Sistema web para la predicción de puntos de actividad delictiva en el Gobierno Regional Del Callao utilizando Gradient Boosted Decision Trees

• Autores: Herrera Salazar, Alejandro Javier, Ayala Baylo, Adanna Rosamaria
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/687807
• Enlace del recurso: http://hdl.handle.net/10757/687807
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Predicción; Crimen; Puntos de delito; Gradient boosted decision trees; machine learning; prediction; crime; crime hotspot; gradient boosted decision trees; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.02.04

El Gobierno Regional del Callao enfrenta una grave crisis de seguridad con una alta incidencia de delitos y una percepción de inseguridad generalizada entre la población. Este artículo propone un sistema de predicción avanzado basado en el algoritmo Gradient Boosted Decision Trees para identificar y predecir puntos de alta actividad delictiva. La metodología de investigación comprende tres fases: planificación, desarrollo y validación. La implementación del modelo busca optimizar la asignación de recursos, mejorar la prevención del delito y fortalecer la respuesta a emergencias. La investigación incluye un exhaustivo estado del arte que justifica la relevancia del estudio y establece una base sólida para el análisis predictivo del crimen en el Callao. Este enfoque pretende no solo mejorar la seguridad, sino también fomentar la colaboración entre las autoridades locales y la comunidad para crear un entorno más seguro y protegido.