aplicacion móvil para predicción y análisis delictivo
DESCRIPTION
tesis de ingeniería en computacionTRANSCRIPT
SISTEMA MÓVIL PARA PREDICCIÓN Y ANÁLISIS DELICTIVO
PARA OBTENER EL TÍTULO DE
P R E S E N T A
RAÚL MARTÍNEZ DEL RÍO
ASESOR:
M. en C. C. EDGAR ALFONSO GARCÍA MARTÍNEZ
VALLE DE CHALCO SOLIDARIDAD, MÉXICO 2015.
AGRADECIMIENTOS
En primer lugar agradezco a mis padres por ayudarme a terminar mi carrera gracias por
darme la fuerza y el coraje para hacer este sueño realidad, gracias por estar cada momento
de mi vida a mi lado, porque sin ustedes no hubiera podido salir adelante en esos momentos
difíciles de mi vida ,no tengo palabras para agradecerles lo mucho que ustedes me han
brindado su apoyo.
A mis hermanos que gracias a ellos he podido salir adelante ya que ellos me brindaron
todo su apoyo y brindarme esa seguridad que me hacía falta, me ayudaron a superar mis
errores y tener más confianza para poder superar estos obstáculos que me ha puesto la vida
y así ser mejor día con día.
Gracias a mi novia Alma Francés tú que viste el inicio de todo y me ayudaste en el
camino que siempre me apoya y me ayuda a seguir adelante ella me ha ayudado a ser
mejor como persona y como estudiante, no tengo palabras para expresarte lo mucho que te
amo.
Gracias a mi asesor Edgar por brindarme la oportunidad de trabajar con el y de
guiarme en este trabajo tan importante sin usted enserio que esto no hubiera sido posible ya
que me brindo mucho de su tiempo para que este trabajo fuera de calidad y principalmente a
ser mejor en el ámbito escolar ya que me ha sido un buen profesor.
Tabla de contenidoRESUMEN................................................................................................................................ 4
INTRODUCCIÓN......................................................................................................................5
DISEÑO METODOLOGICO......................................................................................................9
EL PROBLEMA Y OBJETIVOS DE LA INVESTIGACIÓN......................................................10
Descripción del Problema....................................................................................................10
JUSTIFICACIÓN DEL PROBLEMA.....................................................................................11
OBJETIVOS............................................................................................................................12
GENERAL............................................................................................................................12
ESPECIFICOS.....................................................................................................................12
RESUMEN
Las aplicaciones móviles son un recurso cada vez más eficaz y en ascenso; las
empresas y organizaciones están gastando grandes cantidades de dinero en actividades en
comunicación móvil para lograr una mayor difusión de sus servicios entre los usuarios de
Smartphone. El interés por crear aplicaciones para Dispositivos Móviles ha aumentado en la
misma medida que estos han demostrado su funcionalidad. Además, con el aumento en las
capacidades de procesamiento de estos dispositivos se ha abierto todo un abanico de
posibilidades de aplicación de los mismos.
La aplicación desarrollada permite la predicción y el análisis delictivo además de ver
como se está moviendo el delito en espacio/tiempo. Con esta aplicación lo que se prevé es
que los usuarios puedan saber si pasar por un lugar o tan solo evitarlo, para desarrollar este
proyecto se necesita realizar un algoritmo de detección de patrones.
4
INTRODUCCIÓN
El enfoque neuro reticular es uno de los enfoque más modernos para el reconocimiento de
patrones; las redes neuronales artificiales o RNA tienen varias décadas de historia, este
fundamento está basado en el funcionamiento de las redes neuronales biológicas y pueden
llegar a resolver problemas reales.
Los primeros modelos de redes neuronales se originan desde 1943 por los neurólogos
McCulloch y Pitts algunos años después en 1949 Donald Hebb desarrolló sus ideas acerca
del aprendizaje neuronal quedando reflejado en la "regla de Hebb". En 1958 Rossemblatt
desarrolló el perceptron simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue
la primera aplicación industrial real (Gestal, 2009).
