Tagarchief: tno

Brandhaarden voorspellen

Geef een reactie

Hoe kun je uit informatie van derden in combinatie met informatie van jezelf, afleiden waar incidenten de komende 24 uur gaan plaatsvinden en hoe?kunnen hulpdiensten op basis daarvan dynamisch anticiperen en zich dynamisch positioneren?

Doel is om de eerste stappen in de richting van een soort ?Buienradar? te ontwikkelen voor branden, met de gekozen focus op gebouwbranden en buitenbranden. Met andere woorden: ?op zoek naar een ?brandweerradar?.

  • Het antwoord ligt voor een groot deel in het proces. Om gegevens te verzamelen en ter beschikking te krijgen om hiermee aan de slag te gaan, is vergaande samenwerking en vertrouwen tussen data-eigenaren (waaronder partijen die niet gewend zijn om met elkaar samen te werken) en analisten noodzakelijk. Dit maakte het proces binnen het?team van de Coalition of the Willing zeer bijzonder. (Semi-)overheid, overheid en bedrijfsleven werden hier een hecht team.
  • Een tweede deel van het antwoord ligt in een gedegen analyse van de beschikbare data. In een analyse-subteam is samen met domeinexperts gezocht naar correlaties in de data.
  • Het derde deel van het antwoord is de visualisatie van de analyse van de gegevens. Hoe maak je van data informatie waarop vervolgens gestuurd kan worden? Deze drie aspecten worden door de leden van ons team vormgegeven in een tool.

Toepasbaar en uitvoerbaar?
Het verzamelen van data over branden is al lang voor het ontstaan van veiligheidsregio?s begonnen, maar er kan meer mee gedaan worden dan tot nu toe gedaan wordt. Door middel van slimme trendanalyses in datasets en het koppelen van datasets aan elkaar, kan worden gezocht naar verbanden tussen incidenten en omstandigheden die schijnbaar willekeurig zijn, maar waar toch een afhankelijkheid in zit. Op basis van die analyses kan een dynamische manier gevonden worden om proactief voertuigen te positioneren, in te zetten of een optimale bezetting van de kazernes per gebied te bepalen.

Predictive Analytics
Het verzamelen van data en het zoeken naar afhankelijkheden wordt ook in andere vakgebieden dan de brandweer toegepast (zoals politie en ambulancedienst). Voor de brandweer bestaat dit nog niet, laat staan een mooie manier om de resultaten zo weer te geven dat ze ook bruikbaar zijn ten behoeve van een slimme inzet van de brandweer.

brandhaard1

Opschaalbaar in meerdere Veiligheidsregio?s?
De tool die in concept wordt ontwikkeld in deze challenge zal uiteraard ook binnen andere regio?s toepasbaar zijn. De enige voorwaarde voor gebruik in breder/ander verband, is goede kwaliteit van de data. Alleen dan is de analyse betrouwbaar genoeg om gebruikt te worden voor onderbouwde keuzes.

Veiligere en betaalbare samenleving?
De inzet van de brandweer wordt vaak ingegeven door het optreden dat in de loop van de decennia zo is gegroeid: in een tankautospuit zitten 6 brandweermensen. In de afgelopen jaren is door de VRR ingezet op verschillende manieren om sneller en met meer expertise bij incidenten te komen. Voorbeelden hiervan zijn kleinere voertuigen met minder bemanningsleden, zoals het Snelle Interventie Voertuig (de SIV), en de Brambulance (half ambulance, half brandweerauto). Door vooruit te kunnen kijken op het gebied van brand, kan men de inzet van deze voertuigen optimaliseren en zo nog effici?nter te werk gaan. Hiermee blijft veiligheid gegarandeerd, waarbij je?mensen en middelen dynamisch en gerichter kunnen inzetten

Verdere ontwikkeling?
Er wordt in onze eerste concepten gebruik gemaakt van ?losse? datasets; de tool is dus niet gekoppeld aan de systemen waarin de benodigde data zich bevindt. Om de tool daadwerkelijk in te zetten, moet deze ?real-time? worden gekoppeld aan systemen; niet alleen aan de systemen van de veiligheidsregio zelf, maar ook aan de systemen van derden die data aanleveren. Alleen zo kun je een ?buienradar?- achtig concept actueel houden. Realisatie hiervan kan via convenanten en afspraken met derden.

De kern in 3 punten:?

  1. Voorspellend vermogen voor branden in een bepaald gebied
  2. Dynamische inzet van hulpverleners
  3. Dynamische bezetting van kazernes

Bronnen: Veilige Samenleving, Scribd

brandhaard3 brandhaard2 brandhaard5 brandhaard4

Samen ten strijde trekken op het Dark Web

Geef een reactie

dark web1Op het Dark Web kunnen criminelen relatief eenvoudig handelen in drugs, wapens of kinderporno. Ook cybercriminelen, mensenhandelaren en terroristische organisaties zijn er actief. Interpol global complex on innovation en TNO ontwierpen een training waarin misdaadbestrijders leren hoe criminelen handelen op dit duistere deel van het internet.

Het Dark Web is een verza?meling van duizenden websites, die gebruik maken van TOR of I2P-adressen om IP-adressen te verbergen. Op die manier kunnen criminelen en terroristen anoniem blijven en dat is precies wat ze willen.? Aan het woord is Pim Takkenberg, TNO?er en oud-politieman. ?Neem een drugshandelaar. Die komt alleen nog in contact met de re?le wereld bij het kopen en het afleveren van de handelswaar. Maar ook daar zijn trucs op gevonden, zoals het gebruik van leegstaande panden.?

Criminelen kunnen op het Dark Web een tweede identiteit aannemen, compleet met virtueel geld, marktplaatsen en sites waar ze elkaar vertellen hoe betrouw?baar een potenti?le zakenpartner is. Takkenberg: ?Ze voelen zich op het Dark Web zo op hun gemak, dat ze de re?le wereld zo veel mogelijk proberen te vermijden.?

Big Data tegen criminelen

Rechercheren op het duistere internet is een vak apart zegt TNO?er Mark van Staalduinen, die van huis uit big data analyse expert is: ?Big data helpt bij de opsporing op het Dark Web. Zo kan de taal die criminelen gebrui?ken een indicatie zijn voor de plaats waarvandaan ze opereren. Maar Nederlandse criminelen weten dat ook en communiceren bij voorkeur in het Engels. Wie nog ?Nederlands gebruikt, krijgt een waarschuwing van de anderen.? Al met al is duidelijk, concludeert Van Staalduinen, dat criminelen en terroristen het internet steeds vaker en steeds slimmer gebrui?ken en dat de opsporingsinstan?ties niet mogen achterblijven.

Van Staalduinen en Takkenberg ontwierpen daarom samen met TNO?er Pieter Hartel en collega?s van het Interpol Global Complex on Innovation de vijfdaagse Dark Web Training Game. Hartel: ?We hebben realistische trainingsomgeving gebouwd waar de cur?sisten de rol van koper, verkoper of administrator spelen en op marktplaatsen handelen met cryptovaluta?s zoals de Bitcoin. Ook leren ze er welke opsporings?methoden effectief zijn en hoe ze die moeten toepassen.?

Cursisten uit 21 landen

Het ?spel? bevindt zich in een veilige en gecontroleerde trainings- omgeving en zonder de beperkingen die de wetgeving stelt aan deals met criminelen in de re?le wereld. Van Staalduinen: ?De trainingsomgeving is flexibel en kan snel worden aangepast aan de nieuwste methoden van crimi?nelen. Met de opgedane kennis kunnen de cursisten bovendien het bewustzijn over de dreigingen van het Dark Web in hun eigen organisatie vergroten.? De cursus is inmiddels in Singapore gehou?den met deelnemers uit eenen?twintig landen, waaronder Australi?, Finland, Ghana, Hong Kong, Indonesi?, Nederland en Turkije. Van Staalduinen: ?De cursisten waren erg enthousiast en we gaan op grond van hun ervaringen nu verbeteringen aanbrengen. Daarna gaan we de cursus verder uitrollen. Bovendien zullen we op 4 november in het kader van de campagne Alert Online aan mkb?ers en journalisten een verkorte versie presenteren.?

De leermomenten van de cursisten

De cursisten van de eerste Dark Web Training Game waren vooral blij met het realistische karakter van de trainingsomgeving waarin ze konden oefenen. Hun namen kunnen om begrijpelijke redenen niet genoemd worden, maar hun meningen zijn duidelijk genoeg.

?Ik was verbaasd over het gemak waarmee je toegang kunt krijgen tot een illegale marktplaats en ook over het gemak waarmee je daar kunt handelen?, schreef een van hen. Een andere cursist merkte op, dat het hem tijdens de training nog eens extra duidelijk was geworden hoe een?voudig het is om een carri?re te maken als crimineel op het Dark Web.

Ook opsporing hoort bij de cursus en tijdens dat onderdeel leerden de cursisten hun nieuwe kennis en vaardigheden toe te passen. ?Eindelijk een training die echt is gericht op wetshandhaving?, was een veelzeg?gende opmerking. ?We maakten fouten en realiseerden ons dat criminelen dezelfde fouten maken. Daar gaan we gebruik van maken?, schreef een andere cursist. En dat de cursus ook direct praktisch nut heeft, wordt duidelijk uit de opmerking van deze cyberrechercheur: ?Ik kon eindelijk een echt onderzoek uitvoeren op het Dark Web.?

