Agregación, normalización y puesta en valor de datos heterogéneos para la modelización de hot spots

Agregación, normalización y
puesta en valor de datos
heterogéneos para la
modelización de hot spots
La investigación del delito por medio de Internet
TIC aplicadas a la prevención del crimen
Alex Rayón Jerez
alex.rayon@{deusto.es, crimina.es}
@alrayon
Profesor Universidad de Deusto. Socio - fundador Tenzing.

Índice de contenidos
● Introducción
● Fundamentación teórica
● Herramientas Crime Mapping
● Técnicas predictivas
● SocialCrime

● Introducción
● Fundamentación teórica
● Herramientas Crime Mapping
● Técnicas predictivas
● SocialCrime

Introducción
En este bloque de transparencias
hablaremos de tecnología en el
reconocimiento de patrones y
la detección de anomalías para
la prevención/predicción del
suceso de un crimen

Introducción (II)
Más que predicción de
crímenes, hablaremos de
valoración del riesgo
asociado a la ocurrencia de un
crimen

Introducción (III)
Waller, 2013 Kennedy y Van Brunschot, 2009

Introducción (IV)
Y hablaremos de
filosofías de gestión
y herramientas
informáticas para la
organización de los
departamentos de
seguridad

Introducción (V)
Principios
- Inteligencia precisa y
compartida
- Respuesta rápida de los recursos
- Tácticas efectivas
- Seguimiento
Objetivos
- Reducir el crimen
- Una policía proactiva en la lucha
contra el crimen
Mecanismos
- Regionalización y empowerment
- Acceso a la información apoyado por una infraestructura tecnológica de información
- Participación comunitaria

Introducción (VI)
Analizando datos de
llamadas al teléfono de
emergencias, información
derivada de eventos
especiales, las rutas de
transporte público o las
redes sociales, esto es
posible
Fuente: http://www.mapinfo.com/product/mapinfo-crime-profiler/

Introducción (VII)
Esto permite…
- Plantear nuevas estrategias operativas
- Aprovechar al máximo los recursos con
nuevas rutas para las patrullas
- Redistribuir a los miembros policiales
en las zonas con mayor actividad delictiva

Fundamentación teórica
Introducción
La valoración del riesgo de un crimen antes de
que se cometa es una idea vieja y recurrente
Fuente: http://esmateria.com/2012/09/03/luchar-contra-crimenes-del-futuro-no-es-cosa-de-ciencia-ficcion/

Introducción (II)
Una idea que, de hecho, constituye
casi un subgénero dentro de la
literatura de ciencia-ficción
Sin embargo, existen proyectos
reales que pretenden justamente
esto: usar datos y modelos
matemáticos para predecir
crímenes a escala local
Fuente: http://dattatecblog.com/2011/10/%C2%BFminority-report-en-la-vida-real/

Introducción (III)
Difícil tarea, no obstante
Muchos delitos se improvisan
Los criminales tienen incentivos para ser impredecibles
(el delito como elección racional, Cornish y Clarke, 1986)

Introducción (IV)
Eso sí; lo consiguen solo a medias
Las personas que cometen crímenes responden a las
circunstancias de formas más o menos racionales, más o
menos comprendidas, y más o menos extrañas, pero el
efecto agregado es suficiente que emerjan regularidades
estadísticas

Introducción (V)
Así, podemos afirmar
que los crímenes no son
fenómenos aleatorios
No se distribuyen de forma aleatoria en
el espacio ni en el tiempo
(Brantingham y Brantingham, 1984)
(Sherman, Gartin y Bueger, 1989)
Fuente: http://www.educabarrie.org/palabrario/aleatorio

Introducción (VI)

Introducción (VII)

Introducción (VIII)
En realidad los cuerpos y fuerzas de seguridad llevan
décadas anticipándose al crimen (ej. se preparan
dispositivos especiales los eventos deportivos y asigna
guardaespaldas a personas amenazadas)
El factor cambiante actual es que se dispone de un
volumen ingente de información para sistematizar
ese proceso y valorar los riesgos de ocurrencia de un
crimen de forma extensiva y a escala local

