Estudio de los robos en Pereira mediante la detección y dinámica de patrones en redes espacio temporales

Abstract

Este trabajo presenta un análisis espacio-temporal del crimen en la ciudad de Pereira, Colombia, mediante un modelamiento por medio de redes complejas. Se construye una red de eventos criminales considerando cada crimen como un nodo y las relaciones espaciales y temporales entre ellos como aristas. Los datos utilizados para este estudio consisten en hurtos reportados al departamento de policía local entre 2018 y 2021. Se estudia la estructura de la red mediante la identificación de patrones recurrentes, conocidos como motifs, que describen comportamientos emergentes del crimen. Para mejorar la eficiencia computacional para la detección de motifs, se propone una metodología que utiliza la estructura de estos subgrafos que optimiza el conteo dentro del algoritmo. Se utilizan algoritmos de clusterización en los datos para identificar las áreas que tienen patrones espacio-temporales similares de delincuencia. Se observó que una distribución log-normal se ajustaba adecuadamente a la distribución del grado de la red de eventos, permitiendo definir la distancia en la que dos sucesos pueden estar relacionados en el espacio. Los resultados muestran que la metodología propuesta es eficaz en la identificación de motifs que capturan patrones espacio-temporales del hurto de personas. Este estudio demuestra la utilidad del análisis de redes en la modelización del crimen y aporta ideas que pueden servir de base a las estrategias de prevención de la delincuencia. (Texto tomado de la fuente)

This work presents a spatio-temporal analysis of crime in the city of Pereira, Colombia, using a complex network modeling approach. A network of criminal events is constructed considering each crime as a node and the spatial and temporal relationships between them as edges. The data used for this study consists of thefts reported to the local police department between 2018 and 2021. The network structure is studied by identifying recurring patterns, known as motifs, which describe emergent crime behaviors. To improve computational efficiency for motif detection a methodology is proposed that uses the structure of these subgraphs to optimize the count within the algorithm. Clustering algorithms are used on the data to identify areas that have similar spatio-temporal patterns of crime. A log-normal distribution was found to adequately fit the event network degree distribution, allowing to define the appropriate distance in which two events can be related in space. The results show that the proposed methodology is effective in identifying motifs that capture spatio-temporal patterns of crime. This study demonstrates the usefulness of network analysis in crime modeling and provides insights that can inform crime prevention strategies