Modelo de clasificación y predicción de delitos de alto Impacto en la ciudad de Bogotá

Suárez Ruiz, Yvonne Maritza; Bedoya Cruz, Andrés Felipe

dc.contributor.author	Suárez Ruiz, Yvonne Maritza
dc.contributor.author	Bedoya Cruz, Andrés Felipe
dc.date.accessioned	2024-01-22T15:38:32Z
dc.date.available	2024-01-22T15:38:32Z
dc.date.issued	2023-10-24
dc.identifier.uri	http://hdl.handle.net/10818/59141
dc.description	100 páginas	es_CO
dc.description.abstract	La seguridad ciudadana es esencial para el bienestar de los habitantes. Sin embargo, el aumento de las tasas de criminalidad ha generado la necesidad de proveer a las autoridades y la ciudadanía herramientas efectivas para la toma de decisiones, con esto la implementación de modelos de Machine Learning toma mayor relevancia para apoyar estos esfuerzos. Con el objetivo de contribuir a la solución del problema de inseguridad, se desarrollaron dos modelos de Machine Learning enfocados en analizar los patrones de criminalidad en Bogotá durante el periodo post-pandemia de enero 2021 a mayo 2023. El primero es un modelo de clasificación que permite identificar la ocurrencia de delitos de alto impacto (si o no), obteniendo un F1-score entre 0.70 y 0.80. El segundo es un modelo de regresión para predecir la cantidad de estos delitos, con un error absoluto medio (MAE) entre 0.2 y 3.13. Ambos modelos brindan resultados prometedores para apoyar la toma de decisiones informadas en seguridad ciudadana en la ciudad. Para el desarrollo del modelo se utilizaron 2 bases de datos públicas, una de ellas de la Secretaría Distrital de Seguridad de Bogotá, la cual contiene los reportes mensuales de delitos en el periodo mencionado, si bien se cuenta con datos históricos desde 2010 para no afectar el análisis de la situación actual, estos no se tendrán en cuenta debido a que pueden ser menos relevantes para las condiciones actuales y futuras, ya que la pandemia ha modificado los patrones delictivos de forma significativa y posiblemente duradera, y la otra corresponde a la Encuesta Multipropósito Bogotá – Cundinamarca (EM) realizada en 2021 y publicada en 2022, dicha encuesta se realizó debido a un convenio entre el Departamento Administrativo Nacional de Estadística (DANE) y la Secretaría Distrital de Planeación (SDP), los cuales buscaban obtener información socioeconómica y de entorno urbano de los habitantes de Bogotá. Al combinar las 2 bases de datos manejamos variables categóricas como fecha, año, rango del día, localidad, upz, sexo, arma empleada, y variables numéricas como ingreso per cápita, número de personas, pobreza multidimensional, desempleado, personas por hogar entre otras. El aporte de este trabajo será brindar una solución basada en inteligencia artificial que apoye la labor de las entidades a cargo de la seguridad y la toma de decisiones informadas para proteger a los ciudadanos, así como también a los mismos ciudadanos cuando acceden a la herramienta, básicamente el entregable es un enlace de acceso y al momento de ingresar tienen la opción de utilizar listas desplegables para seleccionar y de esta manera tendrán la información del tipo y cantidad del delito.	es_CO
dc.format	application/pdf	es_CO
dc.language.iso	spa	es_CO
dc.publisher	Universidad de La Sabana	es_CO
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Internacional	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject.other	Seguridad pública
dc.subject.other	Ciudadanía
dc.subject.other	Aprendizaje automático (Inteligencia artificial)
dc.subject.other	Predicción
dc.subject.other	Procesamiento de datos
dc.title	Modelo de clasificación y predicción de delitos de alto Impacto en la ciudad de Bogotá	es_CO
dc.type	master thesis	es_CO
dc.type.hasVersion	publishedVersion	es_CO
dc.rights.accessRights	openAccess	es_CO
dcterms.references	Alves, L. G. A., Ribeiro, H. v, & Rodrigues, F. A. (2018). Crime prediction through urban metrics and statistical learning. Physica A: Statistical Mechanics and its Applications, 505, 435–443.
