Smart Geofences
ABSTRACT
Being
at the forefront of technology is of vital importance, especially when talking
about a government platform such as Cartografía - Catastro Colima. That is why
the web application was updated so that it can generate dynamic queries through
the drawing of geofences since it works with georeferential data, this is
because we want to generate relevant information from the data. The methodology
used to develop it was focused on the exploration of data (KDD).
The
importance of the project not only lies in the update of the application but
also in the implementation of data mining through the Weka platform by using
classification algorithms which are responsible for matching or grouping a set
of data. Although the results obtained were not favorable for the
interpretation of detected patterns, it allowef to detect possible fields to
improve for future implementation.
Keywords: cadastre; data
mining; dynamic consultations; etl; geofences; georeferenced; geospatial data;
weka.
INTRODUCCIÓN
En
el gobierno de México se genera una gran cantidad de datos los cuales de ser
públicos se ponen al alcance de la población, a este tipo de datos se les
conoce como Datos Abiertos, aunque para poder llamarse así deben de cumplir con
ciertas reglas antes de ser puestos a disposición pública. Los Datos Abiertos
se definen por ser gratuitos, no discriminatorios, de libre uso, legibles por
máquinas, integrales, primarios, oportunos y permanentes. (Pizzuto,
2019)
Algunos
Datos Abiertos son geoespaciales esto significa que pueden ser
georreferenciados en un mapa. La georreferencia se maneja cuando se tiene un
sistema de coordenadas terreno, como ubicación de un negocio, casa, cultivo,
entre otros.
En
la actualidad existen diversas instituciones gubernamentales que han tomado la
iniciativa de presentar los datos no solo de forma estándar referente a tablas
o texto plano si no que lo presentan de forma cartográfica, siempre y cuando
los datos permitan este tipo de visualizaciones, un claro ejemplo de esto es la
página creada por el INEGI con su plataforma de Mapa Digital de México.
Este
tipo de herramientas se han hecho cada vez más solicitadas por la población ya
que son una forma fácil, rápida y concisa de consultar información de manera
confiable. Por esta razón se realiza el análisis de datos recuperados por el
departamento de catastro del municipio de Colima del estado de Colima para
llevar a producción la primera etapa de actualización y uso de minería de
datos, con ayuda del software Weka y el prototipo realizado anteriormente por
Osorio Amezcua el 2018 (Consultas dinámicas en el mapa digital de Catastro
Colima) (Cano, Osorio, Lira, & Matínez, 2018), completando las capas
restantes ya que solo se manejaron algunas de las capas de catastro como:
Comercio, Catastro, Deportes, Generales, INAH, entre otras.
MATERIAL
Para el desarrollo del proyecto se
utilizaron una variedad de herramientas, aplicaciones y librerías todas estas
con la característica de ser de código abierto o mediante uso de licencias
gratuitas. La herramienta utiliza para la extracción del proceso ETL fue
MyGeodata Converter la cual permite convertir archivos SHP a XLSX, también se
utilizó la herramienta Kutools de Excel para la transformación de datos.
En
el caso del desarrollo de la aplicación web el frontend se realizó mediante el
uso de HTML5, CSS, Bootstrap 4 y OpenStreetMap para la visualización de mapas.
El backend se 
desarrolló
en PHP 7.2 con el framework de CodeIgniter en su versión 3.1.10 el cual está
hecho bajo una arquitectura MVC (Modelo Vista Controlador) que permite realizar
proyectos de manera ordenada, segura y rápida, el SGBD utilizado fue MariaDB
10.2.
También
se hicieron uso de librerías JavaScript como jQuery 3.3.1 con DataTables, proj4
para la conversión de coordenadas y OpenLayers para la creación de mapas
interactivos.
Finalmente,
para la presentación de resultados y aplicación de minería de datos se utilizó
la plataforma de minería de datos Weka en su versión 3.8.3.
