Predicción de robo de vehículos basado en redes neuronales alimentadas por datos espacio temporales e imágenes de Google street view

Abstract

El presente trabajo tiene como objetivo principal la predicción de robos de vehículos en la ciudad Santiago de Chile, mediante la confección de un modelo de Redes Neuronales que se alimente de información gráfica, socioeconómica y temporal de un sector geográfico de robo. Para ello se utiliza la base de edatos de robos de vehículos de la Asociación de aseguradoras de autos de Chile (AACH), y a cada muestra se le asignan cuatro imágenes de Google Street View, 15 características socioeconómicas extraídas del Instituto Nacional de Estadística (INE) y de la Infraestructura de Datos Geospaciales de Chile (IDE), en conjunto con la temperatura en la fecha del incidente y la cantidad de incidentes cercanos que ocurren en el mes anterior. Esta memoria está enmarcada en el proyecto Fondef ID16I10222, liderado por los profeso- res Richard Webe y Ángel Jiménez del departamento de Ingeniería Industrial de la Univer- sidad de Chile. Para alcanzar el objetivo señalado al comienzo ,se propone un modelo de red neuronal alimentado por joint features y deep features; esto es que la red neuronal aprende de dis- tintos formatos de información como lo son datos estadísticos e imágenes. Además, en el caso de las imágenes, no son utilizadas directamente sino que se extraen carecterísticas de ellas, mediante una segunda red convolucional denominada Alexnet. Para entrenar la red es necesario disponer de zonas seguras, para lo cual se organiza la base de datos de ro- bos por fecha y se agrupa por mes, períodos en los cuales se denotan como zonas seguras aquellas que en el presente mes no posean a la redonda de 500 metros una ubicación de robos. El principal resultado esperado de la aplicación de este modelo es la obtención de proba- bilidades por zonas en una grilla de 0.01 grados de latitud y longitud sobre Santiago de Chile que puede ser representado como un heatmap de riesgo en la ciudad. Del modelo presentado, utilizando el conjunto completo de características se obtiene un 97.7% de accuracy, un 95% de precisión , un 98.9% de recall y un 97% de F1. Además al hacer reducción de características mediante Recursive feature selection y seleccionar las principales 1000 características, se obtiene un 92.96 % de accuracy, un 93.46 % de precisión, un 92.09 % de recall y un 92.77 % de F1. Con esto se concluye que el desempeño del modelo propuesto efectivamente permite una alta tasa de clasificación y además permite la creación de una representación gráfica.