Professional Documents
Culture Documents
Predicción Del Robo de Vehículo Con Un Automáta Celular
Predicción Del Robo de Vehículo Con Un Automáta Celular
Resumen
1. Introducción
Existen diferentes modelos cuyo fin es predecir el delito. Existen algunos modelos que
se enfocan en el espacio, ya sea a través de análisis puntuales, de densidades,
temporales o “hot spots” (Barreras, Díaz, Riascos, & Ribero, 2016); y también existen
modelos que utilizan técnicas que no consideran, necesariamente, al espacio, por
ejemplo, redes neuronales artificiales, series de tiempo multivariadas, aplicación de
conjuntos borrosos o modelos de aprendizaje supervisado (Mohd Shamsuddin, Azizah
Ali, & Alwee, 2017).
Aunque utilizan enfoques distintos, una característica que comparten todos los
modelos es que requieren grandes cantidades de datos para poder ser precisos. La
lógica de la predicción del delito mediante datos es obtener patrones o reglas que sigue
la incidencia delictiva. Una vez que se obtienen los patrones o reglas, mediante la
aplicación de algún modelo, entonces se pueden reproducir esos patrones o reglas en
temporalidades o espacios en los que todavía no ocurre. Si el patrón o regla es
adecuado, entonces los resultados esperados deberían ser más o menos parecidos a lo
que efectivamente suceda.
Sin embargo, al considerar que los datos disponibles son la realidad de la incidencia
delictiva o, por lo menos, una muestra representativa, se puede incurrir en problemas
de predicción porque en la mayoría de los delitos existen subregistros, llamados “cifra
negra”. La consecuencia de esto es que los resultados pueden no ser suficientemente
precisos para tomar decisiones en política pública.
Simbología
Incidencia
Octubre Noviembre
1 Las condiciones iniciales tenían mucha dispersión entre celdas, por lo que no
sucedía nada casi con cualquier tipo de regla. Por esta razón, se tuvo que modificar el
conteo para considerar más celdas aledañas.
5. En todos los demás casos, la celda se queda sin incidencia.
4. Resultados
Simbología
Incidencia
Figura 2. Resultados de las cuadrículas de incidencia. Enero son las condiciones iniciales a
partir de la información de carpetas de investigación. Elaboración propia.
En el mes de Febrero’ se observa una concentración de incidencia en los cuadrantes
inferiores a la derecha de la cuadrícula, mientras que el resto se dispersa. En el mes de
Marzo’ ocurre lo contrario: los cuadrantes que se habían concentrado, ahora comienzan
a dispersarse y los cuadrantes que se dispersaban comienzan a concentrarse. En Abril’
comienzan a concentrarse los nuevos cuadrantes y entre Mayo’ y Junio’ el cambio es
poco, pero la tendencia es hacia la concentración y expansión a la vez. El resto de los
meses continúa la expansión y concentración de los cuadrantes.
5. Discusión
De acuerdo con los resultados obtenidos, el tipo de conteo, y las reglas de conteo
utilizadas no son adecuadas para predecir el delito de robo de vehículo con violencia
en la Ciudad de México. Hay varios aspectos a considerar para futuros intentos:
Referencias
Barreras, F., Díaz, C., Riascos, A., & Ribero, M. (25 de Mayo de 2016). Comparison of
different crime prediction models in Bogotá. Obtenido de
https://www.alvaroriascos.com/researchDocuments/PrediccionCrimen.pdf
Mohd Shamsuddin, N., Azizah Ali, N., & Alwee, R. (2017). An Overview on Crime
Prediction Methods. International Student Project Conference.
doi:10.1109/ICT-ISPC.2017.8075335