SiAPP: Um Sistema para Análise de Ocorrências de Crimes Baseado em Aprendizado Lógico-Relacional

  • Vítor Lourenço Universidade Federal Fluminense
  • Paulo Mann Universidade Federal Fluminense
  • Aline Paes Universidade Federal Fluminense
  • Daniel de Oliveira Universidade Federal Fluminense

Resumo


O crescente aumento da criminalidade em cidades brasileiras é um tema recorrente tanto nos veículos de comunicação como nas pautas das autoridades governamentais. Para combater efetivamente a criminalidade é necessário que recursos humanos e infraestrutura sejam cuidadosamente aplicados, de forma a não apenas punir quem cometeu o crime, mas preferencialmente prever e evitar que o mesmo aconteça. Dada a dificuldade de coletar um grande volume de informações oficiais relacionadas a crimes em todas as regiões de um município, uma tendência é que os próprios cidadãos atuem como fonte de dados, a partir de sistemas colaborativos baseados na Web. Entretanto, tal fonte de dados pode se tornar muito complexa e vasta, dificultando a análise manual de padrões de ocorrências de crimes, de forma a evitar que eles aconteçam. Com essa motivação, desenvolvemos nesse artigo um sistema denominado SiAPP (Sistema de Apoio ao Policiamento Preditivo), para apoiar a análise e predição de padrões relacionados a ocorrências de crimes, a partir de um método de aprendizado de máquina. O SIAPP tem como habilidades a coleta automática de informações a partir de dados colaborativos, a criação automática de regras lógicas a partir de tais informações e a visualização geográfica dos padrões descobertos. Resultados experimentais mostram que o SiAPP é uma abordagem promissora para o auxílio no combate ao crime.

Palavras-chave: Programação Indutiva em Lógica (ILP), Predição de Crimes, Visualização de padrões de crimes

Referências

C. N. Bergmeir and J. M. Benítez Sánchez. Neural networks in r using the stuttgart neural network simulator: Rsnns. American Statistical Association, 2012.

A. Boisbunon, S. Canu, D. Fourdrinier, W. Strawderman, and M. T. Wells. Akaike’s information criterion, cp and estimators of loss for elliptically symmetric distributions. International Statistical Review, 82(3):422–439, 2014.

T. Bollerslev. Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3):307–327, 1986.

G. Box and G. Jenkins. Some comments on a paper by chatfield and prothero and on a review by kendall. Journal of the Royal Statistical Society. Series A (General), 136(3):337–352, 1973.

A. d. P. Braga, A. Carvalho, and T. B. Ludermir. Redes neurais artificiais: teoria e aplicações. Editora LTC, 2007.
C. G. Broyden. A class of methods for solving nonlinear simultaneous equations. Mathematics of computation, 19(92):577–593, 1965.

B. Buscariolli and J. Emerick. Econometria com eviews: Guia essencial de conceitos e aplicações. Editora Saint Paul, 2011.

P.-C. Chang, C.-H. Liu, C.-Y. Fan, J.-L. Lin, and C.-M. Lai. An ensemble of neural networks for stock trading decision making. In Emerging Intelligent Computing Technology and Applications. With Aspects of Artificial Intelligence, pages 1–10. Springer, 2009.

M. S. Corporation. Metatrader 5 - trading platform. http://www.metatrader5.com/, 2016.

R. D. L. da Silveira Bueno. Econometria de séries temporais. Cengage Learning, 2008.

C. A. Debastiani. Candlestick: um método para ampliar lucros na Bolsa de Valores. Novatec Editora, 2007.

R. F. Engle. Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation. Econometrica: Journal of the Econometric Society, pages 987–1007, 1982.

A. Furriel. Modelos Heterocedásticos–ARCH e GARCH. PhD thesis, Faculdade de Economia da Universidade do Porto, 2011.

L. K. Hansen and P. Salamon. Neural network ensembles. IEEE Transactions on Pattern Analysis & Machine Intelligence, (10):993–1001, 1990.

P. A. Morettin and C. Toloi. Análise de séries temporais. Blucher, 2006.

J. J. Murphy. Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. Penguin, 1999.

J. J. Siegel and D. G. Coxe. Stocks for the long run, volume 3. McGraw-Hill New York, 2002.

I. d. Silva, D. H. Spatti, and R. A. Flauzino. Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, pages 33–111, 2010.

H. Simon. Redes Neurais–Princípios e Prática. Porto Alegre: Bookman, 2001.

R. C. Team. R: A language and environment for statistical computing. r foundation for statistical computing, vienna, austria. 2013, 2014.

P. Whitle. Hypothesis testing in time series analysis, volume 4. Almqvist & Wiksells, 1951.

D. Wuertz, Y. Chalabi, and M. Miklovic. fgarch: Rmetrics-autoregressive conditional heteroskedastic modelling. http://CRAN.R-project.org/package=fGarch, 2110, 2009.

D. Wuertz and M. Taqqu. farma: Arma time series modelling. http://CRAN.R-project.org/package=fArma, 2013.
Publicado
17/05/2016
LOURENÇO, Vítor; MANN, Paulo; PAES, Aline; DE OLIVEIRA, Daniel. SiAPP: Um Sistema para Análise de Ocorrências de Crimes Baseado em Aprendizado Lógico-Relacional. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 12. , 2016, Florianópolis. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2016 . p. 168-175. DOI: https://doi.org/10.5753/sbsi.2016.5959.