Predicción del crimen y patrullaje predictivo: una aplicación en la lucha contra la delincuencia

Abstract

[ES] En este estudio de investigación, se exploró la predicción del crimen utilizando enfoques de modelado basados en redes neuronales. Se realizaron análisis comparativos entre dos tipos de redes neuronales: MLP (Perceptrón Multicapa) y Redes Neuronales Keras Regressor con Atención. El objetivo principal fue evaluar si la incorporación de atención mejoraba la precisión en la predicción del crimen utilizando datos de la ciudad de San Francisco. Inicialmente, se realizó un análisis de clustering con el propósito de identificar clusters o grupos de características similares en los datos de crimen. Los resultados de aplicar un análisis de clustering a los datos, no revelaron la existencia de clusters o grupos de características similares en los datos de crimen, por lo que se utilizó la estructura geográfica de los distritos policiales como grupos de referencia para desarrollar modelos específicos. Esta aproximación permitió tener en cuenta las particularidades y patrones individuales de cada distrito. Se pretendió crear modelos de predicción del crimen para cada distrito policial, con el objetivo de reducir la variabilidad en las predicciones. Los resultados obtenidos mostraron que esta estrategia de modelos por distrito policial fue efectiva para abordar la variabilidad en la comisión de delitos. Al considerar las características específicas de cada distrito, los modelos lograron capturar mejor los patrones y las tendencias del crimen en San Francisco. Se observó una mejora significativa en la precisión de la predicción del crimen en comparación con el enfoque tradicional de MLP.

[EN] In this research study, crime prediction was explored using neural network-based modeling approaches. Comparative analyses were conducted between two types of neural networks: MLP (Multilayer Perceptron) and Neural Networks with Attention using Keras Regressor. The main objective was to evaluate if the incorporation of attention improved the accuracy in crime prediction using data from the city of San Francisco. Initially, an attempt was made to perform clustering analysis with the purpose of identifying clusters or groups with similar characteristics in the crime data. However, the results did not reveal the existence of clusters, and the geographical structure of police districts was used as reference groups to develop specific models. This approach allowed for the consideration of individual district peculiarities and patterns. The intention was to create crime prediction models for each police district, aiming to reduce variability in the predictions. The results obtained showed that this strategy of district-specific models was effective in addressing variability in the predictions. By considering the specific characteristics of each district, the models better captured crime patterns and trends in San Francisco. A significant improvement in the accuracy of crime prediction was observed compared to the traditional MLP approach.