UN ENFOQUE BASADO EN DATOS PARA PREDECIR EVENTOS DELICTIVOS EN CIUDADES INTELIGENTES (A DATA-DRIVEN APPROACH FOR PREDICTING CRIMINAL EVENTS IN SMART CITIES)

Abstract

Resumen Actualmente, uno los retos de las instituciones gubernamentales es garantizar la seguridad de los habitantes. Este desafio tambien se presenta en el contexto de ciudades inteligentes, pero con la ventaja de tener sistemas de informacion de seguridad publica que colectan datos de los eventos delictivos en tiempo real. Por lo cual, se pueden disenar enfoques basados en tecnicas de mineria de datos y aprendizaje automatico que permitan predecir eventos delictivos basados en datos historicos y en el comportamiento identificados por zonas de una ciudad y en sus habitantes. En este trabajo se presenta un analisis predictivo de eventos criminales utilizando un conjunto de datos que almacena 6.4 millones de registros, colectados por un sistema de informacion implementado en una ciudad inteligente. El enfoque propuesto permite determinar la etiqueta de una clase de tipo binaria, la cual representa la probabilidad que un individuo sea arrestado al cometer un delito. Ademas, se realiza una comparacion entre dos algoritmos de clasificacion de datos: algoritmo de arbol de decision CART y algoritmo de ensamble AdaBoost, con el fin de determinar que algoritmo obtiene un mejor rendimiento mediante la metrica de precision y una validacion cruzada. Previamente, en el conjunto de datos se aplica un metodo de seleccion de caracteristicas para disminuir la dimensionalidad de los datos y el costo computacional en la ejecucion de los algoritmos de clasificacion. Palabras Claves: Clasificacion, Seleccion de atributos, Ciudades inteligentes, Prediccion, Arbol de decision. Abstract Nowadays, one of the challenges of government institutions is to guarantee the safety of the inhabitants. This challenge is also presented in the context of smart cities, but with the advantage of having public security information systems that collect data of criminal events in real time. Therefore, approaches based on data mining techniques and automatic learning can be designed to predict criminal events based on historical data and behavior identified by areas of a city and its inhabitants. This paper presents a predictive analysis of criminal events using a set of data that stores 6.4 million records, collected by an information system implemented in an intelligent city. The proposed approach allows determining the label of a class of binary type, which represents the probability that an individual is arrested when committing a crime. In addition, a comparison is made between two data classification algorithms: CART decision tree algorithm and AdaBoost ensemble algorithm, in order to determine which algorithm obtains better performance through precision metrics and cross-validation. Previously, a feature selection method is applied in the data set to reduce the dimensionality of the data and the computational cost in the execution of the classification algorithms. Keywords : Classification, Feature selection, Smart cities, Prediction, Decision tree .