Ante este escenario, fue necesario adaptar la abstracci ´on pura de un problema geom ´etrico cl ´asico —como el posicionamiento de objetos- hacia una perspectiva m ´as pr ´actica —como la prestaci ´on de servicios—. Entonces se consider ´o incluir los mode- los de servicios de cobertura y las herramientas de an ´alisis espacial en la construcci ´on del modelo de optimizaci ´on para el posicionamiento de las c ´amaras, ´estos son los tres pilares que sustentan la construcci ´on de la metodolog´ıa propuesta. Por lo tanto, se puede afirmar que el problema de la colocaci ´on de c ´amaras s´ı puede resolverse con herramientas de an ´alisis espacial y m ´etodos metaheur´ısticos, pues existe evidencia que sustenta este hecho.
Para estructurar el modelo del posicionamiento de las c ´amaras como un proble- ma de optimizaci ´on de servicios, se revisaron distintos modelos de cobertura cuyas aplicaciones se parecieran al servicio que proporciona una red de c ´amaras de video- vigilancia, como los que se emplean en las redes de monitoreo ambiental, antenas, instalaciones de iluminaci ´on, entre otros. Asimismo, se consider ´o relevante incorporar al modelo algunas restricciones propias de las tareas que desempe ˜nan los sistemas de videovigilancia como detecci ´on de objetos, seguimiento de objetos, reconstrucci ´on de trayectorias, etc. De esta manera fue que se consideraron los modelos que maxi- mizan la cobertura y tambi ´en los que consideran cierto grado de sobreposici ´on entre los elementos del conjunto. Con base en estos modelos, se desarroll ´o el modelo para la colocaci ´on de c ´amaras en el que se incluyen restricciones sobre la soluciones ob- tenidas y criterios de decisi ´on que ayudaron a determinar una soluci ´on aceptable del problema.
Al automatizar la metodolog´ıa, a ˜nadiendo el algoritmo de Evoluci ´on Diferencial, se observ ´o que la simulaci ´on de escenarios permite comprender el efecto de la coloca- ci ´on de c ´amaras sobre su desempe ˜no como sistema de videovigilancia. Adem ´as, el entendimiento de la relaci ´on entre la ubicaci ´on y el desempe ˜no, nos condujo a explorar otras alternativas para mejorar la calidad de las soluciones obtenidas, incrementando la confianza en la generaci ´on de soluciones obtenidas por medio de la metodolog´ıa propuesta.
Se eligi ´o el modelo de Evoluci ´on Diferencial que pertenece al campo de c ´omputo evolutivo, dada la facilidad de su implementaci ´on y capacidad de convergencia. Pues al final, la metodolog´ıa adem ´as de cumplir su tarea, debe ser funcional y accesible pa- ra otros operadores. Actualmente, en inteligencia artificial existe una amplia variedad de modelos metaheur´ısticos, unos m ´as populares que otros, que se han empleado
con ´exito en problemas de asignaci ´on de objetos, como la optimizaci ´on por enjambres de part´ıculas (Particle Swarm Optimization,PSO por sus siglas en ingl ´es), colonia de hormigas (Ant Colony Optimization, ACO por sus siglas en ingl ´es) u otros modelos bio- inspirados (Flynn y Ratick, 1988; Millonas, 1994; Yang, 2010). Sin embargo, no existe evidencia suficiente que pruebe un rendimiento superior de un modelo espec´ıfico so- bre el resto de los existentes. Esto coincide con el teorema de No Free Lunch (NFL, por sus siglas en ingl ´es). En complejidad computacional y optimizaci ´on, el teorema NFL es un resultado que establece que, para determinados tipos de problemas ma- tem ´aticos, el costo computacional de encontrar una soluci ´on, promediado sobre todos los problemas de la clase, es el mismo para cualquier m ´etodo de soluci ´on (Wolpert y Macready, 1997). Por lo tanto, ninguna soluci ´on ofrece un atajo. En computaci ´on, hay circunstancias en las que los resultados de todos los procedimientos que resuel- ven un tipo particular de problema son estad´ısticamente id ´enticos, de manera que no hay diferencia significativa al elegir entre un procedimiento y otro.
De los casos de estudio considerados, se deduce que la metodolog´ıa propuesta s´ı puede utilizarse para resolver el problema del acomodo de un conjunto de c ´amaras para videovigilancia en un entorno abierto no controlado. En especial, cuando se des- conocen detalles del entorno y adem ´as los recursos son limitados. Con la metodolog´ıa propuesta se consigui ´o implementar una rutina que automatiza el posicionamiento de c ´amaras utilizando dos criterios: la superficie observada y el n ´umero de delitos capta- dos por el sistema; con la asignaci ´on ponderada de estos criterios fue posible construir una medida que sirve para ordenar la preferencia de los resultados, ayudando a dife- renciar y organizar las soluciones obtenidas, hasta obtener una soluci ´on final de entre todas las disponibles. En definitiva, la metodolog´ıa propuesta puede adaptarse con facilidad a otras superficies. Esto se hereda de la construcci ´on de los modelos me- taheur´ısticos, en la cual existe una forma general del algoritmo que requiere pocas adecuaciones para funcionar bajo distintas circunstancias.