METODOLOGÍA
Debido
al enfoque del proyecto se utilizó como base la metodología de descubrimiento
de conocimiento en bases de datos (KDD), realizando así a partir de esta un
proceso de trabajo para el desarrollo de la plataforma conforme a sus 8 fases
principales: comprensión del estudio, selección de datos, limpieza y
pre-procesamiento, transformación de los datos, selección de algoritmos de
minería de datos, desarrollo, pruebas y uso del conocimiento descubierto (resultados)
(Rokach & Maimon, 2010), (Errecalde, 2007), ver figura 1.
El
primer paso fue realizar el análisis de datos de los archivos SHP otorgados por
el departamento de Catastro del municipio de Colima, se detectaron de manera
general errores de duplicación de datos, de ortografía y congruencia, datos
numéricos negativos, vacíos y sin una estandarización de campos.
Una
vez terminado este paso se realizó el proceso ETL (Extracción Transformación y
Carga por sus siglas en inglés) este fue revisado y aprobado antes de pasar a
la siguiente etapa de Filtros donde se separaron por campos y valores los datos
para crear las consultas dinámicas.
Estos
pueden ser clasificados de 4 formas: filtro de tabla, significa que los valores
provienen de los datos encontrados directamente en la tabla a consultar y no de
un catálogo u origen externo, el segundo es filtro de catálogo, como su nombre
lo dice requiere de una conexión al catálogo especifico, el tercero es de
conexión externa la cual puede requerir de relacionar campos con otras tablas,
detalles o catálogos y por último el filtro numérico que se utiliza únicamente
en las capas de INEGI y Accidentes (Vialidad), se activa al comprobar si el
dato es mayor a 0.
Una
vez detectado y clasificado los filtros se comprobó su relevancia si esta era
significativa se agregaba a la lista, de no ser así era eliminada, esto sin
modificar los datos de las tablas.
Después
se procedió con el desarrollo de la aplicación web, primero se actualizó el
diseño de la vista, se cambió la distribución y color de los elementos para
contrastar con el sector gubernamental, la aplicación está basada en tener todo
en una vista con cambio de secciones para presentar una forma rápida y fácil de
realizar consultas al público.
El
menú se posicionó al costado izquierdo de la pantalla con las opciones de capa,
campo y valor, para la selección de filtros se generó la opción de área de
influencia para generar las geocercas donde permite el dibujo de dichas áreas
mediante el trazo de un polígono irregular o la selección un polígono regular
como cuadrado o rectángulo también se agregó la opción de crear un círculo o en
su defecto ninguno el cual trae todos los resultados encontrados sin distinción
del lugar que se encuentre, ver figura 2.
Figura
2. Actualización de diseño,
funcionalidades y procesos de consulta.
Una
vez seleccionados los campos se agrega la consulta dinámica a la tabla búsqueda
quedando a la espera el resultado total y los marcadores del mapa, que
aparecerán una vez el usuario seleccione el botón de consultar. Los marcadores
a su vez también pueden ser seleccionados para mostrar toda la información
correspondiente al punto elegido como se puede ver en la figura 3.
Figura
3. Despliegue de información de un punto
del mapa.
La
aplicación permite realizar otras actividades extra al funcionamiento principal
como editar o eliminar una consulta, limpiar los resultados del mapa, limpiar
toda la página y el apartado ayuda para brindar asistencia de conceptos y
funcionamiento de la aplicación al usuario.
Al
terminar la vista principal se agregaron nuevas funcionalidades a las
propuestas en el prototipo, de representación de resultados como tabla de datos
y exportación de datos a CSV. La tabla funciona al igual que las consultas, de
manera dinámica puesto que trata de agrupar los campos de las diferentes campas
de resultados.
La
opción de exportación de datos a CSV descarga los datos presentados en la tabla
de datos. Para poder activar estas opciones es necesario primero crear y
obtener al menos un resultado en la consulta creada de lo contrario la función
no se activará debido a que no tendrá datos disponibles que mostrar.
Figura
4. Nuevas funcionalidades (Creación de
tabla de datos por agrupación de valores y descarga de resultados).
