El sistema usa inteligencia artificial para predecir la ocurrencia de delitos en áreas urbanas
Elton Alisson | Agência FAPESP –
En la región central de la ciudad de São Paulo, hay 1,522 esquinas con mayor probabilidad de robo de transeúntes, además de otros puntos con un alto riesgo de robo y robo de vehículos o carga. Juntos, estos sitios son responsables de casi la mitad de los registros de este tipo de delitos en el centro de São Paulo.
La identificación de estas regiones en la ciudad, que deberían recibir una mayor atención de los agentes de seguridad pública, se ha realizado utilizando herramientas basadas en ciencias de datos e inteligencia artificial, desarrolladas en los últimos años por investigadores vinculados al Centro de Ciencias Matemáticas Aplicadas a la Industria ( CeMEAI ) – uno de los Centros de Investigación, Innovación y Difusión ( CEPID ) financiado por FAPESP.
Las herramientas computacionales despertaron el interés de las agencias y departamentos de seguridad pública en ciudades como São Carlos, en el interior de São Paulo, dice Luis Gustavo Nonato , el investigador responsable del proyecto.
«El objetivo es que estas herramientas puedan ayudar a estas agencias a predecir regiones de ciudades con mayor probabilidad de delitos, con el objetivo de implementar acciones preventivas», dice Nonato.
Una de las líneas de investigación en CeMEAI, con sede en el Instituto de Ciencias Matemáticas e Informáticas de la Universidad de São Paulo (ICMC-USP), campus de São Carlos, es la aplicación de técnicas de ciencia de datos para comprender el impacto de factores como infraestructura urbana, el flujo de personas e incluso el clima en problemas como el crimen.
Para llevar a cabo los estudios, se utilizan herramientas en el área de computación, matemáticas y estadística, combinando técnicas de ciencia de datos e inteligencia artificial, especialmente el aprendizaje automático.
Los resultados de estos análisis complejos se presentan mediante plataformas de visualización por computadora, con el fin de facilitar la interacción de los administradores públicos con los datos disponibles.
«La idea es ayudar a los gerentes a comprender cómo estos factores se correlacionan con eventos criminales, por ejemplo, para ayudar en la creación de políticas públicas de bajo costo con gran impacto económico y social en las ciudades», dice Nonato.
Delincuencia alrededor de las escuelas
El proyecto se inició en 2015 a través de una colaboración con el Nucleus for the Study of Violence ( NEV ), otro CEPID financiado por FAPESP.
Dentro del alcance de esta asociación, los investigadores del CeMEAI pudieron acceder a una gran cantidad de datos sobre crímenes en la ciudad de São Paulo reunidos por NEV y utilizar herramientas de ciencia de datos e inteligencia artificial para identificar patrones de delitos y sus relaciones con variables externas asociadas Infraestructura urbana.
La primera herramienta desarrollada a través de la asociación fue CrimAnalyzer , una plataforma que permite identificar patrones de delincuencia a lo largo del tiempo en regiones de la ciudad y, por lo tanto, verificar cuáles son los más prevalentes en términos cuantitativos, por ejemplo.
A través de la plataforma, los investigadores llevaron a cabo un estudio para evaluar la relación entre el crimen y la infraestructura en torno a las escuelas públicas de la ciudad de São Paulo. Recopilaron datos sobre indicadores socioeconómicos, información sobre infraestructura urbana, como paradas de autobús y bares, además del flujo de personas y un historial de delitos, como el robo de peatones, establecimientos comerciales y robo de automóviles, durante el día, la tarde y la noche. en la noche y al amanecer, en un radio de 200 metros alrededor de 6,000 escuelas públicas en São Paulo.
Descubrieron que las escuelas ubicadas en regiones de la ciudad con mejores indicadores socioeconómicos y rodeadas de una gran cantidad de paradas de autobús tienden a tener un mayor número de delitos, principalmente el robo de automóviles y el robo de transeúntes, este último concentrado por la tarde.
