Modelado y simulación de robos y hurtos basados en redes SOM, TDIDT y Bayesianas. Un caso de estudio
-
-
[1] Universidad Nacional del Nordeste
Universidad Nacional del Nordeste
Argentina
-
[2] Universidad Nacional de Lanús
Universidad Nacional de Lanús
Argentina
-
- Localización: International Journal of Information Systems and Software Engineering for Big Companies: IJISEBC, ISSN-e 2387-0184, Vol. 6, Nº. 2 (Diciembre/December), 2019, págs. 81-87
- Idioma: español
- Enlaces
-
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.
-
Referencias bibliográficas
- Anoopkumar, M.; Rahman, A. M. Z. (2016). A Review on Data Mining techniques and factors used in Educational Data Mining to predict student...
- 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....
- García-Martínez, R.; Britos, P.; Rodríguez, D. (2013). Information mining processes based on intelligent systems. In International Conference...
- 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)
