Improving crime prediction through ensembles

• Ruam E. R. C. Pastor Universidade Federal de Pernambuco (UFPE)
• Jair P. de Sales Universidade Federal de Pernambuco (UFPE)
• Adriano F. C. Filho Universidade Federal de Pernambuco (UFPE)
• Paulo S. G. de Mattos Neto Universidade Federal de Pernambuco (UFPE)

DOI: https://doi.org/10.5753/eniac.2023.234600

Resumo

Prever crimes é um desafio devido à complexidade das séries temporais inerentes ao fenômeno de interesse, as quais costumeiramente possuem com componentes lineares e não lineares. Além disso, devido à presença de padrões temporais em constante mudança, a utilização de um único modelo pode resultar em previsões imprecisas. Neste contexto, este estudo propõe a modelagem e previsão de séries temporais de crimes utilizando tanto modelos únicos quanto ensembles, incluindo abordagens treináveis e não treináveis. Propõe-se, também, um método de combinação que envolve a seleção de um subconjunto de modelos únicos por meio de uma etapa de validação. Para o experimento, foram utilizadas séries de crimes de diferentes localidades, como Pernambuco, Chicago e Los Angeles. Com base nos resultados apresentados, observa-se que os modelos ensembles apresentaram melhor desempenho preditivo do que os modelos únicos utilizados. No entanto, em relação ao método proposto, concluise que a seleção de um subconjunto de modelos únicos com base na validação pode ser problemática quando os conjuntos de validação não são suficientemente representativos, seja devido ao número limitado de observações ou às características distintas em relação ao conjunto de teste.

Palavras-chave: Crimes, Séries Temporais, Aprendizagem de Máquina, Combinadores

Referências

Anuvarshini, S., Nidhi, D., Sree, D., et al. (2022). Crime forecasting: A theoretical approach. In 2022 IEEE 7th International Conference on Recent Advances and Innovations in Engineering (ICRAIE), volume 7, pages 37–41. IEEE.

Calatayud, J., Jornet, M., and Mateu, J. (2023). Modeling noisy time-series data of crime with stochastic differential equations. Stochastic Environmental Research and Risk Assessment, 37(3):1053–1066.

Chen, P., Yuan, H., and Shu, X. (2008). Forecasting crime using the arima model. In 2008 fifth international conference on fuzzy systems and knowledge discovery, volume 5, pages 627–630. IEEE.

Cohen, L. E. (1981). Modeling crime trends: A criminal opportunity perspective. Journal of Research in Crime and Delinquency, 18(1):138–164.

Detotto, C. and Otranto, E. (2010). Does crime affect economic growth? Kyklos, 63(3):330–345.

Kelly, M. (2000). Inequality and crime. Review of economics and Statistics, 82(4):530–539.

Khairuddin, A. R., Alwee, R., and Haron, H. (2019). A review on applied statistical and artificial intelligence techniques in crime forecasting. In IOP conference series: materials science and engineering, volume 551, page 012030. IOP Publishing.

McDowall, D., Loftin, C., and Pate, M. (2012). Seasonal cycles in crime, and their variability. Journal of quantitative criminology, 28:389–410.

Olligschlaeger, A. M. (1997). Artificial neural networks and crime mapping. Crime mapping and crime prevention, 1:313.

Safat, W., Asghar, S., and Gillani, S. A. (2021). Empirical analysis for crime prediction and forecasting using machine learning and deep learning techniques. IEEE access, 9:70080–70094.

SILVA, E. G. d. et al. (2021). Uma abordagem de seleção dinâmica de preditores baseada nas janelas temporais mais recentes.

Sinha, B. B. and Biswas, T. (2023). An efficient framework for forecasting of crime trend using machine learning technique. In Proceedings of International Conference on Data Science and Applications: ICDSA 2022, Volume 2, pages 741–755. Springer.

Tariq, H., Hanif, M. K., Sarwar, M. U., Bari, S., Sarfraz, M. S., and Oskouei, R. J. (2021). Employing deep learning and time series analysis to tackle the accuracy and robustness of the forecasting problem. Security and Communication Networks, 2021:1–10.

Veiga, J. E. D. (2014). O âmago da sustentabilidade. estudos avançados, 28:7–23.

Zhang, G. P. (2007). A neural network ensemble method with jittered training data for time series forecasting. Information Sciences, 177(23):5329–5346.

Zhuang, Y., Almeida, M., Morabito, M., and Ding, W. (2017). Crime hot spot forecasting: A recurrent model with spatial and temporal information. In 2017 IEEE International Conference on Big Knowledge (ICBK), pages 143–150. IEEE.