Palabras clave
series de tiempo
redes neuronales
análisis criminal
Cómo citar
Resumen
Lograr estimar la cantidad de delitos que se cometerán en una determinada zona geográfica es de importante para la gestión de recursos destinados a la prevención de delitos. Esta investigación desarrolla dos modelos predictivos de series de tiempo para la predicción geográfica de delitos contra la propiedad en dos comunas de Chile, Talcahuano y Hualpén. Los modelos investigados fueron Redes Neuronales y SARIMA. Ambos modelos fueron entrenados y probados con información proporcionada por la Fiscalía Regional del Bio Bío, Chile. La información contiene los delitos contra la propiedad cometidos en ambas comunas entre los años 2009 y 2019. Los modelos fueron comparados mediante las medidas de error de pronóstico MAPE, MAD y MSE. La comparación de los resultados no evidencian diferencias estadísticamente significativas entre los resultados de ambos modelos.
Palabras clave: Modelo predictivo, series de tiempo, redes neuronales, análisis criminal.
Citas
[2]AMUCH, «Delitos de mayor connotación social en las comunas de Chile,» Santiago, 2018.
[3]Físcalia de Chile, «Fiscalia de Chile,» Abril 2018. [En línea]. Available: http://www.fiscaliadechile.cl/Fiscalia/fiscalias_lagos/noticias_det.do?id=14462. [Último
acceso: Diciembre 2021].
[4]C. Á. Vargas, «Sistemas Judiciales,» Mayo 2020.[En línea]. Available: https://sistemasjudiciales.org/wp-content/uploads/2020/05/Analisis_Criminal_Chile.pdf. [Último acceso: Diciembre 2021].
[5]P. Chen, Y. Hongyong y S. Xueming , «Forecasting Crime Using the ARIMA Model,» 2008 Fifth International Conference on Fuzzy Systems and Knowledge
Discovery (FSKD), pp. 627-630, 2008.
[6]E. A. Anderson y J. Díaz, «Using Process Control Chart Techniques to Analyse Crime Rates in Houston, Texas,» The Journal of the Operational Research Society,
vol. 47, nº 7, pp. 871-881, 1996.
[7]F. H. T. Espinosa, «Prediction of Recidivism in Thefts and Burglaries Using Machine Learning,» Indian Journal of Science and Technology, vol. 13, p. 696– 711, 2020.
[8]P. P. Ascencio, «Desarrollo de un modelo predictivo de robo a casas basado en redes neuronales,» Santiago, 2020.
[9]R. F. Reier Forradellas y S. L. Náñez Alonso,«Applied Machine Learning in Social Sciences: Neural Networks and Crime Prediction,» Social Sciences,
2021.
[10]F. H. Troncoso Espinoza y N. E. Fernández Rozas, «Limpieza, corrección y geocodificación de grandes bases de datos de direcciones mediante minería de texto,»uct, vol. 25, pp. 80-87, junio 2021.
[11]U. Fayyad, G. Piatetsky-Shapiro y P. Smyth, Advances in Knowledge Discovery and Data Mining, American Association for Artificial Intelligence, 1996.
[12]S. Zhang, «Nearest neighbor selection for iteratively kNN imputation,» Journal of Systems and Software, vol. 85, nº 11, pp. 2541-2552, 2012.
[13]J. A. Mauricio, Introducción al Análisis de Series de Tiempo, Madrid: Universidad de Madrid, 2007.
[14]V. Yakovyna y O. Bachkai, «The Comparison of Holt-Winters and Box - Jenkins Methods for Software Failures Prediction,» COLINS, 2018.
[15]D. Gujarati y D. Porter, Econometría, México D.F.: McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V, 2010.
[16]R. Krispin, Hands-On Time Series Analysis with R: Perform time series analysis and forecasting using R, Birmingham: Packt, 2019.
[17]D. Mercado y L. Pedraza, «Comparación de Redes Neuronales aplicadas a,» PROSPECTIVA, vol. 13, nº 2, pp. 88-95, 2015.
[18]J. Brownlee, «Machine Learning Mastery,» 8 Mayo 2017. [En línea]. Available: https://machinelearningmastery.com/convert-time-series-supervised-learning-
problem-python/. [Último acceso: Diciembre 2021].
[19]E. Ramalle-Gómara y J. Andres de Llano, «Utilización de métodos robustos en la estadísticainferencial,» Atención Primaria, vol. 32, nº 3, pp. 177-181, 2003.
[20]C. Chatfield, «The Holt-Winters Forecasting Procedures,» Applied Statistics, vol. 27, nº 3, pp. 264-279,1978.
