Derechos de autor 2020 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Modelo de redes neuronales para predecir la tendencia de víctimas de secuestro en Colombia
Corresponding Author(s) : Santiago Andrés Giraldo Alegría
Investigación e Innovación en Ingenierías,
Vol. 8 Núm. 3 (2020): Numero especial - XV Jornadas iberoamericanas de Ingeniería de Software e Ingeniería del Conocimiento - JIISIC 2020
Resumen
Objetivo: Entrenar Redes Neuronales y Máquinas de Soporte Vectorial para la predicción de tendencias futuras en el número de víctimas de secuestros por año en Colombia, con el fin de apoyar la toma de decisiones. Metodología: Se procesó un conjunto de datos de víctimas de secuestro con 39.863 registros tomado del portal de datos abiertos del gobierno y publicado por la Fiscalía Nacional de Colombia, con el fin de entrenar y evaluar una Red Neuronal y una Máquina de Soporte Vectorial para regresión (SVR), esto permitió identificar qué modelo tuvo menor Raíz del Error Cuadrático Medio (RMSE) para predecir la tendencia de víctimas de secuestro. Resultados: Se encontró que la Red Neuronal entrenada tuvo menor Raíz del Error Cuadrático Medio (RMSE) frente a la Máquina de soporte vectorial tanto para la predicción de víctimas de secuestro. Se pudo estimar la cantidad de víctimas de secuestros en los próximos diez años en todo el territorio colombiano. Conclusiones: Existen diversos trabajos relacionados con la predicción de delitos, sin embargo, este estudio propone un nuevo modelo de Redes Neuronales para estimar la tendencia de víctimas de secuestro en Colombia. El modelo permite predecir que con el paso del tiempo, la cantidad de secuestros irá disminuyendo.
Palabras clave
Descargar cita
Endnote/Zotero/Mendeley (RIS)BibTeX
- J. L. G. González, «Los delitos de lesa humanidad», Revista de la Facultad de Derecho, n.o 30, pp. 153–170, 2011.
- Secuestros, conteo Ranking, 2019 knoema.com. [En línea]. Disponible En: https://knoema.es//atlas/topics/Estadística-criminal/Ataques-Secuestros-Robos-Violaciónes-Sexuales/Secuestros-conteo.
- L. F. Trejos Rosero, «Colombia: Una revisión teórica de su conflicto armado», Revista Enfoques: Ciencia Política y Administración Pública, vol. 11, n.o 18, pp. 55–75, 2013.
- ONU, Cooperación internacional para prevenir, combatir y eliminar el secuestro y prestar asistencia a las víctimas. Naciones Unidas, 2004.
- J. D. Rodríguez-Ortega, Y. A. Duarte Velásquez, C. Gómez Toro, y J. A. Cadavid Carmona, «Seguridad ciudadana, violencia y criminalidad: una visión holística y criminológica de las cifras estadísticas del 2018», Revista Criminalidad, vol. 61, pp. 9–33, 2019.
- D. M. Agudelo V., «El Horror de lo incierto. Intervención Psicológica con Víctimas de Secuestro», Psicología desde el Caribe, n.o 6, pp. 20–38, 2000.
- Conteo de Víctimas, Datos Abiertos Colombia. [En línea]. Disponible En: https://www.datos.gov.co/Justicia-y-Derecho/Conteo-de-V-ctimas/sft7-9im5.
- X. Meng, L. Nie, y J. Song, «Big data-based prediction of terrorist attacks», Computers & Electrical Engineering, vol. 77, pp. 120–127, jul. 2019, doi: 10.1016/j.compeleceng.2019.05.013.
- H. Ordóñez, C. Cobos, y V. Bucheli, «Modelo de machine learning para la predicción de las tendencias de hurto en Colombia», 2020, vol. 29, pp. 494–506, feb. 2020.
- D. P. Kingma y J. Ba, «Adam: A Method for Stochastic Optimization», arXiv:1412.6980 [cs], ene. 2017, Accedido: may 05, 2020. [En línea]. Disponible en: http://arxiv.org/abs/1412.6980.
- A. Sánchez López de Mesa et al., Mapas y Factores de riesgo electoral. Elecciones de autoridades locales Colombia 2019, vol. 1. Bogota, Colombia, 2019.
- Y. Chen, F. Li, J. Wang, B. Tang, y X. Zhou, «Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery», Knowledge-Based Systems, vol. 197, p. 105863, jun. 2020, doi: 10.1016/j.knosys.2020.105863.
- K. Pugalenthi, H. Park, y N. Raghavan, «Prognosis of power MOSFET resistance degradation trend using artificial neural network approach», Microelectronics Reliability, vol. 100-101, p. 113467, sep. 2019, doi: 10.1016/j.microrel.2019.113467.
- A. A. Albert, L. F. de Mingo López, y N. G. Blas, «Multilinear Weighted Regression (MWE) with Neural Networks for trend prediction», Applied Soft Computing, vol. 82, p. 105555, sep. 2019, doi: 10.1016/j.asoc.2019.105555.