Bekijk hoe het Dark Web ook mainstream kan of onvermijdelijk zal?gaan als het aan Jamie Bartlett en Alan Pearce ligt en niet alleen een plek voor criminelen is, maar juist voor iedereen om te gaan begrijpen en gebruiken:

Bronnen: TNO

Trends in vroegtijdig signaleren afwijkend gedrag

Geef een reactie

crowd

Het vroegtijdig signaleren van afwijkend gedrag biedt kansen om incidenten te voorkomen of te verstoren, of om daders op heterdaad te betrappen. In dit artikel wordt ingegaan op de gesignaleerde trends in het gebruik van kennis over afwijkend gedrag.

Door: Rick van der Kleij, Dianne van Hemert, Arnout de Vries, Jeroen van Rest (TNO)

Veiligheid staat in Nederland hoog op de politieke en maatschappelijke agenda. De politiek stelt dat straten, wijken en openbare ruimten veiliger moeten worden. De overheid wil straatterreur, overlast, intimidatie, agressie, geweld en criminaliteit daadkrachtig aanpakken. Bovendien moet terrorisme zo veel mogelijk worden voorkomen, bijvoorbeeld in de voor terroristische aanslagen kwetsbare openbare vervoersector.

Veiligheid is mede afhankelijk van het vermogen om vroegtijdig te beoordelen of er sprake is van een incident, vergrijp of delict. Het vroegtijdig signaleren van afwijkend gedrag biedt kansen om incidenten te voorkomen of te verstoren, of om daders op heterdaad te betrappen. Wij defini?ren afwijkend gedrag in dit artikel als het gedrag van personen met kwade intentie dat voorafgaat en gerelateerd is aan criminele of terroristische activiteiten.

Afwijkend gedrag

Het toepassen van kennis van afwijkend gedrag is geen gemakkelijke taak. Om de complexiteit hanteerbaar te maken wordt vaak gekeken vanuit verschillende perspectieven naar relevante vraagstukken binnen de openbare orde- en veiligheidssector. Binnen het TNO-onderzoeksprogramma Veilige Maatschappij is gekozen voor de perspectieven mens, omgeving, techniek en organisatie, die allen samen een stempel drukken op de kwaliteit van het toezicht. Zo wordt het succes van toezicht op afwijkend gedrag wordt niet alleen bepaald door de kwaliteiten van de veiligheidsprofessional, ofwel de mens, maar ook door de specifieke omgeving waarin het werk wordt uitgevoerd. Een onoverzichtelijke en drukke openbare ruimte maakt het volgen en terugvinden van verdachte personen een lastige taak. Ook de kwaliteit van de techniek die het werk van deze professionals ondersteunen, zoals (intelligente) camera?s, en de manier waarop deze technische systemen worden ingezet, bepalen in belangrijke mate de effectiviteit van toezicht. Tenslotte drukt de manier waarop het toezicht is georganiseerd, ofwel de organisatie van het toezicht, een stempel op de kwaliteit. Een goede onderlinge afstemming van activiteiten en een actief beleid gericht op het delen van relevante informatie tussen verschillende partijen onderling leveren aanzienlijk meer winst op in termen van effectiviteit dan een veelvoud van partijen die onafhankelijk van elkaar opereren in de(zelfde) ruimte. Hoewel een integrale benadering dus te prefereren is bij het toepassen van kennis van afwijkend gedrag, hanteren we ook hieronder, omwille van de eenvoud, de vier verschillende perspectieven als kapstok voor het bespreken van trends in het gebruik van kennis van afwijkend gedrag.

Toekomst

De toekomst van toezicht op afwijkend gedrag wordt volgens ons door een aantal trends bepaald. Deze ontwikkelingen liggen op elk van de vier eerder genoemde perspectieven op toezicht, namelijk mens, omgeving, techniek en organisatie. Ten eerste, door technologische innovaties die de veiligheidsprofessional inzicht kunnen geven in zijn of haar eigen psychofysiologische toestand, zien wij een toegenomen aandacht voor de toezichthouder als mens. Ten tweede, als we naar de omgeving kijken, zien we nieuwe dreigingen die zich online manifesteren, zoals bijvoorbeeld op social media. Ten derde, op het gebied van techniek zien we de toepassing van intelligente gedragscamera?s verschuiven van de laboratoria naar de praktijk. Ten vierde, vanuit de organisatie zien we een toegenomen aandacht voor het zorgvuldig gebruik van het huidige beste empirische bewijsmateriaal bij het toepassen van veiligheidsmaatregelen, oftewel de implementatie van onderzoeksresultaten in de praktijk. Hieronder bespreken wij deze vier trends.

Trend 1: Hernieuwde aandacht voor de veiligheidsprofessional

De laatste jaren is veel onderzoek gedaan naar het beter identificeren van afwijkend gedrag van criminelen zoals terroristen. In diverse studies worden fysieke grootheden geobserveerd of zelfs gemeten om daarmee iets te zeggen over gedrag, zoals kledingkeuze, gesproken woord, houding, gebaren, looppatroon, kijkrichting, zweten, lichaamstemperatuur, gelaatsuitdrukking (incl. micro-expressie), hartslag en neurologische signalen (Burghouts, Den Hollander, Schutte, Marck, Landsmeer & Den Breejen, 2011; Poh, McDuff, & Picard, 2011).

Sensoren

Door nieuwe sensoren, die gemakkelijk op het lichaam, in kleding of in andere toepassingen kunnen worden bevestigd, denk aan Google Glass of aan ?slimme? horloges, zal het in de toekomst ook mogelijk worden om nauwkeurig, objectief en uitgebreid metingen te verrichten, niet alleen aan burgers, maar ook aan de veiligheidsprofessional zelf. Het functioneren van de professional kan met behulp van psychofysiologische metingen en gedrags- en bewegingsmetingen gedurende langere perioden in kaart worden gebracht. Veiligheidsprofessionals kunnen hierdoor niet alleen meer informatie over zichzelf maar misschien ook indirect over anderen verkrijgen. Subtiele gedragsafwijkingen van personen met kwade intentie kunnen bijvoorbeeld onbewust een psychofysiologische reactie oproepen bij de veiligheidsprofessional. Het zichtbaar maken van deze reactie kan de professional bewust maken van de eigen vooroordelen of denkfouten of juist helpen bij het interpreteren van het gedrag van anderen. Ook kunnen sensoren de veiligheidsprofessional suggesties doen voor rusttijden op basis van indicaties van vermoeidheid of afgenomen alertheid (zie Oken, Salinsky, & Elsas, 2006). Het slim combineren van technische kennis op het gebied van metingen op de persoon met, ten eerste, sociaalwetenschappelijke expertise op het gebied van psychofysiologie en, ten tweede, domeinkennis over veiligheid kan antwoord geven op nieuwe vragen omtrent de effectiviteit van veiligheidsprofessionals. Deze beweging, ook wel quantified self genoemd, wordt gefaciliteerd door snelle ontwikkelingen in het omgaan met grote hoeveelheden data. Meer sensoren betekenen een toenemende hoeveelheid beschikbare data voor veiligheidsorganisaties. Onze verwachting is dat de grote hoeveelheid data en analyse hierop zal leiden tot nieuwe inzichten en innovaties, ofwel tot data driven innovation.

Trend 2: Online afwijkend gedrag

Technische en sociale wetenschappen hebben zich sinds een aantal jaren gestort op het beter analyseren en begrijpen van online gedrag. Met de komst van Internet en meer specifiek met de komst van verschillende sociale netwerken zoals Twitter en Facebook, heeft de invloed van social media op ons gedrag terrein gewonnen. Ook sociale be?nvloeding manifesteert zich online. Pestgedrag, criminaliteit, protesten en zelfs revoluties vinden steeds vaker online plaats.

Media

De invloed van social media op ons gedrag is groot en wordt bepaald door een (ijs)berg aan factoren. Online afwijkend gedrag kan zich openbaren via plotse afwijkingen in het volume of frequentie van berichten, maar ook het aantal of type accounts dat actief wordt, of bijzondere trending topics die opkomen. Onderzoek toont aan hoe afwijkingen kunnen opbouwen tot signalen die gaan van cyberpesten of meningsverschillen en kunnen uitmonden in geweld, of over dreigingen en toenemende onrust dat kan omslaan in protesten (De Vries & Smilda, 2014). Aanbieders van social media diensten, zoals Twitter en Facebook, doen zelf al steeds meer aan het detecteren van ongewenst afwijkend gedrag. Zo vangt Twitter vreemde gedragingen af bij het aanmaken van accounts, bijvoorbeeld als iemand op een computer binnen een paar minuten meerdere accounts aanmaakt of daarbij onwenselijke namen gebruikt (zoals de naam van een terroristische groepering). Ook Facebook controleert op afwijkend gedrag. Zo gaat er een ?lampje branden? als twee gebruikers elkaar niet kennen en toch telefoonnummers uitwisselen, waarbij het leeftijdsverschil groot is. Misschien is het opa die een bericht stuurt aan zijn kleindochter, maar toch kijkt een medewerker van Facebook naar online afwijkend gedrag en doet deze melding bij de politie als er indicaties van pedofilie zichtbaar zijn. Dat de praktijk weerbarstiger is dan de theorie blijkt uit het rapport van een Britse parlementaire commissie die de omstandigheden rond de moord onderzocht op de Engelse militair Lee Rigby (Brandhorst, 2014). Facebook wordt hierin verweten te weinig te hebben gedaan om de ?overduidelijk extremistische? chats van een van de twee verdachten te melden aan de geheime diensten.