Introducción (IX)
Para desarrollar un sistema de
valoración de riesgos, se deberá iterar
entre los tres pasos siguientes:
1) Analizar datos históricos para detectar patrones en
binomios {circunstancias, crimen}
2) Construir modelos predictivos sobre los binomios
detectados
3) Alimentar dichos modelos con datos en tiempo real
(toda esa información masiva que ya nos rodea) para que
éstos nos indiquen dónde y cuándo hay que enviar
policías
Fuente: http://alt1040.com/2011/12/harvard-desarrolla-algoritmo-para-
detectar-patrones-ocultos-en-conjuntos-de-datos-inmensos

Fundamentación referencial: paper
Todo empezó con Gary Becker

Fundamentación referencial: paper (II)

Fundamentación referencial: paper (III)

Fundamentación referencial: paper (IV)

Fundamentación referencial: paper (V)

Fundamentación referencial: paper (VI)

Fundamentación referencial: Centros de investigación

Fundamentación referencial: Centros de investigación (II)
Santa Clara University UCLA

Fundamentación referencial: noticia

Fundamentación referencial: noticia (II)

Fundamentación referencial: noticia (III)

Fundamentación referencial: noticia (IV)

Fundamentación conceptual
Las variables que tienen relación con los crímenes que se cometen

Fundamentación conceptual (II)
Trucos para la prevención de delitos que podrían ser digitalizados

Crime Mapping
Introducción
Las herramientas de Crime Mapping
buscan apoyar al proceso de toma
de decisiones y asignación de
recursos mediante
representaciones cartográficas y
análisis especiales

Crime Mapping
¿Qué son?
Tecnologías para la
seguridad y la efectividad
en la prevención del
crimen

Crime Mapping
Benchmark
El caso de Chicago, IL, EEUU

Crime Mapping
Benchmark (II)
El caso de Chicago, IL, EEUU
Fuente: http://www.brianckeegan.com/2014/04/crime-time-and-weather-in-chicago/

Crime Mapping
Análisis del crimen
Los delitos son
fenómenos humanos y,
consecuentemente, su
distribución a lo
largo de la geografía
no es aleatoria
Fuente: http://www.aeroterra.com/PDF/Diptico_delito.pdf

Crime Mapping
Análisis del crimen (II)
Para que ocurra un delito, los delincuentes y sus
objetivos (víctimas y/o bienes patrimoniales) deben
coincidir por un período de tiempo en la misma
localización geográfica
Existen una serie de factores de gran influencia en
el dónde, el por qué y en el cuándo

Crime Mapping
Análisis del crimen (III)
Los mapas ofrecen a los analistas
representaciones geográficas de las
relaciones entre el dónde, el cuándo y el por
qué
De este modo, el mapeo del delito ayuda a
las Fuerzas y Cuerpos de Seguridad del Estado
a proteger de manera más efectiva a los
ciudadanos

Crime Mapping
¿Qué es una zona caliente?
Las zonas calientes son
agrupamientos o
conglomerados de
delitos que pueden existir
a diferentes escalas
Fuente: http://www.pdx.edu/cjpri/hot-spot-map

Crime Mapping
¿Qué es una zona caliente? (II)
Existen variaciones en el uso del término Zona
Caliente en función de las diferentes escalas
● Punto caliente: localización precisa. Ejemplo: un
comercio o un recinto deportivo
● Lugar caliente: área específica. Ejemplo: zona
comercial o portuaria
● Ruta caliente: calles, avenidas o rutas. Ejemplo: una
calle abandonada
● Objeto caliente: objetos o ítems concretos. Ejemplo:
dispositivos móviles o equipos de música

