TALLER DE DESEMPEÑO PROFESIONAL 2023-02

Nombres y Apellidos del

Miguel Alonso Romero Luna
Esstudiante
Sección SX82

INFORME DEL ESTADO DEL ARTE

Title of paper: Empirical Analysis for Crime Prediction and Forecasting Using Machine
Learning and Deep Learning Techniques (Poner aquí el título en castellano)
Author(s): Safat WAsghar SGillani S
Journal: Department of Computer Science, COMSATS University, Islamabad, Pakistan
Fecha de publicación: 06/05/2021 Nivel del Cuartil: Q1
Tipo de documento: Article• Gold Open Access
__________________________________________________________________________
1. Problema
El paper se enfoca en la predicción y el pronóstico del crimen utilizando técnicas de
aprendizaje automático y aprendizaje profundo. El objetivo principal del estudio es mejorar
la seguridad metropolitana mediante el uso de algoritmos de aprendizaje automático para
predecir y pronosticar la tasa, los tipos y los puntos calientes de delitos en función de los
patrones pasados. La importancia del problema radica en la necesidad de mejorar la
seguridad pública y reducir la tasa de delitos en las áreas metropolitanas
(Chackravarthy et al., 2018)
, lo que puede tener un impacto significativo en la calidad de vida de las personas
que viven en esas áreas.

2. Importancia
La importancia del problema radica en la necesidad de mejorar la seguridad pública y reducir
la tasa de delitos en las áreas metropolitanas, lo que puede tener un impacto significativo en
la calidad de vida de las personas que viven en esas áreas. (Chackravarthy et al., 2018)

3. Aporte
Los autores del paper realizaron una investigación sobre la predicción y pronóstico del
crimen utilizando técnicas de aprendizaje automático y aprendizaje profundo. Su aporte
consistió en explorar los desafíos y oportunidades de estimar con precisión las tasas, tipos y
puntos calientes de delitos a partir de patrones pasados, y proponer diferentes algoritmos de
aprendizaje automático para lograr una mejor precisión predictiva. El producto final de la
investigación fue la propuesta de diferentes algoritmos de aprendizaje automático,
TALLER DE DESEMPEÑO PROFESIONAL 2023-02

incluyendo regresión logística, máquina de vectores de soporte, redes neuronales y árboles

de decisión, para predecir y pronosticar el crimen. Los autores también discutieron la
importancia de la selección de características y la normalización de datos en la precisión
predictiva. (Safat et al., 2021)

4. Proceso
Los autores propusieron una metodología y un marco de estudio para la predicción y
previsión de delitos utilizando técnicas de aprendizaje automático y aprendizaje profundo.
La metodología implicó los siguientes pasos:

1. Recopilación de datos: los autores recopilaron datos sobre delitos de repositorios en línea
y los procesaron previamente para eliminar anomalías en los valores atípicos, ruido, valores
faltantes y otras discrepancias.

2. Selección de características: los autores utilizaron el método de muestreo aleatorio de

arranque y el método de selección de características para seleccionar datos significativos y
reducir la complejidad de los datos.

3. Desarrollo de modelos: los autores desarrollaron modelos de aprendizaje automático y

aprendizaje profundo como Logistic Regression, SVM, Naïve Bayes, KNN, Decision Tree,
MLP, Random Forest, XGBoost, LSTM y ARIMA para predecir y pronosticar tendencias
delictivas. (Safat et al., 2021)

4. Evaluación del modelo: los autores evaluaron el rendimiento de los modelos

desarrollados utilizando varias métricas como exactitud, precisión, recuperación,
puntuación F1 y AUC-ROC.

5. Análisis de resultados: Los autores analizaron los resultados obtenidos de los modelos
desarrollados y los compararon con los modelos de última generación existentes.
(Chackravarthy et al., 2018)
TALLER DE DESEMPEÑO PROFESIONAL 2023-02

5. Principal Resultado

. En cuanto a los resultados, los autores lograron mejoras significativas en la precisión

predictiva en comparación con la literatura existente mediante la implementación de varios
algoritmos de aprendizaje automático y aprendizaje profundo como Logistic Regression,
SVM, Naïve Bayes, KNN, Decision Tree, MLP, Random Forest, XGBoost, LSTM, y ARIMA.
Los resultados de precisión logrados por estos modelos fueron superiores a los de la
literatura: el modelo Random Forest logró una precisión del 77% en el conjunto de datos de
Chicago y el algoritmo Naïve Bayes logró casi los mismos resultados en el conjunto de datos
de Los Ángeles.Además, los autores utilizaron varias métricas de evaluación del desempeño,
como exactitud, precisión, recuperación y puntuación F1, para evaluar el desempeño de los
modelos desarrollados. Los resultados mostraron que el rendimiento de estos algoritmos de
aprendizaje automático fue más consistente en el conjunto de datos de Chicago que en el
conjunto de datos de Los Ángeles.Además, los autores utilizaron un modelo ARIMA para
pronosticar la delincuencia para la tasa de criminalidad y las áreas de criminalidad de alta
intensidad para los años siguientes. Los resultados generales del pronóstico de la tasa de
criminalidad beneficiarían a la policía al utilizar áreas identificadas de presuntos delitos
para asignar recursos adicionales y medidas de protección contra los delincuentes.
(Safat et al., 2021)

En general, los resultados obtenidos de los modelos desarrollados demostraron la eficacia

del aprendizaje automático y las técnicas de aprendizaje profundo para predecir y
pronosticar las tendencias delictivas, lo que puede mejorar significativamente la seguridad
metropolitana.
 TALLER DE DESEMPEÑO PROFESIONAL 2023-02

6. Crítica al artículo

A pesar de estas limitaciones, el estudio proporciona un marco integral para la predicción y

previsión de delitos utilizando técnicas de aprendizaje automático y aprendizaje profundo.
Los hallazgos del estudio pueden ser útiles para que los organismos encargados de hacer
cumplir la ley y los responsables de la formulación de políticas asignen recursos y medidas
de protección contra los delincuentes. En general, el estudio contribuye a la literatura
existente sobre predicción y pronóstico del delito y proporciona información valiosa sobre la
eficacia del aprendizaje automático y las técnicas de aprendizaje profundo para predecir y
pronosticar las tendencias delictivas.
Referencias Bibliográficas
Chackravarthy, S., Schmitt, S., & Yang, L. (2018). Intelligent crime anomaly detection in smart
cities using deep learning. Proceedings - 4th IEEE International Conference on Collaboration
and Internet Computing, CIC 2018, 399–404. https://doi.org/10.1109/CIC.2018.00060

Safat, W., Asghar, S., & Gillani, S. A. (2021). Empirical Analysis for Crime Prediction and
Forecasting Using Machine Learning and Deep Learning Techniques. IEEE Access, 9,
70080–70094. https://doi.org/10.1109/ACCESS.2021.3078117

7. Evidencia de Scimago
Se debe obtener de la siguiente página: https://www.scimagojr.com/