Los investigadores utilizan inteligencia artificial para identificar posibles ubicaciones inseguras en las ciudades

La identificación de posibles focos de delincuencia en una ciudad es un tema importante para el desarrollo de la seguridad urbana y puede ayudar a las autoridades a tomar las medidas necesarias para que la ciudad sea más segura para sus residentes. La eficacia de tales medidas preventivas depende de la precisión de las predicciones, que se realizan cada vez más mediante modelos basados ​​en inteligencia artificial (IA). La mayoría de los modelos existentes utilizan percepciones subjetivas de ubicaciones seguras, estatus socioeconómico e imágenes fijas de escenas del crimen, y solo unos pocos delitos violentos se clasifican como datos de entrada. Como resultado, a menudo hay una discrepancia entre sus predicciones y la realidad.

En un nuevo estudio publicado en Conferencia AAAI sobre Inteligencia Artificialinvestigadores del Instituto de Ciencia y Tecnología de Gwangju (GIST) en Corea del Sur propusieron una estrategia diferente basada en un conjunto de datos a gran escala y el concepto de «desviación», que incluía no solo delitos violentos sino también denuncias civiles relacionadas con comportamientos que violan las normas sociales. , que también se llama «comportamiento desviado».

En consecuencia, desarrollaron un modelo de red neuronal convolucional, acertadamente llamado «DevianceNet», y lo entrenaron usando un conjunto de datos etiquetados geográficamente de informes de incidentes desviados con imágenes secuenciales correspondientes de las ubicaciones de incidentes adquiridas usando Google Street View. «Nuestro trabajo es el primer estudio que investiga la relación entre la apariencia física de una ciudad y la desviación con técnicas de aprendizaje profundo», comenta el profesor asociado Hae-Gon Jeon, quien dirigió el estudio.

Los investigadores recolectaron las imágenes de 10 coordenadas GPS dentro de un radio de 50 m desde el sitio de los incidentes informados y, para cada ubicación GPS, consideraron imágenes con 12 direcciones para un total de 120 imágenes. Usando datos de cinco ciudades importantes en Corea del Sur y dos en los EE. UU., entrenaron y probaron su modelo con 2250 lugares desviados y 760,952 imágenes. Un conjunto de datos tan grande mejoró las capacidades de predicción del modelo para detectar posibles ubicaciones desviadas. «Esto mejoró las tareas de percepción visual como el reconocimiento, la clasificación y la localización», explica el Dr. Jeon. «La representación holística de DevianceNet extraída de secuencias de imágenes completas hace posible clasificar y detectar con precisión lugares desviados».

Dado que el modelo puede identificar comportamientos desviados a partir de los atributos visuales del entorno, no es específico de una ciudad y se puede utilizar para identificar posibles ubicaciones inseguras incluso cuando no se dispone de datos sobre incidentes delictivos. «Esto lo convierte en una herramienta útil en países que tienen un mantenimiento de registros deficiente. El modelo también se puede integrar en los servicios de navegación para sugerir rutas más seguras», dice el Dr. Jeon, hablando sobre las implicaciones prácticas del estudio. «Además, los planificadores de la ciudad pueden usar los resultados de la predicción para comprender cómo se puede rediseñar el diseño de la ciudad o el entorno de diseño para reducir los casos de comportamiento desviado y actividad delictiva».

Proporcionado por el Instituto de Ciencia y Tecnología de Gwangju