Crime Mapping
¿Qué es una zona caliente? (III)
La concentración de delitos puede no ser geográfica
Los eventos delictivos pueden estar dirigidos a ciertos
objetos o personas, que como tal, se desplazan
Pero en este tipo de concentraciones y movilidades también
pueden existir patrones geográficos, por lo cual su
exploración en el espacio es necesaria para entenderlos de
forma adecuada

Crime Mapping
Uso de SIG
Sistemas de Información Geográfica (SIG)
Herramienta tecnológica
Integra cartografía digital (mapas) para la
visualización y manejo de la información geográfica,
análisis y modelaje de relaciones espaciales
Apoya los procesos de toma de decisiones mediante la
organización de datos, el establecimiento de
patrones y tendencias de la incidencia criminal

Crime Mapping
Uso de SIG (II)
Fuente: http://www.procalculoprosis.com/lauc/fscommand/def2.pdf

Crime Mapping
Uso de SIG: aplicaciones
Identificar problemas y revelar patrones y
tendencias a partir de los datos que pueden no ser
aparentes de otro modo
Explorar la relación entre actividad criminal y
factores ambientales y/o socio-económicos
Efectuar análisis estadísticos
Cumplimiento CompStat (inteligencia precisa y
compartida, respuesta rápida de los recursos, tácticas
efectivas y seguimiento)

Crime Mapping
Uso de SIG: aplicaciones (II)
Analizar problemas y combinar datos de diferentes fuentes
Evaluar esfuerzos y programas de prevención mostrando
cómo los datos cambiaron tras respuestas
Mostrar distribuciones de recursos
Compartir información
Crear mapas en los que se muestran la localización y
concentración de los delitos

Crime Mapping
Uso de SIG: aplicaciones (III)
Elaboración de mapas para ser empleados para ayudar en
el desarrollo de estrategias de patrullaje y vigilancia
dirigidas a las zonas con mayor necesidad
Mejorar el entendimiento de los patrones de caza de los
delincuentes en serie
Difusión pública para prevenir a las posibles víctimas sobre
recorridos, horarios y lugares considerados peligrosos
para la seguridad personal

Crime Mapping
Integración sistemas
Crime Mapping de la policía de Puerto Rico
Fuente: http://cohemis.uprm.edu/prysig/pdfs/pres_groman.pdf

Crime Mapping
Integración sistemas (II)
Crime Mapping de la policía de Puerto Rico (II)
Fuente: http://www.procalculoprosis.com/lauc/fscommand/def2.pdf

Crime Mapping
Aeroterra (ESRI)

Crime Mapping
MapInfo Crime Profiler

Técnicas predictivas
Equipo necesario

Necesitamos datos, la materia prima :-)

¿Y dónde tenemos esos datos hoy en día?
Fuente: http://www.datanami.com/2014/08/19/cloud-era-rising-analytics/

¿Y dónde tenemos esos datos hoy en día? (II)

¿Qué necesitamos entonces?

Crowd analytics/sensing

Crowd analytics/sensing (II)

¿Qué necesitamos entonces? (II)

Clasificación
● Clasificación técnicas de descubrimiento de
conocimiento
o Métodos predictivos
o Descubriendo estructuras
o Minería de relaciones

Clasificación (II)
1) Métodos predictivos
● Desarrollar un modelo que sea capaz de
predecir un hecho dentro del conjunto de
datos
● Se usan mayoritariamente para predecir
eventos futuros (Dekker2009; Feng2009;
MingMing2012)
o Ideal para nuestros objetivos ;-)

Clasificación (III)
1) Métodos predictivos
● Tres tipos de modelos predictivos
o Modelos de regresión
o Clasificadores
o Latent knowledge estimation

Clasificación (IV)
Source: Data Mining with WEKA MOOC (http://www.cs.waikato.ac.nz/ml/weka/mooc/dataminingwithweka/)

Clasificación (V)

Clasificación (VI)

Clasificación (VII)
Fuente: https://bigml.com/user/czuriaga/gallery/model/50de5497035d0769700000a4