Por
último, en la parte del desarrollo web se sometió la aplicación a pruebas de
modularidad, integridad y usabilidad que al ser aprobatorias se continuó con la
siguiente etapa, de lo contrario se revisan y corrigen los puntos no aprobados.
Así,
se inicia con la etapa de minería de datos donde se decide crear un cuadrante
del municipio de Colima y una zona centro (ver figura 5) para la generación de
geocercas, las consultas fueron hechas directamente a la plataforma creada
anteriormente y se establecieron así 5 zonas de interés las cuales fueron
divididas en 4 áreas de interés: social, económico, turístico y cultural.
Figura
5. Geocerca Zona Centro del municipio de
Colima.
La
tabla 1 muestra la clasificación dada a cada capa según su área de interés para
generar las consultas y los archivos según corresponda. Cabe destacar que no
todas las capas fueron usadas ya que algunas no entraban en alguna de estas
categorías, pero si están implementadas en la aplicación web.
Tabla 1.
Resultados de clasificación de datas aceptadas para la minería de datos según
su área de interés.
|
Área
de interés
|
Capa
general
|
Capa
|
|
Social
Social
|
Deportes
|
Activación
física
|
|
Infraestructura
deportiva
|
|
Generales
|
Luminarias
|
|
Postes
|
|
Teléfonos
públicos
|
|
INEGI
|
Características
educativas
|
|
Hogares
censales
|
|
Población
con discapacidad
|
|
Población
total
|
|
Religión
|
|
Servicios
de salud
|
|
Situación
conyugal
|
|
Viviendas
|
|
Patrimonio
|
Áreas
verdes
|
|
Escuelas
|
|
Parques
y jardines
|
|
Protección
civil
|
Refugios
temporales
|
|
Urbano
|
Antenas
de telecomunicación
|
|
Vialidad
|
Semáforos
|
|
Topes
|
|
Ecología
|
Árboles
|
|
Económico
|
Comercio
|
Giros
comerciales
|
|
Giros
comerciales licencias
|
|
Mercados
|
|
Locatarios
mercados
|
|
Tianguis
|
|
Tianguistas
|
|
Características
económicas
|
|
INEGI
|
Características
económicas
|
|
Turístico
|
-
|
-
|
|
Cultural
|
Patrimonio
|
Esculturas
|
|
Registro
civil
|
Panteón
municipal
|
Al
delimitar y crear las diferentes geocercas se descargó la información para
iniciar el pre-procesamiento en Weka, La figura 6 muestra un ejemplo de los
datos obtenidos para la zona centro en el área de interés económico.
Figura
6. Datos Zona Centro área de interés
económico.
El
pre-procesamiento para minería de datos, consiste en convertir el archivo CSV
obtenido a formato ARFF para determina el atributo de los campos ya que Weka
requiere la definición de cada uno. Los tipos de datos que se pueden definir
son: reales, enteros, fecha delimitada, y detección de cadenas con opciones
predefinidas, la opción más viable para este último tipo es declarar como
string el campo y usar la opción de StringToNominal incorporada en Weka para
detectar los valores. A continuación, se presenta un ejemplo del formato tipo
ARFF y sus pasos para crearlo, ver figura 7.
Figura
7. Creación de archivos ARFF y declaración
de atributos.
Para
aplicar el filtro es necesario ejecutar Weka e ingresar al apartado Explorer
-> Preprocess -> Open file para cargar el archivo y después seleccionar
Choose -> Weka -> filters -> unsupervised -> atribute -->
StringToNominal, una vez seleccionado el atributo se debe definir que fila será
la procesada para dar clic al botón Apply el cual traerá los resultados
obtenidos, ver figura 8.
Figura
8. Aplicación de filtros en Weka.
Después
de aplicar filtros se guardan los cambios realizados de otra forma estos no
serán almacenados y se perderán al salir la aplicación.
