La inteligencia artificial y la video-vigilancia en la predicción y detección de delitos en espacio-tiempo: una revisión sistemática
DOI:
https://doi.org/10.47741/17943108.398Palabras clave:
Criminología, inteligencia artificial, detección de delitos, geografía social, Sistemas de Información Geográfica (GIS), mapas delictivos, análisis espacio-temporal.Resumen
En la sociedad de hoy los delitos vienen incrementándose y particularmente en la ciudad de Bogotá, lo que ha causado muchos inconvenientes a la Policía Nacional de Colombia, así como también a los centros de seguridad ciudadana. Ante esta situación, se ha propuesto una predicción de tiempo-espacio en los puntos críticos de crímenes y delitos, con la ayuda de inteligencia artificial. Por consiguiente, este trabajo tiene como objetivo analizar, resumir, interpretar y evaluar las distintas técnicas de predicción espacio-temporal de la delincuencia con un panorama inteligente. Por la propia naturaleza de la investigación, se utilizó una metodología de enfoque descriptivo-cualitativo, con la cual se diseñaron fichas de observación estructurada para sistematizar información de cinco bases de datos: Scopus, Web of Science, IEEE, ACM, Springer; dichas publicaciones comprenden desde 2019 hasta junio de 2021. En consecuencia, se encontraron en total 3015 estudios, después del proceso de cribado y verificación de los criterios de exclusión e inclusión, se seleccionaron 132 artículos, luego se aplicaron preguntas Psicólogo Interno Residente (PIR), quedando así 18 artículos. Los principales hallazgos encontrados indican que los algoritmos de redes neuronales resultaron ser uno de los métodos más eficaces para la detección de puntos críticos de delincuencia, dado que los grandes avances de la tecnología coadyuvarían en los próximos años a predecir de forma rápida y eficaz los actos delictivos y los crímenes ubicados en cualquier región del continente latinoamericano.
Descargas
Citas
Akhgar, B., & Yates, S.J. (2011). Strategic Intelligence Management for Combating Crime and Terrorism. In: Akhgar, B., Yates, S. (Eds) Intelligence Management. Advanced Information and Knowledge Processing. Springer, London. https://doi.org/10.1007/978-1-4471-2140-4_10
Baqir, A., Rehman, S, Malik, S., Mustafa, F., & Ahmad, U. (2020). Evaluating the Performance of Hierarchical Clustering algorithms to Detect Spatio-Temporal Crime Hot-Spots. 2020 3rd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), 1, 1-5. https://doi.org/10.1109/icomet48670.2020.9074125
Brantingham, P., & Brantingham, P. (1993). Nodes, paths and edges: Considerations on the complexity of crime and the physical environment. Journal of Environmental Psychology, 13(1), 3-28. https://doi.org/10.1016/s0272-4944(05)80212-9
Butt, U, Letchmunan, S., Hassan, F, Ali M., Baqir, A., & Sherazi, H. (2020). Spatio-Temporal Crime Hot Spot Detection and Prediction: A Systematic Literature Review. IEEE Access, 8, 166553-166574. https://doi.org/10.1109/access.2020.3022808
Deshmukh, S., & Annappa, B. (2019). Prediction of Crime Hot Spots Using Spatiotemporal Ordinary Kriging. Studies in Computational Intelligence, 771(1), 683-691. https://doi.org/1007/978-981-10-8797-470
Elluri, L., Mandalapu, V., & Roy, N. (2019). Developing Machine Learning Based Predictive Models for Smart Policing. 2019 IEEE International Conference on Smart Computing (SMARTCOMP), 1, 198-204. https://doi.org/10.1109/SMARTCOMP.2019.00053
Esquivel, N., Nicolis, O., Peralta B., & Mateu, J. (2020) Spatio-Temporal Prediction of Baltimore Crime Events Using CLSTM Neural Networks, in IEEE Access, 8, 209101-209112. https://doi.org/10.1109/ACCESS.2020.3036715
