Politie dick willems
-
Upload
bigdataexpo -
Category
Data & Analytics
-
view
255 -
download
1
Transcript of Politie dick willems
Voorstellen
Dick Willems Achtergrond: Mathematische Psychologie (Radboud Universiteit Nijmegen) Statisticus bij Radboud Universiteit Nijmegen en Universiteit Maastricht Datamining consultant in de commerciele sector In dienst bij de Eenheid Amsterdam sinds 2012
Context
Kerntaken van de politie: Zorgen voor veiligheid voor iedereen in Nederland. De openbare orde bewaken. Strafbare feiten opsporen. Hulp verlenen bij nood. Uitvoeren van politietaken voor justitie. Criminaliteit voorkomen en bestrijden.
Context: Hotspot kaarten
Voor CAS: hotspots met behulp van gaussiaanse filters Constructie subjectief Interpretatie subjectief
Doel CAS: Allocateer politiecapaciteit zo efficient
mogelijk, zodat de politie daar ter plaatse is waar het er toe doet, op de momenten dat het er toe doet.
CAS: Methode
Amsterdam wordt verdeeld in vakjes van 125m bij 125 m
Data verzamelen van deze vakjes
Historische verbanden met misdaad vastleggen Periode van 2 jaar Wekelijkse peilmomenten
Vragen: Waar moet worden ingezet? Wanneer moet daar worden ingezet??
CAS: Methode
Per vakje en peilmoment, bepaal: Locatie-specifieke kenmerken van voor het peilmoment; Misdaadhistorie van voor het peilmoment;En: De misdaad in de week na het peilmoment.
Peilmoment
Te voorspellen criminaliteitVoorspellende kenmerken
CAS: Methode
Locatie-specifieke kenmerken CBS-data: demografie en socio-economische
kenmerken Afstand tot dichtstbij wonende bekende verdachte
(van woninginbraak, straatroof, etc) Aantal bekende verdachten in een straal van 500
meter Aantal bekende verdachten in een straal van
1000 meter
CAS: Methode
Criminaliteitshistorie Aantal criminele incidenten in een aantal
verschillende tijdsvensters: Afgelopen week; De week daarvoor; Etcetera t/m 12 weken geleden
Verstreken tijd sinds het laatste criminele incident Hetzelfde voor de aangrenzende vakjes; Lineaire trend in vakje en aangrenzende vakjes; Seizoenseffect.
WoninginbraakGeen selectie: ieder vakje heeft dezelfde kans (1.67%).
Laatste woninginbraak is minder dan 3 maanden geleden: kans stijgt naar 4.0%
In de omringende vakjes is een stijgende trend waar te nemen: 4.9%
Meer dan 5 verdachten van woninginbraak woonachtig binnen een straal van 500 meter: 6.2%
CAS: Methode
CAS: Methode
Doel Optimale selectieregels voor hoog-risico vakjes
Methode Wiskundige classificatie-technieken
Resultaat Model dat de kans op een incident in de toekomst kan
berekenen op basis van bekende kenmerken.
CAS: Methode
Colored area: 3%
# incidents: 25
Direct Hits: 5 (20%)
Near Hits: 8 (32%)
DH + NH: 13 (52%)
CAS: Methode
Colored area: 3%
# incidents: 25
Direct Hits: 5 (20%)
Near Hits: 8 (32%)
DH + NH: 13 (52%)
Misses: 12 (48%)
CAS: Toepassing
CAS-kaarten kunnen voor ieder misdaadtype worden gemaakt, zolang er een bruikbaar patroon kan worden ontdekt: Zakkenrollerij; Straatroof; Geweld; Auto-inbraak; Bedrijfsinbraak; Fietsendiefstal; Etc.
Basisteams kunnen hun eigen voorkeur opgeven (maximaal 4); kaarten worden aangepast aan lokale problematiek.
CAS: Toepassing
Automatisch proces Wekelijks:
Data-extractie; Datapreparatie; Modelbouw; Kaarten genereren;
Geen handwerk nodig; Gebruikers kunnen bij de
kaarten via een HTML landingspagina;
Geen technische kennis nodig.
CAS: Toepassing
Technisch proces Automatisch genereren van de kaarten Ambitie: meer bronnen integreren (met name GPS-
informatie)
Werkproces Verrijken van de kaarten voor een complete prognose Communicatie om “zachte” informatie te integreren Keuzes maken Ambitie: informatie op een interactieve manier aanbieden