Data analytics for criminal behavior in large cities

Este proyecto se centra en el desarrollo de una aplicación web que utiliza el análisis de datos y modelos predictivos de Inteligencia Artificial para estimar la probabilidad de ocurrencia de crímenes en la ciudad de Chicago. Se han implementado dos modelos de Aprendizaje Automático: Random Forest y K-Nearest Neighbors (KNN). El modelo Random Forest estima la probabilidad de crímenes en zonas delimitadas especificas en Chicago, conocidas como beats, y franjas horarias específicas. Por otro lado, el modelo KNN evalúa la probabilidad más a detalle en puntos determinados de la ruta, basándose en un número de vecinos cercanos y dependiendo el día y la hora. La aplicación utiliza Azure Maps para trazar tres rutas óptimas entre dos puntos y así superponer datos de crímenes y los resultados de los modelos, mostrando aquellos crímenes más incidentes en las rutas. El proyecto demuestra la viabilidad de estas técnicas para mejorar la seguridad urbana y resalta los desafíos y áreas para futuras mejoras.

• Autores: Mendoza Acosta, Natalia Paola; Moreno Daza, Maycol José Yesid; Zuleta Morales, Samuel David
• Fecha de publicación: 2024
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/11973
• Acceso en línea: http://hdl.handle.net/10584/11973
• Palabra clave: Predicción del crimen, Aprendizaje automático, Bosque Aleatorio, K-Vecinos más cercanos (KNN), Big Data, Azure Maps, Aplicación Web; Crime Prediction, Machine Learning, Random Forest, K-Nearest Neighbors (KNN), Big Data, Azure Maps, Web Application
• License: Universidad del Norte