Toch is er meer nodig. Het ontbreekt de politie en veel andere organisaties aan beproefde mogelijkheden om ongewenst digitaal gedrag te detecteren, consistent te duiden en er tegen op te treden. Zo mag de politie zich bijvoorbeeld niet voordoen als een minderjarige om een online pedofiel te kunnen pakken (Lensink, 2014). Aanvullende methoden zijn nodig die de politie helpt bij haar werk in de digitale samenleving.

Trend 3: Intelligente gedragscamera?s

Camerabeelden leveren een groeiende bijdrage aan de veiligheid (La Vigne, Lowry, Markman, & Dwyer, 2011). De Koninklijke Marechaussee (KMar), politie, gemeenten en beheerders van kritieke infrastructuur ondervinden echter een stortvloed aan beelden, zowel in live toezichtruimtes, als in opsporing. Bovendien is er een toenemende druk op de kosten van het uitkijken en doorzoeken van deze beelden. Het tijdig vinden van relevante informatie in deze beelden wordt hierdoor steeds moeilijker waardoor de effectiviteit van toezichthouders vermindert. Tegelijkertijd is de wens van de Nederlandse overheid en maatschappij om steeds meer zaken te kunnen aanpakken en bij die zaken zo veel mogelijk naar de ?voorkant? van een incident te komen. Dat wil zeggen van opsporing naar heterdaad, en van heterdaad naar preventie (Van der Kamp, Van ?t Hooft, & Zwier, 2014).

Het Ministerie van BZK heeft in het kader van het programma Veiligheid door innovatie in december 2010 een roadmap voor beeldtechnologie in het veiligheidsdomein laten opstellen (Flight & Hulshof, 2010). In het rapport wordt gesteld dat het indammen van de groei van beeldmateriaal geen optie is. Dit komt overigens vooral doordat er door diverse organisaties voor allerlei doeleinden sensoren worden geplaatst. Als de data er dan toch is, dan cre?ert dat de verplichting voor de politie en andere veiligheidsorganisaties om daar ook iets mee te doen om incidenten te voorkomen, of althans incidenten te stoppen of op te lossen. De enige manier om werkelijk vooruitgang te boeken is dan ook om beter te worden in het vinden van relevante beelden in de totale beeldenstroom.

Algoritme

Ontwikkelingen in sensoren, rekenkracht, opslag- en netwerkcapaciteit en algoritmes zorgen voor nieuwe mogelijkheden in het vinden van relevante beelden. De intelligente gedragscamera is het archetypische voorbeeld van een innovatie van toezicht op afwijkend gedrag. Intelligente gedragscamera?s zijn camera?s die in combinatie met specifieke software geautomatiseerd afwijkend gedrag kunnen herkennen. Verwacht wordt dat intelligente gedragscamera?s leiden tot verhoogde effici?ntie en effectiviteit voor zowel proactief cameratoezicht als opsporing (Van der Kamp, Van ?t Hooft, & Zwier, 2014).

De intelligente gedragscamera is het laboratorium inmiddels ontgroeid. Op dit moment lopen er een aantal initiatieven om intelligente gedragscamera?s in de praktijk te beproeven, zoals bij de Koninklijke Marechaussee op Schiphol. De veelheid en diversiteit aan gedrag in een real-life setting maakt een accurate herkenning van gedrag een technische uitdaging. De grootste uitdaging komt voort uit het feit dat het interessante gedrag maar heel weinig voorkomt. Het overgrote deel van het gedrag is volkomen normaal en heeft niets te maken met incidenten of ongewenste situaties. Het is zoeken naar de speld in de hooiberg zonder daarbij teveel onterechte alarmen te genereren. Onze verwachting is dat deze proeven succesvol worden doorlopen en leiden tot invoering van de technologie in de praktijk ter ondersteuning van de veiligheidsprofessional in het algemeen en de cameratoezichtoperator in het bijzonder.

Trend 4: Implementatie van empirisch onderzoek in de praktijk

Er zijn diverse veiligheidsmaatregelen beschikbaar om afwijkend gedrag vroegtijdig te signaleren, zoals mediacampagnes gericht op burgers (bijvoorbeeld ?overvaller in beeld?), zelfbeschermingscursussen, bedrijfstrainingen, speciaal getraind surveillancepersoneel, cameratoezicht, slimme sensoren, data mining en behaviour profiling. De effectiviteit van deze maatregelen is het vermogen om een incident te voorkomen, verstoren of om iemand op heterdaad te betrappen. Op basis van empirische resultaten over de impact van genomen veiligheidsmaatregelen kan een partij binnen het veiligheidsdomein beslissingen nemen over mogelijke aanpassingen in de wijze waarop het toezicht wordt uitgevoerd.

Resultaat

Nog te vaak worden veiligheidsmaatregelen genomen zonder enige kennis van het empirische resultaat. Maatregelen worden veelal op basis van een enkele mening of niet onderbouwde theorie ge?mplementeerd of soms zelfs klakkeloos overgenomen uit landen met een goed imago als het gaat om veiligheidsmaatregelen zoals Isra?l of Amerika, maar veelal zonder een vertaling naar de lokale situatie. Een wetenschappelijke methode helpt om de effectiviteit, of ?berhaupt de voortgang aan te tonen van genomen maatregelen. Het belang hiervan toont het volgende voorbeeld: Een belangrijke reden dat het SPOT- programma van de Transportation Security Administration (TSA) momenteel onder vuur ligt van de Amerikaanse rekenkamer is dat het programma onvoldoende in staat is gebleken om de impact van predictive behavior profiling, ofwel het gebruik van kennis van afwijkend gedrag, onomstotelijk vast te stellen (Tennant, 2013).

Budget

Het gevolg is dat het budget waarmee het programma wordt gefinancierd onder druk is komen te staan. De rekenkamer heeft het congres aanbevolen om toekomstige financi?le bijdrage te beperken totdat de TSA kan aantonen dat het SPOT-programma bewezen effectief is (United States Government Accountability Office, 2013). Mede hierdoor lopen er momenteel diverse initiatieven, ook in Nederland, gericht op het opstellen van solide evaluatieprogramma?s voor het vaststellen van de empirische effectiviteit van predictive behavior profiling als middel om de veiligheid op luchthavens en aan boord van vliegtuigen te vergroten. Dit is in onze ogen een goede ontwikkeling. Door het opstellen van een wetenschappelijk verantwoord evaluatieprogramma draagt een uitvoerende instantie namelijk bij aan het vergroten van het draagvlak voor beveiligingsmaatregelen. Immers, beveiligingsmaatregelen worden sneller ingevoerd als kan worden aangetoond dat ze een positief effect hebben op de veiligheid.

Meer trends?

Op elk van de vier koppelvlakken, mens, omgeving, techniek en organisatie, zijn voorbeelden beschreven van trends die de toekomst van toezicht gaan bepalen. Er zijn uiteraard meer trends. Zonder daar in al te veel detail op in te gaan, willen wij er toch nog enkele kort benoemen. Een eerste die wij zien is het toegenomen belang van legitimiteit bij het nemen van veiligheidsmaatregelen. Recent onderzoek laat zien hoe mensen de veiligheid en de legitimiteit van veiligheidsmaatregelen ervaren in de context van servicekwaliteit (Van der Kleij, Roelofs, & Van Hemert, 2014). Niet alleen laat het onderzoek zien dat de relatie tussen veiligheid en service meer uitgesproken wordt voor hogere waarden van veiligheid, ook legitimiteit blijkt een sleutelvariabele met betrekking tot de relatie tussen beide variabelen. De ervaren veiligheid komt bijzonder ten goede aan de servicebeleving wanneer de veiligheidsmaatregelen als legitiem worden ervaren. Het is voor exploitanten dus van belang om te zorgen dat getroffen veiligheidsmaatregelen in de ogen van bezoekers legitiem zijn. De uitdaging voor de komende tijd ligt in het ontwikkelen van veiligheidsmaatregelen die niet alleen het publiek niet hinderen, maar ook als legitiem worden ervaren. Interessant in dit opzicht is hoe ?onzichtbare? veiligheidsmaatregelen worden ervaren, zoals security questioning, waarbij contact wordt gelegd met bezoekers en klanten vanuit een servicegedachte door het stellen van slimme en onverwachte vragen, waarop criminelen zich niet hebben kunnen voorbereiden (zie Van Pel, Verhagen, & Wijn, 2012).

Wapenen

Een andere trend is dat criminelen en terroristen zich beter ?wapenen? tegen toezicht op afwijkend gedrag. Het wordt verondersteld dat terroristen trainen op het tegengaan van stresssignalen die hen kunnen verraden in de aanloop naar een actie. Het is de vraag in welke mate trainen effectief is, en hoe daarop is te anticiperen. Bovendien is steeds meer informatie voorhanden waarmee personen met kwade intentie hun voordeel kunnen doen, zoals recentelijk nog een handboek is ?ontdekt? dat opgesteld zou zijn door IS-aanhangers, dat tips geeft over hoe jihadgangers veilig het ?kalifaat? kunnen bereiken (Atasever, 2015).

