Analítica de datos para hurtos a personas en la ciudad de Medellín a través de modelos de Machine Learning y Deep Learning

RESUMEN : El incremento acelerado de los hurtos a personas en la ciudad de Medellín y en Colombia ocasionado por diversos fenómenos sociales, económicos, migratorios entre otros generan impactos negativos en la sociedad. Con el propósito de abordar esta problemática, desde un aporte significativo del análisis de datos, se identifican las áreas de mayor ocurrencia, a partir de la información contenida en la web pública de datos abiertos metadata, cuya muestra es de más de 227 mil datos para un horizonte de 18 años. Esta monografía busca aportar un desarrollo en analítica de datos para que las autoridades y ciudadanos puedan tomar mejores decisiones y acciones competentes en la lucha contra el hurto. Para ello, se desarrolla un análisis basado en el reporte histórico de hurtos a personas contemplado en el Art. 239 del Código Penal Colombiano, en la ciudad de Medellín, extraídas del Sistema de Información para la Seguridad y la Convivencia (SISC), cuyas cifras documentan los reportes desde el año 2003 hasta el año 2020, teniendo en cuenta la ubicación del suceso, objeto robado, localidad o comuna, bien hurtado, tipo de arma, género de la víctima, y fecha. Con base en el análisis de datos, se establece que históricamente en la Comuna 10 es donde se registra un mayor porcentaje de hurtos a personas, seguido de la Comuna 11; en ambas localidades, los teléfonos móviles son los objetos más hurtados y los hombres las principales víctimas de tales delitos. Por este motivo, se recomienda a las autoridades centrar su atención en estas zonas e implementar nuevos Comandos de Atención Inmediata, cámaras de videovigilancia y rotación más frecuente del personal policial, y campañas de prevención ciudadana, teniendo en cuenta que no se debe dar lugar al desplazamiento de los delincuentes a nuevas zonas por presentar poca atención a estas. Para esta monografía, se realizó un comparativo entre dos modelos analíticos de inteligencia artificial, específicamente con el modelo supervisado LGBM se estimaron las probabilidades de ser hurtado teniendo en cuenta un vector de etiquetas y determinadas características; como resultado general el modelo tuvo una precisión del 99%, F1, Recall y AUC del 99%. Por su parte la red neuronal convolucional sequential obtuvo un desempeño bajo dado que no alcanzó a superar el 46% de la precisión.

• Autores: Fernández García, Mario Andrés; Arévalo Álvarez, Jhonatan Camilo
• Tipo de recurso: Tesis
• Fecha de publicación: 2022
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/29063
• Acceso en línea: http://hdl.handle.net/10495/29063
• Palabra clave: Deep Learning; Aprendizaje Profundo; Aprendizaje automático (inteligencia artificial); Machine learning; Hurto; Larceny; Redes neurales (computadores); Neural networks (Computer science); Medellín (Colombia)
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/