Palabras clave
redes neuronales
redes LSTM
redes neuronales recurrentes
Cómo citar
##plugins.themes.healthSciences.displayStats.downloads##
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Derechos de autor 2025 Juan Pablo Perez Leal, Andrés Ríos, David Romo-Bucheli
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
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
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
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
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
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
Fan, J., & Yao, Q. (2008). Nonlinear time series: Nonparametric and parametric methods. Springer Science & Business Media.
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
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
Zhou, S. K., Rueckert, D., & Fichtinger, G. (Eds.). (2019). Handbook of medical image computing and computer assisted intervention. Academic Press.
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
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
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
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/
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
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
Brockwell, P. J., & Davis, R. A. (1991). Time Series: Theory and Methods. Springer Science & Business Media.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
Resnick, S. I. (2013). Adventures in Stochastic Processes. Springer Science & Business Media.
Peña, D. (2005). Análisis de Series Temporales. Alianza Editorial.
Lipton, Z. C., Berkowitz, J., & Elkan, C. (2015). A Critical Review of Recurrent Neural Networks for Sequence Learning. https://arxiv.org/abs/1506.00019
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
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
Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. https://doi.org/10.1207/ s15516709cog1402_1