Aplicación Web de Predicción con Machine Learning para fortalecer la toma de decisiones en la gestión de seguridad ciudadana ante el incremento de robos y hurtos en Los Olivos, San Martín de Porres y Comas

Abstract

Los distritos de Comas, San Martín de Porres y Los Olivos, ubicados en Lima Norte, enfrentan un incremento sostenido de robos y hurtos, dicha situación se agrava por la escasa presencia policial y la congestión vehicular. En respuesta a esta problemática, se propone el desarrollo de un modelo de Machine Learning basado en el algoritmo de Random Forest (RF), integrado en una aplicación web, con la finalidad de predecir los números de crímenes realizados en esas zonas, utilizando datos de otros distritos con características similares. La herramienta busca apoyar la toma de decisiones en la gestión de seguridad ciudadana mediante predicciones, evaluadas con métricas como el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE), que miden la precisión del modelo al comparar las predicciones con los datos reales. Asimismo, el MAE obtuvo valores entre 29.194 y 75.572, mientras que el RMSE entre 39.651 y 93.110, lo que indica un desempeño aceptable del modelo en la estimación de niveles de criminalidad. Finalmente, el estudio concluye con la importancia de optimizar las metodologías empleadas y fomentar la participación ciudadana en la lucha contra la inseguridad.

The districts of Comas, San Martín de Porres, and Los Olivos, located in Northern Lima, are experiencing an increase in robberies and thefts. The limited police presence and heavy traffic congestion worsen this situation. In response to this issue, a Machine Learning model based on the Random Forest (RF) algorithm is proposed, integrated into a web application, to predict the number of crimes committed in these areas using data from other districts with similar characteristics. The tool is designed to support decision-making in public safety management through predictions evaluated using metrics such as Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), which measure the accuracy of the model by comparing predictions with actual data. The MAE ranged between 29.194 and 75.572, while the RMSE ranged from 39.651 to 93.110, indicating an acceptable performance of the model in estimating crime levels. Finally, the study concludes by emphasizing the importance of optimizing the applied methodologies and promoting citizen participation in the fight against insecurity.