Caracterización y predicción de riesgo criminal basado en Kernels espacio-temporales incluyendo fenomenología espacial

Abstract

La caracterización de riesgo criminal constituye un gran desafío, principalmente porque la ocurrencia de eventos criminales constituye un proceso puntual de difícil predicción con lógicas similares a la de terremotos y otros eventos geográficos. En esta tesis, el estudio se acotó a la caracterización y predicción de riesgo criminal generado por Delitos de Mayor Connotación Social (DMCS) para los agrupados de Robo con Fuerza y Violencia en determinadas comunas de la Región Metropolitana. La elección de este tipo de delitos radicó en su naturaleza cuasi-periódica y con tendencia a la formación de Hot-Spots, lo que los vuelve idóneos para ser caracterizados mediante la teoría de kernels espacio-temporales. El desafío principal fue generar y validar modelos descriptivos y predictivos del riesgo criminal a través de métricas adhoc como AUC (Area Under Curve), curvas TIP (True Incident Percentage) y HRP (High Risk Percentage) y la realización de estudios para determinar los factores más relevantes de la caracterización espacial considerando una caracterización temporal fija. La metodología implementada consta de cuatro pasos fundamentales: procesamiento de eventos criminales e información georeferenciada, generación de modelos espaciales que capten las tendencias históricas y recientes mediante modelos por mezcla de Gaussianas, adición de factores dinámicos mediante el entrenamiento de modelos temporales basándose en estudio de correlaciones y Wavelet y finalmente la implementación de un modelo predictivo que se traduce en mapas de calor (Hot-Spots) para diferentes ventanas temporales. La inclusión de elementos espaciales como calles y el establecimiento de restricciones radicaron en mejorar el conocimiento del riesgo criminal con el objetivo de dar coherencia y sentido físico a los modelos espaciales en pos de mejorar el desempeño predictivo. Cabe mencionar que este trabajo de tesis se desprendió de un proyecto realizado en conjunto con CEAMOS (Centro de Modelamiento y Análisis en Seguridad) y Carabineros de Chile, donde los esfuerzos apuntaron a desarrollar un software funcional que computara predicciones en demanda para ubicar con anticipación recursos policiales. En ese sentido, el trabajo de tesis no solo apuntó a generar una metodología factible teóricamente sino que aplicable proveyendo soluciones eficientes y robustas para un amplio sector geográfico y diferentes ventanas de predicción. Los resultados demostraron que la metodología es capaz de caracterizar y predecir riesgo criminal para las comunas estudiadas, recalcándose que en ciertas comunas la versión estática del algoritmo fue mejor que la dinámica. Por otro lado, mediante los estudios espaciales realizados, se establecen criterios para decidir qué parámetros de la caracterización espacial resultan ser óptimos en pos de un desempeño predictivo adecuado (cantidad de iteraciones del algoritmo de Expectation Maximization, cantidad de componentes óptimas, restricciones sobre valores propios de matrices de covarianza, entre otros parámetros).