De Gemeente Utrecht investeert in innovatie. Deze lezing gaat over datagedreven sturing van veiligheidsvraagstukken, 1 van de ruim 20 pilots binnen de Gemeente Utrecht. Hoe kun je interne en externe databronnen slim inzetten om thema’s als woninginbraak aan te pakken d.m.v. voorspellende analyses en gerichte inzet van toezicht & handhaving?

1. Utrecht.nl
Hier komt tekst
Datagedreven sturing & Veiligheid
Hier komt ook tekst
Voorspellen
woninginbraak
Geerte van Rije, Onderzoek, Gemeente Utrecht

2. Utrecht.nl
Opzet
• Datagedreven sturing Gemeente Utrecht
• Project Veiligheid
• Aanpak woninginbraak
• Resultaten
• Vervolg

3. Utrecht.nl
Datagedreven sturing Gemeente Utrecht
• Veel energie op thema
• Gemeentesecretaris & kwartiermaker
• Ongeveer 30 pilots
• Budget
• Opleidingsplan
• Open Data

4. Utrecht.nl
Datagedreven sturing & Veiligheid
Juli 2014 > project Veiligheid begonnen
• Welke databronnen hebben we intern & extern?
• Welke thema’s lenen zich voor datagedreven sturing?
• Welke aspecten zijn belangrijk in dit proces?
• Flexteam toezichthouders
• Jaarwisseling
• Jeugdoverlast & jeugdgroepen
• Woninginbraak

5. Utrecht.nl
Datagedreven sturing & Veiligheid
Vergroten van
veiligheid
woningen
Veiligheid door
hotspot aanpak
Simulatie
interventies

6. Utrecht.nl
Voorspellen woninginbraak
Doel
Hoeveel inbraken zijn er te verwachten in verschillende buurten op basis van
veranderende omstandigheden (inbraken in de buurt, weer, evenementen) & kenmerken
(woning, buurt)
Toepassing
Het aantal te verwachten inbraken vertalen naar:
• Gerichte inzet van toezicht & handhaving
• Voorlichting kwetsbare groepen en buurten
• Gericht preventief beleid, samen met partners (politie, corporaties)
• Inrichting nieuwe wijken

7. Utrecht.nl
Databronnen
• Basisregistratie Adressen en Gebouwen (BAG)
• Demografie bewoners (geaggregeerd BRP)
• Locaties lantarenpalen & groen
• Aanwezigheid kliko’s
• Locaties camera’s
• Bewonersmeldingen openbare orde
• Woninginbraakmonitor > Politie
• Dagmonitor incidenten > Politie
• PKVW uitgiftes > CCV
• Weersomstandigheden per dag, per uur > KNMI De Bilt
• Neerslag per buurt per uur
• Evenementenkalender, vakanties, feestdagen

8. Utrecht.nl
ICT
• SURFsara: High Performance Computing (HPC) Cloud
• Gesubsidieerd door EZ
• Rapidminer

9. Utrecht.nl
Training on the job
4 sessies met XOMNIA

10. Utrecht.nl
Datapreparatie
• Opschonen
• Datums in verschillende formaten
• Buurtnamen die niet precies overeenkomen
• Koppelen
• Afleiden nuttige variabelen
• Grote containers/kliko’s
• X,Y objecten -> afstand tot dichtstbijzijnde, aantal binnen straal
• Specifieke feestdagen
• Aantal inbraken voorgaande weken
• Data transformeren afhankelijk van de taak

11. Utrecht.nl
Classificeren risocowoningen

12. Utrecht.nl
Classificeren risicowoningen
• Voor alle woningen een rij met:
• Woningkenmerken
• Buurt- en omgevingskenmerken
• Inbraak ja/nee
• Leren “ja” en “nee” te onderscheiden op basis van kenmerken
• Doel: aanwijzen risicowoningen

