Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Artículos

Vol. 17 Núm. 1 (2025)

Un enfoque temporal para la predicción del crimen urbano usando redes neuronales recurrentes

Enviado
November 29, 2024
Publicado
2025-05-12

Resumen

Este estudio investiga el uso de Redes Neuronales Recurrentes (RNN) y redes de Gran Memoria a Corto Plazo (LSTM) para predecir patrones de criminalidad en Bucaramanga, Colombia. Se presenta un enfoque temporal que comienza dividiendo la ciudad en 17 comunas. Utilizando un conjunto de datos de incidentes de robos desde 2016 hasta enero de 2023, se desarrollaron modelos de series de tiempo individuales para cada comuna. Posteriormente, se empleó el Error Cuadrático Medio (RMSE) como métrica de evaluación en estas tareas de regresión. Los modelos LSTM superaron de manera consistente tanto a los modelos RNN como a los modelos ARIMA, una metodología clásica para la predicción de series temporales, logrando menores puntajes de RMSE. El modelo LSTM obtuvo un RMSE promedio de 2.875 (con una desviación estándar de 1.657), considerablemente inferior al obtenido por el modelo RNN, con 3.101 (1.82), y el modelo ARIMA, con 3.428 (2.57). Estos resultados demuestran que LSTM captura mejor las complejas dependencias temporales en los datos. Trabajos futuros deberían explorar modelos híbridos y la incorporación de fuentes de datos adicionales para mejorar aún más la precisión predictiva.

Referencias

  1. Thomas, A., & Sobhana, N. (2022). A survey on crime analysis and prediction. Materials Today: Proceedings, 58, 310– 315. https://doi.org/10.1016/j.matpr.2022.02.170
  2. Ghani, U., Toth, P., & David, F. (2023). Predictive choropleth maps using ARIMA time series forecasting for crime rates in Visegrád group countries. Sustainability, 15(10), 8088. https://doi.org/10.3390/su15108088
  3. Noor, T. H., Almars, A. M., Alwateer, M., Almaliki, M., Gad, I., & Atlam, E. S. (2022). SARIMA: A seasonal autoregressive integrated moving average model for crime analysis in Saudi Arabia. Electronics, 11(23), 3986. https://doi. org/10.3390/electronics11233986
  4. Escudero, I., Angulo, J. M., & Mateu, J. (2022). A spatially correlated model with generalized autoregressive conditionally heteroskedastic structure for counts of crimes. Entropy,24(7), 892. https://doi.org/10.3390/e24070892
  5. Delitos ocurridos en el Municipio de Bucaramanga | Datos Abiertos Colombia. (2018, October 22). Retrieved October 20, 2023 from https://www.datos.gov.co/Seguridad-y-Defensa/Delitos-ocurridos-en-el-Municipio-deBucaramanga/75fz-q98y/about_data
  6. Fan, J., & Yao, Q. (2008). Nonlinear time series: Nonparametric and parametric methods. Springer Science & Business Media.
  7. Al-Selwi, S. M., Hassan, M. F., Abdulkadir, S. J., Muneer, A., Sumiea, E. H., Alqushaibi, A., & Ragab, M. G. (2024). RNNLSTM: From applications to modeling techniques and beyond—Systematic review. Journal of King Saud UniversityComputer and Information Sciences, 36(5), 102068. https://doi.org/10.1016/j.jksuci.2024.102068
  8. Wang, Q., Guo, Y., Yu, L., & Li, P. (2017) Earthquake prediction based on spatio-temporal data mining: An LSTM network approach. IEEE Transactions on Emerging Topics in Computing, 8(1), 148–158. https://doi.org/10.1109/ TETC.2017.2699169
  9. Zhou, S. K., Rueckert, D., & Fichtinger, G. (Eds.). (2019). Handbook of medical image computing and computer assisted intervention. Academic Press.
  10. Zhang, J., Zeng, Y., & Starly, B. (2021). Recurrent neural networks with long term temporal dependencies in machine tool wear diagnosis and prognosis. SN Applied Sciences, 3(4), 442. https://doi.org/10.1007/s42452-021-04427-5
  11. Jiang, N., Miao, K., Chai, Y., Lu, D., & Wu, J. (2023). Spatio-temporal prediction of crime based on data mining and LSTM network. 2023 IEEE 6th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), 6, 672–676. https://doi.org/10.1109/ITNEC56291.2023.10081985
  12. Wang, S., & Yuan, K. (2019). Spatiotemporal analysis and prediction of crime events in Atlanta using deep learning. 2019 IEEE 4th International Conference on Image, Vision and Computing (ICIVC), 346–350. http://dx.doi.org/10.1109/ ICIVC47709.2019.8981090
  13. Zambrano, R. (2022). Un enfoque Espacio Temporal para la predicción de delitos en la ciudad de Buenos Aires. Revista de Investigación de Modelos Matemáticos Aplicados a la Gestión y a la Economía, 2, 38–62. http://www.economicas. uba.ar/institutos_y_centros/revista-modelos-matematicos/
  14. Alcaldía de Bucaramanga: Plan Integral de Seguridad y Convivencia para una Bucaramanga Segura 2020-2023. (2020). https:// www.bomberosdebucaramanga.gov.co/contenido/wp-content/uploads/2023/04/PISCC-Bucaramanga-2020-2023.pdf
  15. Uma Devi, B., Sundar, D., & Alli, P. (2013). An effective time series analysis for stock trend prediction using ARIMA model for nifty midcap-50. International Journal of Data Mining & Knowledge Management Process, 3(1), 65-78. http://dx.doi.org/10.5121/ijdkp.2013.3106
  16. Brockwell, P. J., & Davis, R. A. (1991). Time Series: Theory and Methods. Springer Science & Business Media.
  17. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
  18. Resnick, S. I. (2013). Adventures in Stochastic Processes. Springer Science & Business Media.
  19. Peña, D. (2005). Análisis de Series Temporales. Alianza Editorial.
  20. Lipton, Z. C., Berkowitz, J., & Elkan, C. (2015). A Critical Review of Recurrent Neural Networks for Sequence Learning. https://arxiv.org/abs/1506.00019
  21. Li, J., Xu, H., Deng, J., & Sun, X. (2016). Hyperbolic linear units for deep convolutional neural networks. 2016 International Joint Conference on Neural Networks (IJCNN), 353-359. https://doi.org/10.1109/IJCNN.2016.7727220
  22. Gers, F., Schmidhuber, J., & Cummins, F. (1999). Learning to forget: Continual prediction with LSTM. 1999 Ninth International Conference on Artificial Neural Networks ICANN99, 2, 850–855. https://doi.org/10.1049/cp:19991218
  23. Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. https://doi.org/10.1207/ s15516709cog1402_1

Descargas

Los datos de descarga todavía no están disponibles.