Modelo predictivo de hurto de motocicletas en las capitales departamentales de Colombia

Abstract

El proyecto de grado “Modelo de Predicción de Robos de Motocicletas en las Capitales de los Departamentos de Colombia” busca desarrollar un modelo predictivo que permita identificar las ciudades y zonas con mayor probabilidad de hurto de motocicletas en Colombia utilizando datos oficiales de la Policía Nacional entre 2015 y 2025. La investigación surge debido al incremento de este delito y a la necesidad de transformar las estadísticas históricas en herramientas predictivas que apoyen la toma de decisiones de entidades públicas, empresas, aseguradoras y ciudadanos. Actualmente, los datos disponibles se utilizan principalmente para análisis retrospectivos y no para anticipar riesgos futuros. El proyecto se fundamenta en teorías criminológicas como la Teoría de las Actividades Rutinarias, la Teoría de los Patrones Delictivos y la Desorganización Social, complementadas con técnicas de inteligencia artificial y aprendizaje automático. Entre los objetivos específicos se encuentran la recopilación y limpieza de datos públicos, el análisis estadístico de los hurtos de motocicletas, la generación de visualizaciones mediante el lenguaje R y la construcción de un informe que facilite la comprensión de los patrones delictivos. Para la predicción se propone el uso de modelos avanzados como LSTM, XGBoost, LightGBM, Random Forest y arquitecturas híbridas que integran información temporal y espacial, permitiendo identificar zonas de riesgo y mejorar la asignación de recursos de seguridad pública. La investigación pretende aportar una herramienta analítica capaz de generar mapas de riesgo y pronósticos confiables que contribuyan a la prevención del delito, la planificación estratégica y la toma de decisiones relacionadas con la movilidad y seguridad ciudadana.

The undergraduate thesis "Predictive Model for Motorcycle Theft in the Departmental Capitals of Colombia" seeks to develop a predictive model to identify the cities and areas with the highest probability of motorcycle theft in Colombia, using official data from the National Police between 2015 and 2025. The research arises from the increase in this crime and the need to transform historical statistics into predictive tools that support decision-making by public entities, companies, insurance firms, and citizens. Currently, available data is used primarily for retrospective analysis rather than for anticipating future risks. The project is grounded in criminological theories such as Routine Activity Theory, Crime Pattern Theory, and Social Disorganization Theory, complemented by artificial intelligence and machine learning techniques. Among the specific objectives are the collection and cleaning of public data, statistical analysis of motorcycle theft, the generation of visualizations using the R language, and the construction of a report that facilitates understanding of criminal patterns. For prediction, the use of advanced models such as LSTM, XGBoost, LightGBM, Random Forest, and hybrid architectures integrating temporal and spatial information is proposed, allowing the identification of risk zones and improving the allocation of public security resources. The research aims to provide an analytical tool capable of generating risk maps and reliable forecasts that contribute to crime prevention, strategic planning, and decision-making related to mobility and citizen security.