Una
vez guardado el archivo se pasa a la sección Classify la cual permite usar
algoritmos de clasificación en los datos de los archivos generados, aunque
anteriormente se ha mencionado la importancia de analizar los datos antes de
aplicar minería de datos, Weka también cuenta con detección de atributos donde
de no ser posible bloquea los algoritmos no compatibles con los datos.
Antes
de realizar un procesamiento extenso de los archivos ARFF se utilizó el formato
de prueba de índice de error obtenido de Taller con Weka para detectar si es o
no favorable el aplicar algoritmos de clasificación. (Gutiérrez, Albarrán,
& Rico, 2017)
Los
rangos de simplicidad de la tabla 2 defienden el Rango del margen de éxito si
este obtiene un rango entre 90%-100% es bueno y significa que es bastante para
la implementación final, de obtener un porcentaje menor a 70% indica que los
resultados no son fiables y no cumplen con la relación o formato suficiente
para descubrir información.
Tabla 2. Rangos
de simplicidad propuestos para calificación de aceptación de algoritmo tomando
en cuenta el índice de clasificación correcto.
|
Simplicidad
|
Rango
|
|
Bueno
|
90%
- 100%
|
|
Regular
|
70%
- 89%
|
|
Malo
|
0%
- 69%
|
Los
algoritmos establecidos en el formato de prácticas predefinen casi todos los
algoritmos de la tabla 3 a excepción de uno NaiveBayesMultinominalText que fue
agregado debido a que en algunos casos la mayoría de datos eran descriptivos.
Tabla
3.
Formato de registro para resultados de
Weka al aplicar algoritmos.
|
Clasificador
|
Instancias
clasificadas correctamente
|
% índice
correcto de clasificación
|
|
NaiveBayes
|
|
|
|
NaiveBayesMultinominalText
|
|
|
|
OneR
|
|
|
|
PART
|
|
|
|
J48
|
|
|
|
RandomTree
|
|
|
La
tabla 4 recaba los datos obtenidos de índice de error, el tiempo que tarda Weka
en procesar la información con cada algoritmo, el tipo de algoritmo y si
califica usando la Tabla 2.
Tabla
4.
Formato de registro de índice de error
y calificación de simplicidad.
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
|
|
Bayes
|
|
|
NaiveBayesMultinominalText
|
|
|
Bayes
|
|
|
OneR
|
|
|
Reglas
|
|
|
PART
|
|
|
Reglas
|
|
|
J48
|
|
|
Árbol
|
|
|
RandomTree
|
|
|
Árbol
|
|
Tomando
los formatos expuestos anteriormente se puede continuar con la aplicación de
algoritmos en la plataforma de Weka, para eso es necesario ir al apartado
Explorer –> open file para subir el archivo a procesar, ver figura 9.
Figura
9. Pantalla inicial al subir un archivo a
procesar con Weka.
Después
se debe seleccionar la pestaña classify –> Choose, para elegir el algoritmo
deseado la figura 10 muestra un ejemplo usando el algoritmo NaiveBayes.
Figura 10. Resultados
al aplicar el algoritmo NaiveBayes.
Así
estos pasos se repiten en cada zona con cada área de interés y algoritmo.
Finalmente, al ser completados se pasa a la presentación de resultados que se
verá en la siguiente sección.
RESULTADOS
Como
se expresó al inicio del artículo se realizó la aplicación web para producción
esto significa que al terminar seria subida a un servidor y entregada al
departamento a catastro municipal de Colima, este último aun no sido realizado.
La
plataforma fue terminada en su totalidad por lo que las capas agregadas suman
un total de 53, cada una con sus respectivos campos y filtros.
A continuación, se muestran las
capturas de pantalla obtenidas de la vista del proyecto en su versión final. La
figura 11 muestra la implementación de opciones de las capas, campos, valores y
área de influencia para consulta, pero también funciones como limpiar mapa o
limpiar todo de forma extra que ayuden al usuario cuando realiza una gran
cantidad de consultas.
Figura 11. Vista de consultas en mapa.
