Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "JH Garc\u00eda-G\u00f3mez, SI Valdez, H Carlos", 
2
  "author": "JH Garc\u00eda-G\u00f3mez, SI Valdez, H Carlos", 
            
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": "A\u00f1o", 
7
      "key": "A\u00f1o", 
            
8
      "value": "2022"
8
      "value": "2022"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "DOI", 
11
      "key": "DOI", 
            
12
      "value": "https://doi.org/10.1109/enc56672.2022.9882957"
12
      "value": "https://doi.org/10.1109/enc56672.2022.9882957"
            
13
    }, 
13
    }, 
            
14
    {
14
    {
            
15
      "key": "Google Scholar URL", 
15
      "key": "Google Scholar URL", 
            
16
      "value": 
16
      "value": 
            
17
gesize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:nrtMV_XWKgEC"
17
gesize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:nrtMV_XWKgEC"
            
18
    }, 
18
    }, 
            
19
    {
19
    {
            
20
      "key": "Identificador hash", 
20
      "key": "Identificador hash", 
            
21
      "value": "e56db48de6c5"
21
      "value": "e56db48de6c5"
            
22
    }, 
22
    }, 
            
23
    {
23
    {
            
24
      "key": "Lugar de publicaci\u00f3n", 
24
      "key": "Lugar de publicaci\u00f3n", 
            
25
      "value": "2022 IEEE Mexican International Conference on Computer 
25
      "value": "2022 IEEE Mexican International Conference on Computer 
            
26
Science (ENC), 1-6, 2022"
26
Science (ENC), 1-6, 2022"
            
27
    }, 
27
    }, 
            
28
    {
28
    {
            
29
      "key": "Tipo", 
29
      "key": "Tipo", 
            
30
      "value": "Publicaci\u00f3n"
30
      "value": "Publicaci\u00f3n"
            
31
    }, 
31
    }, 
            
32
    {
32
    {
            
33
      "key": "Tipo de publicaci\u00f3n", 
33
      "key": "Tipo de publicaci\u00f3n", 
            
34
      "value": "Conferencia"
34
      "value": "Conferencia"
            
35
    }, 
35
    }, 
            
36
    {
36
    {
            
37
      "key": "URL directo", 
37
      "key": "URL directo", 
            
38
      "value": 
38
      "value": 
            
39
"https://ieeexplore.ieee.org/abstract/document/9882957/"
39
"https://ieeexplore.ieee.org/abstract/document/9882957/"
            
40
    }
40
    }
            
41
  ], 
41
  ], 
            
42
  "groups": [
42
  "groups": [
            
43
    {
43
    {
            
44
      "description": "", 
44
      "description": "", 
            
45
      "display_name": "Publicaciones", 
45
      "display_name": "Publicaciones", 
            
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
46
      "id": "8be672a5-4640-455e-a4f3-46b52b66c07b", 
            
47
      "image_display_url": "", 
47
      "image_display_url": "", 
            
48
      "name": "publicaciones", 
48
      "name": "publicaciones", 
            
49
      "title": "Publicaciones"
49
      "title": "Publicaciones"
            
50
    }
50
    }
            
51
  ], 
51
  ], 
            
52
  "id": "3292693d-7b11-4adb-a634-afa65be92a8f", 
52
  "id": "3292693d-7b11-4adb-a634-afa65be92a8f", 
            
53
  "isopen": false, 
53
  "isopen": false, 
            
54
  "license_id": null, 
54
  "license_id": null, 
            
55
  "license_title": null, 
55
  "license_title": null, 
            
56
  "maintainer": null, 
56
  "maintainer": null, 
            
57
  "maintainer_email": null, 
57
  "maintainer_email": null, 
            
58
  "metadata_created": "2025-10-21T09:00:58.457241", 
58
  "metadata_created": "2025-10-21T09:00:58.457241", 
            
n
59
  "metadata_modified": "2025-10-21T09:00:58.457251", 
n
59
  "metadata_modified": "2025-10-21T09:00:58.931471", 
            
60
  "name": "e56db48de6c5", 
60
  "name": "e56db48de6c5", 
            
61
  "notes": "In the last years, intentional homicides have increased 
61
  "notes": "In the last years, intentional homicides have increased 
            
62
significantly in Mexico. A proven strategy to confront the problem is 
62
significantly in Mexico. A proven strategy to confront the problem is 
            
63
applying predictive methods used to anticipate the resources and 
63
applying predictive methods used to anticipate the resources and 
            
64
logistics of the security corps. This work tackles the forecasting of 
64
logistics of the security corps. This work tackles the forecasting of 
            
65
intentional homicides using three forecasting methods: ARIMA, LSTM, 
65
intentional homicides using three forecasting methods: ARIMA, LSTM, 
            
66
and NeuralProphet, applied to the 16 municipalities of Guanajuato 
66
and NeuralProphet, applied to the 16 municipalities of Guanajuato 
            
67
state with the highest count. The approach is replicable to all 
67
state with the highest count. The approach is replicable to all 
            
68
Mexico's municipalities since the same data are reported. We conducted 
68
Mexico's municipalities since the same data are reported. We conducted 
            
69
an exhaustive search of optimal hyper-parameters of the LSTM and an 
69
an exhaustive search of optimal hyper-parameters of the LSTM and an 
            
70
exhaustive search for the optimal lag for NeuralProphet. In the same 
70
exhaustive search for the optimal lag for NeuralProphet. In the same 
            
71
regard, different combinations of neighboring municipalities were 
71
regard, different combinations of neighboring municipalities were 
            
72
tested to include geospatial information. The methods are compared via 
72
tested to include geospatial information. The methods are compared via 
            
73
MAE, MSE, and bootstrap hypothesis tests. LSTM improved with 
73
MAE, MSE, and bootstrap hypothesis tests. LSTM improved with 
            
74
geospatial data, so the best LSTM model showed a superior performance 
74
geospatial data, so the best LSTM model showed a superior performance 
            
75
to the ARIMA by 23.1% in the MAE and 35.6% in the MSE. On the other 
75
to the ARIMA by 23.1% in the MAE and 35.6% in the MSE. On the other 
            
76
hand, NeuralProphet showed a similar performance to the ARIMA 
76
hand, NeuralProphet showed a similar performance to the ARIMA 
            
77
according to the bootstrap hypothesis test, showing no statistically 
77
according to the bootstrap hypothesis test, showing no statistically 
            
78
significant difference between them. The results show that the 
78
significant difference between them. The results show that the 
            
79
phenomenon is related to the spatial context and encourage the use of 
79
phenomenon is related to the spatial context and encourage the use of 
            
80
geospatial information in forecasting models.", 
80
geospatial information in forecasting models.", 
            
n
81
  "num_resources": 0, 
n
81
  "num_resources": 1, 
            
82
  "num_tags": 10, 
82
  "num_tags": 10, 
            
83
  "organization": {
83
  "organization": {
            
84
    "approval_status": "approved", 
84
    "approval_status": "approved", 
            
85
    "created": "2022-05-19T00:10:30.480393", 
85
    "created": "2022-05-19T00:10:30.480393", 
            
86
    "description": "Observatorio Metropolitano CentroGeo", 
86
    "description": "Observatorio Metropolitano CentroGeo", 
            
87
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
87
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
88
    "image_url": 
88
    "image_url": 
            
89
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
89
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
90
    "is_organization": true, 
90
    "is_organization": true, 
            
91
    "name": "observatorio-metropolitano-centrogeo", 
91
    "name": "observatorio-metropolitano-centrogeo", 
            
92
    "state": "active", 
92
    "state": "active", 
            
93
    "title": "Observatorio Metropolitano CentroGeo", 
93
    "title": "Observatorio Metropolitano CentroGeo", 
            
94
    "type": "organization"
94
    "type": "organization"
            
95
  }, 
95
  }, 
            
96
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
96
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
97
  "private": false, 
97
  "private": false, 
            