Mobiele sensoren

Ten slotte is de intrede van mobiele sensoren een belangrijke trend. We zijn op weg naar een tijdperk waar de loodgieter de dakgoot met een onbemand luchtvaartuig inspecteert en waar fervente hobbyisten voor de kick nachtelijke vluchten maken boven belangrijke gebouwen en kritieke infrastructuur. Wat betekent dit voor de handhaving in het lage luchtruim? Interessant zijn de ontwikkelingen in Amerika waar onlangs, na het neerstorten van een onbemand luchtvaartuig in de achtertuin van het Witte Huis, in overeenstemming met de Amerikaanse luchtvaartautoriteit FAA, een belangrijke fabrikant een zogenaamde firmware update heeft uitgevoerd bij haar luchtvaartuigen waardoor deze niet meer kunnen vliegen in een deel van Washington (Bouwma, 2015). Ook zijn er ontwikkelingen die het onmogelijk maken voor onbemande luchtvaartuigen om landsgrenzen te overschrijden. Hiermee kan mogelijk drugshandel worden voorkomen. In dit tijdperk zullen veiligheidsorganisaties niet alleen moeten handhaven in het lage luchtruim, maar ook daar kansen moeten grijpen die door de intrede van deze nieuwe technologie ontstaan. Onbemande luchtvaartuigen kunnen helpen om een plaats-delict snel en effici?nt in beeld te brengen, maar in de toekomst wellicht ook om minder invasieve interventies te plegen. Een achtervolging van een overvaller kan bijvoorbeeld wellicht veiliger met een onbemand luchtvaartuig dan met een politieauto.

Veilige maatschappij

Heeft het onderzoeksprogramma naar het vroegtijdig signaleren van afwijkend gedrag geleid tot een veiliger maatschappij? Binnen dit onderzoeksprogramma hebben we tientallen projecten uitgevoerd voor en met partijen binnen de publieke en private veiligheid, zoals politie, Douane, KMar, Ministerie van Defensie, gemeenten, particuliere beveiligingsorganisaties, videosurveillance systeemintegrators, beheerders van kritieke infrastructuur en inlichtingen- en veiligheidsdiensten. Met de uitkomsten van deze projecten hebben deze partijen ieder op hun eigen wijze bijgedragen aan een veiliger maatschappij. Maar deze toekomstverkenning laat zien dat het werk nog niet is gedaan. Onze maatschappij is constant aan verandering onderhevig en zo ook de veiligheidsrisico?s. Veranderingen lijken elkaar bovendien steeds sneller op te volgen, gelijk aan de wet van Moore. De Nederlandse openbare orde en veiligheidsmarkt moet zich aanpassen aan veranderende omstandigheden om te ?overleven? en criminaliteit de baas te blijven. In dit kader is innovatie cruciaal om criminaliteit een stap voor te blijven. Zicht op toekomstige ontwikkelingen is onontbeerlijk om te komen tot innovatie. Dit paper en de daarin beschreven trends kan partijen binnen de publieke en private veiligheid helpen om lijnen voor kennisontwikkeling en daarmee innovatiekansen, te detecteren. De auteurs roepen organisaties dan ook op om innovaties niet te schuwen, maar te omarmen, zodat ook zij straks optimaal kunnen blijven bijdragen aan het realiseren van een veiliger maatschappij.

  • Dit onderzoek is deels gefinancierd door de Rijksoverheid en uitgevoerd binnen het TNO vraaggestuurd programma Veilige Maatschappij, Topic 1: Afwijkend gedrag.
  • Correspondentie over dit artikel kan worden geadresseerd aan dr. Rick van der Kleij, TNO Earth, Life, and Social Sciences, Kampweg 5, Postbus 23, 3769 ZG Soesterberg; E-mail: [email protected].
  • De auteurs zijn Maaike Lousberg en Remco Wijn dankbaar voor hun bijdragen aan dit artikel.

Literatuur

  • Atasever, H. (2015, 23 maart). IS-handboek voor westerse jihadgangers. Zaman vandaag. Geraadpleegd op 25 maart 2015, van http://www.zamanvandaag.nl/nieuws/turkije/8378/handboek-voor-westerse-jihadgangers
  • Bouwma, R. (2015, 28 januari). Firmware-update houdt drones bij Obama vandaan. PCM. Geraadpleegd op 12 maart 2015, van http://www.pcmweb.nl/nieuws/firmware-update-houdt-drones-bij-obama-vandaan.html
  • Brandhorst, C. (2014, 26 november). Facebook had slachtpartij soldaat kunnen voorkomen. Algemeen Dagblad. Geraadpleegd op 2 december 2014, van http://www.ad.nl/ad/nl/13424/Terreuraanval-Woolwich/article/detail/3798596/2014/11/26/Facebook-had-slachtpartij-soldaat-kunnen-voorkomen.dhtml
  • Burghouts, G. J., Den Hollander, R., Schutte, K., Marck, J.W., Landsmeer, S., & Den Breejen, E. (2011). Increasing the security at vital infrastructures : Automated detection of deviant behaviors. Proceedings of SPIE, Vol. 8019. doi: 10.1117/12.884579.
  • De Vries, A., & Smilda, F. (2014). Social Media. Het Nieuwe DNA. Elsevier Reed Business.
  • Flight, S., & Hulshof, P. (2010). Roadmap beeldtechnologie veiligheidsdomein. DSP-groep.
  • La Vigne, N.G., Lowry, S.S., Markman, J.A., & Dwyer, A.M. (2011). Evaluating the use of public surveillance cameras for crime control and prevention. Technical Report 412403. Urban Institute. Washington, DC. US.
  • Lensink, H. (2014, 19 april). Plaats delict: social media: Hoe de politie surveilleert op internet. Vrij Nederland. Geraadpleegd op 13 november 2014, van http://www.vn.nl/Archief/Justitie/Artikel-Justitie/Plaats-delict-social-media.htm
  • Oken, B.S., Salinsky, M.C., & Elsas, S.M. (2006). Vigilance, alertness, or sustained attention: Physiological basis and measurement. Clinical Neurophysiology, 117 (9), 1885-1901. doi: 10.1016/j.clinph.2006.01.017.
  • Poh, M.Z., McDuff, D.J., & Picard, R.W. (2011). Advancements in noncontact, multiparameter physiological measurements using a webcam. Biomedical Engineering, IEEE Transactions on, 58(1), 7-11.
  • Tennant, M. (2013, 29 november). SPOT-ted $900 million, TSA program hasn?t caught one terrorist. The New American Magazine. Geraadpleegd op 24 november 2014, van http://bit.ly/1xd3RJ3
  • United States Government Accountability Office (2013). Aviation security. TSA should limit future funding for behavior detection activities. Report to Congressional Requesters. GAO-14-159.
  • Van der Kamp, R., Van ?t Hooft, W., & Zwier, E. (2014). Projectplan HARVEST: Human activity recognition in video streams. Van reactief naar proactief cameratoezicht. Versie 3.0. NCTV.
  • Van der Kleij, R., Roelofs, M., & Van Hemert, D. (2014). Gaan veiligheidsmaatregelen ten koste van de dienstverlening? Tijdschrift voor Veiligheid, (13) 4, 3-19.
  • Van Pel, B., Verhagen, B., & Wijn, R. (2012). Predictive profiling of proactief beveiligen: Security questioning & prikkelen. Security Management, 9, 40-43.

Bron: Security management

Slimmer omgaan met informatie in de veiligheidsketen

Geef een reactie

TNO helpt publieke veiligheidsorganisaties ? zoals politie, veiligheidsregio?s, Koninklijke Marechaussee, en de ministeries Veiligheid en Justitie en Infrastructuur en Milieu – op hun taken berekend te blijven.

De veelheid van risico?s in onze maatschappij en de dynamiek hiervan maakt veiligheid tot een complex vraagstuk, en dat vraagt om innovatie en samenspel tussen overheid, bedrijven en burgers. Ook door schaalvergroting van de organisaties en nieuwe maatschappelijke ontwikkelingen moeten de veiligheidsorganisaties blijven innoveren.

TNO werkt aan de veiligheidssituatie in Nederland binnen het vraaggestuurde programma Veilige Maatschappij. Goede interactie met belanghebbenden vindt plaats onder regie van het ministerie Veiligheid en Justitie.

Binnen het programma ontwikkelt TNO nieuwe technieken en systemen, maar ook nieuwe methoden om menselijke competenties en samenwerkingsprocessen te verbeteren. De daarvoor benodigde wetenschappelijke kennis wordt met financiering van de overheid opgebouwd in zogeheten Vraaggestuurde Programma?s. TNO benut deze kennis voor vele klanten uit alle sectoren van de maatschappij. Zo heeft TNO een tool ontwikkeld waarmee de observaties van meerdere toezichthouders op complexe locaties wordt gecombineerd en waarmee toezichthouders verdachte personen kunnen taggen. Een ander voorbeeld is de Crisis Communicatiegame, waarmee organisaties het multidisciplinair samenwerken in het veiligheidsdomein kunnen oefenen.

