MODELO ESPACIO-TEMPORAL PARA LA PREDICCIÓN DE DELITOS BASADO EN APRENDIZAJE AUTOMÁTICO

Abstract

Este trabajo se centra en predecir patrones delictivos de robos a peatones en Bucaramanga, Colombia, usando datos de la Alcaldía disponibles en la plataforma de Datos Abiertos. Para el análisis, se desarrollaron modelos ARIMA y redes neuronales recurrentes (RNN) y de gran memoria a corto plazo (LSTM), junto con modelos espacio-temporales (STNN) que incorporan información geográfica de las comunas. Los resultados muestran que los modelos RNN y LSTM superan a ARIMA en la predicción de robos, mientras que los modelos STNN capturan tendencias generales, aunque con limitaciones para identificar cambios abruptos en las tendencias.

La precisión de los modelos se evaluó con el Error Cuadrático Medio Raíz (RMSE), y se utilizaron técnicas de ventaneo temporal y normalización para mejorar su rendimiento. Estos hallazgos pueden ayudar a optimizar recursos y estrategias de seguridad pública en Bucaramanga, además de ofrecer un marco adaptable a otras ciudades. La investigación aporta bases para futuros estudios sobre predicción delictiva y modelos con variables espacio-temporales.