Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "SI Valdez, A Hern\u00e1ndez-Baena", 
2
  "author": "SI Valdez, A Hern\u00e1ndez-Baena", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Conferencia"
8
      "value": "Conferencia"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "008e66ff-ca1a-4996-8106-6dc24aadcc91", 
33
  "id": "008e66ff-ca1a-4996-8106-6dc24aadcc91", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-11T01:23:34.889702", 
39
  "metadata_created": "2025-10-11T01:23:34.889702", 
            
n
40
  "metadata_modified": "2025-10-11T01:23:34.889710", 
n
40
  "metadata_modified": "2025-10-11T01:23:35.388567", 
            
41
  "name": 
41
  "name": 
            
42
rformed-time-window-size-for-homicide-count-forecasting-6a2618a20cfc", 
42
rformed-time-window-size-for-homicide-count-forecasting-6a2618a20cfc", 
            
43
  "notes": "In the last two decades, violence and homicides have been 
43
  "notes": "In the last two decades, violence and homicides have been 
            
44
consistently increasing in Mexico; the official data shows relations 
44
consistently increasing in Mexico; the official data shows relations 
            
45
to other crimes and time-dependent territorial patterns. Even though 
45
to other crimes and time-dependent territorial patterns. Even though 
            
46
this phenomenon has been studied from different perspectives, from 
46
this phenomenon has been studied from different perspectives, from 
            
47
social sciences to geostatistical studies, to the best of our 
47
social sciences to geostatistical studies, to the best of our 
            
48
knowledge, machine learning and computational intelligence methods 
48
knowledge, machine learning and computational intelligence methods 
            
49
have not been applied to the Mexican case. This work presents a 
49
have not been applied to the Mexican case. This work presents a 
            
50
two-fold contribution; first, we compare the Bayesian Ridge 
50
two-fold contribution; first, we compare the Bayesian Ridge 
            
51
Regression, Linear Regression, Multilayer Perceptron, Ridge 
51
Regression, Linear Regression, Multilayer Perceptron, Ridge 
            
52
Regression, Linear Regression with Stochastic Gradient Descent, and 
52
Regression, Linear Regression with Stochastic Gradient Descent, and 
            
53
Support Vector Machine, for forecasting the number of homicides for 
53
Support Vector Machine, for forecasting the number of homicides for 
            
54
the future three months, in the 15 most violent municipalities of 
54
the future three months, in the 15 most violent municipalities of 
            
55
Mexico using as predictors a database of 50 crimes that are monthly 
55
Mexico using as predictors a database of 50 crimes that are monthly 
            
56
released by the Mexican Government. The methods' performance varies 
56
released by the Mexican Government. The methods' performance varies 
            
57
according to the predictors selected or extracted from the database 
57
according to the predictors selected or extracted from the database 
            
58
and the time window size. Hence, second, we use feature engineering 
58
and the time window size. Hence, second, we use feature engineering 
            
59
techniques for improving their performance by exhaustively testing 
59
techniques for improving their performance by exhaustively testing 
            
60
combinations of techniques. The resulting statistical measurements are 
60
combinations of techniques. The resulting statistical measurements are 
            
61
useful to find directions about the best-performed method, the best 
61
useful to find directions about the best-performed method, the best 
            
62
sliding or rolling time window, and the adequate functions for feature 
62
sliding or rolling time window, and the adequate functions for feature 
            
63
extraction.", 
63
extraction.", 
            
n
64
  "num_resources": 0, 
n
64
  "num_resources": 1, 
            
65
  "num_tags": 4, 
65
  "num_tags": 4, 
            
66
  "organization": {
66
  "organization": {
            
67
    "approval_status": "approved", 
67
    "approval_status": "approved", 
            
68
    "created": "2022-05-19T00:10:30.480393", 
68
    "created": "2022-05-19T00:10:30.480393", 
            
69
    "description": "Observatorio Metropolitano CentroGeo", 
69
    "description": "Observatorio Metropolitano CentroGeo", 
            
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
70
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
71
    "image_url": 
71
    "image_url": 
            
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
72
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
73
    "is_organization": true, 
73
    "is_organization": true, 
            
74
    "name": "observatorio-metropolitano-centrogeo", 
74
    "name": "observatorio-metropolitano-centrogeo", 
            
75
    "state": "active", 
75
    "state": "active", 
            
76
    "title": "Observatorio Metropolitano CentroGeo", 
76
    "title": "Observatorio Metropolitano CentroGeo", 
            
77
    "type": "organization"
77
    "type": "organization"
            
78
  }, 
78
  }, 
            
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
79
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
80
  "private": false, 
80
  "private": false, 
            
81
  "relationships_as_object": [], 
81
  "relationships_as_object": [], 
            
82
  "relationships_as_subject": [], 
82
  "relationships_as_subject": [], 
            
t
83
  "resources": [], 
t
83
  "resources": [
            
84
    {
            
85
      "cache_last_updated": null, 
            
86
      "cache_url": null, 
            
87
      "created": "2025-10-11T01:23:35.407357", 
            
88
      "datastore_active": false, 
            
89
      "description": "In the last two decades, violence and homicides 
            
90
have been consistently increasing in Mexico; the official data shows 
            
91
relations to other crimes and time-dependent territorial patterns. 
            