98
  "relationships_as_object": [], 
98
  "relationships_as_object": [], 
            
99
  "relationships_as_subject": [], 
99
  "relationships_as_subject": [], 
            
t
100
  "resources": [], 
t
100
  "resources": [
            
101
    {
            
102
      "cache_last_updated": null, 
            
103
      "cache_url": null, 
            
104
      "created": "2025-10-21T09:00:58.965010", 
            
105
      "datastore_active": false, 
            
106
      "description": "In the last years, intentional homicides have 
            
107
increased significantly in Mexico. A proven strategy to confront the 
            
108
problem is applying predictive methods used to anticipate the 
            
109
resources and logistics of the security corps. This work tackles the 
            
110
forecasting of intentional homicides using three forecasting methods: 
            
111
ARIMA, LSTM, and NeuralProphet, applied to the 16 municipalities of 
            
112
Guanajuato state with the highest count. The approach is replicable to 
            
113
all Mexico's municipalities since the same data are reported. We 
            
114
conducted an exhaustive search of optimal hyper-parameters of the LSTM 
            
115
and an exhaustive search for the optimal lag for NeuralProphet. In the 
            
116
same regard, different combinations of neighboring municipalities were 
            
117
tested to include geospatial information. The methods are compared via 
            
118
MAE, MSE, and bootstrap hypothesis tests. LSTM improved with 
            
119
geospatial data, so the best LSTM model showed a superior performance 
            
120
to the ARIMA by 23.1% in the MAE and 35.6% in the MSE. On the other 
            
121
hand, NeuralProphet showed a similar performance to the ARIMA 
            
122
according to the bootstrap hypothesis test, showing no statistically 
            
123
significant difference between them. The results show that the 
            
124
phenomenon is related to the spatial context and encourage the use of 
            
125
geospatial information in forecasting models.", 
            
126
      "format": "HTML", 
            
127
      "hash": "", 
            
128
      "id": "8f23c2ac-59fe-4f21-a0f0-d12a92e90900", 
            
129
      "last_modified": null, 
            
130
      "metadata_modified": "2025-10-21T09:00:58.941061", 
            
131
      "mimetype": null, 
            
132
      "mimetype_inner": null, 
            
133
      "name": "Homicide forecasting for the state of Guanajuato using 
            
134
LSTM and geospatial information", 
            
135
      "package_id": "3292693d-7b11-4adb-a634-afa65be92a8f", 
            
136
      "position": 0, 
            
137
      "resource_type": null, 
            
138
      "size": null, 
            
139
      "state": "active", 
            
140
      "url": 
            
141
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:nrtMV_XWKgEC", 
            
142
      "url_type": null
            
143
    }
            
144
  ], 
            
101
  "state": "active", 
145
  "state": "active", 
            
102
  "tags": [
146
  "tags": [
            
103
    {
147
    {
            
104
      "display_name": "2022", 
148
      "display_name": "2022", 
            
105
      "id": "b987b800-5e2d-4806-a176-a95dcbf738d5", 
149
      "id": "b987b800-5e2d-4806-a176-a95dcbf738d5", 
            
106
      "name": "2022", 
150
      "name": "2022", 
            
107
      "state": "active", 
151
      "state": "active", 
            
108
      "vocabulary_id": null
152
      "vocabulary_id": null
            
109
    }, 
153
    }, 
            
110
    {
154
    {
            
111
      "display_name": "artificial-intelligence", 
155
      "display_name": "artificial-intelligence", 
            
112
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
156
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
113
      "name": "artificial-intelligence", 
157
      "name": "artificial-intelligence", 
            
114
      "state": "active", 
158
      "state": "active", 
            
115
      "vocabulary_id": null
159
      "vocabulary_id": null
            
116
    }, 
160
    }, 
            
117
    {
161
    {
            
118
      "display_name": "autoregressive-integrated-moving-average", 
162
      "display_name": "autoregressive-integrated-moving-average", 
            
119
      "id": "84d0899a-0cce-49ed-a1c5-55f1f2910c57", 
163
      "id": "84d0899a-0cce-49ed-a1c5-55f1f2910c57", 
            
120
      "name": "autoregressive-integrated-moving-average", 
164
      "name": "autoregressive-integrated-moving-average", 
            
121
      "state": "active", 
165
      "state": "active", 
            
122
      "vocabulary_id": null
166
      "vocabulary_id": null
            
123
    }, 
167
    }, 
            
124
    {
168
    {
            
125
      "display_name": "computer-science", 
169
      "display_name": "computer-science", 
            
