Big Data apoya en la prevención de crimenes

Los departamentos de policía en EEUU están implementando un nuevo sistema que utiliza los registros de crímenes para predecir donde es probable que tenga lugar el próximo crimen.

La revista digital Forbes publicó un artículo en el cual resalta que miles de agentes de policía en 60 ciudades de USA están utilizando mapas predictivos de PredPol para ayudarles a decidir qué áreas deben patrullar durante sus turnos.

PredPol toma las entradas de datos de los Sistema de Gestión de Registros de cada departamento policial (RMS) para recoger tipo de delito, la ubicación y la fecha / hora. Estos datos se recogen diariamente y se alimenta el motor de predicción, que se ejecuta una vez al día para crear predicciones para tipo de golpe, turno y misión; todos estos registros se sintetizan en pequeñas cajas de color rojo dentro de un mapa que abarca la mitad de una manzana de la ciudad para indicar las zonas de alto riesgo.

crimemapping

La policía de Los Ángeles (LAPD) está confiando cada vez más en esta tecnología, la cual no sólo informa a los oficiales de patrulla donde es más probable que ocurra un crimen, sino que también identifica y realiza un seguimiento de los ex convictos y otros sospechosos que son más propensos a cometer crímenes.

La delincuencia en Foothill de Los Ángeles descendió un 20 por ciento desde 2013 hasta 2014 con el uso del programa, y Atlanta vio una caída de cerca del 10 por ciento en el crimen, gracias a la implementación de PredPol. Por otra parte, Santa Cruz, departamento de policía de California fue testigo de una caída combinada de 38 por ciento en robos y atracos.

La policía dice que el esfuerzo ya ha ayudado a reducir el crimen en uno de los barrios más famosos e históricamente pandilleros de la ciudad.

“Este es un gran paso adelante. Sin esto, yo no podría hacer mi trabajo”, dijo el capitán Ed. Prokop, jefe de la división de policía de Los Ángeles, que vela por la zona apodada “Shootin Newton”.

El algoritmo (modelo matemático) de PredPol nació cuando Jeff Brantingham y su co-fundador, George Mohler, estaban trabajando en la UCLA estudiando detenidamente grandes conjuntos de datos a finales del 2000. Ellos observaron que la actividad criminal y la actividad sísmica siguen patrones sorprendentemente similares. Cada nuevo evento (un terremoto o un crimen) se remonta a una de dos causas: un factor fijo (como un terremoto) o un factor variable (como otro terremoto, que causa temblores, o un tiroteo de pandillas, lo que desencadena disparos de represalia en el mismo barrio). Cada factor se puede reducir a la tasa habitual desencadena otros delitos. Por ejemplo, en Long Beach un robo en casa pone en mayor riesgo al instante a cualquier hogar dentro de una milla, con la casa de al lado en el riesgo más alto.

“Gran parte de la conducta humana se puede explicar con los modelos matemáticos muy simples”

Brantingham.

Inicialmente procesaron varios años de datos para establecer un nivel de referencia de los patrones de criminalidad y para entender cómo se propagan los crímenes por toda la ciudad. Esto se lleva a cabo utilizando un modelo de Secuencia de Réplicas de Tipo Epidémico (ETAS, Epidemic Type Aftershock Sequence model), el cual es un algoritmo de autoaprendizaje.

A medida que se registran nuevos eventos de crímenes,  son mapeados con los patrones y eventos existentes en la ciudad. Sobre la base de los patrones de propagación no cubierto por el análisis inicial de los datos, podemos predecir cuándo y dónde los crímenes similares relacionados con estos delitos son más probable que ocurra.

Cada 6 meses, se realiza la actividad de  “re-aprender” a los patrones, utilizando todos los datos de crímenes históricos y recientes. Esto asegura que los nuevos patrones de comportamiento también son recogidos por el sistema.

Los algoritmos utilizados por PredPol se han publicado y discutido públicamente en artículos revisados. Se basan en la observación de que ciertos tipos de delitos tienden a agruparse en el tiempo y el espacio. Para reproducir este comportamiento PredPol utiliza Self-Exciting Point Process Modeling of Crime.

Para comprobar la hipótesis a nivel policial, ellos analizaron datos sobre los 13 millones de delitos cometidos en la ciudad de Los Ángeles en 80 años. Siempre que un crimen se cometía, más probabilidad había de un nuevo acto delictivo en la misma zona. Y probaron que el patrón  del modelo de aquellas actividades criminales se asemeja al del modelo de predicción de réplicas de terremotos.

La LAPD comenzó en 2014 su proyecto piloto pretendiendo predecir las áreas de Los Ángeles con mayor probabilidad de cometerse delitos diarios. El algoritmo aplicado identifica los puntos conflictivos de crimen regular en dichas zonas, y las comisarías de distrito son avisadas de la probabilidad de delito y tipo; de cara a preparar a los policías disponibles en cada turno.

Las probabilidades obtenidas abarcan un espacio temporal máximo de 12 horas. Por ello se refuerza el patrullaje en los espacios conflictivos dentro de la zona geográfica en donde es más alta la probabilidad de delito en las horas de validez de predicción. Para medir resultados y eficiencia, los datos son transferidos en tiempo real a la central de la Policía.

Mediante el software de Big Data y Analytics empleado, se ha obtenido una reducción del 33 % en robos, del 21 % en crímenes violentos y del 12 % en crímenes contra la propiedad en las áreas donde el software es usado.

crimemapping2

El Departamento de Policía de Los Ángeles espera que con la actualización constante de datos el modelo sea más preciso y abarque un periodo temporal mayor. Permitiendo por tanto mayor precisión en tiempo real en la detección y anulación de delitos diarios.
crimemapping3

Share this post

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *