Sistema geolocalizado de pronóstico de casos de personas desaparecidas

Abstract

El problema de la investigación fue ¿Cuánto fue la mejora en la precisión del pronóstico de casos de personas desaparecidas con el uso de la regresión logística binaria y modelos de series de tiempo? Asimismo, el objetivo de la investigación fue determinar la precisión del pronóstico de casos de personas desaparecidas con la regresión logística binaria y los modelos de series de tiempo como ARIMA, Holt-Winters y ETS. La investigación realizada fue de tipo aplicada, de enfoque cuantitativo y de diseño transversal correlacional causal, además se usó un diseño longitudinal de tendencia debido a que se analizaron los datos de casos de personas desaparecidas de México en el periodo de 2007-2018. Los datos son de acceso público y fueron obtenido mediante el RNPED. Asimismo, para el desarrollo de la investigación se usó el proceso de minería de datos implementando la metodología CRISP-DM. Además, de un análisis de los diferentes tipos de sistemas de geolocalización, identificando las técnicas para la innovación y dando a conocer la información para tener una mejor precisión en el pronóstico. Los resultados fueron satisfactorios por lo que finalmente se concluyó que el sistema de geolocalización de pronóstico de personas desaparecidas se puede usar en cualquier entorno siempre y cuando existan base de datos reales para lograr un pronóstico fiable. En este sentido, con los resultados obtenidos dentro de la investigación en los modelos ARIMA y ETS los cuales llegaron a ser los más resaltantes con diecisiete y dieciséis modelos respectivamente de precisión de pronósticos más acertados, tomando como ejemplo al estado de Chiapas con una precisión del 99.31% a comparación de las otras series de tiempo con un índice de precisión del 99.28% en el modelo Holt-Winters y 99.17% en el modelo ARIMA. Finalmente, se recomendó ampliar este sistema en otras plataformas interactivas como el Tableau o Dundas BI para que junto al Power Bi se pueda llegar a una cantidad mayor de usuarios