Los
resultados son presentados de cinco formas diferentes: contador en la tabla
búsqueda, marcadores en el mapa, individual en ventana emergente, grupal en
tabla de datos y archivo en CSV, ver figura 12.
Figura 11. Representación de resultados usando la tabla de datos
Por último, se tienen los
resultados del archivo dependiente a los resultados de las consultas del
usuario, cabe mencionar que el archivo solo se descarga si es indicado
seleccionando el botón Exportar datos a CVS, ver figura 13.
Figura 12. Resultados obtenidos al exportar los datos a formato CSV.
Los
resultados obtenidos con uso de Weka serán expuestos usando el formato definido
anteriormente en la sección de minería de datos encontrada en proceso. Se
usaron cuatro áreas de influencia: Social, Económica, Turística y Cultural para
evaluar, ya que son un punto de importancia para el sector gubernamental.
Social
Después
de realizar el pre procesamiento de los datos para Weka, no fue posible aplicar
algún algoritmo, debido a que automáticamente se detectó la falta de relación.
Económico
El
sector económico presentó mayor relación que cualquier otro sector, aun así, no
fue posible obtener resultados positivos. A continuación, se muestran los
resultados de las zonas procesadas: Zona Centro, Zona 1, Zona 2 y Zona 4; la
Zona 3 fue omitida por falta de resultados a causa de no tener los datos
adecuados para aplicar un algoritmo.
Zona
Centro (ZC)
Los
resultados de la zona centro son menores a lo esperado, el porcentaje de
clasificación de forma correcta es 53.4057 % con 1623 instancias clasificadas y
el menor de 14.1823 con 431 instancias clasificadas, ver tabla 5.
Tabla 5. Resultados
de instancias clasificadas en economía Zona Centro
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
431
|
14.1823
|
|
NaiveBayesMultinominalText
|
1623
|
53.4057
|
|
OneR
|
1559
|
51.9667
|
|
PART
|
1460
|
48.6667
|
|
J48
|
1580
|
52.6667
|
|
RandomTree
|
929
|
30.9667
|
Tomando en cuenta lo anterior y
los resultados de la tabla 6 no se recomida proseguir con la implementación de
minería de datos, de ser necesario se deberá hacer uso del clasificador
NaiveBayesMultinominalText perteneciente a Bayes, puesto que tiene la tasa de
error más baja.
Tabla
6.
Resultados de rapidez y simplicidad en
economía zona centro
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
85.8177
|
0
s
|
Bayes
|
Malo
|
|
NaiveBayesMultinominalText
|
46.5943
|
0
s
|
Bayes
|
Malo
|
|
OneR
|
48.0333
|
0.01
s
|
Reglas
|
Malo
|
|
PART
|
51.3333
|
0.07
s
|
Reglas
|
Malo
|
|
J48
|
47.333
|
0.03
s
|
Árbol
|
Malo
|
|
RandomTree
|
69.0333
|
0.01
s
|
Árbol
|
Malo
|
Zona 1 (Z1)
La zona 1 generó resultados
parecidos de la zona centro, la mejor clasificación de estancias ocurrió con la
aplicación del algoritmo de clasificación J48 quedando PART a solo 2.1337%, ver
tabla 7.
Tabla
7.
Resultados de instancias clasificadas
en economía Zona 1
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
1261
|
42.0333
|
|
NaiveBayesMultinominalText
|
1099
|
36.6333
|
|
OneR
|
1076
|
35.8667
|
|
PART
|
1345
|
44.8333
|
|
J48
|
1409
|
46.9667
|
|
RandomTree
|
929
|
30.9667
|
Todos
los algoritmos aplicados a economía Zona 1 dieron una tasa de error alto por lo
que su simplicidad y eficiencia es mala, esto indica que su implementación no
es favorable para obtención de información relevante, ver tabla 8.
Tabla
8.
