Maestría en Ciencias de los Datos y Analítica · 2025
Medellín seguro : predicción inteligente del número de hurtos a personas con algoritmos basados en series temporales
Today, we are immersed in the data revolution, an era characterized by the importance of understanding past events to predict the future, and from these, support strategies that facilitate decision-making in advance. In this context, Colombia faces important challenges in terms of security and coexistence, challenges that can be addressed or estimated through data analysis; in Medellín, the open data portal Medata (medata.gov.co), allows access to historical and descriptive statistics on the incidence of crimes against persons such as theft; which is a recurring crime that affects the security, quality of life and economy of citizens. This project proposes the use of time series algorithms implemented in the IBM SPSS Modeler platform, a robust and flexible tool that facilitates the programming of predictive model competition (IBM, 2023, SPSS Modeler. Through its ability to identify patterns, trends and seasonality in historical data, it seeks to estimate the future incidence of theft from persons in the city of Medellín, disaggregating the analysis at the level of communes and neighborhoods. The projections will be made on a monthly basis for the months of October, November and December 2024, which will serve as input for the planning of preventive security strategies that contribute to the prioritization of areas that require greater attention and optimize available resources that minimize the negative impacts of crime and generate a greater sense of tranquility and confidence in citizens.
Full text 50 pages with text
Read the full thesis Record in the repository
Contents
- INTRODUCCIÓNp. 7
- 1.1 Planteamiento del problemap. 7
- 1.2 Justificaciónp. 8
- 1.3 Objetivosp. 9
- 1.3.1 Objetivo generalp. 9
- 1.3.2 Objetivos específicosp. 9
- MARCO TEÓRICO Y ESTADO DEL ARTEp. 10
- 2.1 Hurtop. 10
- 2.2 Forecastingp. 11
- 2.3 Algoritmos de series temporalesp. 11
- 2.3.1 Suavizado exponencialp. 12
- 2.3.2 Técnica de series temporales ARIMAp. 14
- 2.3.3 Técnica de series temporales SARIMAp. 17
- 2.4 Técnica de escalamiento lineal (LST)p. 18
- 2.5 Medata (Estrategia de datos de Medellín)p. 19
- 2.6 IBM SPSS Modelerp. 19
- DATOSp. 20
- 3.1 Plan de Gestión de Datosp. 20
- 3.2 Adquisición de datosp. 20
- 3.3 Descripción y análisis preliminar de los datosp. 21
- 3.4 Preprocesamiento de los datosp. 23
- 3.5 Aspectos éticosp. 23
- DESARROLLO DE MODELOSp. 23
- Fase I. Comprensión del negociop. 24
- Fase II. Entendimiento de los datosp. 27
- Fase III. Preparación de los datosp. 28
- Fase IV. Modeladop. 32
- Fase V. Evaluación de resultadosp. 35
- Score del Modelo para selección de mejor modelop. 36
- Fase VI. Despliegue de resultadosp. 38
- ANÁLISIS DE RESULTADOSp. 39
- CONCLUSIONES Y TRABAJO FUTUROp. 46
- REFERENCIASp. 49
- Ilustración 1 IBM SPSS Modelerp. 19
- Ilustración 2 Vista de los 10 primeros registrosp. 21
- Ilustración 3 Datos Portal Metadap. 21
- Ilustración 4 Auditoria de datosp. 22
- Ilustración 5 Estadísticas descriptivas de la informaciónp. 22
- Ilustración 6 Ciclo de vida de minería de datos (IBM, 2020)p. 24
- Ilustración 7 Flujo de automatización en IBM SPSS Modelerp. 26
- Ilustración 8 Auditoria de datosp. 27
- Ilustración 9 Densidad histórica de hurtos en Medellínp. 28
- Ilustración 10 Hurtos sin dato del campo barrio y comunap. 29
- Ilustración 11 Cantidad de hurtos de personas por comunap. 29
- Ilustración 12 Activo analítico de preparación de datos IBM SPSS Modelerp. 32
- Ilustración 13 Almacenamiento temporal de Modelosp. 33
- Ilustración 14 Supernodo modelos para series de 1 desviaciónp. 33
- Ilustración 15 Ejecución de competencia de modelosp. 34
- Ilustración 16 Almacenamiento de parámetros de cada Modelosp. 35
- Ilustración 17 . Ruta para la selección del modelop. 38
- Ilustración 18 Cálculo de score para cada modelop. 38
- Ilustración 19 . Resultado pronostico por código de barriop. 39
- Ilustración 20 Pronóstico para la ciudad de Medellínp. 40
- realizado el hurtop. 41
- Ilustración 22 Mapas de calor del valor hurtado por las comunas de la ciudadp. 41
- Ilustración 23 Valor total y promedio de dinero Hurtado a personasp. 42
- Ilustración 24 Pronóstico de hurtos pobladop. 43
- Ilustración 25 Ubicación geográfica del barrio pobladop. 43
- Ilustración 26 Pronóstico de hurtos barrio pobladop. 44
- Ilustración 27 Pronóstico para el barrio candelariap. 45
- Ilustración 28 Pronóstico por barrios de Medellín mes diciembre 2024p. 46
- Ilustración 29 Pronóstico por comunas de Medellínp. 47
- Tabla 1 Cantidad de series originalesp. 30
- Tabla 2 Cantidad de series con desviacionesp. 30
- Tabla 3 Valores Back-Testingp. 35
- Tabla 4 Interpretación de parámetros de validaciónp. 36
- Tabla 5 Importancia o peso del parámetrop. 37
- Tabla 6 Pronóstico comuna Pobladop. 43
- Tabla 7 Pronóstico barrio Pobladop. 44
- Tabla 8 Pronóstico barrio la Candelariap. 44
- Tabla 9 Top 10 de los barrios con mayor predicción para diciembre 2024p. 45