Implementación de una arquitectura de red convolucional aplicada a la predicción de masas de crimen en la Ciudad de Bogotá.
Cargando...
Fecha
Fecha
2021-12-18
Director
Colaboradores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Altmetric
Descripción
En este trabajo se presenta la implementación de una arquitectura de red neuronal convolucional-deconvolucional adaptada a la predicción de crimen en la ciudad de Bogotá. Específicamente, se diseña una arquitectura convolucional para extraer patrones espaciales de mapas bidimensionales de datos provenientes de eventos de crimen. También se agregan capas de convolución transpuesta para recuperar el tamaño espacial de la señal de entrada. Esta adaptación permite generar información que al ser representada en mapas bidimensionales se puede comparar con la información proveniente de eventos de subreportes de crimen y determinar el desempeño de las redes neuronales.
Por otra parte, partiendo de un estudio previo del crimen en la ciudad de Bogotá, se generan volúmenes de datos sintéticos a partir de autómatas celulares con reglas del juego de la vida de Conway. Estos volúmenes de datos sintéticos poseen propiedades similares a las de las dinámicas espacio-temporales presentes en la señal de eventos de crimen en la ciudad de Bogotá.
Dentro de este marco se configuran experimentos con dos tipos de entrada sobre la arquitectura convolucional-deconvolucional. En unos primeros, se alimenta la red con volúmenes de datos obtenidos del reporte de eventos de crimen en la ciudad de Bogotá. En los segundos, con volúmenes de datos sintéticos y en otros con el conjunto unión de datos reales y datos sintéticos. En total se presentan cinco casos de uso en los que se entrena la arquitectura con diferentes configuraciones de volúmenes y técnicas de aprendizaje profundo para posteriormente evaluar su desempeño.
Resumen
The current work presents the design and adaptation of a deep neural network architecture for urban crime forecasting in Bogota city. The architecture skeleton is based on convolutional and deconvolutional layers trained with multidimensional data from criminal subreports. A subset of convolutional layers is used to capture spatial patterns from crime events. Additionally, transposed convolutional layers are used on top of the deepest convolutional layer to recover the spatial dimensions of the input data. Therefore, the information generated by the architecture is compared with the expected output over two-dimensional crime masses maps.
Moreover, this work expands upon a previous study of urban crime in Bogota city by generating synthetic data from the cellular automaton known as Conway's Game of Life. This synthetic data exhibits similar properties to the Spatio-temporal crime dynamics in Bogota city.
In addition, the experimentation over the convolutional-deconvolutional architecture is performed with two subsets of input volumes. The first subset of input arrays was built based upon information gathered from criminal subreports in Bogota city. The second subset of inputs consists of synthetic data. Hence, the experiments with real, synthetic, and the union of real and synthetic data were summarized in five use cases. Each use case was set up with a specific scheme of deep learning techniques and a variation of parameters to evaluate performance for each case independently.
Palabras clave
Aprendizaje automático, Aprendizaje profundo, Red neuronal convolucional, Grafo computacional, Predicción de crimen urbano, Inteligencia artificial