Método de clustering e inteligencia artificial para clasificar y proyectar delitos violentos en Colombia
-
Published:2023-04-01
Issue:42
Volume:21
Page:551-572
-
ISSN:2500-7645
-
Container-title:Revista Científica General José María Córdova
-
language:
-
Short-container-title:Rev. Cient. Gen. José María Córdova
Author:
Fontalvo-Herrera Tomás JoséORCID, Vega-Hernández María AlejandraORCID, Mejía-Zambrano FabioORCID
Abstract
El objetivo de esta investigación es proponer clústeres de delitos violentos en Colombia por departamentos junto con una estructura de redes neuronales para su clasificación y pronóstico. Para ello, se parte del análisis del método de clustering, la inteligencia artificial y la definición de delitos violentos. Con un método explicativo cuantitativo, se partió de los datos generados por la Policía Nacional sobre delitos entre 2018 y 2022. Como resultado, se establecieron cuatro clústeres de delitos y factores de violencia que caracterizan grupos de departamentos, lo que permitió identificar regiones con mayor y menor impacto de actos delictivos. Luego se planteó una red neuronal de doble capa que alcanzó una capacidad de clasificación y predicción de 97,7 % para los delitos según su tipo e impacto, lo cual espera servir como herramienta para la prevención de delitos.
Publisher
Escuela Militar de Cadetes Jose Maria Cordova
Subject
Law,Political Science and International Relations,Public Administration,Safety Research,Sociology and Political Science,Social Sciences (miscellaneous),Safety, Risk, Reliability and Quality
Reference40 articles.
1. Aguilar, A., & Contreras, M. (2018). Caracterización de los delitos en Cartagena mediante la aplicación de minería de datos [tesis doctoral, Universidad Tecnológica de Bolívar]. https://biblioteca.utb.edu.co/notas/tesis/0074619.pdf 2. Aguirre Yacup, N., Walteros Alcázar, M., & Noguera Pérez, Y. (2018). Identificación de patrones delictivos en Colombia durante el periodo 2010-2016 mediante el uso de técnicas de minería de datos. Encuentro Internacional de Educación en Ingeniería Acofi 2018. https://acofipapers.org/index.php/eiei/article/view/435 3. Azis, N., Ali, Y., Subekti, R., Junianto, P., Diner, L., Suhendra, S., Aisyah, S., & Windarto, A. P. (2021, febrero). Mapping study using the unsupervised learning clustering approach. IOP Conference Series: Materials Science and Engineering, 1088(1), p. 012005. https://doi.org/10.1088/1757-899X/1088/1/012005 4. Bravo, M., Artega, H., Tabares, K., Padilla, I., & Orozco, S. (2021). Cervical cancer classification using convolutional neural networks, transfer learning and data augmentation. Revista EIA, 18(35), 100-111. https://doi.org/10.24050/reia.v18i35.1462 5. Butt, U., Letchmunan, S., Hassan, F., Ali, M., Baqir, A., Koh, T., & Sherazi, H. (2021). Spatio-temporal crime predictions by leveraging artificial intelligence for citizens security in smart cities. IEEE Access, 9, 47516-47529. https://doi.org/10.1109/ACCESS.2021.3068306
Cited by
2 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献
|
|