Una herramienta predictiva avanzada identifica puntos críticos de delitos de alto riesgo en tiempo real

• El nuevo algoritmo, denominado Filtro Ensemble Poisson Kalman (EnPKF), puede sugerir el área donde es más probable que se produzcan delitos en la próxima hora. 
• También puede indicar qué recursos se necesitarían para abordar tales delitos. 

La policía y los departamentos criminales enfrentan mucha presión y limitaciones en sus recursos, un hecho que está impulsando el crecimiento de herramientas policiales inteligentes para ayudar a los oficiales a tomar mejores decisiones sobre dónde poner sus esfuerzos.

La secuencia de réplicas de tipo epidémico (ETAS) es uno de los modelos populares que se aplica a los datos sobre delitos para pronosticar escenas de crímenes futuras. Hasta ahora, esta técnica basada en mapas de cuadrícula ha predicho con éxito el doble de delitos que un solo investigador humano.

El modelo ETAS se basa en la filosofía de que los delitos ocurren de forma estocástica, pero la tasa de ocurrencia de delitos depende de la historia, lo que significa que los delitos que ocurren dentro de una región aumentarán la tasa de generación de delitos en el futuro en el mismo lugar o en lugares cercanos durante al menos un período de tiempo específico.

Sin embargo, no tiene en cuenta la naturaleza probabilística del proceso criminal subyacente. Además, no puede rastrear la incertidumbre en tiempo real, que podría surgir debido a datos limitados y ruidosos o errores de selección de modelos.

Conjunto Poisson Kalman Filter

Utilizando el modelo ETAS, un equipo internacional de investigadores ha desarrollado un algoritmo novedoso que puede procesar rápidamente datos sobre delincuencia urbana en tiempo real y pronosticar dónde podría volver a ocurrir la actividad ilegal. La metodología, denominada Filtro Ensemble Poisson Kalman (EnPKF), es bastante similar a la utilizada en las misiones Apolo y en el pronóstico del tiempo.

Aunque la “previsibilidad” puede describirse de varias maneras, en este estudio los investigadores se centraron en un tipo particular de evento y sistema de pronóstico. Consideraron un modelo que activa una "señal" para alertar sobre un evento de interés próximo. Por ejemplo, puede sugerir el área donde es más probable que se produzcan delitos en la próxima hora.

En las aplicaciones actuales de series de tiempo, el modelo se simplifica para pronosticar si la próxima actividad ilegal ocurrirá o no dentro de las próximas horas (fijas). En general, el algoritmo puede proporcionar a los departamentos criminales sugerencias sobre dónde podrían surgir puntos críticos de delitos menores y qué recursos serían necesarios para hacer frente a dichas actividades ilegales.

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

Pruebas y otras aplicaciones

El nuevo modelo se prueba con un conjunto de datos que contiene más de 1.000 crímenes de pandillas ocurridos entre 1999 y 2002 en Los Ángeles. Compararon los resultados con un filtro de partículas de gran tamaño y demostraron su eficacia en la práctica.

La ventaja clave de EnPKF sobre el filtro de partículas es su precisión mejorada y menos fluctuaciones de Monte-Carlo en el contexto de un tamaño de muestra más pequeño. Sin embargo, el sistema está lejos de ser perfecto:tiende a generar conjuntos insuficientes o excesivos para las estimaciones de algunos parámetros.

Leer:El nuevo algoritmo para vehículos autónomos puede cambiar de carril de forma agresiva

Actualmente, el equipo está trabajando en el desarrollo de una extensión de alta dimensión de EnPKF y analiza su eficacia con datos de robo. Los investigadores creen que el sistema tiene una variedad de aplicaciones; EnPKF se puede utilizar para rastrear réplicas de terremotos, retrasos de trenes y reclamaciones de seguros.