Es necesario remarcar que la metodolog´ıa no funciona como una caja negra, ya que en varias etapas del proceso se requiri ´o tener conocimiento de las caracter´ısticas del territorio y la incidencia delictiva registrada, as´ı como la din ´amica entre ´estos ele- mentos. Con un conocimiento a priori, las decisiones que se tomen sobre el modelo ser ´an m ´as s ´olidas y congruentes, porque est ´an sustentadas en datos reales, dando lugar a una asignaci ´on de par ´ametros m ´as acertada, mejor comprensi ´on de los resul- tados obtenidos y posterior calibramiento del modelo.
De ah´ı que se concluy ´o que es posible desarrollar una metodolog´ıa para la asig- naci ´on de c ´amaras fundamentada en el an ´alisis espacial y m ´etodos heur´ısticos, como se hab´ıa propuesto en la hip ´otesis. Dicha metodolog´ıa se apoy ´o en otras t ´ecnicas que no se hab´ıan contemplado inicialmente como el an ´alisis de patrones, teor´ıa de localizaci ´on, teor´ıa de decisi ´on y optimizaci ´on multiobjetivo. Al incluir estas t ´ecnicas, quedaron expuestas diferentes maneras de resolver el problema de asignaci ´on. Con esto se logr ´o orientar un problema de an ´alisis combinatorio cl ´asico hacia un problema de instalaciones, donde el sentido espacial es fundamental en el planteamiento del problema y la soluci ´on. Otra herramienta clave para configurar la implementaci ´on, fue la inclusi ´on de un sistema de informaci ´on geogr ´afica. Con esta herramienta, fue posi- ble materializar las soluciones generadas, pues tuvo la funci ´on de conectar el modelo abstracto con la representaci ´on gr ´afica de la soluci ´on.
Sin embargo, a ´un existen cosas que pueden mejorar. Por ejemplo, a ˜nadir datos es- pec´ıficos de los obst ´aculos invariantes que deben librar las c ´amaras, tales como copas estimadas de ´arboles, anuncios fijos, templetes, puentes, postes, negocios, desnive- les, etc ´etera. Y tambi ´en considerar otros criterios de decisi ´on para fijar preferencias m ´as puntuales sobre la elecci ´on de la soluci ´on final, como puede ser el costo de la instalaci ´on, costo de mantenimiento, tiempo de vida, etc. Tambi ´en se pueden afinar los atributos de las c ´amaras, como la altura y orientaci ´on de la instalaci ´on, el tiempo de observaci ´on en determinada posici ´on; as´ı como considerar un ´angulo de visibilidad m ´as realista, pues en esta investigaci ´on se consider ´o que las c ´amaras pueden ver continuamente hasta 360 grados, mientras que en la realidad, los dispositivos tienen un ´angulo espec´ıfico de visibilidad que no necesariamente es tan extenso.
Por otra parte, se considera importante extender la metodolog´ıa hacia otras cir- cunstancias de acomodo de c ´amaras, como el caso en el cual existe un acomodo pre- vio de c ´amaras y se desea extender la cobertura lograda por ese conjunto al agregar m ´as dispositivos. En otros ejercicios, es com ´un que se combinen varias caracter´ısticas en el conjunto de c ´amaras, como diferentes modelos y alturas en la instalaci ´on, esto se hace con el fin de fortalecer las capacidades del sistema quedando cubiertas las debilidades inherentes de las c ´amaras.
Aunque no puede garantizarse que la soluci ´on obtenida sea necesariamente la mejor del espacio de soluciones, si puede explotarse como soluci ´on inicial y recali- brarse con m ´etodos de optimizaci ´on m ´as exhaustivos o en una exploraci ´on de campo.
No obstante, es importante enfatizar que ninguna soluci ´on est ´a exenta de verificarse
y validarse en una situaci ´on real o bajo condiciones de inter ´es espec´ıfico. M ´as a ´un, la metodolog´ıa es suficientemente consistente para admitir la posibilidad de fusionar otras metodolog´ıas y mejoras que favorezcan la calidad de las soluciones obtenidas sin comprometer la capacidad de acondicionar el modelo original para distintos casos de estudio, permitiendo extender el uso de la metodolog´ıa.
En otro orden de ideas, vale la pena reconocer que algunas cuestiones no quedaron totalmente resueltas en la metodolog´ıa propuesta. Esto se debe a que algunos detalles quedaron expuestos en etapas muy avanzadas de implementaci ´on o se manifestaron como casos at´ıpicos durante la ejecuci ´on del algoritmo. Sin embargo, al reconocer es- tas deficiencias, queda abierta la posibilidad de proponer mejoras en la metodolog´ıa. A saber, depurar el mecanismo que v ´alida la posici ´on de las c ´amaras, pues en algunos casos prevalece el problema en el que se asignan c ´amaras en la superficie no v ´ali- da. Tambi ´en, intercambiar los datos de calles de INEGI por los de OSM porque est ´an m ´as detallados y por lo tanto, m ´as confiables. Adem ´as, los datos de OSM consideran los pasos peatonales de los parques, corredores p ´ublicos y desniveles de las vialida- des, a diferencia de los datos de oficiales, que no disponen de esa calidad de detalle.
