Spatial Visualization

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

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.