- A. P. Balsamà, L. De Biase, G. Janssens-Maenhout, y V. Pagliari, «Near-term projection of anthropogenic emission trends using neural networks», Atmospheric Environment, vol. 89, pp. 581–592, jun. 2014, doi: 10.1016/j.atmosenv.2014.02.046.
- L. Liu, M. Han, Y. Zhou, y Y. Wang, «LSTM Recurrent Neural Networks for Influenza Trends Prediction», en Bioinformatics Research and Applications, Cham, 2018, pp. 259–264, doi: 10.1007/978-3-319-94968-0_25.
- X. Zhao y J. Tang, «Exploring Transfer Learning for Crime Prediction», nov. 2017, pp. 1158–1159, doi: 10.1109/ICDMW.2017.165.
- P. Das y A. Das, «Application of Classification Techniques for Prediction and Analysis of Crime in India», 2019, pp. 191–201.
- S. Kim, P. Joshi, P. Kalsi, y P. Taheri, «Crime Analysis Through Machine Learning», nov. 2018, pp. 415–420, doi: 10.1109/IEMCON.2018.8614828.
- G. Hajela, M. Chawla, y A. Rasool, «A Clustering Based Hotspot Identification Approach For Crime Prediction», Procedia Computer Science, vol. 167, pp. 1462–1470, ene. 2020, doi: 10.1016/j.procs.2020.03.357.
- S. Chatterjee, S. Das, S. Banerjee, y U. Biswas, «An Approach Towards Development of a Predictive Model for Female Kidnapping in India Using R Programming: eHaCON 2018, Kolkata, India», 2019, pp. 489–503.
- J. Q. Yuki, Md. M. Q. Sakib, Z. Zamal, K. M. Habibullah, y A. K. Das, «Predicting Crime Using Time and Location Data», en Proceedings of the 2019 7th International Conference on Computer and Communications Management, Bangkok, Thailand, jul. 2019, pp. 124–128, doi: 10.1145/3348445.3348483.
- P. Chen y J. Kurland, «Time, Place, and Modus Operandi: A Simple Apriori Algorithm Experiment for Crime Pattern Detection», jul. 2018, pp. 1–3, doi: 10.1109/IISA.2018.8633657.
- A. Ristea, M. Boni, B. Resch, M. Gerber, y M. Leitner, «Spatial crime distribution and prediction for sporting events using social media», International Journal of Geographical Information Science, pp. 1–32, feb. 2020, doi: 10.1080/13658816.2020.1719495.
- Q. Wang, G. Jin, X. Zhao, Y. Feng, y J. Huang, «CSAN: A neural network benchmark model for crime forecasting in spatio-temporal scale», Knowledge-Based Systems, vol. 189, p. 105120, feb. 2020, doi: 10.1016/j.knosys.2019.105120.
- Y. Zhang y T. Cheng, «Graph deep learning model for network-based predictive hotspot mapping of sparse spatio-temporal events», Computers, Environment and Urban Systems, vol. 79, p. 101403, ene. 2020, doi: 10.1016/j.compenvurbsys.2019.101403.
- G. N. Kouziokas, «The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment», Transportation Research Procedia, vol. 24, pp. 467–473, ene. 2017, doi: 10.1016/j.trpro.2017.05.083.
- S. W. Palocsay, P. Wang, y R. G. Brookshire, «Predicting criminal recidivism using neural networks», Socio-Economic Planning Sciences, vol. 34, n.o 4, pp. 271–284, dic. 2000, doi: 10.1016/S0038-0121(00)00003-3.
Referencias
J. L. G. González, «Los delitos de lesa humanidad», Revista de la Facultad de Derecho, n.o 30, pp. 153–170, 2011.
Secuestros, conteo Ranking, 2019 knoema.com. [En línea]. Disponible En: https://knoema.es//atlas/topics/Estadística-criminal/Ataques-Secuestros-Robos-Violaciónes-Sexuales/Secuestros-conteo.
L. F. Trejos Rosero, «Colombia: Una revisión teórica de su conflicto armado», Revista Enfoques: Ciencia Política y Administración Pública, vol. 11, n.o 18, pp. 55–75, 2013.
ONU, Cooperación internacional para prevenir, combatir y eliminar el secuestro y prestar asistencia a las víctimas. Naciones Unidas, 2004.
J. D. Rodríguez-Ortega, Y. A. Duarte Velásquez, C. Gómez Toro, y J. A. Cadavid Carmona, «Seguridad ciudadana, violencia y criminalidad: una visión holística y criminológica de las cifras estadísticas del 2018», Revista Criminalidad, vol. 61, pp. 9–33, 2019.
D. M. Agudelo V., «El Horror de lo incierto. Intervención Psicológica con Víctimas de Secuestro», Psicología desde el Caribe, n.o 6, pp. 20–38, 2000.
Conteo de Víctimas, Datos Abiertos Colombia. [En línea]. Disponible En: https://www.datos.gov.co/Justicia-y-Derecho/Conteo-de-V-ctimas/sft7-9im5.