126
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
170
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
127
      "name": "computer-science", 
171
      "name": "computer-science", 
            
128
      "state": "active", 
172
      "state": "active", 
            
129
      "vocabulary_id": null
173
      "vocabulary_id": null
            
130
    }, 
174
    }, 
            
131
    {
175
    {
            
132
      "display_name": "context-archaeology", 
176
      "display_name": "context-archaeology", 
            
133
      "id": "a031c0ee-d17a-4f2b-a798-26d36b194438", 
177
      "id": "a031c0ee-d17a-4f2b-a798-26d36b194438", 
            
134
      "name": "context-archaeology", 
178
      "name": "context-archaeology", 
            
135
      "state": "active", 
179
      "state": "active", 
            
136
      "vocabulary_id": null
180
      "vocabulary_id": null
            
137
    }, 
181
    }, 
            
138
    {
182
    {
            
139
      "display_name": "econometrics", 
183
      "display_name": "econometrics", 
            
140
      "id": "4012759c-588f-49af-8586-166086a779ca", 
184
      "id": "4012759c-588f-49af-8586-166086a779ca", 
            
141
      "name": "econometrics", 
185
      "name": "econometrics", 
            
142
      "state": "active", 
186
      "state": "active", 
            
143
      "vocabulary_id": null
187
      "vocabulary_id": null
            
144
    }, 
188
    }, 
            
145
    {
189
    {
            
146
      "display_name": "geospatial-analysis", 
190
      "display_name": "geospatial-analysis", 
            
147
      "id": "acd92b42-66d6-40aa-81b1-f0129fe5c6a9", 
191
      "id": "acd92b42-66d6-40aa-81b1-f0129fe5c6a9", 
            
148
      "name": "geospatial-analysis", 
192
      "name": "geospatial-analysis", 
            
149
      "state": "active", 
193
      "state": "active", 
            
150
      "vocabulary_id": null
194
      "vocabulary_id": null
            
151
    }, 
195
    }, 
            
152
    {
196
    {
            
153
      "display_name": "machine-learning", 
197
      "display_name": "machine-learning", 
            
154
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
198
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
            
155
      "name": "machine-learning", 
199
      "name": "machine-learning", 
            
156
      "state": "active", 
200
      "state": "active", 
            
157
      "vocabulary_id": null
201
      "vocabulary_id": null
            
158
    }, 
202
    }, 
            
159
    {
203
    {
            
160
      "display_name": "svaldez", 
204
      "display_name": "svaldez", 
            
161
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
205
      "id": "f42a8210-1cef-4f03-98a0-a6d3d0d4f848", 
            
162
      "name": "svaldez", 
206
      "name": "svaldez", 
            
163
      "state": "active", 
207
      "state": "active", 
            
164
      "vocabulary_id": null
208
      "vocabulary_id": null
            
165
    }, 
209
    }, 
            
166
    {
210
    {
            
167
      "display_name": "time-series", 
211
      "display_name": "time-series", 
            
168
      "id": "1caecee0-56f0-4346-bd8f-69ac1d3f1c2c", 
212
      "id": "1caecee0-56f0-4346-bd8f-69ac1d3f1c2c", 
            
169
      "name": "time-series", 
213
      "name": "time-series", 
            
170
      "state": "active", 
214
      "state": "active", 
            
171
      "vocabulary_id": null
215
      "vocabulary_id": null
            
172
    }
216
    }
            
173
  ], 
217
  ], 
            
174
  "title": "Homicide forecasting for the state of Guanajuato using 
218
  "title": "Homicide forecasting for the state of Guanajuato using 
            
175
LSTM and geospatial information", 
219
LSTM and geospatial information", 
            
176
  "type": "dataset", 
220
  "type": "dataset", 
            
177
  "url": 
221
  "url": 
            
178
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:nrtMV_XWKgEC", 
222
esize=100&sortby=pubdate&citation_for_view=MG1jyREAAAAJ:nrtMV_XWKgEC", 
            
179
  "version": null
223
  "version": null
            
180
}
224
}