Resultados de rapidez y simplicidad en
economía Zona 1
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
63.3667
|
0
s
|
Bayes
|
Malo
|
|
NaiveBayesMultinominalText
|
64.2509
|
0
s
|
Bayes
|
Malo
|
|
OneR
|
64.1333
|
0.01
s
|
Reglas
|
Malo
|
|
PART
|
55.1667
|
0.6
s
|
Reglas
|
Malo
|
|
J48
|
53.0333
|
0.06
s
|
Árbol
|
Malo
|
|
RandomTree
|
72.9
|
3.32
|
Árbol
|
Malo
|
Zona 2 (Z2)
La Zona 2 obtuvo entre 37 y 49
instancias correctamente clasificadas con un índice de simplicidad entre 51.32%
y 68.05%, si se comparar con tablas de otras zonas fue la que mejor resultados
obtuvo en general, ver tabla 9.
Tabla
9.
Resultados de instancias clasificadas
en economía Zona 2.
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
49
|
68.0556
|
|
NaiveBayesMultinominalText
|
37
|
51.3889
|
|
OneR
|
39
|
54.1667
|
|
PART
|
48
|
66.6667
|
|
J48
|
48
|
66.6667
|
|
RandomTree
|
45
|
62.5
|
Si
tomamos en cuenta los datos anteriores y en relación a la Tabla 10 podemos
observar que, aunque los índices de clasificación no son favorecedores solo se
encuentra a 1.94% de obtener una simplicidad media y ser considerados para
pasar a la etapa de interpretación.
Tabla
10.
Resultados de rapidez y simplicidad en
economía Zona 2
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
31.9444
|
0
s
|
Bayes
|
Malo
|
|
NaiveBayesMultinominalText
|
48.6111
|
0
s
|
Bayes
|
Malo
|
|
OneR
|
45.8333
|
0
s
|
Reglas
|
Malo
|
|
PART
|
33.3333
|
0.01
s
|
Reglas
|
Malo
|
|
J48
|
33.3333
|
0
s
|
Árbol
|
Malo
|
|
RandomTree
|
37.5
|
0
s
|
Árbol
|
Malo
|
Zona
4 (Z4)
La
Tabla 11 muestra rangos positivos de clasificación sin ser suficientes para
interpretación ya que debido a los datos obtenidos de la zona solo se maneja la
tabla giros comerciales que por sí sola no genera información relevante.
Tabla
11.
Resultados de instancias clasificadas
en economía Zona 4.
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
47
|
92.1569
|
|
NaiveBayesMultinominalText
|
46
|
90.1961
|
|
OneR
|
46
|
90.1961
|
|
PART
|
48
|
94.1176
|
|
J48
|
46
|
90.1961
|
|
RandomTree
|
46
|
90.1961
|
La
tasa de error para esta zona es muy baja, con 9.8039% como la mayor; esto
ocurre cuando todos los campos tienen registros y correlación entre sí, ver
tabla 12.
Tabla
12.
Resultados de rapidez y simplicidad en
economía Zona 4.
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
7.8431
|
0
s
|
Bayes
|
Bueno
|
|
NaiveBayesMultinominalText
|
9.8039
|
0
s
|
Bayes
|
Bueno
|
|
OneR
|
9.8039
|
0
s
|
Reglas
|
Bueno
|
|
PART
|
5.8824
|
0.02
s
|
Reglas
|
Bueno
|
|
J48
|
9.8039
|
0
s
|
Árbol
|
Bueno
|
|
RandomTree
|
9.8039
|
0
s
|
Árbol
|
Bueno
|
Turístico
Los
datos obtenidos para este rubro son insuficientes, por tal motivo la
información no fue usada, los detalles de los campos se pueden ver en la
sección de análisis de tablas de Catastro en la sección de tablas no
utilizadas.
Cultural
EL
sector cultural suele estar relacionado a bienes culturales, mercados de la
cultura, industrias y empresas culturales los cuales no pueden ser obtenidos de
la actual base de datos; para esto se usaron las capas enfocadas a la cultura
del lugar sin incluir el aspecto económico, las tablas utilizadas fueron
esculturas y panteón municipal.
