Avaliação Comparativa de Métodos de Agrupamento para Detecção de Zonas de Criminalidade: Subsídios à Segurança Pública em Belo Horizonte

• Daniel E. Santos IFMG https://orcid.org/0009-0007-8235-3289
• Carlos A. Silva IFMG https://orcid.org/0000-0002-5597-4254

DOI: https://doi.org/10.5753/lasdigov.2026.23316

Resumo

A detecção dinâmica de hotspots criminais é essencial para políticas de segurança pública, mas a conhecida Estimativa de Densidade de Kernel (KDE) apresenta limitações operacionais. Este artigo compara técnicas de aprendizado não supervisionado (K-Means, K-Medoids, HAC, DBSCAN e HDBSCAN) utilizando 19.146 registros de furtos de cabos de cobre em Belo Horizonte. Os resultados, validados estatisticamente, revelam trade-offs práticos: o HDBSCAN gera zonas mais concentradas e estáveis, enquanto o HAC captura mais eventos futuros sob maior cobertura. A análise de decaimento preditivo confirma a rápida obsolescência de mapas estáticos. Conclui-se que esses métodos oferecem ferramentas interpretáveis que otimizam o planejamento tático em secretarias de segurança pública, com implicações diretas para o Governo Digital e Cidades Inteligentes.

Referências

Aminikhanghahi, S. and Cook, D. J. (2017). A survey of methods for time series change point detection. Knowledge and information systems, 51(2):339–367.

Andrade, Y., Teodoro, G., Ferreira, R., and Rocha, L. (2025). Um framework para avaliação de modelos de previsão espaço-temporal de crimes. Revista Eletrônica de Iniciação Científica em Computação, 23:136–142.

Bai, J. and Perron, P. (1998). Estimating and testing linear models with multiple structural changes. Econometrica, pages 47–78.

Baqir, A., ul Rehman, S., Malik, S., ul Mustafa, F., and Ahmad, U. (2020). Evaluating the performance of hierarchical clustering algorithms to detect spatio-temporal crime hot-spots. In 2020 3rd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), pages 1–5. IEEE.

Campello, R. J., Moulavi, D., Zimek, A., and Sander, J. (2015). Hierarchical density estimates for data clustering, visualization, and outlier detection. ACM Transactions on Knowledge Discovery from Data (TKDD), 10(1):1–51.

Chainey, S., Tompson, L., and Uhlig, S. (2008). The utility of hotspot mapping for predicting spatial patterns of crime. Security journal, 21(1):4–28.

Du, Y. and Ding, N. (2023). A systematic review of multi-scale spatio-temporal crime prediction methods. ISPRS international journal of geo-information, 12(6):209.

Freitas, J. B., Clarindo, J. P., and Aguiar, C. D. (2023). Ambiente de data warehousing espacial para tomada de decisão sobre dados de crimes. In Simpósio Brasileiro de Banco de Dados (SBBD), pages 36–42. SBC.

Garcıa, G., Silveira, J., Poco, J., Paiva, A., Nery, M. B., Silva, C. T., Adorno, S., and Nonato, L. G. (2019). Crimanalyzer: Understanding crime patterns in São Paulo. IEEE transactions on visualization and computer graphics, 27(4):2313–2328.

Kalinic, M. and Krisp, J. M. (2018). Kernel density estimation (kde) vs. hot-spot analysis–detecting criminal hot spots in the city of San Francisco. Lund, Sweden.

Kulldorff, M. (1997). A spatial scan statistic. Communications in Statistics-Theory and methods, 26(6):1481–1496.

Mohler, G. O., Short, M. B., Brantingham, P. J., Schoenberg, F. P., and Tita, G. E. (2011). Self-exciting point process modeling of crime. Journal of the american statistical association, 106(493):100–108.

Moulavi, D., Jaskowiak, P. A., Campello, R. J., Zimek, A., and Sander, J. (2014). Density-based clustering validation. In Proceedings of the 2014 SIAM international conference on data mining, pages 839–847. SIAM.

Robinson, W. S. (2009). Ecological correlations and the behavior of individuals. International journal of epidemiology, 38(2):337–341.

Sadeghi, B. (2025). Clustering in geo-data science: Navigating uncertainty to select the most reliable method. Ore Geology Reviews, page 106591.

Schubert, E., Sander, J., Ester, M., Kriegel, H. P., and Xu, X. (2017). DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Transactions on Database Systems (TODS), 42(3):1–21.