Clasificación (VIII)
2) Descubriendo estructuras
● Clustering
● Análisis de factores
● Análisis de Redes Sociales

Clasificación (IX)
● Análisis de clústers
Fuente: http://lookfordiagnosis.com/mesh_info.php?term=An%C3%A1lisis+Por+Conglomerados&lang=2

Clasificación (X)
● Análisis factorial
Fuente: http://www.scielo.org.ar/scielo.php?pid=S1668-298X2012000200003&script=sci_arttext

Clasificación (XI)
Fuente: http://gob20.wordpress.com/2012/11/27/analisis-de-redes-sociales-difusion-de-protesta-en-sociedades-heterogeneas/

Clasificación (XII)
Fuente: http://www.programmableweb.com/news/six-new-social-data-sources-added-to-gnip-enterprise-data-collector-product/2013/04/09

Clasificación (XIII)
3) Minería de relaciones
● Reglas de asociación
● Análisis de correlación
● Patrones secuenciales
● Análisis de causalidad

Clasificación (XIV)
● Reglas de asociación
Fuente: http://commons.wikimedia.org/wiki/File:IF-THEN-ELSE-END_flowchart.png

Clasificación (XV)
● Análisis correlacional
Fuente: http://naukas.com/2012/08/01/correlacion-no-implica-causalidad/

Clasificación (XVI)
● Patrones secuenciales
Fuente: http://www.cazatormentas.net/foro/temas-de-meteorologa-general/avenidas-historicas-del-rio-guadalfeo-salobrena-motril-(granada)/40/

Clasificación (XVII)
● Análisis de causalidad
Fuente. http://www.empresa-pyme.com/img/entries/1307487813.png

● Análisis de agregación espacial: Detección de clusters
● Estudio del estadístico Getis-Ord Gi*
● Análisis de hot spots mediante redes celulares
● Análisis de hot spots mediante Kernel Density
Estimation
● Predicción de pautas espaciales: Prediction Accuracy
Index
● Árboles de decisión
● ...

Detección de clústers
Tesina Fin de Máster: GIS, Crimen y Seguridad. Análisis, predicción y prevención del fenómeno criminal
Fuente
http://eprints.ucm.es/16701/1/SIG%2C_Crimen_y_Seguridad._An%C3%A1lisis%2C_predicci%C3%B3n_y_prevenci%C3%B3n_del_fen%C3%
B3meno_criminal..pdf

Getis-Ord Gi*
Fuente

Redes celulares
Tesina Fin de Máster: GIS, Crimen y Seguridad. Análisis, predicción y
prevención del fenómeno criminal
Fuente
http://eprints.ucm.es/16701/1/SIG%2C_Crimen_y_Seguridad._An%C3%A1lisis%
2C_predicci%C3%B3n_y_prevenci%C3%B3n_del_fen%C3%B3meno_criminal..p
df

Kernel Density Estimation
Tesina Fin de Máster: GIS, Crimen y Seguridad. Análisis, predicción y
prevención del fenómeno criminal
Fuente
http://eprints.ucm.es/16701/1/SIG%2C_Crimen_y_Seguridad._An%C3%A1lisis%
2C_predicci%C3%B3n_y_prevenci%C3%B3n_del_fen%C3%B3meno_criminal..p
df

Prediction Accuracy Index
Fuente

Árboles de decisión
Fuente: https://bigml.com/user/czuriaga/gallery/model/52c0cae40c0b5e6fc700038a

