1049 1055 1056 1058 1060 1062 1064 1065 1066 1067 1069 1071 1072 1059 1061 1063 1068 1070 1073 1074 1075 1076 1077 1078 1079 1081 1082 1087 1088 1090 1091 1095 1097 1100 1102 1080 1083 1084 1085 1086 1089 1092 1093 1094 1096 1098 1099 1101 1106 1107 1109 1116 1117 1119 1121 1123 1103 1104 1105 1108 1110 1111 1112 1113 1114 1115 1118 1120 1122 1124 1125 1128 1129 1130 1132 1133 1134 1136 1137 1138 1139 1140 1142 1144 1145 1146 1148 1126 1127 1131 1135 1141 1143 1147 1152 1154 1159 1160 1161 1162 1166 1168 1169 1149 1150 1151 1153 1155 1156 1157 1158 1163 1164 1165 1167 1170 1171 1172 1173 1174 1176 1178 1180 1182 1184 1188 1189 1191 1192 1175 1177 1179 1181 1183 1185 1186 1187 1190 1193 1194 1196 1197 1198 1199 1200 1203 1206 1208 1209 1210 1211 1213 1214 1215 1195 1201 1202 1204 1205 1207 1212 1216 1217 1218 1223 1227 1229 1230 1236 1250 1219 1220 1221 1222 1224 1225 1226 1228 1255 1258

Color by incident classifications from taxonomies

The spatial view above shows each incident in the database as a plot point containing its incident ID number. Incidents are positioned so that those with similar report texts fall closer together. For example, incidents concerning autonomous vehicles form a tight cluster. We determine incident similarity using a natural language processing system, which you can read more about in our blog post on its rollout.