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

Simple item page
dc.contributor.advisorRíos Gutiérrez, Andrés Sebastián
dc.contributor.advisorRomo Bucheli, David Edmundo
dc.contributor.authorPérez Leal, Juan Pablo
dc.contributor.evaluatorBacca Quintero, Jorge Luis
dc.contributor.evaluatorRueda Chacón, Hoover Fabián
dc.date.accessioned2024-11-12T18:40:18Z
dc.date.available2024-11-12T18:40:18Z
dc.date.created2024-11-07
dc.date.issued2024-11-07
dc.description.abstractEste 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.
dc.description.abstractenglishThis work focuses on predicting pedestrian robbery patterns in Bucaramanga, Colombia, using data from the City Hall’s Open Data platform. The analysis developed ARIMA models and neural network approaches, including Recurrent Neural Networks (RNN) and Long Short-Term Memory networks (LSTM), alongside spatio-temporal models (STNN) that incorporate geographic information from the city's communes. Results show that RNN and LSTM models outperform ARIMA in predicting robberies, while STNN models capture general trends but face limitations in identifying abrupt trend changes. Model accuracy was evaluated using the Root Mean Square Error (RMSE), with temporal windowing and data normalization techniques applied to improve performance. These findings may help optimize public safety resources and strategies in Bucaramanga, while also providing a framework adaptable to other cities. The research lays the groundwork for future studies on crime prediction and models incorporating spatio-temporal variables.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/44604
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectPredicción de crímenes
dc.subjectAprendizaje de máquina
dc.subjectVariable espacial
dc.subjectVariable temporal
dc.subjectRedes neuronales
dc.subject.keywordCrime prediction
dc.subject.keywordMachine learning
dc.subject.keywordSpatial variables
dc.subject.keywordTemporal variables
dc.subject.keywordNeural networks
dc.titleMODELO ESPACIO-TEMPORAL PARA LA PREDICCIÓN DE DELITOS BASADO EN APRENDIZAJE AUTOMÁTICO
dc.title.englishSPATIO-TEMPORAL MODEL FOR CRIME PREDICTION BASED IN MACHINE LEARNING
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
88.02 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
390.73 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.11 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Sistemas