dcterms.references	Azevedo, A., & Santos, M. (2008). KDD, semma and CRISP-DM: A parallel overview. 182–185.
dcterms.references	Balakrishnama, S., & Ganapathiraju, A. (1998). Linear Discriminant Analysis—A Brief Tutorial. 11.
dcterms.references	Brantingham, P., & Brantingham, P. (1995). Criminality of place. European Journal on Criminal Policy and Research, 3(3), 5–26.
dcterms.references	Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
dcterms.references	Cohen, L. E., & Felson, M. (1979). Social Change and Crime Rate Trends: A Routine Activity Approach. American Sociological Review, 44(4), 588. https://doi.org/10.2307/2094589
dcterms.references	DANE. (2021). Encuesta Multipropósito Bogotá - Cundinamarca (EM -2021). 10/03/2023. https://microdatos.dane.gov.co/catalog/743
dcterms.references	Esquivel, N., Nicolis, O., Peralta, B., & Mateu, J. (2020). Spatio-Temporal Prediction of Baltimore Crime Events Using CLSTM Neural Networks. IEEE
dcterms.references	Access, 8, 209101–209112. https://doi.org/10.1109/ACCESS.2020.3036715
dcterms.references	Freepik (2022). Recursos gráficos: iconos. Recuperado de www.freepik.com
dcterms.references	Freepik (2023). Recursos gráficos: imagen circular. Recuperado de https://slidesgo.com/theme/circle-infographics#search Cycle+Infographics&position-2&results-36
dcterms.references	Forradellas, R. F. R., Alonso, S. L. N., Rodriguez, M. L., & Jorge-Vazquez, J. (2021). Applied machine learning in social sciences: Neural networks and crime prediction. Social Sciences, 10(1), 1–20. https://doi.org/10.3390/socsci10010004
dcterms.references	Gélvez-Ferreira, J. D., Montenegro, P., Nieto, M., & Rocha, C. (2021). Predicción del delito en Colombia: experiencia en ciudades intermedias. Dirección de Estudios Económicos. https://www.dnp.gov.co/estudios-y publicaciones/estudios-economicos/Paginas/archivos-de economia.aspxhttp://www.dotec-colombia.org/index.php/series/118- departamento-nacional-de-planeacion/archivos-de-economia
dcterms.references	Han, X., Hu, X., Wu, H., Shen, B., & Wu, J. (2020). Risk Prediction of Theft Crimes in Urban Communities: An Integrated Model of LSTM and ST-GCN. IEEE Access, 8, 217222–217230. https://doi.org/10.1109/ACCESS.2020.3041924
dcterms.references	He, J., & Zheng, H. (2021). Prediction of crime rate in urban neighborhoods based on machine learning. Engineering Applications of Artificial Intelligence, 106, 104460. https://doi.org/https://doi.org/10.1016/j.engappai.2021.104460
dcterms.references	Jagadish, H. V., Gehrke, J., Labrinidis, A., Papakonstantinou, Y., Patel, J. M., Ramakrishnan, R., & Shahabi, C. (2014). Big data and its technical challenges. Communications of the ACM, 57(7), 86–94. https://doi.org/10.1145/2611567
dcterms.references	Jenga, K., Catal, C., & Kar, G. (2023a). Machine learning in crime prediction. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2887–2913. https://doi.org/10.1007/s12652-023-04530-y
dcterms.references	Jenga, K., Catal, C., & Kar, G. (2023b). Machine learning in crime prediction. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2887–2913. https://doi.org/10.1007/s12652-023-04530-y
dcterms.references	Kelling, G. L., & Wilson, J. Q. (1982). Broken windows: The police and neighborhood safety. The Atlantic.
