Predicción de robos de autos con análisis de series temporales
Proyecto Final de Luis Maria Cormick
Diplomatura en Ciencia de Datos con R y Python
En el campo del data science, la predicción de delitos mediante modelos estadísticos y de machine learning está transformando la gestión de la seguridad pública. En este proyecto, Luis desarrolló un modelo para la predicción de robos de autos con análisis de series temporales, utilizando datos reales de la ciudad de Los Ángeles.
El objetivo: anticipar la ocurrencia de robos y ayudar a las autoridades a optimizar recursos policiales y presupuestarios, reduciendo el costo de la sobre o subestimación de eventos delictivos.
Contexto del proyecto
El Departamento de Policía de Los Ángeles proporcionó una base de datos con los delitos registrados desde 2021, junto con estimaciones de los costos marginales asociados a errores de predicción. Estos costos —por exceso o falta de previsión— afectan directamente el presupuesto destinado a la prevención e investigación delictiva.
El desafío consistió en construir un modelo capaz de predecir la cantidad futura de robos de autos en el área central de la ciudad, minimizando la diferencia entre las predicciones y los hechos reales.
Metodología: análisis de series temporales y modelos predictivos
Para abordar el problema, se aplicaron tres enfoques de análisis de series temporales:
- Modelo Auto ARIMA (Autorregresivo Integrado de Media Móvil): analiza la dependencia temporal de los datos y permite ajustar parámetros de tendencia y estacionalidad.
- Suavización Exponencial Simple: un método que asigna mayor peso a los valores más recientes, ideal para detectar cambios rápidos en el comportamiento de la serie.
- Modelo Prophet, desarrollado por Meta: especialmente útil para series con componentes estacionales y tendencias complejas.
El trabajo incluyó limpieza y transformación de datos, detección de estacionariedad, y evaluación del desempeño de los modelos con métricas como RMSE, MAE, MAPE y costo marginal total.
Resultados del modelo predictivo
Los resultados mostraron que el modelo Prophet obtuvo el mejor rendimiento general:
- Presentó los menores valores de error promedio y desviación.
- Logró ajustar con precisión las tendencias temporales de los robos de autos.
- Y redujo significativamente el costo marginal total, permitiendo una mejor asignación de recursos para la prevención del delito.
El análisis también reveló una tendencia creciente en los robos de vehículos en el centro de Los Ángeles, destacando la utilidad del modelo para apoyar decisiones estratégicas y presupuestarias.
Conclusiones
Este proyecto demuestra cómo la predicción de robos de autos con análisis de series temporales puede aportar soluciones concretas a problemas sociales reales mediante la ciencia de datos.
La combinación de herramientas estadísticas, programación en Python y modelos de machine learning permite anticipar escenarios, reducir costos y mejorar la eficacia de las políticas públicas.
El Instituto Data Science Argentina continúa impulsando proyectos de alto impacto social y técnico, formando profesionales capaces de aplicar la analítica avanzada a desafíos del mundo real.
LinkedIn de Luis Cormick: https://www.linkedin.com/in/luis-maria-cormick-663418226/