Zona
Centro (ZC)
Los
resultados conseguidos durante la implementación de algoritmos de minería de
datos en la zona centro fue muy variada ya que los rangos de clasificación
rondan desde 12.82% al 61.53% de éxito en instancias clasificadas
correctamente, estos índices no son suficientemente buenos para proseguir, pero
ayudan a determinar cuál algoritmo será mejor opción de tener más datos o
tablas, ver tabla 13.
Tabla
13.
Resultados de instancias clasificadas
en cultura Zona Centro.
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
11
|
28.2051
|
|
NaiveBayesMultinominalText
|
23
|
58.9744
|
|
OneR
|
5
|
12.8205
|
|
PART
|
18
|
46.1538
|
|
J48
|
24
|
61.5385
|
|
RandomTree
|
21
|
53.8462
|
Los
resultados de simplicidad de la tabla 14 indican que cualquier uso de los
algoritmos expuestos obtendrán altos índices de error, por lo que son
clasificados como malo, refiriendo a su poca recomendación de uso.
Tabla
14
Resultados rapidez y simplicidad en
cultura Zona Centro.
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
71.7949
|
0
s
|
Bayes
|
Malo
|
|
NaiveBayesMultinominalText
|
41.0256
|
0
s
|
Bayes
|
Malo
|
|
OneR
|
87.1795
|
0
s
|
Reglas
|
Malo
|
|
PART
|
53.8462
|
1.02
s
|
Reglas
|
Malo
|
|
J48
|
46.1538
|
0
s
|
Árbol
|
Malo
|
|
RandomTree
|
38.4615
|
0
s
|
Árbol
|
Malo
|
Zona
1 (Z1)
Los
últimos datos procesados pertenecen a la zona 1, si se comparan con los
obtenidos en la zona centro son bastante diferentes aun cuando se hace uso de
la misma, lo cual indica que existían pocos datos a clasificar, ver tabla 15.
Tabla
15.
Resultados de instancias clasificadas
en cultura Zona 1.
|
Clasificador
|
Instancias
clasificadas correctamente
|
%
índice correcto de clasificación
|
|
NaiveBayes
|
33
|
42.8571
|
|
NaiveBayesMultinominalText
|
35
|
45.4545
|
|
OneR
|
1
|
1.2987
|
|
PART
|
34
|
44.1558
|
|
J48
|
34
|
44.1558
|
|
RandomTree
|
21
|
53.8462
|
Al
igual que los demás resultados obtenidos, la tabla 16 presenta una tasa de
error elevada incluso se obtiene la tasa de error más alta registrada con
98.70% de error, es de esperarse que tampoco pueda ser posible la
clasificación.
Tabla
16.
Resultados de rapidez y simplicidad en
cultura Zona 1.
|
Clasificador
|
Tasa
de error
|
Rapidez
|
Interpretabilidad
|
Simplicidad
|
|
NaiveBayes
|
57.1429
|
0
s
|
Bayes
|
Malo
|
|
NaiveBayesMultinominalText
|
54.5455
|
0
s
|
Bayes
|
Malo
|
|
OneR
|
98.7013
|
0.01
s
|
Reglas
|
Malo
|
|
PART
|
55.8442
|
0.04
s
|
Reglas
|
Malo
|
|
J48
|
55.8442
|
0
s
|
Árbol
|
Malo
|
|
RandomTree
|
59.7403
|
0.02
s
|
Árbol
|
Malo
|
CONCLUSIONES
El desarrollo de una plataforma
web para la generación de consultas dinámica por medio de trazo de geocercas
significó una solución a las necesidades del departamento de catastro del
municipio de Colima, se establecieron estándares de manejo de datos como de
desarrollo para agregar filtros para que en dado el caso de realizar una
actualización se pueda hacer de manera fácil y rápida.
Al inicio del proyecto se planteó
la implementación e interpretación de resultados a partir de la aplicación de minería
de datos, si bien los resultados de este último no fueron los esperados sirve
como base de aprendizaje para futuros planteamientos que desee realizar
Catastro del municipio de Colima.
