Estrategias de aprendizaje profundo para el pronóstico de la criminalidad en múltiples regiones
Revista Tecnología en Marcha · 06.03.2026
DOI: 10.18845/tm.v39i5.8494 ↗Kurz gefasst
Fachartikel in der Zeitschrift Revista Tecnología en Marcha, online erschienen am 06.03.2026. Verfasst von Martin Solís und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).
Abstract (Originalsprache)
Este estudio compara el desempeño en el pronóstico de delitos de 83 regiones del ajuste de modelos pre-entrenados con modelos entrenados desde cero, usando diferentes estrategias. El modelo Lag-Llama ajustado, utilizando una estrategia de entrenamiento de un modelo único que puede predecir cualquiera de las 83 regiones fue el mejor para predicciones mensuales, mientras que el Lag-Llama ajustado utilizando la estrategia de entrenamiento por grupos de series de tiempo creadas con el método k-medias fue el mejor para las predicciones diarias. Aparentemente, la estrategia de entrenamiento de agrupamiento permite que el Lag-Llama haga un mejor ajuste para series de tiempo con características que las hacen menos predecibles, como la no linealidad y la variabilidad. Si bien el Lag-llama mostró los mejores resultados a nivel general, no es el mejor modelo para hacer predicciones de delitos para todas las regiones. Hay modelos más adecuados para algunas regiones. Por lo tanto, es aconsejable implementar más de un modelo en un sistema de predicción de delitos.
Zitieren
APA
Solís, M., & Calvo-Valverde, L. A. (2026). Estrategias de aprendizaje profundo para el pronóstico de la criminalidad en múltiples regiones. Revista Tecnología en Marcha. https://doi.org/10.18845/tm.v39i5.8494
Vancouver
Solís M, Calvo-Valverde LA. Estrategias de aprendizaje profundo para el pronóstico de la criminalidad en múltiples regiones. Revista Tecnología en Marcha. 2026. doi:10.18845/tm.v39i5.8494
BibTeX
@article{Sols2026,
author = {Solís, Martin and Calvo-Valverde, Luis Alexander},
title = {Estrategias de aprendizaje profundo para el pronóstico de la criminalidad en múltiples regiones},
journal = {Revista Tecnología en Marcha},
year = {2026},
doi = {10.18845/tm.v39i5.8494}
}
EUVIMED