X. Meng, L. Nie, y J. Song, «Big data-based prediction of terrorist attacks», Computers & Electrical Engineering, vol. 77, pp. 120–127, jul. 2019, doi: 10.1016/j.compeleceng.2019.05.013.
H. Ordóñez, C. Cobos, y V. Bucheli, «Modelo de machine learning para la predicción de las tendencias de hurto en Colombia», 2020, vol. 29, pp. 494–506, feb. 2020.
D. P. Kingma y J. Ba, «Adam: A Method for Stochastic Optimization», arXiv:1412.6980 [cs], ene. 2017, Accedido: may 05, 2020. [En línea]. Disponible en: http://arxiv.org/abs/1412.6980.
A. Sánchez López de Mesa et al., Mapas y Factores de riesgo electoral. Elecciones de autoridades locales Colombia 2019, vol. 1. Bogota, Colombia, 2019.
Y. Chen, F. Li, J. Wang, B. Tang, y X. Zhou, «Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery», Knowledge-Based Systems, vol. 197, p. 105863, jun. 2020, doi: 10.1016/j.knosys.2020.105863.
K. Pugalenthi, H. Park, y N. Raghavan, «Prognosis of power MOSFET resistance degradation trend using artificial neural network approach», Microelectronics Reliability, vol. 100-101, p. 113467, sep. 2019, doi: 10.1016/j.microrel.2019.113467.
A. A. Albert, L. F. de Mingo López, y N. G. Blas, «Multilinear Weighted Regression (MWE) with Neural Networks for trend prediction», Applied Soft Computing, vol. 82, p. 105555, sep. 2019, doi: 10.1016/j.asoc.2019.105555.
A. P. Balsamà, L. De Biase, G. Janssens-Maenhout, y V. Pagliari, «Near-term projection of anthropogenic emission trends using neural networks», Atmospheric Environment, vol. 89, pp. 581–592, jun. 2014, doi: 10.1016/j.atmosenv.2014.02.046.
L. Liu, M. Han, Y. Zhou, y Y. Wang, «LSTM Recurrent Neural Networks for Influenza Trends Prediction», en Bioinformatics Research and Applications, Cham, 2018, pp. 259–264, doi: 10.1007/978-3-319-94968-0_25.
X. Zhao y J. Tang, «Exploring Transfer Learning for Crime Prediction», nov. 2017, pp. 1158–1159, doi: 10.1109/ICDMW.2017.165.
P. Das y A. Das, «Application of Classification Techniques for Prediction and Analysis of Crime in India», 2019, pp. 191–201.
S. Kim, P. Joshi, P. Kalsi, y P. Taheri, «Crime Analysis Through Machine Learning», nov. 2018, pp. 415–420, doi: 10.1109/IEMCON.2018.8614828.
G. Hajela, M. Chawla, y A. Rasool, «A Clustering Based Hotspot Identification Approach For Crime Prediction», Procedia Computer Science, vol. 167, pp. 1462–1470, ene. 2020, doi: 10.1016/j.procs.2020.03.357.
S. Chatterjee, S. Das, S. Banerjee, y U. Biswas, «An Approach Towards Development of a Predictive Model for Female Kidnapping in India Using R Programming: eHaCON 2018, Kolkata, India», 2019, pp. 489–503.
J. Q. Yuki, Md. M. Q. Sakib, Z. Zamal, K. M. Habibullah, y A. K. Das, «Predicting Crime Using Time and Location Data», en Proceedings of the 2019 7th International Conference on Computer and Communications Management, Bangkok, Thailand, jul. 2019, pp. 124–128, doi: 10.1145/3348445.3348483.
P. Chen y J. Kurland, «Time, Place, and Modus Operandi: A Simple Apriori Algorithm Experiment for Crime Pattern Detection», jul. 2018, pp. 1–3, doi: 10.1109/IISA.2018.8633657.
A. Ristea, M. Boni, B. Resch, M. Gerber, y M. Leitner, «Spatial crime distribution and prediction for sporting events using social media», International Journal of Geographical Information Science, pp. 1–32, feb. 2020, doi: 10.1080/13658816.2020.1719495.
Q. Wang, G. Jin, X. Zhao, Y. Feng, y J. Huang, «CSAN: A neural network benchmark model for crime forecasting in spatio-temporal scale», Knowledge-Based Systems, vol. 189, p. 105120, feb. 2020, doi: 10.1016/j.knosys.2019.105120.
Y. Zhang y T. Cheng, «Graph deep learning model for network-based predictive hotspot mapping of sparse spatio-temporal events», Computers, Environment and Urban Systems, vol. 79, p. 101403, ene. 2020, doi: 10.1016/j.compenvurbsys.2019.101403.
G. N. Kouziokas, «The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment», Transportation Research Procedia, vol. 24, pp. 467–473, ene. 2017, doi: 10.1016/j.trpro.2017.05.083.
S. W. Palocsay, P. Wang, y R. G. Brookshire, «Predicting criminal recidivism using neural networks», Socio-Economic Planning Sciences, vol. 34, n.o 4, pp. 271–284, dic. 2000, doi: 10.1016/S0038-0121(00)00003-3.