Modelado y simulación de robos y hurtos basados en redes SOM, TDIDT y Bayesianas. Un caso de estudio

Lorena E. Flores, Sonia I. Mariño, Sebastian Martins

Resumen


Se presenta la integración de tecnologías de minería de datos y GIS, orientadas a la generación de conocimiento para identificar y caracterizar clusters de robos y hurtos en una ciudad argentina en el primer semestre de 2017. Se adaptó la metodología CRISP-DM, y se aplicó un conjunto de técnicas de minería de datos (SOM, TDIDT y Redes Bayesianas) para identificar y comprender los patrones delictivos. Además, se vincularon los patrones descubiertos con la tecnología GIS para comprender las zonas calientes de mayor ocurrencia de estos delitos. La finalidad es proponer innovadoras modalidades para apoyar procesos de decisión basados en TI.

Texto completo:

PDF

Referencias


Anoopkumar, M.; Rahman, A. M. Z. (2016). A Review on Data Mining techniques and factors used in Educational Data Mining to predict student amelioration. In 2016 International Conference on Data Mining and Advanced Computing (SAPIENCE) (pp. 122-133). IEEE.

Baghdadi, N.; Mallet, C.; Zribi, M. (2018). QGIS and Generic Tools. John Wiley & Sons.

Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS inc, 16.

García-Martínez, R.; Britos, P.; Rodríguez, D. (2013). Information mining processes based on intelligent systems. In International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems (pp. 402-410). Springer, Berlin, Heidelberg.

McCue, C. (2014). Data mining and predictive analysis: Intelligence gathering and crime analysis. Butterworth-Heinemann.

Rakotomalala, R. (2004). TANAGRA project. (http://eric.univ-lyon2.fr/~ricco/tanagra/en/tanagra)


Enlaces refback

  • No hay ningún enlace refback.


International Journal of Information Systems and Software Engineering for Big Companies

ISSN: 2387-0184

www.ijisebc.com

ijisebc@uajournals.com