En los años siguientes también se redujo la investigación debido a la falta de modelos
de aprendizaje y el estudio de Minsky y Papert sobre las limitaciones del perceptrón. Sin
embargo, en los años 80, volvieron a resurgir las RNA gracias al desarrollo de la red de
Hopfield, y en especial, al algoritmo de aprendizaje de retro propagación ideado por
Rumelhart y McLellan en 1986 que fue aplicado en el desarrollo de los perceptrones
multicapa (S.A., 2010).
En 1969, Minsky y Papert, demuestran que el perceptrón simple y ADALINE no puede
resolver problemas no lineales (por ejemplo XOR). La combinación de varios perceptrones
simples podría resolver ciertos problemas no lineales, pero no existía un mecanismo
automático para adaptar los pesos de la capa oculta. Rumelhart y otro autores, en 1986,
presentan la "Regla Delta Generalizada" para adaptar los pesos propagando los errores
hacia atrás, es decir, propagar los errores hacia las capas ocultas inferiores. De esta forma
se consigue trabajar con múltiples capas y con funciones de activación no lineales. Se
demuestra que el perceptrón multicapa es un aproximador universal. Un perceptrón
multicapa puede aproximar relaciones no lineales entre los datos de entrada y salida. Esta
red se ha convertido en una de las arquitecturas más utilizadas en el momento (Gestal,
2009).
Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta
inteligencia ha sido uno de los principales objetivos de los científicos a lo largo de la historia.
5
De los intentos realizados en este sentido, se han llegado a definir las líneas fundamentales
para la obtención de máquinas inteligentes. En un principio los esfuerzos estuvieron dirigidos
a la obtención de autómatas, en el sentido de máquinas que realizaran, con más o menos
éxito, alguna función típica de los seres humanos. Hoy en día se continúa estudiando en esta
misma línea, con resultados sorprendentes, existen maneras de realizar procesos similares a
los inteligentes y que podemos encuadrar dentro de la llamada Inteligencia Artificial (IA)
(Wiener, 1964).
La otra línea de la investigación ha tratado de aplicar principios físicos que rigen en la
naturaleza para obtener máquinas que realicen trabajos pesados en lugar de los seres
humanos para que así sea más cómoda la vida (Haykin, 2008). También han estado
intentando hacer algunas máquinas para simular el razonamiento del ser humano, se puede
intentar darle a algunas máquinas con esta capacidad basadas en el mismo principio de
funcionamiento. No se trata de construir máquinas que compitan con los seres humanos,
sino que realicen ciertas tareas de rango intelectual con que ayudarle, que es el principio
básico de la Inteligencia Artificial. Las primeras teorías en las que relacionan el
comportamiento ya fueron dadas por Platón (427-347 a.C.) y Aristóteles (348-422 a.C.). Las
mismas ideas también las mantuvo Descartes (1569-1650) y los filósofos empiristas del siglo
XVIII (Rodis-Lewis, 1963).
En 1936 Alan Turing fue el primero en estudiar el cerebro como una forma de ver el
mundo de la computación. En 1949 Donald Hebb Escribió un importante libro al cual lo llamo
La organización del comportamiento en el que se establece una conexión entre psicología y
fisiología; fue el primero en explicar los procesos del aprendizaje (que es el elemento básico
de la inteligencia humana) desde un punto de vista psicológico, desarrollando una regla de
cómo el aprendizaje ocurría. Aun hoy, este es el fundamento de la mayoría de las funciones
de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje
ocurría cuando ciertos cambios en una neurona eran activados. También intentó encontrar
semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las
bases de la Teoría de las Redes Neuronales (RAMOS, S. F.).
