En un estudio publicado en el Ciencia de datos EPJ diario, el equipo de investigadores de RMIT muestra cómo los datos de ubicación y actividad de los usuarios de la aplicación Foursquare, cuando se combina con algoritmos de recomendación, nos permite predecir delitos con mayor precisión que nunca.

Los usuarios de Foursquare comparten su ubicación y actividad cuando se 'registran' en varios lugares. El estudio utilizó datos de más de 20, 000 registros de usuarios en Brisbane, y casi 230, 000 registros de usuarios en la ciudad de Nueva York.

La científica informática de RMIT, la Dra. Flora Salim, dice que esta dinámica, Los datos en tiempo real sobre los movimientos de personas en una ciudad son muy valiosos para comprender la probabilidad de diferentes situaciones en un área.

Pero para llenar los muchos vacíos en estos datos basados ​​en la ubicación, los investigadores también desarrollaron algoritmos de recomendación, similares a los que se utilizan para recomendar canciones relacionadas en Spotify.

"Obviamente, la gran mayoría de las personas en la ciudad no siempre usaban la aplicación y los que cometían delitos probablemente no publicaban en la aplicación al respecto, "dice ella". utilizamos sistemas de recomendación para llenar los vacíos y predecir otras actividades en cualquier escenario ".

En pruebas en ambas ciudades, el sistema predijo tipos específicos de delitos en partes específicas de la ciudad mejor que los modelos existentes de predicción de delitos basados ​​en las tendencias delictivas.

En Brisbane, Se descubrió que el sistema era un 16% más preciso para predecir agresiones que los modelos actuales. 6% más preciso para predecir la entrada ilegal, 4% mejor para delitos de drogas y robo y 2% mejor para predicción de fraude.

En nueva york, mejoró la precisión de la predicción en un 4% para los delitos de robo y drogas, fraude y entrada ilegal, mientras mejora las predicciones de agresión en un 2%.

Salim dice que dada la escasez de conjuntos de datos utilizados en el estudio, estos resultados son significativos.

"Según estos resultados positivos, Esta tecnología podría permitir a la policía diseñar estrategias de patrulla más efectivas con recursos limitados al enviar oficiales a los lugares donde es más probable que se cometa un delito. " ella dice.

El sistema también se puede escalar fácilmente para procesar muestras más grandes desde casi cualquier plataforma de redes sociales. aplicación o red móvil que recopila datos basados ​​en la ubicación.

"El uso generalizado de las redes sociales como Twitter y Foursquare, que recopilan enormes cantidades de datos sobre nuestra ubicación, actividades y preferencias:brinda oportunidades sin precedentes para capturar el movimiento y la actividad de las personas en una ciudad, " ella dice.

El estudio es solo un ejemplo de cómo se pueden utilizar nuestros datos para predecir nuestras acciones para una amplia gama de aplicaciones.

Otro proyecto en el que está involucrado Salim analiza los algoritmos para predecir, con altos niveles de precisión, lo que haremos en la segunda mitad de nuestro día en función de patrones históricos y datos recopilados de la primera mitad de nuestro día.

"Investigación sobre el patrón del movimiento humano, basado en datos de nuestras aplicaciones móviles, a menudo muestra cuán predecibles son muchas de nuestras actividades, "Dice Salim.

Autor principal y Ph.D. estudiante Shakila Khan Rumi, quien es supervisado por Salim y el Dr. Ke Deng, dice que el estudio marca un importante paso adelante en los modelos de predicción de delitos.

"Los modelos actuales de predicción de delitos de vanguardia generalmente se basan en características estáticas relativas que incluyen información histórica a largo plazo, información geográfica e información demográfica. Esta información cambia lentamente con el tiempo, lo que significa que estos modelos tradicionales no pudieron capturar las variaciones a corto plazo en la ocurrencia de eventos delictivos, "Dice Rumi.

"Los resultados de nuestras pruebas demuestran que la mejora del rendimiento de la predicción después de agregar funciones dinámicas es considerable y estadísticamente significativa. Eso es realmente revolucionario".

El grupo ahora planea extender el trabajo entrenando los algoritmos usando datos de una ciudad y aumentando su capacidad para aplicar esos aprendizajes en una ciudad diferente donde los patrones son diferentes.