Data analytics for criminal behavior in large cities

Abstract

Este proyecto se centra en el desarrollo de una aplicación web que utiliza el análisis de datos y modelos predictivos de Inteligencia Artificial para estimar la probabilidad de ocurrencia de crímenes en la ciudad de Chicago. Se han implementado dos modelos de Aprendizaje Automático: Random Forest y K-Nearest Neighbors (KNN). El modelo Random Forest estima la probabilidad de crímenes en zonas delimitadas especificas en Chicago, conocidas como beats, y franjas horarias específicas. Por otro lado, el modelo KNN evalúa la probabilidad más a detalle en puntos determinados de la ruta, basándose en un número de vecinos cercanos y dependiendo el día y la hora. La aplicación utiliza Azure Maps para trazar tres rutas óptimas entre dos puntos y así superponer datos de crímenes y los resultados de los modelos, mostrando aquellos crímenes más incidentes en las rutas. El proyecto demuestra la viabilidad de estas técnicas para mejorar la seguridad urbana y resalta los desafíos y áreas para futuras mejoras.

This project focuses on the development of a web application that uses data analysis and predictive Artificial Intelligence models to estimate the probability of crime occurrence in the city of Chicago. Two machine learning models have been implemented: Random Forest and K-Nearest Neighbors (KNN). The Random Forest model estimates the probability of crimes in specific delimited areas in Chicago, known as beats, and specific time zones. On the other hand, the K-Nearest Neighbors model evaluates the probability in more detail at specific points along the route, based on several of its close neighbors and depending on the day and time. The application uses Azure Maps to map three optimal routes between two points and overlay crime data and the results of the models, showing those crimes that occur most frequently on the routes and their probability. The project demonstrates the viability of these techniques to improve urban safety and highlights the challenges and areas for future improvements.