Procesamiento de datos y modelado predictivo para la seguridad ciudadana

Abstract

La seguridad del entorno es un factor determinante en el mercado inmobiliario, influyendo directamente en la calidad de vida y la inversión. Sin embargo, evaluar dicho aspecto es difícil dado que la información disponible suele estar fragmentada y ser meramente descriptiva. El presente proyecto soluciona el problema mediante una plataforma unificada, y este informe detalla específicamente el desarrollo de su núcleo de procesamiento y análisis predictivo. El objetivo principal fue construir un sistema capaz de transformar datos crudos en indicadores útiles. Para ello, se diseñó un flujo de procesamiento que estructura registros heterogéneos mediante ingeniería de atributos y agregación temporal. Además, se implementó un Índice de Crimen Objetivo, una métrica que pondera los delitos según su pena legal y ajusta los valores por población, permitiendo comparar objetivamente la seguridad entre distintos sectores. La metodología siguió el estándar CRISP-DM, utilizando modelos de Deep Learning con la arquitectura Time Series Transformer. Se aplicó un entrenamiento global con salida probabilística (distribución t de Student), lo que permite al modelo aprender patrones generales y estimar la incertidumbre de las predicciones, superando a los métodos estadísticos tradicionales. Los resultados validan la propuesta, obteniendo un modelo predictivo con un error sMAPE del 26.7 % y un MASE de 0.66. Es por ello que este trabajo aporta la inteligencia del sistema, permitiendo pasar de la simple visualización de datos históricos a la predicción de tendencias de seguridad en los barrios.

Neighborhood safety is a determining factor in the real estate market, directly influencing both quality of life and investment. However, assessing this aspect is challenging given that available information is often fragmented and merely descriptive. The present project addresses this problem through a unified platform, and this report specifically details the development of its processing and predictive analytics core. The main objective was to build a system capable of transforming raw data into useful indicators. To this end, a processing pipeline was designed to structure heterogeneous records using feature engineering and temporal aggregation. Furthermore, an Objective Crime Index was implemented a metric that weights crimes according to their legal penalty and adjusts values by population, allowing for an objective comparison of safety across different sectors. The methodology followed the CRISP-DM standard, using Deep Learning models based on the Time Series Transformer architecture. A global training approach with probabilistic output (Student-t distribution) was applied, enabling the model to learn general patterns and estimate prediction uncertainty, outperforming traditional statistical methods. The results validate the proposal, achieving a predictive model with a sMAPE error of 26.7% and a MASE of 0.66. In conclusion, this work provides the system’s intelligence, enabling a shift from simple historical data visualization to the prediction of neighborhood safety trends.