dcterms.references	Larson, D., & Chang, V. (2016). A review and future direction of agile, business intelligence, analytics and data science. International Journal of Information Management, 36(5), 700–710.
dcterms.references	Lisowska-Kierepka, A. (2021). How to analyse spatial distribution of crime? Crime risk indicator in an attempt to design an original method of spatial crime analysis. Cities, 103403.
dcterms.references	Liu, F. T., Ting, K., & Zhou, Z.-H. (2012). Isolation-Based Anomaly Detection. ACM Transactions on Knowledge Discovery From Data - TKDD, 6, 1–39. https://doi.org/10.1145/2133360.2133363
dcterms.references	Lum, K., & Isaac, W. (2016). To Predict and Serve? Significance, 13, 14–19. https://doi.org/10.1111/j.1740-9713.2016.00960.x
dcterms.references	McCallum, A., & Nigam, K. (1998). A comparison of event models for naive bayes text classification. AAAI Conference on Artificial Intelligence. https://api.semanticscholar.org/CorpusID:7311285
dcterms.references	Mei, Y., & Li, F. (2019). Predictability Comparison of Three Kinds of Robbery Crime Events Using LSTM. Proceedings of the 2019 2nd International Conference on Data Storage and Data Engineering, 22–26.
dcterms.references	Mohler, G. O., Short, M. B., Brantingham, P. J., Schoenberg, F. P., & Tita, G. E. (2011). Self-Exciting Point Process Modeling of Crime. Journal of the American Statistical Association, 106(493), 100–108.
dcterms.references	Peña Suarez, A. (2017). Modelo para la Caracterización del Delito en la Ciudad de Bogotá, Aplicando Técnicas de Minería de Datos Espaciales.
dcterms.references	Perry, W., McInnis, B., Price, C., Smith, S., & Hollywood, J. (2013). Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations. RAND Corporation. https://doi.org/10.7249/RR233
dcterms.references	Rumi, S. K., Deng, K., & Salim, F. D. (2018). Crime event prediction with dynamic features. EPJ Data Science, 7(1), 43. https://doi.org/10.1140/epjds/s13688- 018-0171-7
dcterms.references	Secretaría Distrital de Seguridad, C. y J. (2023). ESTADÍSTICAS Y MAPAS. https://scj.gov.co/es/oficina-oaiee/estadisticas-mapas
dcterms.references	ToppiReddy, H. K. R., Saini, B., & Mahajan, G. (2018). Crime Prediction & Monitoring Framework Based on Spatial Analysis. Procedia Computer Science, 132, 696–705. https://doi.org/https://doi.org/10.1016/j.procs.2018.05.075
dcterms.references	Walczak, S. (2021). Predicting Crime and Other Uses of Neural Networks in Police Decision Making. Frontiers in Psychology, 12. https://doi.org/10.3389/fpsyg.2021.587943
dcterms.references	Wheeler, A. P., & Steenbeek, W. (2021a). Mapping the Risk Terrain for Crime Using Machine Learning. Journal of Quantitative Criminology, 37(2), 445–480. https://doi.org/10.1007/s10940-020-09457-7
dcterms.references	Wheeler, A. P., & Steenbeek, W. (2021b). Mapping the Risk Terrain for Crime Using Machine Learning. Journal of Quantitative Criminology, 37(2), 445–480. https://doi.org/10.1007/s10940-020-09457-7
dcterms.references	Yan, Z., Chen, H., Dong, X., Zhou, K., & Xu, Z. (2022). Research on prediction of multi-class theft crimes by an optimized decomposition and fusion method based on XGBoost. Expert Systems with Applications, 207, 117943. https://doi.org/https://doi.org/10.1016/j.eswa.2022.117943
thesis.degree.discipline	Facultad de Ingeniería	es_CO
thesis.degree.level	Maestría en Analítica Aplicada	es_CO
thesis.degree.name	Magíster en Analítica Aplicada	es_CO