Predicción de zonas de riesgo en rutas de transporte de mercancías a nivel nacional mediante el análisis de incidentes de robo a vehículos

Abstract

El hurto de vehículos en Colombia representa una amenaza crítica para la seguridad ciudadana y la eficiencia logística, generando pérdidas económicas significativas. A pesar de la disponibilidad de datos históricos, la adopción de herramientas avanzadas para la anticipación del delito sigue siendo limitada en los sectores afectados. Este proyecto desarrolla un modelo predictivo basado en machine learning para identificar patrones y zonas de riesgo, utilizando el conjunto de datos abiertos de la Policía Nacional de Colombia.

La investigación se fundamentó en la metodología estándar CRISP-DM, abarcando desde la comprensión del negocio hasta el diseño del despliegue. Mediante técnicas de ingeniería de características, se transformaron variables geográficas y temporales para entrenar y validar diversos algoritmos de aprendizaje supervisado. Los resultados obtenidos alcanzaron una exactitud (accuracy) del 86.30 % y un Área Bajo la Curva (AUC) superior a 0.90, lo que valida la capacidad del sistema para clasificar eficazmente los niveles de riesgo. Finalmente, se propone una estrategia de implementación que permite a las organizaciones de transporte y autoridades utilizar estas predicciones como soporte para la optimización de recursos y la toma de decisiones operativas.