Hieronder?infographic van de kennisopbouw over “slimmer omgaan met informatie in de veiligheidsketen“, met een belangrijke sleutelrol voor social media:

Bekijk ook?de infographics van de andere?onderwerpen:

Of lees het verslag met een samenvatting van de resultaten. Wil je meer weten over een van de onderwerpen, neem dan vooral contact op.

Bronnen: TNO

Online gedragsverandering

Geef een reactie

online gedrag

Vanaf vandaag is het boek ?De factor gedrag? online beschikbaar. Hierin maakt de lezer kennis met de visies en resultaten uit het Enabling Technology Programme ?Gedrag en Innovatie?, dat dit jaar na vier jaar onderzoek wordt afgerond. Dit boek is interessante kost voor ieder binnen en buiten TNO die meer wil weten over de wisselwerking tussen mens en (technologische) innovatie. Zo ook een reeks onderzoeken naar online gedrag op social media (vanaf pagina 23).

Vier maatschappelijke thema?s
De resultaten van het onderzoeksprogramma zijn beschreven aan de hand van vier maatschappelijke thema?s. Het eerste hoofdstuk van het boek, ?Sleutelen aan een duurzaam systeem?, gaat vooral in op pogingen om op grote schaal duurzame technologie en gedrag ingevoerd te krijgen. Het tweede hoofdstuk ?Participeren door online te communiceren? verkent de contouren van de participatiesamenleving en de rol die technologie daarin speelt. Het derde hoofdstuk ?Een leven lang goed functioneren, presteren en genieten? laat zien hoe je als burger van wieg tot graf gezonder, veiliger, zelfredzamer en productiever kunt leven. Het vierde en laatste hoofdstuk ?De e-burger en de digitale sneeuwbal? gaat, om een link te leggen met de praktijk, in op de risico?s van informatie- en communicatietechnologie en hoe die te voorkomen zijn of in elk geval in te dammen.

Gedragsverandering in de praktijk
Daarnaast worden veel cases beschreven: praktijkvoorbeelden waarin innovatie en gedragsverandering op een geslaagde manier samengaan. Ten slotte maken de projectleiders van het ETP Gedrag en Innovatie je deelgenoot van wat zij tijdens dit programma meemaakten en vertellen zij u wat de samenleving in hun ogen aan de resultaten kan hebben. Door het boek heen wordt, om dat te verduidelijken, een dag beschreven uit het fictieve gezin Dobbelaar. De leden van dit gezin ervaren in hun dagelijks leven de mogelijkheden van de innovaties die onderzocht werden in het ETP Gedrag en Innovatie.

Veel leesplezier, innovatie en gedragsverandering toegewenst!

Lees ?de factor gedrag? hier online: http://issuu.com/ono-ono/docs/tno_digi_issuu/1

Bronnen: TNO

De moderne buurt-Sherlock Holmes

Geef een reactie

Moderne Buurt Sherlock

Software, in combinatie met een app, die de kennis?en kunde van politie en burgers bij elkaar brengt.?De ondernemer die het op de markt brengt,?kan bijdragen aan criminaliteitsbestrijding?en tegelijkertijd een goede inkomstenbron?aanboren, bijvoorbeeld met het op maat aanbieden?van informatie van verzekeraars en andere?dienstverleners.

?Als politie en burgers beter gebruik gaan maken van elkaars kennis en vaardigheden, dan kunnen ze samen de criminaliteit in Nederland effectiever bestrijden. Social media bieden daarvoor mogelijkheden waarvan we tot voor kort niet konden dromen. Een ondernemer kan die?krachten bundelen en vertalen in software. Met de app en een webdienst die daarbij horen, valt een goede boterham te verdienen.

Natuurlijk krijgt de politie al tips van burgers, maar de moderne communicatiemiddelen bieden nieuwe kansen. Denk maar aan het snel en accuraat vastleggen van informatie door slachtoffers of getuigen, het?delen van gegevens door buurtgenoten of aan computerprogramma?s waarmee slachtoffers na een misdrijf zelf een compositiefoto samen?stellen. Met zo?n app kan de politie die informatie snel en effici?nt inzetten bij onderzoeken.

Burgers beschikken bovendien over vaardigheden die ze willen gebruiken om mee te helpen bij de criminaliteitsbestrijding. De software kan groepen van zulke experts met elkaar in contact brengen en het proces ook verder begeleiden. De politie kan dat faciliteren door – waar?dat verantwoord is – informatie over het misdrijf en over opsporings?methoden te delen. Dat zal ook het begrip voor het politiewerk versterken.

Het bedrijf dat dit product op de markt brengt moet wel zorgen voor screening van de gang van zaken in de app, onder andere om te voorkomen dat burgers de privacy schenden of voor eigen rechter gaan spelen. Maar de trend is niet te stoppen: veel burgers nemen nu al initiatieven op social media. Met deze aanpak leid je die initiatieven, uiteraard in samenwerking met de politie, in goede banen. De politie is op de hoogte van deze idee?n en is bereid om mee te denken.

De software kan op diverse manieren inkomsten genereren. Verzekeraars zullen burgers willen adviseren over manieren om criminaliteit te voorkomen en andere ondernemers, detectivebureaus of?een beveiligingsbedrijf bijvoorbeeld, zullen hun diensten aanbieden. Sommige slachtoffers willen betalen om het misdrijf waarvan ze het slachtoffer zijn geworden extra aandacht te geven en adequaat op te lossen.

Het is verstandig om te beginnen met een vorm van criminaliteit waarmee burgers regelmatig te maken hebben. Geweld op straat bijvoorbeeld of woninginbraken. Het bedrijf dat dit product verder ontwikkelt, kan actief zijn in de beveiligingsbranche. Een andere mogelijkheid is een ict-bedrijf dat ervaring heeft met vergelijkbare projecten, bijvoorbeeld in de gezondheidszorg. Voor zo?n bedrijf liggen er kansen om een interessante markt te veroveren en tegelijkertijd bij te dragen aan het bestrijden van de criminaliteit.?

Bronnen: TechnologieZoektOndernemer

Theorie op data toepassen: voorspellen van overlast

Geef een reactie

overlastbierfles

Fitting the Theory to the Data: het Voorspellen van Overlast, een bijdrage van: Selmar Smit, Bob van der Vecht en Layla Lebesque, data wetenschappers bij TNO.?

Theorie en praktijk lijken vaak ver uit elkaar te liggen. Toonaangevende theorie?n zijn vaak beschrijvend, generiek en kwalitatief, waar de praktijk vraagt om specifieke, kwantitatieve uitspraken. Een voorbeeld hiervan vinden we in de sociale wetenschappen. Gedragstheorie?n als de rational choice, planned behaviour en environmental criminology leveren algemene beschrijvingen over welke aspecten mogelijk het gedrag van een individu be?nvloeden. In praktijk blijkt dat dergelijke theorie?n wel handvatten bieden, maar moeilijk gebruikt kunnen worden om gedrag van een individu, of zelfs een groep in kaart te brengen en te voorspellen. En juist dat laatste is in praktijk meestal het interessants. Jongerenwerkers zouden graag willen weten wie er de grootste kans loopt om op het slechte spoor te geraken. De gemeente en politie zouden graag willen weten wat zij kunnen doen om slecht gedrag te ontmoedigen. En menig bedrijf zou een grote pot geld over hebben om de adoptie van hun product te kunnen voorspellen. Dergelijke voorspellingen worden nu vooral gedaan op basis van datamining , statistiek en onderbuik gevoel en negeren op die manier de grote schat aan kennis die aanwezig is vanuit de sociale wetenschappen. Met de opkomst van krachtige computers, kan dit gat tussen praktijk en theorie mogelijk gedicht worden. Onder de noemer ?fitting the theory to the data? beschrijven we in dit artikel een specifiek voorbeeld waarin gedragstheorie?n uit de environmental criminology worden omgevormd tot een voorspellend model van overlast? voor de regio Haaglanden.

Praktijk: ?het Voorspellen van Overlast

Over criminaliteit en overlast bestaan zeer veel theorie?n (Lochner, 2004) maar niet elke theorie is even geschikt om omgevormd te worden tot een voorspellend model. Soms is het dat de theorie er niet geschikt voor is, maar het is ook mogelijk dat de empirische data niet voorhanden is, of dat het voorspellend model zelf niet van nut is. Zo gaan veel voorspellende modellen alleen uit van de sociale en economische factoren in een wijk. Maar omdat dergelijke factoren? voor beleidsmakers niet makkelijk te be?nvloeden zijn, ?bieden ze weinig handvatten voor de ontwikkeling van beleidsinterventies. Wat ze wel kunnen doen is bepalen of ergens een buurthuis moet worden gebouwd, een uitgaansdistrict moet worden verplaatst of een park moet worden aangelegd. Dit zijn relevante beslissingen, want het effect van een dergelijke ingreep is zeer afhankelijk van de omgeving. Wat in de ene buurt tot overlast leidt, hoeft niet noodzakelijk hetzelfde effect te hebben in een andere buurt. Zo zijn er nauwelijks meldingen van problemen bij het caf? ?De Uylenburg? aan de rand van Delft, terwijl 2.5 kilometer verderop bij de caf?s in het centrum er een hotspot ligt van overlast. Het ligt dus, logischerwijs, niet enkel aan het type gebouwen dat er staat, maar ook aan de omgeving waarin ze staan. Het bepalen van het effect van gebouwen op de hoeveelheid overlast in een buurt is dus meer dan enkel een simpele optelsom van de individuele effecten.

