Técnicas para predição de crimes utilizando dados oficiais considerando tempo e espaço
Resumo
Este trabalho propõe a utilização de dados oficiais para prever as taxas de criminalidade em áreas metropolitanas, com o objetivo de fornecer subsídios para políticas públicas mais eficazes. Para isso, foi compilado um conjunto de dados que abrange características específicas de regiões urbanas, correlacionando-as com as taxas oficiais de criminalidade ao longo do tempo. A metodologia adotada incluiu a aplicação de modelos de regressão e séries temporais, que foram avaliados quanto à sua capacidade de identificar padrões sazonais e tendências na ocorrência de crimes. Os resultados obtidos evidenciam a eficácia desses modelos na previsão das taxas de criminalidade, ressaltando a importância de ferramentas analíticas na tomada de decisões proativas por parte de autoridades e comunidades, visando a prevenção de crimes.Referências
Araújo, A., Cacho, N., Bezerra, L., Vieira, C., and Borges, J. Towards a crime hotspot detection framework for patrol planning. In 2018 IEEE 20th International Conference on High Performance Computing and Communications, pages=1256–1263, year=2018, organization=IEEE.
Box, G. E. P. and Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Chainey, S. and Ratcliffe, J. (2008). GIS and Crime Mapping. John Wiley Sons.
Chatfield, C. (2003). The Analysis of Time Series: An Introduction. Chapman & Hall/CRC, 6th edition.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in neural information processing systems, 9:155–161.
Gorr, W. L., Olligschlaeger, A. M., and Thompson, Y. (1994). Short-term forecasting of crime. International Journal of Forecasting, 10(3):129–142.
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
IBGE. IBGE - Instituto Brasileiro de Geografia e Estatística. [link]. Acesso em: 15 jul. 2024.
Ingilevich, V. and Ivanov, S. (2018). Crime rate prediction in the urban environment using social factors. Procedia Computer Science, 136:472–478.
Kamarianakis, Y. and Prastacos, P. (2005). Space–time modeling of traffic flow. Computers & Geosciences, 31(2):119–133.
Nery, M. B., Souza, A. A. L. d., and Adorno, S. (2019). Os padrões urbano-demográficos da capital paulista. Estudos Avançados, 33(97):5–36.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
SANTOS, J. M. D. R. B. D. (2020). Uso de sistema de informaÇÃo geogrÁfica para monitoramento da violÊncia e criminalidade na Área do primeiro batalhÃo de polÍcia militar de alagoas.
Sathyadevan, S. and Devan (2014). Crime analysis and prediction using data mining. In 2014 First international conference on networks & soft computing (ICNSC2014), pages 406–412. IEEE.
Shumway, R. H. and Stoffer, D. S. (2017). Time Series Analysis and Its Applications: With R Examples. Springer, 4th edition.
Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: a survey. ACM Computing Surveys (CSUR), 52(1):1–39.
SSP-SP (2022). Dados estatísticos do estado de são paulo. Disponível em: [link]. Acesso em 10 de mai. 2022.
SSP-SP (2023). Cidade de sp tem média de 21 roubos e furtos a residências por dia entre janeiro e agosto. Disponível em: [link]. Acesso em: 10 de novembro 2023.
Wang, F. and Xu, Y. (2013). Estimating o-d travel time matrix by google maps api: Implementation, advantages, and implications. Annals of GIS, 19(4):273–283.
Weisburd, D., Groff, E. R., and Yang, S.-M. (2012). The criminology of place: Street segments and our understanding of the crime problem. Oxford University Press.
Box, G. E. P. and Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control. Holden-Day.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Chainey, S. and Ratcliffe, J. (2008). GIS and Crime Mapping. John Wiley Sons.
Chatfield, C. (2003). The Analysis of Time Series: An Introduction. Chapman & Hall/CRC, 6th edition.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in neural information processing systems, 9:155–161.
Gorr, W. L., Olligschlaeger, A. M., and Thompson, Y. (1994). Short-term forecasting of crime. International Journal of Forecasting, 10(3):129–142.
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
IBGE. IBGE - Instituto Brasileiro de Geografia e Estatística. [link]. Acesso em: 15 jul. 2024.
Ingilevich, V. and Ivanov, S. (2018). Crime rate prediction in the urban environment using social factors. Procedia Computer Science, 136:472–478.
Kamarianakis, Y. and Prastacos, P. (2005). Space–time modeling of traffic flow. Computers & Geosciences, 31(2):119–133.
Nery, M. B., Souza, A. A. L. d., and Adorno, S. (2019). Os padrões urbano-demográficos da capital paulista. Estudos Avançados, 33(97):5–36.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
SANTOS, J. M. D. R. B. D. (2020). Uso de sistema de informaÇÃo geogrÁfica para monitoramento da violÊncia e criminalidade na Área do primeiro batalhÃo de polÍcia militar de alagoas.
Sathyadevan, S. and Devan (2014). Crime analysis and prediction using data mining. In 2014 First international conference on networks & soft computing (ICNSC2014), pages 406–412. IEEE.
Shumway, R. H. and Stoffer, D. S. (2017). Time Series Analysis and Its Applications: With R Examples. Springer, 4th edition.
Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: a survey. ACM Computing Surveys (CSUR), 52(1):1–39.
SSP-SP (2022). Dados estatísticos do estado de são paulo. Disponível em: [link]. Acesso em 10 de mai. 2022.
SSP-SP (2023). Cidade de sp tem média de 21 roubos e furtos a residências por dia entre janeiro e agosto. Disponível em: [link]. Acesso em: 10 de novembro 2023.
Wang, F. and Xu, Y. (2013). Estimating o-d travel time matrix by google maps api: Implementation, advantages, and implications. Annals of GIS, 19(4):273–283.
Weisburd, D., Groff, E. R., and Yang, S.-M. (2012). The criminology of place: Street segments and our understanding of the crime problem. Oxford University Press.
Publicado
11/09/2024
Como Citar
SILVA, Heytor Norberth Leite da; ROCHA, Saul Sousa da; GONÇALVES, Glauber Dias.
Técnicas para predição de crimes utilizando dados oficiais considerando tempo e espaço. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 12. , 2024, Parnaíba/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 229-238.
DOI: https://doi.org/10.5753/ercemapi.2024.243773.