Durante 1950 Karl Lashley en sus series de ensayos, encontró que la información no
era almacenada en forma centralizada en el cerebro sino que era distribuida encima de él. En
1957 Frank Rosenblatt comenzó el desarrollo del perceptrón, esta es la red neuronal más
6
antigua; utilizándose hoy en día para aplicación como reconocedor de patrones. Este modelo
era capaz de generalizar, es decir, después de haber aprendido una serie de patrones podía
reconocer otros similares, aunque no se le hubiesen presentado anteriormente (Hernández,
2011).
En 1959 escribió el libro Principios de Neurodinámica, en el que confirmó que, bajo
ciertas condiciones, el aprendizaje del Perceptrón convergía hacia un estado finito (Teorema
de Convergencia del Perceptrón). En 1960 Bernard Widrow y Marcial Hoff, desarrollaron el
modelo Adaline (ADAptative LINear Elements); esta fue la primera red neuronal aplicada a un
problema real (filtros adaptativos para eliminar ecos en las líneas telefónicas) que se ha
utilizado comercialmente durante varias décadas (Araos, 2014).
En 1967 Stephen Grossberg. A partir de sus conocimientos fisiológicos, ha escrito
numerosos libros y desarrollado modelo de redes neuronales. Realizó una red: Avalancha,
que consistía en elementos discretos con actividad que varía en el tiempo que satisface
ecuaciones diferenciales continuas, para resolver actividades como reconocimiento continúo
de habla y aprendizaje de los brazos de un robot. Marvin Minsky y Seymour Papert (Serrano,
2010).
En el año de 1969 surgieron críticas que frenaron, hasta 1982, el crecimiento que
estaban experimentando las investigaciones sobre redes neuronales. Minsky y Papera, del
Instituto Tecnológico de Massachussets (MIT), publicaron un libro Perceptrons. Probaron
matemáticamente que el Perceptrón no era capaz de resolver problemas relativamente
fáciles, tales como el aprendizaje de una función no-lineal. Esto demostró que el Perceptrón
era muy débil, dado que las funciones no-lineales son extensamente empleadas en
computación y en los problemas del mundo real. A pesar del libro, algunos investigadores
continuaron su trabajo. Tal fue el caso de James Anderson, que desarrolló un modelo lineal,
llamado Asociador Lineal, que consistía en unos elementos integradores lineales (neuronas)
que sumaban sus entradas. Este modelo se basa en el principio de que las conexiones entre
neuronas son reforzadas cada vez que son activadas. Anderson diseñó una potente
extensión del Asociador Lineal, llamada Brain State in a Box (BSB) (Flores, 2010).
Paul Werbos en 1974 Desarrolló la idea básica del algoritmo de aprendizaje de
propagación hacia atrás (backpropagation); cuyo significado quedó definitivamente aclarado
en 1985. En 1977 Stephen Grossberg. desarrolloTeoría de Resonancia Adaptada (TRA). La
Teoría de Resonancia Adaptada es una arquitectura de red que se diferencia de todas las
7
demás previamente inventadas. La misma simula otras habilidades del cerebro: memoria a
largo y corto plazo (Gestal, 2009).
Durante 1977 Teuvo Kohonen. Ingeniero electrónico de la Universidad de Helsinki,
desarrolló un modelo similar al de Anderson, pero independientemente. 1980 Kunihiko
Fukushima. Desarrolló un modelo neuronal para el reconocimiento de patrones visuales.
John Hopfield en 1985 provocó el renacimiento de las redes neuronales con su libro:
"Computación neuronal de decisiones en problemas de optimización” (Cuevas, 2012).
En 1986 David Rumelhart y G. Hinton redescubrieron el algoritmo de aprendizaje de
propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador con
respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son
numerosos los trabajos que se realizan y publican cada año, las aplicaciones nuevas que
surgen (sobre todo en el área de control) y las empresas que lanzan al mercado productos
nuevos, tanto hardware como software (sobre todo para simulación) (S.A., 2010).
Los investigadores están en su inmensa mayoría pensando en la organización
cerebral cuando consideran configuraciones y algoritmos de Redes de Neuronas (N. Wiener).
