Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5166Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Gutierrez Urquidez, Rosalia del Carmen%90968 | - |
| dc.contributor.author | Teyechea Peralta, Jose | - |
| dc.creator | Teyechea Peralta, Jose%1005394 | - |
| dc.date.accessioned | 2023-02-08T19:33:37Z | - |
| dc.date.available | 2023-02-08T19:33:37Z | - |
| dc.date.issued | 2021-07-12 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/5166 | - |
| dc.description | La criminalidad se caracteriza mediante las propiedades llamadas victimizaci´on repetida y victimizaci´on cuasi-repetida. La victimizaci´on cuasi-repetida se forma cuando personas o bienes con caracter´ısticas similares se convierten en v´ıctimas de actividad delictiva repetida. Este tipo de observaciones proporcionan a los departamentos de polic´ıa una idea general acerca de la existencia de patrones criminales. Para lograr la predicci´on del crimen el departamento de polic´ıa debe tener la capacidad de capitalizar el conocimiento acerca de la existencia de estos patrones identificados. La modernizaci´on tecnol´ogica en los departamentos de polic´ıa, ha permitido la recopila ci´on de grandes conjuntos de datos acerca de la actividad delictiva. Al contar con grandes conjuntos de datos, de incidencias delictivas, es necesario implementar t´ecnicas de an´ali sis que permitan obtener informaci´on procesable de los patrones de comportamiento criminal. La abundante cantidad de informaci´on digital y el acceso a poder de c´omputo, ha abier to la posibilidad hacia una nueva forma de an´alisis, mediante la aplicaci´on de m´etodos de aprendizaje autom´atico; en contraste, el desarrollo de soluciones de ingenier´ıa con vencionales contin´ua presentando deficiencias, debido al proceso de modelado o bien a limitaciones inherentes en los algoritmos. En el presente trabajo de tesis se busca desarrollar un sistema basado en Inteligencia Artificial que permita predecir la distribuci´on espacio-temporal de cr´ımenes. En la pri mera implementaci´on del sistema inteligente para el reconocimiento de patrones y la predicci´on de cr´ımenes se opt´o por el modelo “Long Short Term Memory” (LSTM, por sus siglas en ingl´es), dado que los datos criminales forman una serie de tiempo para cada tipo de crimen y por cada zona policiaca en la ciudad de Chicago. El modelo LSTM tiene una ventaja significativa para encontrar correlaciones tempora les en series de tiempo. Sin embargo, la naturaleza de los datos criminales, no es s´olo temporal, sino espacio-temporal; por lo tanto, posteriormente a la aplicaci´on del modelo LSTM, se procedi´o a buscar un nuevo modelo m´as adecuado para el reconocimiento de patrones espacio-temporales. Se encontr´o que el modelo “Convolutional Long Short Term Memory” (convLSTM, por sus siglas en ingl´es), es una opci´on natural para la identificaci´on de patrones espacio-temporales. As´ı que, a lo largo de la implementaci´on del sistema se emplearon los dos modelos. De acuerdo a los resultados obtenidos se opt´o por emplear el modelo convLSTM para el reconocimiento y predicci´on de patrones criminales. Las predicciones generadas por el algoritmo predictivo se muestran al usuario a trav´es de una aplicaci´on web.Los resultados experimentales obtenidos al implementar el modelo LSTM, muestran una correlaci´on promedio de 0.599 entre la cantidad de cr´ımenes registrados por el Departamento de Polic´ıa de Chicago y la cantidad de cr´ımenes pronosticados por el modelo convLSTM, as´ı mismo, el RMSE obtenido fue de 0.110. El valor de correlaci´on positiva obtenido es significativo, sobretodo tomando en consideraci´on la complejidad del comportamiento humano, en particular el comportamiento criminal futuro de un individuo. Los resultados experimentales obtenidos durante las pruebas de funcionalidad del modelo convLSTM muestran una precisi´on promedio de 0.42 para el conjunto de prueba, la precisi´on medida en este caso corresponde a la diferencia promedio entre el valor exacto y el valor predicho. Sin embargo, como la evidencia experimental sugiere, se obtuvo una correlaci´on cercana a 1 en la mayor´ıa de las evaluaciones experimentales. El modelo convLSTM es el caso general del modelo LSTM ya que no solo es eficaz durante la identificaci´on de correlaciones temporales, sino tambi´en en la identificaci´on de correlaciones espaciales entre los diversos tipos de crimen. Por lo tanto, el modelo convLSTM es el mejor modelo propuesto hasta el d´ıa de hoy para la identificaci´on, predicci´on y clasificaci´on de patrones en secuencias espacio-temporales. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | Sistema Inteligente para el Reconocimiento de Patrones y la Prediccion de Crimenes | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | Serna Encinas, Maria Trinidad%201594 | - |
| dc.folio | 008 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Hermosillo | es_MX |
| Appears in Collections: | Maestría en Ciencias de la Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 008_MCC_TEYECHEA PERALTA JOSE ULISES .pdf | Texto Completo | 9.22 MB | Adobe PDF | View/Open |
| SESION DERECHOS MCC_TEYECHEA PERALTA.pdf | Texto Completo | 1.62 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