Theorie: ?Precipitators en Attractors

Op het gebied van omgevingsfactoren zijn er twee theorie?n die verklaringen aandragen waarom op de ene locatie wel, en op de andere locatie geen overlast plaatst vindt. De eerste komt van Brantingam & Brantingam (Brantingham & Brantingham, 1995) waarin zogenaamde crime attractors worden ge?ntroduceerd. Attractors zijn plaatsen die potentiele overlastveroorzakers aantrekken, maar niet noodzakelijk zelf overlast veroorzaken. Een voorbeeld hiervan is een bankje in het park. Hoewel deze op zichzelf geen overlast veroorzaakt, kan het wel overlastveroorzakers aantrekken. Wortley (Wortley, 2008) beschrijft juist een verklaring voor de hoeveelheid criminaliteit in een gebied. Hij introduceert crime precipitators; omgevingsfactoren die aanmoedigend werken op personen om overlast te veroorzaken. Een caf? en discotheek zijn logische voorbeelden van een precipitator.

Van Theorie naar Model

De theorie?n van Brantingham & Brantingham en Wortley kunnen relatief eenvoudig worden omgezet naar een (wiskundig) model. Elk object in de omgeving is van een bepaald type, en van elk type wordt met behulp van vier verschillende parameters gedefinieerd wat de invloed is op de totale hoeveelheid overlast. De eerste twee parameters (a en b) bepalen de hoogte en uitstoot-afstand voor het precipitator gedeelte. De laatste twee (c en d) bepalen de mate van aantrekking en de het bereik van de attractors.

Met de behulp van de formules uit Figuur 1, is daarmee zowel de totaal aangetrokken hoeveelheid overlast te berekenen voor een bepaald object (Aj), als de hoeveelheid overlast die uiteindelijk terecht komt op een specifieke x,y locatie (Rxy). Hierbij gebruiken we de (journey to crime) distance decay function uit (Wilson, 1970) om de afstand tussen twee punten (D) om te zetten naar uitstoot.

formula1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?formula2

pic1 pic2

Figuur 1. Het Precipitator & Attractor Model. De discotheek heeft een hoogte (rood) en een uitstootbereik (cirkel) van overlast. Dit wordt aangetrokken (blauw) door de parken afhankelijk van hun afstand tot de discotheek. Voor elke locatie (X) kan de overlast (geel) worden berekend op basis de afstand tot de parken.

??Fitting the theory to the data?

Hoewel het model nu een goede representatie is van de theorie?n van Brantingham & Brantingham en Wortley, is het nog niet direct bruikbaar als voorspellend model. Daartoe gaan we het model kalibreren met empirische data van omgevingsobjecten en overlastcijfers uit de regio Haaglanden. De dataset van objecten halen we uit OpenStreetMap en bestaat uit 128 verschillende objecttypes. Daarom moeten de bijbehorende 512 parameters nog gedefinieerd worden om tot voorspellingen te kunnen komen; voor elke objecttype 4 parameters. Dit is wat wij ?fitting the theory to the data? noemen; het kalibreren van een kwantitatief model (gebaseerd op bestaande theorie?n) met parameterwaarden die passen bij de gegevens van een bepaald gebied. Gezien de complexiteit van het model, hebben we hierbij gekozen om gebruik te maken van de machine-learning techniek backpropagation. Backpropagation is een vorm van supervised learning, die in staat is om voor een (set van) geparameteriseerde formules de waardes af te leiden die zo goed mogelijk passen bij een database van trainingsgegevens (Mehryar Mohri, 2012). Met? trainingsgegevens bedoelen we hier een combinatie van input en gewenste output, zoals de (x,y) co?rdinaten van een bepaald punt en de bijbehorende gemeten hoeveelheid overlast rond dezelfde locatie.

Het algoritme start met het willekeurig initialiseren van alle a, b, c, en d waarden voor alle objecttypen. Gegeven de set met trainingsgegevens en alle objectlocaties, kan nu voor elke (x,y) co?rdinaat berekend worden wat dit (geheel willekeurige) model voor voorspelling doet qua hoeveelheid overlast (Rxy) en in hoeverre deze afwijkt van de gemeten waarde, de zogenaamde fout.

Voor elk van de co?rdinaten is tevens te bepalen wat hun afstand (Dxyj) is tot elk van de attractors en wat daarvan de attractionwaarde was (Aj). Hierdoor is het voor elke co?rdinaat en elk objecttype in de trainingsset mogelijk om te bepalen welke kant dj op zou moeten bewegen (hoger of lager) om de fout voor deze co?rdinaat te verkleinen. Een andere mogelijkheid om de fout te verkleinen is door juist de waarden van Aj aan te passen. Logischerwijs kan dat enkel door ai, bi of ci aan te passen. Wederom kun je voor elk van deze waarden vaststellen welke kant deze op zouden moeten bewegen om de fout van Rxy voor deze co?rdinaat te verkleinen. Als we daarna al deze richtingen optellen voor alle co?rdinaten in de trainingsset, hebben we voor elk van de 512 parameters een indicatie naar welke kant deze aangepast zou moeten worden om de totale fout te verkleinen.

De volgende stap in het algoritme is om al die 512 waarden een heel klein beetje aan te passen in de berekende richting. Nu er dus 512 nieuwe waarden zijn, die waarschijnlijk beter zijn dan de oorspronkelijke 512 kan hetzelfde proces herhaald worden. Opnieuw worden alle fouten berekend, opnieuw de richtingen bepaald, en opnieuw de waarden aangepast, totdat verdere verbetering niet mogelijk is. Een te grote aanpassing van de parameters leidt tot ?heen en weer schieten? (REF), een te kleine aanpassing zorgt voor langzame convergentie, en kan leiden tot het blijven hangen in een lokaal optimum.

Als de parameterwaarden niet meer veranderen, is het algoritme klaar, en is het model zo goed mogelijk gefit op de bestaande gegevens.

Resultaten

Interessante vraag is nu: ?Hoe goed representeert een dergelijk model de werkelijkheid?? of om de vraag anders te formuleren: ?Hoe goed is de theorie op de data gefit??.? Hierbij is het van belang te realiseren dat een model met een grote hoeveelheid vrijheidsgraden altijd bijna perfect gefit kan worden op een set gegevens. Het is dus van belang om niet te kijken naar de fit tussen trainingsdata en de bijbehorende voorspellingen (Figuur 2) maar naar de voorspellingen voor een gebied dat niet is meegenomen in de trainingsdata. Specifiek voor dit doel is de stad Delft buiten de trainingsdata gehouden.

fig3

Figuur 2: De daadwerkelijke overlast in de trainingsdata (links) en de voorspelde waarde (rechts). Een bijna perfecte fit (een correlatie van 0.92).

Als we de voorspellingen en daadwerkelijke cijfers van Delft naast elkaar leggen (Figuur 3) blijkt dat de verhoudingen tussen de delen van de stad Delft redelijk goed zijn geschat (een correlatie van 0.79), maar de ordergrootte verkeerd is.

fig4

Figuur 3: De daadwerkelijke overlast in Delft (links) en de voorspelde overlast (rechts)

Dit kan veroorzaakt worden door een veel hogere concentratie van objecten in de stad Delft dan in de regio Haaglanden, of zelfs in Den Haag zelf. Logischerwijs zorgt dit direct ook voor hogere voorspellingen, aangezien zowel de afstanden als de hoeveelheid objecten heel anders is, dan in de trainingsset. Dit is mogelijk een gevolg van de crowdsourcing aanpak van OpenStreetMaps, welke de bron was van de objecten database, waarbij de detaillering van een gebied afhangt van de gebruikers en daarom niet uniform is.

Conclusies

Gezien de resultaten kunnen we concluderen dat de ?fitting the theory to the data?-aanpak succesvol is geweest. Het was niet alleen mogelijk om de bestaande theorie?n uit de environmental criminology om te vormen tot een kwantitatief voorspelmodel op basis van data uit de regio Haaglanden, maar deze lijkt ook goed te generaliseren naar een ander gebied als Delft.? Om het daadwerkelijk in praktijk te kunnen inzetten, zou het model nog verder verrijkt moeten worden met additionele informatiebronnen. Maar zelfs in de huidige vorm biedt het al handvatten aan de ?praktijk?, zoals beleidsmakers. Naast deze praktische toepassing, is het tevens niet ondenkbaar dat deze aanpak ook gebruikt kan worden door ?theoretici? om bestaande theorie?n aan te scherpen of uit te breiden door te kijken in hoeverre de data past op de theorie.

 

  • Brantingham, P., & Brantingham, P. (1995). Criminality of place. European Journal on Criminal Policy and Research, 5-26.
  • Lochner, L. (2004). Education, Work, and Crime: A Human Capital Approach. International Economic Review, 45(3), 811?843.
  • Mehryar Mohri, A. R. (2012). Foundations of Machine Learning. The MIT Press.
  • Wilson, A. G. (1970). Entropy in Urban and Regional Planning. Buckinghamshire: Leonard Hill Books.
  • Wortley, R. (2008). Situational Crime Precipitators. In R. Wortley, Environmental Criminology and Crime Analysis (pp. 48-69). Willan Publishing.

