Magíster en Ciencias de la Ingeniería, Mención Eléctrica / Con el incremento de la delincuencia se ha hecho necesario que las fuerzas de seguridad busquen más herramientas que les permitan analizar los procesos delictivos y evaluar el posible riesgo criminal, con el fin de poder determinar las acciones tácticas, asignación de recursos policiales y planificaciones a corto y largo plazo para enfrentar este problema. Una de las formas de realizar un análisis de los delitos que ocurren en una ciudad es mediante el análisis de patrones criminales, a través del modelamiento y simulación de datos que entreguen la información necesaria para el estudio de cada una de las variables que intervienen en cada hecho. De esta forma se podrá caracterizar al criminal, su forma de actuar, sus preferencias; factores que servirán para poder predecir hechos que atenten contra de la seguridad ciudadana. En la actualidad existen en el mercado códigos y programas que permiten realizar pre- dicciones de qué zona podrá tener un alto índice de criminalidad, pero los costos de estos programas son muy elevados. La propuesta de este proyecto es generar y verificar un método para caracterizar y predecir el riesgo criminal de un área urbana determinada, usando una base de datos generada en forma artificial. Para la generación de la base de datos se usa un algoritmo que permite al usuario seleccionar un número de zonas urbanas a considerar, las mismas que están constituidas por servicios públicos o privados de todo tipo, y que una vez que se han elegido las zonas el algoritmo generará en forma aleatoria delitos asociados a cada servicio. Los datos generados son utilizados para verificar una metodología de caracterización del riesgo criminal espacial. Pero no basta con esta distribución inicial, ya que el proceso delictivo está en constante cambio. Por esta razón es necesario simular con la inclusión de la variable temporal, mediante la inserción de nueva información de eventos delictivos y la aplicación de un modelo dinámico, donde se obtendrá una distribución espacial del riesgo actualizada. Para obtener un resultado óptimo del modelo espacial, se utiliza un algoritmo de optimización para encontrar la actualización adecuada de la distribución, siendo el resultado final el que se usará en la etapa de predicción. Para la etapa de predicción se realiza un agrupamiento o clustering de la nueva informa- ción (nuevos eventos delictivos), incluidos en la etapa temporal, con la finalidad de encontrar los posibles centros de las zonas de riesgo (atractores criminales). Una vez que se tienen los centros, por medio de un modelo empírico de un atractor criminal y con una determinada ventana de tiempo, se genera una distribución de predicción del riesgo criminal.

Magíster en Ciencias de la Ingeniería, Mención Eléctrica. Ingeniero Civil Eléctrico / Una de las mayores preocupaciones a nivel nacional es velar por la seguridad ciudadana. Gracias al masivo almacenamiento de datos es posible utilizar herramientas computacionales que identifiquen los patrones criminales, ayudando a optimizar los recursos policiales destinados a mitigar la delincuencia, siendo Predpol® pionero en el rubro de análisis y predicción de eventos criminales. Este trabajo de tesis muestra un modelo basado en teoría de kernels y análisis de espectros de frecuencia mediante Transformada Wavelet para caracterizar la evolución espacio-temporal del riesgo criminal, permitiendo predecir la actividad delictual. El modelo utiliza información espacio-temporal de eventos criminales ocurridos anteriormente para generar una función de intensidad dinámica, la cual indica donde existe una mayor probabilidad de ocurrir un evento criminal en el futuro. Se separa una base de datos criminal otorgada por Carabineros de Chile en dos conjuntos: una denominado fase priori (captura de la tendencia criminal histórica) y otro como fase posteriori (captura de la tendencia criminal reciente). Usando la información espacial de los datos en cada conjunto se procede a entrenar las medias, covarianzas y pesos asociados a cada componente que define a un Gaussian Mixture Model (GMM). Definidos los componentes espaciales se procede a caracterizar el comportamiento temporal de los delitos asignados a cada componente por medio del entrenamiento de Kernel Periodicos Gaussianos (KPG) o por medio de análisis de Transformada Wavelet (TW). Finalmente se entrega un modelo de predicción espacio-temporal del riesgo criminal capaz de integrar la fase priori y posteriori mediante un coeficiente inter-proceso. El modelo es evaluable en diferentes comunas y su visualización es por medio de grillas espaciales de 150x150m2 y muestrada cada ocho horas según los turnos policiales. Este trabajo de tesis propone el estudio del modelo espacio-temporal de riesgo criminal usando dos métodos de caracterización temporal: una mediante el entrenamiento de sumas de KPG y otro mediante el análisis de espectros de frecuencia usando TW. Siendo posible comparar sus desempeños utilizando un conjunto de entrenamiento y prueba. Se desarrollaron optimizaciones paramétricas en los modelos temporales basado en minimizar el error cuadrático medio del conjunto de prueba de cada componente espacial. Los resultados arrojan que el proceso de caracterización temporal por medio de TW tiene una mejor tasa de aciertos promedio que los modelos de KPG según métricas de desempeños especialmente definidas para el problema: High Risk Porcentage (HRP), True Incident Percentage (TIP) y Area Under Curve (AUC). El modelo de caracterización espacio-temporal del riesgo criminal es ejecutado en 10 comunas de la Región Metropolitana, obteniendo una adecuada tasa de acierto con una reducida cantidad de área, siendo factible su uso para predecir en diferentes comunas. Finalmente se entrega un estudio de la importancia de la información de la fase priori respecto a la posteriori en el desempeño del modelo espacio-temporal de riesgo criminal. / Este trabajo ha sido parcialmente financiado por CONICYT 4191/2015 y Carabineros de Chile