SlideShare una empresa de Scribd logo
1 de 21
CAS: Criminaliteits Anticipatie Systeem
Predictive Policing bij de Nederlandse Politie
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
Agenda

Predictive policing: Criminaliteits Anticipatie Systeem

Context

Methode

Toepassing
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.
Woninginbraak
Geen 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%
CAS: Methode
Colored area: 3%
# incidents: 25
CAS: Methode
Colored area: 3%
# incidents: 25
Direct Hits: 5 (20%)
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: Methode

Wanneer moet worden ingezet?
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
Vragen?

Más contenido relacionado

Más de BigDataExpo

Más de BigDataExpo (20)

Centric - Jaap huisprijzen, GTST, The Bold, IKEA en IENS. Zomaar wat toepassi...
Centric - Jaap huisprijzen, GTST, The Bold, IKEA en IENS. Zomaar wat toepassi...Centric - Jaap huisprijzen, GTST, The Bold, IKEA en IENS. Zomaar wat toepassi...
Centric - Jaap huisprijzen, GTST, The Bold, IKEA en IENS. Zomaar wat toepassi...
 
Google Cloud - Google's vision on AI
Google Cloud - Google's vision on AIGoogle Cloud - Google's vision on AI
Google Cloud - Google's vision on AI
 
Pacmed - Machine Learning in health care: opportunities and challanges in pra...
Pacmed - Machine Learning in health care: opportunities and challanges in pra...Pacmed - Machine Learning in health care: opportunities and challanges in pra...
Pacmed - Machine Learning in health care: opportunities and challanges in pra...
 
PGGM - The Future Explore
PGGM - The Future ExplorePGGM - The Future Explore
PGGM - The Future Explore
 
Universiteit Utrecht & gghdc - Wat zijn de gezondheidseffecten van omgeving e...
Universiteit Utrecht & gghdc - Wat zijn de gezondheidseffecten van omgeving e...Universiteit Utrecht & gghdc - Wat zijn de gezondheidseffecten van omgeving e...
Universiteit Utrecht & gghdc - Wat zijn de gezondheidseffecten van omgeving e...
 
Rob van Kranenburg - Kunnen we ons een sociaal krediet systeem zoals in het o...
Rob van Kranenburg - Kunnen we ons een sociaal krediet systeem zoals in het o...Rob van Kranenburg - Kunnen we ons een sociaal krediet systeem zoals in het o...
Rob van Kranenburg - Kunnen we ons een sociaal krediet systeem zoals in het o...
 
OrangeNXT - High accuracy mapping from videos for efficient fiber optic cable...
OrangeNXT - High accuracy mapping from videos for efficient fiber optic cable...OrangeNXT - High accuracy mapping from videos for efficient fiber optic cable...
OrangeNXT - High accuracy mapping from videos for efficient fiber optic cable...
 
Dynniq & GoDataDriven - Shaping the future of traffic with IoT and AI
Dynniq & GoDataDriven - Shaping the future of traffic with IoT and AIDynniq & GoDataDriven - Shaping the future of traffic with IoT and AI
Dynniq & GoDataDriven - Shaping the future of traffic with IoT and AI
 
Teleperformance - Smart personalized service door het gebruik van Data Science
Teleperformance - Smart personalized service door het gebruik van Data Science Teleperformance - Smart personalized service door het gebruik van Data Science
Teleperformance - Smart personalized service door het gebruik van Data Science
 
FunXtion - Interactive Digital Fitness with Data Analytics
FunXtion - Interactive Digital Fitness with Data AnalyticsFunXtion - Interactive Digital Fitness with Data Analytics
FunXtion - Interactive Digital Fitness with Data Analytics
 
fashionTrade - Vroeger noemde we dat Big Data
fashionTrade - Vroeger noemde we dat Big DatafashionTrade - Vroeger noemde we dat Big Data
fashionTrade - Vroeger noemde we dat Big Data
 
BigData Republic - Industrializing data science: a view from the trenches
BigData Republic - Industrializing data science: a view from the trenchesBigData Republic - Industrializing data science: a view from the trenches
BigData Republic - Industrializing data science: a view from the trenches
 
Bicos - Hear how a top sportswear company produced cutting-edge data infrastr...
Bicos - Hear how a top sportswear company produced cutting-edge data infrastr...Bicos - Hear how a top sportswear company produced cutting-edge data infrastr...
Bicos - Hear how a top sportswear company produced cutting-edge data infrastr...
 
Endrse - Next level online samenwerkingen tussen personalities en merken met ...
Endrse - Next level online samenwerkingen tussen personalities en merken met ...Endrse - Next level online samenwerkingen tussen personalities en merken met ...
Endrse - Next level online samenwerkingen tussen personalities en merken met ...
 
Bovag - Refine-IT - Proces optimalisatie in de automotive sector
Bovag - Refine-IT - Proces optimalisatie in de automotive sectorBovag - Refine-IT - Proces optimalisatie in de automotive sector
Bovag - Refine-IT - Proces optimalisatie in de automotive sector
 
Schiphol - Optimale doorstroom van passagiers op Schiphol dankzij slimme data...
Schiphol - Optimale doorstroom van passagiers op Schiphol dankzij slimme data...Schiphol - Optimale doorstroom van passagiers op Schiphol dankzij slimme data...
Schiphol - Optimale doorstroom van passagiers op Schiphol dankzij slimme data...
 
Veco - Big Data in de Supply Chain: Hoe Process Mining kan helpen kosten te r...
Veco - Big Data in de Supply Chain: Hoe Process Mining kan helpen kosten te r...Veco - Big Data in de Supply Chain: Hoe Process Mining kan helpen kosten te r...
Veco - Big Data in de Supply Chain: Hoe Process Mining kan helpen kosten te r...
 
Rabobank - There is something about Data
Rabobank - There is something about DataRabobank - There is something about Data
Rabobank - There is something about Data
 
VU Amsterdam - Big data en datagedreven waardecreatie: valt er nog iets te ki...
VU Amsterdam - Big data en datagedreven waardecreatie: valt er nog iets te ki...VU Amsterdam - Big data en datagedreven waardecreatie: valt er nog iets te ki...
VU Amsterdam - Big data en datagedreven waardecreatie: valt er nog iets te ki...
 
Booking.com - Data science and experimentation at Booking.com: a data-driven ...
Booking.com - Data science and experimentation at Booking.com: a data-driven ...Booking.com - Data science and experimentation at Booking.com: a data-driven ...
Booking.com - Data science and experimentation at Booking.com: a data-driven ...
 

Politie dick willems