 

SELMAR SMIT is aan de Vrije Universiteit gepromoveerd op het onderwerp machine learning, en sindsdien werkzaam als data scientist bij TNO.

BOB VAN DER VECHT studeerde kunstmatige intelligentie aan de Rijksuniversiteit Groningen en is hierin in 2009 gepromoveerd aan de Universiteit Utrecht. Hij werkt sindsdien als onderzoeker bij TNO op het gebied van operations research.

LAYLA LEBESQUE heeft Econometrics and Operations Research gestudeerd aan de Universiteit Maastricht en is werkzaam bij TNO als technisch consultant op het gebied van data modeling & operations research.

Social media kunnen veiligheid brengen

Geef een reactie
Veel organisaties staan voor de uitdaging om de enorme hoeveelheid informatie op social media tijdens evenementen of incidenten te filteren. Social media hebben de kracht om informatie snel te verspreiden. Deze informatie kan prima gebruikt worden, want met name tijdens incidenten gaat dat ultiem snel.

TwitcidentTwitcident is een social media intelligence platform dat ontworpen is om informatie op social media te filteren en waarschuwingen af te geven?en?incidenten te managen. Het probeert als het ware de menselijke zintuigen op social media om te zetten in nuttige informatie voor veiligheid en andere maatregelingen voor de openbare orde. Taalgebruik op social media verschilt met het taalgebruik van organisaties. Twitcident probeert de juiste informatie hier uit te halen, ze doen doen dit samen met een aantal onderzoekers van TNO en TU Delft. Uit de socialmedia-inhoud proberen we bruikbare inzichten te filteren, zegt Richard Stronkman oprichter van?Twitcident. Inzichten die relevant zijn voor de dagelijkse operatie en veiligheid tijdens grote incidenten.

Bij grote evenementen kunnen nu tienduizenden twitterberichten worden gefilterd en teruggebracht tot een bruikbaar aantal, waarmee de politie de veiligheidssituatie in de gaten kan houden. De ontwikkeling begon in 2011 toen Pukkelpop werd getroffen door noodweer en er doden vielen. ?Hadden we dat niet via social media zien aankomen??, vroeg Stronkman zich af. ?Zaten er signalen in de socialmediastroom die we hadden kunnen oppakken?? Een inhoudelijke analyse destijds, liet zien dat men wel over het weer praatte. Op verschillende locaties. Ook liet analyse zien dat de intensiteit op bepaalde locaties in korte tijd toenam. Onder andere in de omgeving van Pukkelpop. ?Als we toentertijd al alle socialmediadata hadden geanalyseerd, zoals we dat nu kunnen, had de organisatie van Pukkelpop waarschijnlijk niet het advies gegeven om iedereen in tenten te laten schuilen, maar hadden we de aanpak van afgelopen Pinkpop gehanteerd en mensen op het veld laten zitten.?

Een ander voorbeeld uit het pre-Twitcident-tijdperk is het befaamde?Project X ?incident uit het Groningse Haren. In alle chaos werd er getwitterd dat er een meisje was doodgedrukt. Dit werd in no time als nieuwsfeit geretweet. Voordat men het wist, domineerde het bericht een tijd lang het socialmediaverkeer, waardoor het gerucht een eigen leven ging leiden. Met de attentiewaarde van het onjuiste bericht ging de aandacht niet uit naar andere signalen op social media die relevant waren om de veiligheid in Haren weer enigszins terug te brengen.

Begin?2012 is er?onderzoek?gedaan?naar het gebruik van sociale media in het veiligheidsdomein. Hieruit bleek dat het veiligheidsdomein sociale media vooral inzet om informatie te geven over het werk, de organisatie en bij incidenten en calamiteiten. Het begint met luisteren.?In een onderzoek onder alumni Master Crisis and Disaster management en Master Crisis and Publicorder Management en onder deelnemers aan de opleiding Informatiemanager in de crisisbeheersingskolom zijn opvallend grote verschillen te zien qua gebruik van sociale media. Als het gaat over het gebruik van sociale media binnen de werkzaamheden, dan worden deze vooral als informatiebron benut. Wat opviel is dat het overgrote deel niet effici?nt luisterde op sociale media. In Enschede bij Serious Request is daarna veel ervaring met filtering en luisteren naar berichten opgedaan.

Op 30 april 2013 tijdens de troonswisseling in Amsterdam verwerkte Twitcident een half miljoen socialmediaberichten per uur. Hoe ga je daar de relevante berichten uithalen als het gaat om veiligheid? Niet alle berichten zijn belangrijk. Door een geavanceerd algoritme op alle socialmediaberichten, gecombineerd met gps-informatie van politie in de stad, kon de politie in de crowd control-kamer precies zien waar mensen nog normaal door de straten konden lopen en waar niet meer. ?Zo konden we de veiligheid en doorstroom goed beheersen.?

TwitterHet is moeilijk te zeggen wanneer iets op social media opeens duidt op een incident. E?n tweet van iemand met ?Ik sta in Den Haag en zie vuurwerk? is niet interessant, 10 mensen die tweeten ?Ik sta in Den Haag en zie vuurwerk? mogelijk wel. De algoritmes van Twitcident zijn complex. De kunst zit hem in het filteren van alle ruis. Een tweet met #Brand kan gaan over ?vuur?, maar ook over ?bier?. Het gaat om het observeren van een periode en de hoeveelheid socialmediaberichten op basis van locatie en mogelijke risico?s. De kunst zit in zo snel mogelijk bij het oorspronkelijke bericht te komen, zodat je kunt ingrijpen.

Een voorbeeld waar Twitcedent zijn ook meerwaarde toonde, was tijdens het Rotterdamse carnaval. Er was sensatie. Iemand had getwitterd dat er een man rondliep op het Beursplein met messen. Door het vroeg detecteren van de tweets en retweets, kon de politie ter plaatse een seintje krijgen. Die ging vervolgens een kijkje nemen en maakte een foto van het plein waar de man met messen zogenaamd stond. Dus niet. Deze foto werd direct geplaatst en het gerucht was met dezelfde snelheid weer weg.

Social media monitoring wordt inmiddels veelvuldig ingezet, ook bijvoorbeeld dit jaar in de Innovation Room van de Nuclair Security Summit. Twitcident zorgt er ook voor de partners binnen de Veiligheidsregio Groningen binnen enkele minuten ge?nformeerd worden over een gevoelde aardbeving in de regio. Het systeem zoekt naar tweets van mensen die een beving melden en stuurt vervolgens een mail en sms naar de aangesloten personen en de meldkamer. Vervolgens blijft het systeem tweets verzamelen om snel een beeld te kunnen vormen van de ernst van de situatie. Door de snelle alertering kunnen betrokken hulpverleningspartijen gebruiken voor snelle beeldvorming. In het verleden waren ze voor de alertering in eerste instantie afhankelijk van het KNMI die pas na een aantal uren kan aangeven dat er een aardbeving is geweest en hoe zwaar deze was.

Bron: Securityfacts

Computermodel voorspelt overlast in woonwijken – en wanneer die uitblijft

Geef een reactie

Computermodel_hoofdfoto

Misschien wel de beste oplossing tegen overlast in woonwijken: een computermodel om overlastsituaties te voorspellen.?Selmar Smit?van TNO ziet re?le kansen voor zo?n model. Daarmee kan een wijk overlastbestendig worden ontworpen. Bijvoorbeeld door een buurthuis te bouwen, of een park aanleggen.

Welke wetenschappelijk onderbouwde handvatten hebben gemeenten om overlast te voorkomen of bestrijden? Modellen om overlast te voorspellen kijken doorgaans naar de sociale en economische eigenschappen van een buurt. Maar ze leveren maar mondjesmaat praktisch bruikbare informatie. De modellen geven bijvoorbeeld geen antwoord op de vraag of ergens een buurthuis moet worden gebouwd, een uitgaansdistrict moet worden verplaatst, of een park moet worden aangelegd.

Het effect van dit soort ingrepen is namelijk zeer wisselend en sterk afhankelijk van de omgeving. Wat in de ene buurt tot overlast leidt, heeft niet noodzakelijk hetzelfde effect in een andere buurt. Zo zijn er nauwelijks meldingen van problemen bij caf? De Uylenburg aan de rand van Delft. Terwijl de caf?s in het centrum een paar kilometer verderop een hotspot van overlast vormen.

Overlastkaart belangrijk
Om te kunnen bepalen welke overlast een buurt kan verwachten, is het dan ook van belang om te weten welke gebouwen van een bepaald type op welke locatie(s) staan. Er kunnen 3 typen panden worden onderscheiden. Gebouwen die overlast cre?ren, die overlast aantrekken en die er geen enkel effect op lijken te hebben.

De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten

Dit artikel laat zien hoe een computer met een voorspelmodel een zogenoemde overlast-heatmap?kan maken. En hoe die kaart in de praktijk werkt om overlastgevende locaties te identificeren en voorkomen.

2 theoretische verklaringen voor overlast
Op dit moment zijn er 2 theorie?n gangbaar die verklaren waarom op de ene locatie wel overlast plaatsvindt, en op de andere locatie niet.