Desde la primera mitad del siglo XX se han empezado a desarrollar modelos
computacionales que han intentado emular el comportamiento del cerebro humano (W. S.
McCulloch and W. Pitts). Aunque se han propuesto una gran cantidad de ellos, todos usan
una estructura en red en la cual los nodos o neuronas son procesos numéricos que
involucran estados de otros nodos según sus uniones (RAMOS, S. F.).
. Como se sabe el delito es cada vez más constante no solo en el país de México sino
a nivel mundial, desde hace tiempo siempre se intenta erradicar el problema gracias a la
corrupción y al mal manejo de este problema generalmente no se ha encontrado una
solución para lograr reducir los índices delictivos.
La utilidad que aporta esta herramienta contra otros métodos para evitar el delito es
que es única en su tipo ya que genera una predicción de dónde puede llegar a suceder un
delito esta herramienta sin duda alguna puede llegar a ser una gran solución para este tipo
de problemática.
8
DISEÑO METODOLOGICO
Sera de tres tipos; investigación de campo, documental y experimental. Por medio de
encuestas para recabar y hacer un estudio acerca de en qué lugares ocurre un delito, entre
mayor número de encuestas la realización de la predicción podrá ser más asertiva.
De campo. Se realizaran encuestas a las personas para poder recabar información
adecuada en una base de datos que ayudara a realizar la herramienta así como estudiar el
delito en la zona y poder generar correctamente la herramienta que ayudará a disminuir
estos tipos de delitos.
Documental. Se hará a través de artículos científicos y bibliografía especializada en el
área de predicción de series de tiempo, reconocimiento de patrones y redes neuronales
artificiales, que son la teoría base que compondrá el módulo de predicción delictivo.
Experimental. Se usara para hallar qué algoritmos de predicción mediante redes
neuronales artificiales son las más adecuadas para el sistema. Así como también para
recabar información sobre los parámetros de configuración de dichos algoritmos.
9
EL PROBLEMA Y OBJETIVOS DE LA INVESTIGACIÓN
DESCRIPCIÓN DEL PROBLEMA
En el mundo entero y en especial en México se vive mucha inseguridad tanto en delitos
mayores como es el secuestro, asesinato hasta el robo; estos delitos no solo son constantes
sino también son cada vez más continuos y han ido creciendo para así llegar a ser un
problema muy grave.
Generalmente se desea erradicar este problema pero no se puede debido al miedo
que los delincuentes infringen hacia los usuarios no es nada raro que el año pasado se
hayan cometido casi 28 millones de delitos, de los cuales 26 mil fueron homicidios, más de
105 mil secuestros y más de 4 mil desapariciones involuntarias.
Con base en lo mencionado, surgen las siguientes preguntas de investigación:
¿Cómo se podría desarrollar un sistema que ayude a disminuir el índice de
delincuencia en México?
¿Cómo se tiene que diseñar dicho sistema para que los usuarios puedan ingresar de
forma sencilla la información de los delitos que ocurren en México?
¿Cómo se deben emplear las redes neuronales artificiales para predecir un delito en
tiempo real?
¿Cómo se deben estructurar los delitos para poder realizar la predicción de los
mismos de forma correcta?
¿Qué modelos RNA y algoritmo de entretenimiento se deben emplear para realizar una predicción más precisa?
10
JUSTIFICACIÓN DEL PROBLEMA
Sin duda alguna, hoy en día los altos índices delictivos en la ciudad de México son un tema
de suma importancia ya que han tenido un gran auge no solo en la ciudad de México, sino en
todo el mundo es un problema que a muchas personas nos han acongojado.
La creación de una herramienta que no solo evite el robo sino que pueda predecir un
delito es de mucha utilidad debido a un gran aumento en los delitos. En específico tratara el
robo a mano armada, el secuestro, la violación, entre otros; algunas de las ventajas que
presenta este sistema es que gracias a que móvil se tiene información en tiempo real de
cómo se están moviendo los delitos en espacio/tiempo.
