Extração de Regras de Associação de Dados Criminais no Município de Goiânia
Resumo
O presente trabalho tem como objetivo extrair associações em dados de ocorrências criminais no município de Goiânia, identificando os bairros onde há maior concentração de crimes considerando a distribuição espacial e temporal, bem como o perfil socioeconômico do local da ocorrência. O processo desenvolvido utiliza-se de todas as fases da descoberta de conhecimento–KDD (Knowledge Discovery in Databases) compreendendo a seleção de atributos, limpeza, padronização, pré-processamento e transformação dos dados. O conjunto de dados utilizado no presente estudo refere-se ao registro de ocorrências criminais fornecido pela Gerência de análise de Informações da Secretaria de Segurança Pública do Estado de Goiás. O resultado obtido através do uso de regras de associação reúne informações importantes sobre as ocorrências criminais como, por exemplo, a identificação dos crimes mais frequentes em um determinado local, em um período de horário, com um perfil de vítima específico. Os resultados são relevantes para o auxílio à tomada de decisão, bem como informar e alertar a população sobre os locais com mais ocorrências criminais em determinados horários no município de Goiânia.
Referências
Amaral, F. (2016). Introdução à Ciência de Dados: mineração de dados e big data. ALTA BOOKS.
M.,Polajnar, M., Toplak, M., Staric, A.,Stajdohar, M., Umek, L., Zagar, L.,Zbontar, J., Zitnik, M., and Zupan, B. (2018). Orange data mining. version 3.13.0. https://orange.biolab.si/.
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. Ai Magazine, 17:37–54.
Fórum, B. d. P.S. (2017). Anuário brasileiro de seguraça pública. http://www.forumseguranca.org.br/11o-anuario-brasileiro-de-seguranca-publica/.acesso em7: 30 abril 2018.
Han, Pei, and Yin (2000). Mining frequent patterns without candidate generation. SIG-MODREC: ACM SIGMOD Record, 29.
IBGE, I. B. d. G. e. E. (2017). Estimativa da população. https://www.ibge.gov.br/estatisticas-novoportal/sociais/populacao/9103-estimativas-de-populacao.html?=t=resultados. acesso em: 02 fev 2018.
IBM (2011). Ibm spss statistic. version 20.0.0. https://www.ibm.com/products/spss-statistics.
Kantardzic, M. (2011). Data Mining: Concepts, Models, Methods, and Algorithms. Wiley.
Keyvanpour, M. R., Javideh, M., and Ebrahimi, M. R. (2011). Detecting and investigating crime by means of data mining: a general crime matching framework. volume 3, pages 872–880. Elsevier.
Mande, U., Srinivas, Y., and Murthy, J. V. R. (2012). Feature specific criminal mapping using data mining techniques and generalized gaussian mixture model. International Journal of Computer Science and Communication Networks.
Nath, S. V. (2006). Crime pattern detection using data mining. pages 41–44. IEEE Com-puter Society.
Silva, M. P. d. S. (2004). Mineração de dados - conceitos, aplicações e experimentos com weka.
Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining. Addison-Wesley.
Vijayakumar, M., Balamurugan, P., and Alhadidi, B. (2014). Crime classification algo-rithm for mining crime hot spot and cold spot.
Villarreal, A. and Silva, B. F. (2006). Social cohesion, criminal victimization and percei-ved risk of crime in brazilian neighborhoods. Social Forces, 84(3):1725–1753.
Wang, D., 0003, W. D., Lo, H. Z., Stepinski, T. F., Salaza, J., and Morabito, M. (2013).
Crime hotspot mapping using the crime related factors - a spatial data mining approach. Appl. Intell, 39(4):772–781.
Zaki, M. J. and Jr, W. M. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press, New York, NY, USA.