Flores Arias, P. (2014). Modelación y predicción de focos de criminalidad basado en modelos probabilísticos. Tesis de pregrado, Universidad de Chile, Santiago de Chile. https://repositorio.uchile.cl/handle/2250/129832
Gerber, M. (2014). Predicting Crime Using Twitter and Kernel Density Estimation. Decision Support Systems, 61, 115-125. https://doi.org/10.1016/j.dss.2014.02.003
Gorr, W., & Harries, R. (2003). Introduction to crime forecasting. International Journal of Forecasting, 19(4), 551-555. https://doi.org/10.1016/s0169-2070(03)00089-x
Helbich, M., & Jokar Arsanjani, J. (2014). Spatial eigenvector filtering for spatiotemporal crime mapping and spatial crime analysis. Cartography and Geographic Information Science, 42(2), 134-148. https://doi.org/10.1080/15230406.2014.893839
Kalampokis, E., Tambouris, E., & Tarabanis, K. (2013), Understanding the predictive power of social media. Internet Research, 23(5), 544-559. https://doi.org/10.1108/IntR-06-2012-0114
Kounadi, O., Ristea, A., Araujo, A., & Leitner, M. (2020). A systematic review on spatial crime forecasting. Crime Science, 9(7), 1-22. https://doi.org/10.1186/s40163-020-00116-7
Chiok, C. H. (2014). Modelos de regresión lineal con redes neuronales. Anales Científicos, 75(2), 253. https://doi.org/10.21704/ac.v75i2.961
Misyrlis, M., Cheung, C. Srivastava, A., Kannan, R., & Prasanna, V. (2017). Spatio-Temporal Modeling of Criminal Activity. Proceedings of the 2nd International Workshop on Social Sensing, 1, 3-8. https://doi.org/10.1145/3055601.3055613
Papalexakis, E., Dumitras, T., Chau, D, Prakash, B., & Faloutsos, C. (2014). SharkFin: Spatio-temporal mining of software adoption and penetration. Social Network Analysis and Mining, 4(1), 1-15. https://doi.org/10.1007/s13278-014-0240-2
Quick, M. (2019). Multiscale Spatiotemporal Patterns of Crime: A Bayesian Cross-Classified Multilevel Modelling Approach. Journal of Geographical Systems, 21(3), 339-365. https://doi.10.1007/s10109-019-00305-2
Sheehey, B. (2019). Algorithmic Paranoia: The Temporal Governmentality of Predictive Policing. Ethics and Information Technology, 21(1), 49-58. https://doi.org/10.1007/s10676-018-9489-x
Shiode, S., & Shiode, N. (2020). A network-based scan statistic for detecting the exact location and extent of hotspots along urban streets. Computers, Environment and Urban Systems, 83, 1-12. https://doi.org/10.1016/j.compenvurbsys.2020.101500
Ugolini, V., & Smith, M. (2021). Shadowing ‘The Exceptional’ behind the ‘Ordinary’: Mapping a Network of Intelligence Laundering. Intelligence and National Security, 36(1), 72-94. https://doi.org/10.1080/02684527.2020.1791488
Wain, N., Ariel, B., & Tankebe, J. (2017). The collateral consequences of GPS-LED supervision in hot spots policing. Police Practice and Research, 18(4), 376-390. https://doi.org/10.1080/15614263.2016.1277146
Xiao, J., Wang, Z., Chen, Y., Liao, L., Xiao, J., Zhan, G., & Hu, R. (2016). A sensitive object-oriented approach to big surveillance data compression for social security applications in smart cities. Software: Practice and Experience, 47(8), 1061-1080. https://doi.org/10.1002/spe.2430
Xie, Y., Shekhar, S. (2019). Una estadística de exploración basada en la normalización no determinista (exploración NN) hacia la detección robusta de puntos de acceso: un resumen de los resultados. Actas de la Conferencia Internacional SIAM 2019 sobre Minería de Datos, 1, 82-90. https://doi.org/10.1137/1.9781611975673.10
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Criminalidad
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Licencia creative commons CC BY NC ND https://creativecommons.org/licenses/by-nc-nd/2.0/