  1. Patricia L. en Paul J. Brantingham introduceerden zogenoemde?crime attractors. Dit zijn plaatsen die potenti?le overlastveroorzakers aantrekken, maar niet noodzakelijk zelf overlast veroorzaken. Een voorbeeld hiervan is een bankje in een park.
  2. De theorie van Richard Wortley geeft juist een verklaring voor de hoeveelheid criminaliteit in een gebied. Hij doet dit met het begrip vancrime precipitators. Dan gaat het om omgevingsfactoren die aanmoedigend werken op personen om overlast te veroorzaken. Een caf? en discotheek zijn daar logische voorbeelden van.

Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving

Nieuw voorspelmodel voor overlast
Een nieuw model van TNO gebruikt een wiskundige uitwerking van bovenstaande theorie?n. Ieder object, gebouw of gebied in een omgeving kan fungeren als precipitator, attractor, of allebei. Want precipitators cre?ren een bepaald niveau van overlast, terwijl attractors bepalen waar de overlast.

2 stappen naar overlastvoorspelling
In 2 stappen kan het computermodel een overlastvoorspelling voor een specifieke locatie maken.

pic1

Figuur 1 – Hoeveelheid overlast

Stap 1: Hoeveelheid overlast bepalen
Het caf? is rood gemarkeerd (zie figuur 1). Dit is een precipitator die een bepaalde hoeveelheid overlast kan veroorzaken in alle objecten binnen een bepaalde straal. Daarop duidt de rode balk. In hetzelfde gebied zijn ook 3 attractors aanwezig, namelijk parken. De afstand tussen de precipitator en de attractor ? en de hoogte van de aantrekkingskracht van de attractor ? bepalen hoeveel overlast er daadwerkelijk wordt aangetrokken. Dit is weergegeven in de blauwe balk. Het park dichtbij het caf? trekt een groot gedeelte van de overlast aan, terwijl het park rechtsonder ver genoeg weg ligt om overlastvrij te blijven.

pic2

Figuur 2 – Reikwijdte overlast

Stap 2: Reikwijdte van overlast bepalen
Overlast vindt meestal plaats in een gebied rond de attractor. Voor elk punt binnen de straal van dit gebied kan de hoeveelheid overlast worden voorspeld. De punten zijn aangegeven met een X (zie figuur 2). Vervolgens kan de hoeveelheid overlast in het gebied worden berekend door de effecten van alle attractors in een buurt op te tellen. Het punt in het midden, dat is weergegeven in de gele balk, trekt de meeste problemen aan. Voor de 2 buitenste punten wordt juist geen overlast voorspeld.

Beperkingen van bestaande overlastberekeningen
Maar er is een probleem bij dit soort berekeningen. Hoe weten we welke objecten een precipitator zijn? En welke een attractor? Hoe sterk is het effect van deze objecten? En hoe groot is de straal van verspreiding?

Een antwoord op deze vragen is afhankelijk van gegevens uit het verleden. Deze informatie laat zien waar overlast was, en welke objecten er in de buurt stonden. Deze gebouwen zijn niet noodzakelijkerwijs een precipitator of attractor. Maar met een zogenoemd zelflerend algoritme is dat wel te bepalen.

Oplossing: zelflerend algoritme
Een zelflerend algoritme is een geavanceerd computerprogramma dat in staat is om zelf te bedenken wat een goede oplossing is. Want het rekenmodel wordt ?beloond? bij goed gedrag. Goed gedrag betekent in dit geval: het kiezen van de juiste parameterwaarden om de overlast te voorspellen.

Buurthuizen blijken een effectief middel om overlast te verminderen

Hoewel het algoritme niet precies weet welke waarden correct zijn, zal het een patroon ontdekken door verschillende dingen te proberen en conclusies te trekken uit de beloningen. Dan blijkt onder welke omstandigheden (dat wil zeggen: bij welke van de aanwezige objecten) een hoge voorspelling gepast is.

Voorbeeld: overlast in haaglanden
TNO heeft de beschreven methode toegepast op data over overlastcijfers en omgevingskarakteristieken van de regio Haaglanden. Om zo een voorspelmodel voor de regio te ontwikkelen.

De input over overlast bestaat uit cijfers van hoeveiligismijnwijk.nl. Deze tonen het aantal meldingen op buurtniveau voor diverse vormen van overlast. Het gaat hierbij om jeugdoverlast, overlast van personen, drugsoverlast, geluidsoverlast en een aantal andere soorten overlast in 438 buurten in de periode van 2010 tot en met 2012.

OpenStreetMap dient als databron voor de omgevingskarakteristieken. De regio Haaglanden wordt daarin beschreven in 128 objecttypen met in totaal 10. 545 objecten. Denk aan de functie van gebouwen, en de aanwezigheid van pinautomaten, speeltuinen, bossen, parken en sportfaciliteiten. Met deze gegevens heeft het zelflerende algoritme de effecten van specifieke objecten op overlast in kaart gebracht.

4 grootste bronnen van overlast
De 4 grootste bronnen van overlast blijken bars, caf?s, fastfoodrestaurants en supermarkten. Dit zijn dus de grootste bronnen van overlast. Zolang er geen attractors in de buurt zijn, zoals in woonwijken, hebben ze weinig tot geen effect op de overlastcijfers. Maar in stadskernen en uitgaansgebieden zorgen deze objecten wel voor overlastplegers.

Viswinkels en gebedshuizen: 2 aantrekkers van overlast?
Viswinkels blijken verrassend genoeg de grootste aantrekkers van overlast te zijn. Toch is dit verband te verklaren. Pleinen zijn een notoire aantrekker van overlast, maar zijn niet opgenomen in de gegevens van OpenStreetMap. De viswinkels op de kaart blijken stuk voor stuk op of vlakbij pleinen te liggen.

Niet alle ‘groene’ oplossingen helpen: parkjes en speeltuinen trekken juist ook overlast aan

Daarmee fungeren ze in het rekenmodel als een vervanging van pleinen. Niet viswinkels trekken overlast aan, maar de pleinen in de directe omgeving. Een vergelijkbaar verband is te zien bij gebedshuizen. Ook deze liggen vaak op of bij een plein en worden daarom ten onrechte aangewezen als attractors.

3 effectiefste middelen tegen overlast
Hotels en rechtbanken hebben volgens het zelflerend algoritme van TNO een positieve invloed op overlast. Het ontmoedigende effect op overlastveroorzakers is merkwaardigerwijs het grootst in gebieden waar de overlast juist zeer hoog is. En buurthuizen? Die blijken inderdaad een effectief middel om overlast te verminderen.

Niet al het groen helpt tegen overlast
Het rekenmodel van TNO laat zien dat er verschillende mogelijkheden zijn om in woonwijken de overlast te verminderen. Bijvoorbeeld door kunst te plaatsen en plantsoenen aan te leggen. Maar niet alle ‘groene’ oplossingen helpen. Want parkjes en speeltuinen trekken juist ook overlast aan.

Conclusie: voorspellen ?n aanpakken
Het hier beschreven zelflerende algoritme vormt nog geen eindpunt. Er is behoefte aan extra gegevens om het inzetbaar te maken voor interventies en stadsontwerp. Die data zouden gedetailleerder moeten zijn dan nu beschikbaar is, en afkomstig zijn van verschillende stedelijke gebieden.

Natuurlijk kan het model ook voorspellingen doen over andere onderwerpen dan overlast. Zoals criminaliteit, zorg en welzijn. De voorspellingen daarover zouden dan kunnen worden meegenomen als kwantitatieve onderbouwing van de Veiligheidseffectrapportage. Dan kunnen ze worden gebruikt om concrete interventies te kiezen om overlast effectief te verminderen.

Bronnen: CCV Secondant

Moderne Sherlock op De Ondernemers Club

Geef een reactie

Sherlock Holmes, wie kent hem niet? Als het aan TNO ligt zijn we binnenkort allemaal collega?s van deze speurneus.

Afgelopen zondag was ?De OndernemersClub? te gast in Den Haag bij The Hague Security Delta. TNO-er?Erik Ham liet in deze zevende editie zien hoe we als burgers binnenkort, gewapend met een app op onze telefoon, de politie kunnen voorzien van relevante, onmisbare informatie over een misdrijf.
TNO op RTL7 afgelopen zondag: effici?ntere opsporing van verdachten en de burger als rechercheur
Ook lichtte Erik de TNO-technologie toe waarmee n?g effici?nter verdachten van bijvoorbeeld een winkeldiefstal opgespoord en gevolgd kunnen worden.

Uitzending gemist?
Onderstaand kun je het TNO-item van afgelopen, als ook van alle voorgaande uitzendingen terugzien. Op RTLXL kun je de gehele uitzendingen terugzien.

Inspiratie voor ondernemers
De Ondernemersclub is een combinatie van een televisieprogramma ?n een ondernemersevent, gericht op groei en innovatie. Met het programma leggen initiatiefnemers TNO, ONL voor Ondernemers, EY, het Ministerie van Economische Zaken en de Kamer van Koophandel de verbinding tussen overheden, regionale overheden, kennisinstellingen, dienstverleners en ondernemers. De presentatie is in handen van Hans Biesheuvel (ONL voor Ondernemers) en Annette Wassenaar (Yellow Walnut). Dit programma is een inspiratiebron voor ondernemers: kennis opdoen, netwerken en sparren met partners.