El flujo intenso de personas debido a la gran cantidad de paradas de autobús puede ser el factor que explica el volumen de los robos de peatones, dice Nonato. «Existe una fuerte correlación entre las paradas de autobús y los delitos en torno a estas escuelas», dice el investigador. «Esto muestra la efectividad de esta metodología de ciencia de datos para revelar patrones», evalúa Nonato.
Resultado de una colaboración, además de NEV-USP, con la Escuela de Matemáticas Aplicadas de la Fundación Getúlio Vargas (FGV), las universidades federales de Espírito Santo (UFES) y Alagoas (UFAL) y la Universidad de Nueva York, de los Estados Unidos, El proyecto se está implementando en São Carlos mediante un acuerdo entre la Secretaría de Seguridad Pública del Ayuntamiento y el ICMC / USP para utilizar las herramientas.
«La ciudad de São Carlos ha permitido acceder a diversos datos, lo que ha permitido un gran avance en el proyecto», dice Nonato.
Series de tiempo
Una de las limitaciones de CrimAnalyzer es que los datos del delito se agregaron por sector censal: unidad territorial establecida para fines de control catastral, formada por un área continua y ubicada en un solo marco urbano o rural. Esta forma de presentación de datos obstaculizó la captura de patrones de criminalidad.
Debido a los resultados obtenidos con el proyecto, los investigadores comenzaron a tener acceso a datos georreferenciados sobre delitos en la ciudad de São Paulo y desarrollaron una nueva herramienta, llamada Mirante.
«El acceso a datos georreferenciados ha marcado una gran diferencia en el poder del análisis y también en la forma en que comenzamos a presentar y obtener patrones de criminalidad», dice Nonato.
A través de tratamientos estadísticos, la plataforma realiza geoprocesamiento en mapas de calles y, por lo tanto, permite evaluar los cambios en el patrón de delincuencia en las ubicaciones de la ciudad a lo largo del tiempo.
Al analizar una esquina en São Paulo que en 2010 no registró el robo de vehículos y que, a partir de 2017, comenzó a registrarse, los investigadores observaron que uno de los factores que contribuyeron a este cambio fue el cambio en el lado de la carretera despejado para el estacionamiento. .
Antes de 2010, estaba prohibido estacionar al lado de la carretera de dos vías que da acceso a una avenida principal con conexión a una carretera marginal. Con el lanzamiento del estacionamiento, el robo de automóviles en la región aumentó.
«Esto pudo haber facilitado que los delincuentes robaran autos y se fueran rápidamente a los marginales, mientras que anteriormente habrían tenido que caminar dentro del vecindario para poder acceder a los marginales», explica Nonato.
Patrones de crimen
Al comenzar a aplicar la herramienta, se dieron cuenta de que no permitía identificar regiones de la ciudad con patrones de criminalidad similares.
Luego desarrollaron una metodología que hace posible comparar series temporales de crímenes en diferentes regiones de la ciudad. El modelo matemático y estadístico indicó que en un grupo de 20,000 esquinas con el mayor número de ataques de peatones en el centro de São Paulo, 1,535 (7.65%) concentraron casi la mitad de estos eventos.
Utilizando técnicas de aprendizaje profundo (tecnología de aprendizaje automático que permite el reconocimiento de patrones), también crearon una herramienta que permite agrupar regiones de la ciudad que tienen series temporales de delitos similares y, por lo tanto, identificar patrones y eventuales cambios.
Esta herramienta nos permitió observar que, entre los rincones de la ciudad de São Paulo donde no había registros de delitos hasta 2012, uno de ellos comenzó a ocurrir en 2017. Los análisis indicaron que, hasta 2012, la infraestructura urbana de esta región estaba bien conservada y que, a partir de 2017, el lugar fue completamente abandonado.
En otro conjunto de esquinas de las calles con alta criminalidad, se identificó una que comenzó a reducir los delitos a partir de 2017, cuando su entorno ganó la sucursal de una cadena de farmacias. «Esta puede haber sido una de las causas de la reducción de los delitos», dice Nonato.
El objetivo ahora es desarrollar herramientas que permitan predecir la probabilidad de que ocurra un crimen en las regiones de la ciudad en base a la identificación y análisis de patrones espacio-temporales.