13. Utrecht.nl
Container_groot
• Bij inbraakwoningen
relatief vaker grote
container

14. Utrecht.nl
JAAR_INGANG_OBJECT
• Bij oudere
woningen relatief
vaker een inbraa

15. Utrecht.nl
Classificeren risicowoningen
• Data opdelen in training- en testdeel
• Random Forrest model
• Kansniveau precisie “nee” +- 96.3% in de testset
• Kansniveau precisie “ja” +- 3.7% in de testset
True “nee” True “ja” Precisie
Pred. “nee” 28150 972 96.66%
Pred. “ja” 2752 231 7.74%

16. Utrecht.nl
Voorspellen op wijkniveau

17. Utrecht.nl
Regressie wijkniveau
• 1 rij voor elke week+wijk combinatie
• Wijkkenmerken
• Weekkenmerken (feestdagen, weer etc.)
• Label: aantal inbraken
• Voorspelling: hoeveel inbraken gaan er volgende week plaatsvinden
in wijk X
• Lineaire regressie

18. Utrecht.nl
Model wijkniveau
Wijk 1

19. Utrecht.nl
Model wijkniveau
Wijk 2

20. Utrecht.nl
Model wijkniveau
• Te groot gebied om op te handelen
• Voorspellen op buurtniveau

21. Utrecht.nl
Voorspellen op buurtniveau

22. Utrecht.nl
Aantal inbraken buurtniveau

23. Utrecht.nl
Aantal inbraken buurtniveau
Classificatietaak
Wijk 1 Wijk 2

24. Utrecht.nl
Classificatie buurtniveau
• Geen inbraken (“nee”) versus 1 of meer inbraken (“ja”)
• 1 rij voor elke week+buurt combinatie
• Buurtkenmerken
• Weekkenmerken (feestdagen, weer etc.)
• Label “ja” of “nee”
• Voorspelling: gaat er volgende week een inbraak plaatsvinden ja of
nee?
• Buurten ordenen op basis van zekerheidsniveau voorspellingen

25. Utrecht.nl
Classificatie buurtniveau
• Support Vector Machine
• Kansniveau precisie “nee” +-79% in de testset
• Kansniveau precisie “ja” +-21% in de testset
True “nee” True “ja” Precisie
Pred. “nee” 2328 280 89.26%
Pred. “ja” 1940 980 33.56%
• Veel datapunten incorrect geclassificeerd als “ja”

26. Utrecht.nl
Classificatie buurtniveau
• Classificatiemodel geeft zekerheidswaardes
• Optie: alleen voorspellen bij minimale zekerheid
• Kansniveau precisie “nee” +-79% in de testset
• Kansniveau precisie “ja” +-21% in de testset
True “nee” True “ja” Precisie
Pred. “nee” 1736 138 92.64%
Pred. “ja” 158 206 56.59%

27. Utrecht.nl
Invloedrijke variabelen
Positieve invloed:
• Aantal woningen
• Fractie vrouwen
• Afstand tot VRI-kasten (stoplichten)
Negatieve invloed:
• Afstand tot OV-kasten (lantarenpalen)
• Afstand tot camera’s
• Fractie mannen

28. Utrecht.nl
Van voorspellen naar bruikbare informatie
• Heatmap van voorspellingen
• Trends:
– Invloed van maatregelen inzichtelijk maken
• Relevante variabelen per buurt
• Statistieken van voorgaande inbraken
– Methodiek, tijdstip, etc.
• Uiteindelijk draait het om de eindgebruiker
– Wat is nuttig?

29. Utrecht.nl
Heatmap

30. Utrecht.nl
Resultaten
• Eerste voorspellend model
• Kennis én ervaring externe proeftuinomgeving
• Deze ervaring gebruikt voor interne proeftuinomgeving
• Overeenkomst interne en externe bronhouders

31. Utrecht.nl
Vervolg
Doorontwikkeling model
Data toevoegen
Visualisaties

32. Utrecht.nl
Vragen?
Geerte van Rije
Projectleider Datagedreven sturing & Veiligheid
Afdeling Onderzoek/Veiligheid
Gemeente Utrecht
Stadsplateau 1
3521 AZ Utrecht
030-2860937
g.van.rije@utrecht.nl