Referencias
Literatura
Boba, R. 2009. Crime Analysis with Crime Mapping, Vol 2. Sage: Los Angeles.
Brantingham, P.L. and P.J. Brantingham. 1984. Patterns in Crime. New York, NY: Macmillan
Chainey, S & Ratcliffe, J. 2005. GIS and Crime Mapping, John Wiley & Sons Ltd., The Atrium, Southern Gate, Chichester, West Sussex PO19 8SQ England.
Cornish, Derek & Clarke, Ronald V. 1986. "Introduction" in The Reasoning Criminal. Cornish, Derek and Ronald Clarke (eds.). New York: Springer-Verlag. pp 1–16. ISBN 3-
540-96272-7
Eck, J, Chainey, S, Cameron, J, Leitner, M & Wilson 2005. Mapping Crime; Understanding Hotspots, National Institute of Justice, NCJ 209393.
Gorr, W, Kurland, K 2012. GIS Tutorial for Crime Analysis, ESRI Press, Redlands CA 92373
Harries, K. 1999. Mapping Crime; Principles and Practice, National Institute of Justice, Gran No. 98-LBVX-009, NCJ 178919.
Hicks, S, Fritz, N, Bair, S & Helms, D. 2008. Crime Mapping in Exploring Crime Analysis; readings on essential skills (pp.283-308), International Association of Crime
Analysts (IACA), Overland Park, KS 66212
Kennedy, L W. Brunschot, V.. The Risk in Crime. Rowman & Littlefield Publishers. 2009.
Leipnik, M. R., & Albert, D. P. 2003. How law enforcement agencies can make geographic information technologies work for them. In M. R. Leipnik & D. P. Albert (Eds.), GIS
in law enforcement: implementation issues and case studies (pp. 3–8). New York: Taylor & Francis.
Paynich, R & Hill, B 2010. Fundamentals of Crime Mapping, Jones and Bartlett Publishers, Sudbury, MA 01776
Sherman, L., Gartin, P. and Buerger, M. 1989. Hot spots of predatory crime: routine activities and the criminology of place. Criminology, 27, 27-56.
Waller, I. 2013. Smarter Crime Control. Rowman & Littlefield Publishers. 2013.

Referencias
Web
22nd International World Wide Conference [Online]. URL: http://www2013.org/papers/companion.htm#13
NYC Predictive Analytics [Online]. URL: http://www.slideshare.net/NYCPredictiveAnalytics/presentations
How algorithms rule the world [Online]. URL: http://www.theguardian.com/science/2013/jul/01/how-algorithms-rule-world-nsa?view=mobile
Evaluating crime prevention: Lessons from large-scale community crime prevention programs [Online]. URL:
http://www.aic.gov.au/publications/current%20series/tandi/441-460/tandi458.html
Debunking Hanna Rosin, stop The End of Rape story edition [Online]. URL: http://familyinequality.wordpress.com/2012/09/20/debunking-hanna-rosin-stop-the-end-of-
rape-story-edition/
Los mapas de criminalidad [Online]. URL:
http://www.madrid.es/UnidadWeb/Contenidos/Publicaciones/TemaEmergencias/PonenciasCongresoCiudades/Ficheros/Parte2.2.pdf
SIG, crimen y seguridad. Análisis, predicción y prevención del fenómeno criminal [Online]. URL: http://eprints.ucm.es/16701/
Software SIG - Sistemas de Información Geográfica Requisitos para el análisis del delito [Online]. URL:
http://www.iaca.net/Publications/Whitepapers/es/iacawp_es_2012_07_sig_requisitos.pdf

Agregación,
normalización y puesta
en valor de datos
heterogéneos para la
modelización de hot
spots
La investigación del delito por medio de Internet
TIC aplicadas a la prevención del crimen
Alex Rayón Jerez
alex.rayon@{deusto.es, crimina.es}
@alrayon
Profesor Universidad de Deusto. Socio - fundador Tenzing.

Agregación, normalización y puesta en valor de datos heterogéneos para la modelización de hot spots

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Agregación, normalización y puesta en valor de datos heterogéneos para la modelización de hot spots

Semelhante a Agregación, normalización y puesta en valor de datos heterogéneos para la modelización de hot spots (20)

Mais de Alex Rayón Jerez

Mais de Alex Rayón Jerez (20)

Último

Último (20)

Agregación, normalización y puesta en valor de datos heterogéneos para la modelización de hot spots