Además, los usuarios pueden ingresar información que es de utilidad para poder hacer
una mejor predicción. Con dicha información, los usuarios podrán tomar decisiones, sobre si
transitar sobre una calle o tomar otra ruta y así prevenir un delito. Es de gran utilidad contar
con una herramienta de fácil uso ya que entre más fácil sea su uso puede llegar a
popularizarse también es imprescindible que esta herramienta sea automatizada.
11
OBJETIVOS
GENERAL
Desarrollar un sistema móvil para predicción y análisis delictivo mediante redes neuronales
artificiales utilizadas sobre uno de los plataformas más comunes android.
ESPECIFICOS
Estudiar e implementar algoritmos de redes neuronales artificiales para predicción de
series de tiempo.
Adaptador los algoritmos de redes neuronales artificiales para predicción delictiva.
Implementar técnicas de reconocimiento de patrones para modelar los patrones
delictivos.
Crear una base de datos con delitos para utilizarlos en los experimentos como
muestra de supervisión.
Diseñar un sistema móvil fácil de usar cobre la plataforma android que permite
ingresar los delitos ocurridos a los usuarios.
Analizar los resultados obtenidos y compararlos con datos de delitos reales ocurridos
en México.
12
METAS DE LA INVESTIGACION
Se plantea siguiendo la proposición lógica si p entonces q de la siguiente manera:
Si se realiza una aplicación móvil que contenga los datos de los patrones delictivos de
diferentes delitos que ocurran en la ciudad de México y se delimitan espacialmente y
temporalmente entonces se puede llegar a analizar y predecir donde ocurrirá un delito
mediante el empleo de redes neuronales artificiales.
13
APLICACIONES MÓVILES
Todos los que son usuarios de un Smartphone y otro tipo de aparato móvil, probablemente
utilizan programas o aplicaciones para participar en juegos, obtener indicaciones de
localización paso a paso, acceder a noticias, libros, datos del clima y demás. Estas
aplicaciones móviles son fáciles de descargar y a menudo gratis, y pueden llegar a ser muy
entretenidas y convenientes. A continuación se explicará un poco más de éstas y su
funcionamiento en los dispositivos móviles, así como las 4 plataformas que lideran el
mercado: IOS (Apple), Android (Google), BlackBerry (RIM), Windows Phone (Microsoft).
CONCEPTO DE APLICACIÓN MÓVIL
(Avilés, 2011) Software desarrollado para correr bajo Smartphones. Está diseñada para
educar, entretener o ayudar en la vida diaria a sus usuarios/consumidores. Estas
funcionalidades que antes sólo estaban disponibles en PC ahora pueden ser ejecutadas en
los dispositivos móviles. (Alerta en Línea) Una aplicación móvil es un programa que se
puede descargar y acceder directamente desde su teléfono o desde algún otro aparato móvil
– como por ejemplo una tablet o un reproductor MP3. 8 1.1.2. Tipos Web. (ISPAMAT, 2007)
Se entiende por aplicación móvil Web la que necesitan de un navegador web o browser
como IExplorer Mobile, Mínimo y Opera para ejecutarse. Aplicación y datos pueden residir
remotamente en un servidor u obtenerse del mismo dispositivo móvil. En cuanto a desarrollo
las Web son más sencillas de programar, permite que las actualizaciones sean transparentes
al usuario y el desarrollador tiene todo el control de la misma al residir en servidor. Nativas.
(ISPAMAT, 2007) Aplicación nativa es aquella que se instala en el propio dispositivo como
cualquier otra aplicación y se desarrolla utilizando un lenguaje de programación compatible
con el sistema operativo del dispositivo o de un framework de desarrollo. En cuanto a
desarrollo las aplicaciones nativas requieren un mayor esfuerzo de desarrollo, tanto en horas
como en especialización del equipo. El dispositivo y los lenguajes utilizados son más
limitados y complejos que el entorno servidor o desktop. Siempre que sea posible un
desarrollo por terceros, ya que algunos sistemas operativos móviles no lo permiten.
14