De querer en un futuro el
departamento de catastro implementar algoritmos de minería de datos se tendrá
que replantear su forma de recolección, actualización y relación de datos, ya
que la forma actual no es suficiente para generar algún tipo de resultado.
BIBLIOGRAFÍA
Cano,
R., Osorio, J., Lira, A., & Matínez, M. (diciembre de 2018). Búsquedas
dinámicas en fuentes de datos abiertos, caso: catastro digital Colima.
Recuperado el 23 de febrero de 2019, de
http://citt.itsm.edu.mx/ingeniantes/pdfversion/ingeniantes5no2vol1.pdf
Bautista,
O., Elizabeth, J., Rosero Reinoso, M. A., & Cueva, L. Implementación de un
prototipo de geoposicionamiento con tecnología Sigfox, aplicado a paradas
inteligentes y rastreo de niños.
Betancourt
Rodríguez, L. E. (2018). Sistema de geolocalización móvil para la
optimización del transporte público brindado por la Cooperativa Flecha
Verde-Ruta 55 en la ciudad de Guayaquil (Doctoral dissertation,
Universidad de Guayaquil. Facultad de Ingeniería Industrial. Carrera de
Ingeniería en Teleinformática.).
Errecalde, M. L. (Diciembre de
2007). Preparación de los datos en el proceso KDD.
(https://www.researchgate.net/) Recuperado el 5 de Abril de 2019, de
https://www.researchgate.net/publication/266445601_Preparacion_de_los_datos_en_el_proceso_KDD
Farr, J. V., Merino, D. N., &
Gandhi, S. J. (2016). The Engineering Management Handbook (2nd Edition
ed.). American Society for Engineering Management.
Fonseca
Duarte, R. F., Lizarazo Cifuentes, C. A., & Pérez Hernández, L. G. (2015).
Sistema inteligente de monitoreo y rastreo para equipos de alta gama.“Caso de
estudio empresa Colvatel SA ESP”.
Gutiérrez, D., Albarrán, Y. A.,
& Rico, R. (2017). Manual para prácticas del laboratorio de cómputo.
Universidad autónoma del estado de México.
Halpin, A. L., & Kurthakot, R.
(2015). Can Systemic Thinking Be Measured? Introducing the Systemic Thinking
Scale (STS). Developments in Business Simulation and Experiential Learning,
vol. 42, 153.
Hernandez, R., Fernandez, C.,
& Baptista, P. (2010). Metodologia de la Investigación. Mexico, DF:
McGrawHill.
Keating, C., Calida, B.,
Souza-Poza, A., & Kovacic, S. (2016). Systems Thinking. Engineering
Management Handbook, American Society for Engineering, 245-297.
Krathwohl, D. R. (2002). A
Revision of Bloom’s Taxonomy: An Overview. Theory into Practice,
212-218.
OSORIO,
M. A. F., LÓPEZ, M. P. M., & GIRALDO, J. F. S. 07. Transporte
inteligente. Coloquio de Investigación Formativa, 36.
Pizzuto, R. (20 de febrero de
2019). ¿Qué son los Datos Abiertos? Obtenido de
https://datos.gob.mx/blog/que-son-los-datos-abiertos
Quispe
Perez, J. A. (2022). Eficacia de un sistema de monitoreo y control de vehículos
con el uso de aplicativos móviles y geocercas para reducir los indicadores de
accidentabilidad durante el transporte de GLP en la ruta Cusco-Quillabamba por
el operador logístico Mogrovejo.
Rokach, L., & Maimon, O.
(2010). Data Mining and Knowledge Discovery Handbook. Israel: Springer
US.
Zárate, K. L. A. GENERACIÓN Z: Nuevos
Paradigmas para la Interacción en el Desarrollo de Aplicaciones.
DOI: https://doi.org/10.37811/cl_rcm.v6i6.3830 
.
