Herramienta predictiva avanzada identifica puntos calientes de crimen de alto riesgo en tiempo real

• Nuevo algoritmo, llamado Ensemble Poisson Kalman Filter (EnPKF), sugiere el área donde es más probable que ocurra crimen en la próxima hora.
• También indica qué recursos se requerirían para abordar tales crímenes.

Departamentos de policía y ramas criminales enfrentan mucha presión y restricciones en sus recursos — hecho que impulsa el crecimiento de herramientas de smart policing para ayudar a oficiales a tomar mejores decisiones sobre dónde enfocar esfuerzos.

Epidemic Type Aftershock Sequence (ETAS) es uno de los modelos populares aplicados a datos de crimen para predecir futuras escenas de crimen. Hasta ahora, esta técnica basada en grid-map ha predicho exitosamente el doble de crimen que un investigador humano individual.

El modelo ETAS se basa en la filosofía de que los crímenes ocurren estocásticamente, pero la tasa de ocurrencia de crimen es history-dependent, significando que crímenes en una región elevarán la tasa futura de generación de crimen en las mismas o cercanas ubicaciones por al menos una duración específica.

Sin embargo, no toma en cuenta la naturaleza probabilística del proceso de crimen subyacente. Tampoco puede rastrear incertidumbre en tiempo real, que podría surgir debido a datos limitados y ruidosos o errores de selección de modelo.

Ensemble Poisson Kalman Filter

Usando el modelo ETAS, un equipo internacional de investigadores ha desarrollado un algoritmo novedoso que puede procesar rápidamente datos de crimen urbano en tiempo real y predecir dónde podría reocurrir actividad ilegal. La metodología, llamada Ensemble Poisson Kalman Filter (EnPKF), es bastante similar a la usada en misiones Apolo y forecasting meteorológico.

Aunque 'predictibilidad' puede describirse de varias formas, en este estudio investigadores se enfocaron en un tipo particular de evento y sistema de forecast. Consideraron un modelo que dispara una 'señal' para alarmar un evento próximo de interés. Por ejemplo, puede sugerir el área donde es más probable que ocurra crimen en la próxima hora.

En aplicaciones de series temporales actuales, el modelo se simplifica para predecir si la próxima actividad ilegal ocurriría dentro de las próximas pocas (fijas) horas. En general, el algoritmo puede proporcionar a departamentos de policía sugerencias sobre dónde podrían surgir hotspots de crimen menor, y qué recursos serían necesarios para lidiar con tales actividades ilegales.

Referencia: ScienceDirect | doi: 10.1016/j.csda.2018.06.014 | Universidad de Surrey

Testing y otras aplicaciones

El nuevo modelo se testea contra un dataset conteniendo más de 1.000 crímenes de pandillas ocurridos entre 1999 y 2002 en Los Ángeles. Compararon resultados con un particle filter de gran sample-size, demostrando su efectividad en práctica.

La fortaleza clave de EnPKF sobre particle filter es su precisión mejorada y menos fluctuaciones Monte-Carlo en el contexto de sample size menor. Sin embargo, el sistema está lejos de perfecto: tiende a generar ensembles under/over-spreading para algunas estimaciones de parámetros.

Leer: Nuevo algoritmo de vehículo autónomo puede cambiar carril agresivamente

El equipo está actualmente trabajando en desarrollar una extensión de alta dimensionalidad de EnPKF y analizar su efectividad con datos de robos. Investigadores creen que el sistema tiene variedad de aplicaciones; EnPKF puede usarse para rastrear réplicas de terremotos, retrasos de trenes y reclamaciones de seguros.