Predicción de ingresos de causas penales mediante programación genética lineal.

  • Alberto David Garcete Rodríguez
  • Benjamín Barán

Resumen

Este artículo propone una metodología de predicción de ingresos de causas penales utilizando una variación de la Programación Genética (GP): la Programación Genética Lineal (LGP). El estudio se realizó en base a datos mensuales recogidos durante siete años (2007 a 2013), provenientes de los siete Juzgados Penales de Garantías de Ciudad del Este. La verificación del método propuesto se llevó a cabo por comparación con modelos estadísticos, por lo que se ha estimado la misma serie de tiempo con estos modelos. La validación de los modelos fue realizada aplicando dos métricas; el error cuadrático medio y el error absoluto medio. El método LGP generó varios resultados debido a su capacidad de crear fórmulas matemáticas de manera aleatoria, de las mismas, tres resultados importantes fueron seleccionados para su comprobación. Dos resultados quedaron en primer y segundo lugar, mostrando mayor eficiencia respecto a los métodos estadísticos empleados. El tercer resultado seleccionado no obtuvo una buena predicción, pero sí un buen trazado en el gráfico, comparándolo con la serie de tiempo. En base a los resultados obtenidos, se concluye que los modelos generados por LGP son capaces de pronosticar con una buena precisión los ingresos penales, por encima de los métodos estadísticos empleados.

Citas

[1] Excma. Corte Suprema de Justicia. Disponible: http://www.Csj.Gov.Py/ Acceso: 2014.

[2] Poder Judicial. Disponible en: http://www.Pj.Gov.Py/ Acceso: circa 2014.

[3] Azamathulla, H. M., Guven, A. & Demir, Y. K. Linear genetic programming to scour below submerged pipeline. OceanEngineering, 38(8), pp. 995-1000, 2011.

[4] Koza, J. R. Introduction to genetic programming tutorial: from the basics to human-competitive results. In Proceedings of the 12th annual conference companion on Genetic and evolutionary computation. ACM., pp. 2137-2262, 2010.

[5] Wilson, G. & Banzhaf, W. Inter-day foreign exchange trading using linear genetic programming. In Proceedings of the 12th annual conference on Genetic and evolutionary computation. ACM, pp. 1139-1146, 2010.

[6] Kisi, O. & Guven, A. A machine code-based genetic programming for suspended sediment concentration estimation. Advances in Engineering Software, 41(7), 939-945, 2010.

[7] Uyumaz, A., Mehr, A. D., Kahya, E. & Erdem, H. Rectangular side weirs discharge coefficient estimation in circular channels using linear genetic programming approach. Journal of Hydroinformatics Vol 16 No 6 pp 1318-1330. DOI de la publicación: 10.2166/hy-dro.2014.112, 2014.

[8] Alavi, A. H., Aminian, P., Gandomi, A. H. & Esmaeili, M. A. Genetic-based modeling of uplift capacity of suction caissons. Expert Systems with Applications, 38(10), 12608-12618. 2011.

[9] Shavandi, H. & Ramyani, S. S. A linear genetic programming approach for the prediction of solar global radiation. Neural Computing and Applications, 23(3-4), 1197-1204, 2013.

[10] Koza, J. R. Human-competitive results produced by genetic programming. Genetic Programming and Evolvable Machines, 11(3-4), 251-284, 2010.

[11] Sanchez, R. “Aplicación de la programación genética lineal para la predicción de indicadores macro económicos”, Proyecto final de tesis, Facultad de Ciencias y Tecnología Universidad Católica Nuestra Señora de la Asunción, 2008.

[12] Koza, J. R. “Herarchical Genetic Algorithms Operating On Populations Of Computer Programs”. En N. S. Sridharan, Editor, Proceedings Of 11th International Joint Conference On Artificial Intelligence, San Mateo, Morgan Kaufmann, California, 1989.

[13] Koza, J. R. Introduction to genetic programming tutorial: from the basics to human-competitive results. En Proceedings of the 12th annual conference companion on Genetic and evolutionary computation (pp. 2137-2262). ACM, (julio de 2010).

[14] Poli, R. y Koza, J. Genetic Programming (pp. 143-185). Springer US, 2014.

[15] Jenkins, M. “Time Series Analysis Forecas-ting And Control”, 2da Edition, Holden-Day, San Francisco, 1976.

[16] Dabhi, V. y Chaudhary, S. Time Series Modeling and Prediction Using Postfix Genetic Programming. Advanced Computing & Communication Technologies (ACCT), 2014 IEEE Fourth International Conference (pp. 307-314).
Publicado
2016-08-23
Cómo citar
GARCETE RODRÍGUEZ, Alberto David; BARÁN, Benjamín. Predicción de ingresos de causas penales mediante programación genética lineal.. FPUNE Scientific, [S.l.], n. 10, ago. 2016. ISSN 2313-4135. Disponible en: <http://servicios.fpune.edu.py:83/fpunescientific/index.php/fpunescientific/article/view/136>. Fecha de acceso: 09 mayo 2025
Sección
Investigación Científica-Tecnológica|Tecnología de la información y comunicación