92
Even though this phenomenon has been studied from different 
            
93
perspectives, from social sciences to geostatistical studies, to the 
            
94
best of our knowledge, machine learning and computational intelligence 
            
95
methods have not been applied to the Mexican case. This work presents 
            
96
a two-fold contribution; first, we compare the Bayesian Ridge 
            
97
Regression, Linear Regression, Multilayer Perceptron, Ridge 
            
98
Regression, Linear Regression with Stochastic Gradient Descent, and 
            
99
Support Vector Machine, for forecasting the number of homicides for 
            
100
the future three months, in the 15 most violent municipalities of 
            
101
Mexico using as predictors a database of 50 crimes that are monthly 
            
102
released by the Mexican Government. The methods' performance varies 
            
103
according to the predictors selected or extracted from the database 
            
104
and the time window size. Hence, second, we use feature engineering 
            
105
techniques for improving their performance by exhaustively testing 
            
106
combinations of techniques. The resulting statistical measurements are 
            
107
useful to find directions about the best-performed method, the best 
            
108
sliding or rolling time window, and the adequate functions for feature 
            
109
extraction.", 
            
110
      "format": "HTML", 
            
111
      "hash": "", 
            
112
      "id": "34985f46-d8b3-4c1d-bb82-074f89c4353b", 
            
113
      "last_modified": null, 
            
114
      "metadata_modified": "2025-10-11T01:23:35.393111", 
            
115
      "mimetype": null, 
            
116
      "mimetype_inner": null, 
            
117
      "name": "On the best-performed time window size for homicide 
            
118
count forecasting", 
            
119
      "package_id": "008e66ff-ca1a-4996-8106-6dc24aadcc91", 
            
120
      "position": 0, 
            
121
      "resource_type": null, 
            
122
      "size": null, 
            
123
      "state": "active", 
            
124
      "url": "https://doi.org/10.1109/enc53357.2021.9534830", 
            
125
      "url_type": null
            
126
    }
            
127
  ], 
            
84
  "state": "active", 
128
  "state": "active", 
            
85
  "tags": [
129
  "tags": [
            
86
    {
130
    {
            
87
      "display_name": "computer-science", 
131
      "display_name": "computer-science", 
            
88
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
132
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
89
      "name": "computer-science", 
133
      "name": "computer-science", 
            
90
      "state": "active", 
134
      "state": "active", 
            
91
      "vocabulary_id": null
135
      "vocabulary_id": null
            
92
    }, 
136
    }, 
            
93
    {
137
    {
            
94
      "display_name": "homicide", 
138
      "display_name": "homicide", 
            
95
      "id": "ca49d0d9-cf21-44f8-bc1a-6ede24e467b9", 
139
      "id": "ca49d0d9-cf21-44f8-bc1a-6ede24e467b9", 
            
96
      "name": "homicide", 
140
      "name": "homicide", 
            
97
      "state": "active", 
141
      "state": "active", 
            
98
      "vocabulary_id": null
142
      "vocabulary_id": null
            
99
    }, 
143
    }, 
            
100
    {
144
    {
            
101
      "display_name": "statistics", 
145
      "display_name": "statistics", 
            
102
      "id": "84809f63-42b4-49c3-92d4-1de7f603167f", 
146
      "id": "84809f63-42b4-49c3-92d4-1de7f603167f", 
            
103
      "name": "statistics", 
147
      "name": "statistics", 
            
104
      "state": "active", 
148
      "state": "active", 
            
105
      "vocabulary_id": null
149
      "vocabulary_id": null
            
106
    }, 
150
    }, 
            
107
    {
151
    {
            
108
      "display_name": "window-computing", 
152
      "display_name": "window-computing", 
            
109
      "id": "e7b015b1-4d4a-4093-a081-931743fd6254", 
153
      "id": "e7b015b1-4d4a-4093-a081-931743fd6254", 
            
110
      "name": "window-computing", 
154
      "name": "window-computing", 
            
111
      "state": "active", 
155
      "state": "active", 
            
112
      "vocabulary_id": null
156
      "vocabulary_id": null
            
113
    }
157
    }
            
114
  ], 
158
  ], 
            
115
  "title": "On the best-performed time window size for homicide count 
159
  "title": "On the best-performed time window size for homicide count 
            
116
forecasting", 
160
forecasting", 
            
117
  "type": "dataset", 
161
  "type": "dataset", 
            
118
  "url": "https://doi.org/10.1109/enc53357.2021.9534830", 
162
  "url": "https://doi.org/10.1109/enc53357.2021.9534830", 
            
119
  "version": null
163
  "version": null
            
120
}
164
}