Redes neuronales en la predicción de series temporales de las denuncias policiales de la región del Cusco, 2015-2022

• Autor: Huancachoque Cohaila, Jessica
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/9340
• Enlace del recurso: http://hdl.handle.net/20.500.12918/9340
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales; Recurrentes; Series de tiempo; Denuncias; Policial; http://purl.org/pe-repo/ocde/ford#1.01.03

En el presente estudio, la problemática de la inseguridad ciudadana se manifiesta como un fenómeno y una cuestión de índole social en estos tiempos, afectando a la sociedad en su desarrollo económico, aspectos culturales y patrones comportamentales; ahí la necesidad de observar el comportamiento de las denuncias, para los próximos meses del 2023 mediante las redes neuronales en series temporales de las denuncias policiales de la región del Cusco. El método de estudio es aplicado, descriptivo, con diseño de investigación no experimental, transversal. Se analizaron los modelos de redes neuronales recurrentes para series temporales LSTM (Long Short Term Memory), además de modelos ARIMA mediante la metodología de box y Jenkins; los resultados a los que se llegaron fueron: Existe tendencia creciente, así mismo se comprobó que no está presente la componente de estacionalidad, y mediante indicadores de precisión como el AIC, RMSE, MAE, MPE, MAPE de los modelo ARIMA (1,1,1), el modelo ARIMA (1,1,0), y NNAR(1,1,2)[12], el modelo de redes neuronales recurrentes LSTM NNAR(1,1,2)[12] es el que presenta mejores parámetros de ajuste; la conclusión: La red neuronal recurrentes LSTM NNAR(1,1,2)[12] presentan un mejor ajuste a la serie de tiempo de las denuncias policiales en la región del Cusco la cual fue producto de 20 redes, presenta dos capas ocultas (k=2) el error medio (ME=0.0502); así mismo la raíz del cuadrado medio del error (RMSE), el error medio absoluto (MAE =105.375), MAPE (Error Porcentual Absoluto Medio) también presento mejor ajuste con las redes neuronales que con los otros modelos comparados.