Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Martín Solís; Luis Alexander Calvo-Valverde

doi:10.3390/engproc2024068004

Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Título traducido de la contribución: Aprendizaje profundo para la predicción de delitos en múltiples regiones, teniendo en cuenta las correlaciones espacio-temporales entre regiones

Martín Solís, Luis Alexander Calvo-Valverde

Producción científica: Contribución a una revista › Artículo de la conferencia › revisión exhaustiva

Resumen

La predicción de la delincuencia ha ganado popularidad en los últimos años; sin embargo, la mayoría de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia áreas con una población sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el número de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlación espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logró un rendimiento superior. El mejor modelo logró el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones más seguras, el rendimiento disminuyó.

Título traducido de la contribución	Aprendizaje profundo para la predicción de delitos en múltiples regiones, teniendo en cuenta las correlaciones espacio-temporales entre regiones
Idioma original	Inglés
Número de artículo	4
Publicación	Engineering Proceedings
Volumen	68
N.º	1
DOI	https://doi.org/10.3390/engproc2024068004 https://doi.org/10.3390/engproc2024068004
Estado	Publicada - 28 jun 2024

ODS de las Naciones Unidas

Este resultado contribuye a los siguientes Objetivos de Desarrollo Sostenible

Acceder al documento

Otros archivos y enlaces

Enlace a la publicación en Scopus

Citar esto

@article{236e4cd6effa4fc5a9ac97efea1bd245,

title = "Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions",

abstract = "La predicci{\'o}n de la delincuencia ha ganado popularidad en los {\'u}ltimos a{\~n}os; sin embargo, la mayor{\'i}a de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia {\'a}reas con una poblaci{\'o}n sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el n{\'u}mero de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlaci{\'o}n espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logr{\'o} un rendimiento superior. El mejor modelo logr{\'o} el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones m{\'a}s seguras, el rendimiento disminuy{\'o}.",

keywords = "crime forecasting, deep learning, spatial–temporal correlation",

author = "Mart{\'i}n Sol{\'i}s and Calvo-Valverde, {Luis Alexander}",

note = "Publisher Copyright: {\textcopyright} 2024 by the authors.",

year = "2024",

month = jun,

day = "28",

doi = "10.3390/engproc2024068004",

language = "Ingl{\'e}s",

volume = "68",

journal = "Engineering Proceedings",

issn = "2673-4591",

number = "1",

}

TY - JOUR

T1 - Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

AU - Solís, Martín

AU - Calvo-Valverde, Luis Alexander

PY - 2024/6/28

Y1 - 2024/6/28

N2 - La predicción de la delincuencia ha ganado popularidad en los últimos años; sin embargo, la mayoría de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia áreas con una población sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el número de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlación espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logró un rendimiento superior. El mejor modelo logró el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones más seguras, el rendimiento disminuyó.

AB - La predicción de la delincuencia ha ganado popularidad en los últimos años; sin embargo, la mayoría de los estudios se han realizado en los Estados Unidos, lo que puede resultar en un sesgo hacia áreas con una población sustancial. En este estudio se generaron diferentes modelos capaces de pronosticar el número de delitos en 83 regiones de Costa Rica. Estos modelos incluyen la correlación espacio-temporal entre regiones. Los resultados indican que la arquitectura basada en un codificador-decodificador LSTM logró un rendimiento superior. El mejor modelo logró el mejor rendimiento en las regiones donde los delitos ocurrieron con mayor frecuencia; Sin embargo, en regiones más seguras, el rendimiento disminuyó.

KW - crime forecasting

KW - deep learning

KW - spatial–temporal correlation

UR - http://www.scopus.com/inward/record.url?scp=85218081271&partnerID=8YFLogxK

U2 - 10.3390/engproc2024068004

DO - 10.3390/engproc2024068004

M3 - Artículo de la conferencia

SN - 2673-4591

VL - 68

JO - Engineering Proceedings

JF - Engineering Proceedings

IS - 1

M1 - 4

ER -

Deep Learning for Crime Forecasting of Multiple Regions, Considering Spatial–Temporal Correlations between Regions

Resumen

ODS de las Naciones Unidas

Acceder al documento

Otros archivos y enlaces

Huella

Citar esto