Evaluación del desempeño de diferentes modelos de aprendizaje automático para la predicción de delitos en la ciudad de Medellín. Proyecto de investigación

Abstract

RESUMEN : El presente trabajo de grado se centra en la aplicación, evaluación y comparación de diversos modelos de aprendizaje automático para predecir la incidencia delictiva en distintas zonas de Medellín. Se analizaron modelos como ARIMA, SARIMA, ARMAX, VAR, Prophet y redes neuronales recurrentes LSTM, utilizando métricas estándar como RMSE y MAE, así como análisis de residuos para evaluar la precisión y capacidad predictiva de cada uno. Los resultados indican que los modelos autorregresivos con diferenciación de primer orden para gestionar tendencias estacionales, ofrecen resultados prometedores al capturar las características estacionarias de los datos y mejorar la estacionariedad de las series temporales de delitos. Sin embargo, se identificó asimetría positiva en los residuos, lo que sugiere la posibilidad de mejorar la complejidad del modelo para capturar patrones residuales no explicados. Por otro lado, la inclusión de términos estacionales no condujo a mejoras sustanciales, lo que indica que la estacionalidad podría no estar adecuadamente capturada por enfoques lineales. En contraste, la incorporación de datos exógenos como variables de control y meteorológicas resultó en mejoras significativas en métricas como RMSE y MAE, así como en una menor asimetría en los residuos, lo que refleja una capacidad mejorada del modelo para explicar la variabilidad observada en los datos de delitos. La implementación de este estudio y los modelos desarrollados para la predicción de delitos tienen como objetivo contribuir al desarrollo de herramientas para la gestión inteligente de la seguridad ciudadana, facilitando la implementación de medidas proactivas que promuevan un entorno más seguro para la comunidad.