| dc.contributor.advisor | Solis Pino, Andrés Felipe | |
| dc.coverage.spatial | cead_-_facatativa | |
| dc.creator | Vargas Mendivelso, Erney | |
| dc.date.accessioned | 2026-04-22T16:00:37Z | |
| dc.date.available | 2026-04-22T16:00:37Z | |
| dc.date.created | 2026-02-18 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/80292 | |
| dc.description.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. | |
| dc.format | pdf | |
| dc.title | Predicción de zonas de riesgo en rutas de transporte de mercancías a nivel nacional mediante el análisis de incidentes de robo a vehículos | |
| dc.type | Proyecto aplicado | |
| dc.subject.keywords | Análisis de datos | |
| dc.subject.keywords | Transporte de mercancías | |
| dc.subject.keywords | Hurto a vehículos | |
| dc.subject.keywords | Modelado predictivo | |
| dc.subject.keywords | Seguridad en transporte | |
| dc.description.abstractenglish | Vehicle theft in Colombia represents a critical threat to public safety and logistical efficiency, resulting in significant economic losses. Despite the availability of historical data, the adoption of advanced analytical tools for crime anticipation remains limited across affected sectors. This project develops a predictive model based on machine learning to identify patterns and high-risk zones, utilizing the National Police of Colombia's open dataset as the primary source.
The research was conducted under the CRISP-DM standard methodology, spanning from business understanding to deployment design. Through feature engineering techniques, geographical and temporal variables were transformed to train and validate various supervised learning algorithms. The results achieved an accuracy of 86.30% and an Area Under the Curve (AUC) exceeding 0.90, validating the system's capability to effectively classify risk levels. Finally, an implementation strategy is proposed, enabling transportation entities and authorities to utilize these predictions as a support tool for resource optimization and operational decision-making | |
| dc.subject.category | Ciencia de datos | |
