Modelo Predictivo del Crimen para la Región Metropolitana

Transcripción

1 Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros de Chile.

2 Modelo Predictivo del Crimen para la Región Metropolitana Proyecto FONDEF D Objetivos: 1. Generar un sistema de información para mejorar la toma de decisiones y logística de distribución de recursos policiales. 2. Generar un modelo de predicción de delitos y aprehensiones geográficamente referenciados.

3 Modelo Predictivo del Crimen para la Región Metropolitana Resultados Esperados: Un Sistema de Información en tiempo real sobre el desarrollo y evolución georefenciada del delito a nivel de comisarías. Un software que integre dicho sistema de información, junto a un modelo de predicción de la actividad criminal en el corto plazo. Compendios estadísticos, así como informes periódicos de información delictual.

4 GEOREFERENCIACIÓN Es un procedimiento para el mapeo de elementos o eventos geográficos que referencia su posición espacial a un sistema de coordenadas, ya sea existente o arbitrario. La dirección es un elemento clave para la La dirección es un elemento clave para la georeferenciación. Se debe asociar las direcciones correctamente escritas y almacenadas en tablas con un elemento geográfico definido como red de calles el que permite hacer una correspondencia entre las direcciones y las posiciones sobre un mapa. Este proceso se denomina geocodificación.

5 UNA APLICACIÓN ESPECÍFICA: DENUNCIAS O DETENCIONES Densidad : La representación de este análisis se realiza mediante Mapas de Densidad, donde los delitos geocodificados son procesados matemáticamente en un módulo de Análisis Espacial. Radio de Búsqueda : El radio de agrupación o de búsqueda está en directa relación con la distancia de ocurrencia de los delitos en un espacio geográfico determinado.

6 UNA APLICACIÓN ESPECÍFICA: DENUNCIAS O DETENCIONES Mapa de Densidad Fuente: Proyecto Fondef Nivel de Densidad : La densidad de delitos varía de una comisaría a otra dependiendo de las características propias del sector dónde se ubique.

7 EVOLUCION DE DELITOS POR DIA Y HORA

8 ANÁLISIS POR COMISARIAS 1ra Comisaría de Santiago Mapas de Distribución de Hot Spots Por grupo Horario Mapas de Distribución de Hot Spots Por Día de la semana 00:00 07:59 08:00 15: :59 Lunes Miércoles Viernes Sábado Fuente: Proyecto Fondef

9 ANÁLISIS POR COMISARIAS 19na Comisaría de Providencia Mapas de Distribución de Hot Spots Por grupo Horario Mapas de Distribución de Hot Spots Por Día de la semana 00:00 07:59 08:00 15: :59 Lunes Miércoles Viernes Sábado Fuente: Proyecto Fondef

10 ANÁLISIS POR COMISARIAS 20ma Comisaría de Puente Alto Mapas de Distribución de Hot Spots Por grupo Horario Mapas de Distribución de Hot Spots Por Día de la semana 00:00 07:59 08:00 15: :59 Lunes Miércoles Viernes Sábado Fuente: Proyecto Fondef

11 ANÁLISIS POR COMISARIAS 6ta Comisaría de Recoleta Mapas de Distribución de Hot Spots Por grupo Horario Mapas de Distribución de Hot Spots Por Día de la semana 00:00 07:59 08:00 15: :59 Lunes Miércoles Viernes Sábado Fuente: Proyecto Fondef

12 Bases Conceptuales Modelo de Predicción Delincuentes maximizan función de utilidad, la que incluye tamaño del botín, probabilidad de no ser descubierto, costos de viajes y otros similares. Lo anterior, genera estrategias óptimas de desplazamiento en un el espacio-tiempo. Estrategias se ven reflejadas en rutinas o patrones que pueden ser caracterizados en términos temporales y espaciales. Presencia policial altera rutas óptimas. Sub óptimos generan caídas en el nivel agregado de delito. En el límite, proceso aleatorio de rutas como de puntos de vigilancia.

13 MODELOS PREDICTIVOS Redes Neuronales Minería de Datos Series de Tiempo

14 GRAFICOS DE PROYECCION (VAR) (Intramuestral) Pronóstico diario Cuadrante Cantidad de delitos por día cuadrante 1 Pronóstico 0 Fecha

15 GRAFICOS DE PROYECCION (VAR) (Intramuestral) Pronóstico diario fuera de muestra para C Cantidad de delito os por día Fecha Cuadrante 1 Pronóstico sist

16 Predicción del números de delitos en una grilla por comisaría Predicción en la celda (x,y) (x,y) Hipótesis: delitos en (x,y) dependen principalmente de los delitos en celdas vecinas en 4 periodos de tiempo pasados.

17 Características: Red Neuronal Un solo modelo de red neuronal que predice el número de delitos por celda y entrenada con datos de cada comisaría. Tipo de Red: Multicapas (Feedforward), (2 capas ocultas) Tipo de Aprendizaje:Backpropagation. No. de datos totales: 208 semanas ( ). No de datos de entrenamiento: 75% (156 semanas). No. de datos de test de predicción: 25% (52 semanas).

18 Arquitectura de la red Entrada Capas escondidas Salida Vector de 11 características de t-3, t-2, t-1 y t. No. de delitos predichos en la celda (x,y) el día t N. 7 N. 5 N. 1 N.

19 Comisaría Algunos resultados Dimensión (celda: 200 x 200) Error de Pred. (%) 1a. 13 x 15 12,44 19a. 22 x 25 27,2 47a. 44 x 51 8,4

20 Evaluación Modelo de Predicción Hipótesis a ser testeadas : Nivel de delitos (denuncias) se reduce en comisarías con sistema. Nivel de delitos en comisarías (cuadrantes) vecinos aumenta. Resultados, en construcción. Existe evidencia circunstancial que apunta a positivo impacto (intermedio y final) del sistema.