Adicionalmente, ser´ıa importante considerar la naturaleza temporal de los datos de incidencia delictiva para mejorar la colocaci ´on de las c ´amaras, y con ello examinar la bondad de la asignaci ´on obtenida. Asimismo, mejorar la desintegraci ´on de los c ´umulos de c ´amaras, modificando la reasignaci ´on por una estrategia m ´as estructurada. Tam- bi ´en se podr´ıa implementar otro criterio de paro, como un radio de convergencia, para lograr detener la ejecuci ´on del algoritmo cuando la soluci ´on ya no mejore en las ite- raciones sucesivas, sin tener que esperar la ocurrencia del m ´aximo de iteraciones.
Tambi ´en ser´ıa interesante experimentar con otras t ´ecnicas de muestreo para construir la soluci ´on de arranque. A futuro, ser ´a interesante validar la colocaci ´on de c ´amaras obtenida bajo los criterios de decisi ´on propuestos con la incidencia delictiva registrada en los pr ´oximos a ˜nos.
Algunas l´ıneas de trabajo quedaron fuera de los alcances de esta tesis, pero de- ber´ıan considerarse en calidad de trabajos futuros. Por ejemplo, considerar otros crite- rios para medir el desempe ˜no del sistema en t ´erminos del espacio visible y no solo de la superficie, pues al cuantificar el espacio se pueden generar soluciones m ´as realistas sobre la ubicaci ´on de las c ´amaras, ya que son fragmentos de ´este lo que se observa a trav ´es del sistema. De ah´ı que, si se toman en cuenta criterios en funci ´on del es- pacio visible, se conseguir ´an conocimientos m ´as espec´ıficos de las capacidades de
observaci ´on del SVV, porque quedar´ıan expuestas algunas deficiencias que podr´ıan manifestarse en el futuro, cuando el sistema est ´e puesto en marcha, como puntos ciegos derivados de la obstrucci ´on de la c ´amara, o bien por la instalaci ´on o construc- ci ´on misma del dispositivo. Estos problemas podr´ıan percibirse y corregirse previo a la instalaci ´on real del sistema en la v´ıa p ´ublica, mejorando notablemente el aprove- chamiento de los recursos destinados para la instalaci ´on y tambi ´en las habilidades del sistema cuando est ´e en funcionamiento.
Otro asunto es la diversificaci ´on en los modelos de las c ´amaras. Incluir equipos con diferentes capacidades podr´ıa mejorar la calidad de la cobertura del sistema porque unas c ´amaras podr´ıan cubrir las deficiencias de otras mientras operan en conjunto.
Tambi ´en considerar´ıa el caso en el que existe un acomodo previo de c ´amaras y solo se necesita fortalecer las deficiencias del sistema o reasignar las existentes. En este caso, podr´ıa aprovecharse la experiencia adquirida de la ubicaci ´on actual como aprendizaje para modificar el SVV. A largo plazo representar´ıa un mejor aprovechamiento de los recursos disponibles durante el tiempo de vida del sistema, pues en ocasiones solo se requiere hacer variaciones en la instalaci ´on.
Por otra parte, ser´ıa interesante considerar la conducta de los agentes que co- existen en el territorio a trav ´es del tiempo y bajo circunstancias que representen una perturbaci ´on en las condiciones normales de incidencia delictiva, pues en algunos ca- sos la presencia de un sistema de videovigilancia puede desplazar la ocurrencia de delitos hacia una zona determinada del territorio en una ventana espec´ıfica de tiem- po. Tambi ´en ser´ıa importante poner a prueba las capacidades del sistema bajo una situaci ´on l´ımite, en la que pudiera determinarse la jerarqu´ıa de las c ´amaras en funci ´on de la relevancia de la informaci ´on que aportan. De esta manera, se podr´ıan distinguir las instalaciones primarias y las de apoyo para que las zonas que as´ı lo requirieran, recibieran atenci ´on m ´as oportuna de acuerdo a lo registrado por el SVV.
M ´as a ´un, si se considera extender el plazo de funcionalidad del sistema de vi- gilancia, deber´ıan tomarse en cuenta, adem ´as de los obst ´aculos del espacio, otros elementos que pueden modificar el desplazamiento y horario de las incidencias de- lictivas, como las rutas de vigilancia que frecuenta la polic´ıa o patrones de movilidad, pues la presencia de estos elementos no tangibles tiene la capacidad de alterar las probabilidades de ocurrencia del delito (Waples, Gill y Fisher, 2009).