Predspot: predicting crime hotspots with machine learning

• Ano de defesa: 2019
• Autor(a) principal: Araújo Júnior, Adelson Dias de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Brasil; UFRN; PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
• Palavras-chave em Português: Predictive policing; Hotspot prediction; Machine learning; Crime forecasting; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/29155

As cidades inteligentes estão adotando cada vez mais infraestrutura e análise de dados para melhorar o processo de tomada de decisões em questões de segurança pública. Embora os métodos tradicionais de policiamento de hotspot tenham se mostrado eficazes na redução do crime, estudos anteriores sugerem que a adoção de técnicas preditivas pode produzir estimativas mais precisas para a concentração espacial de crimes de um futuro próximo. Em nossas pesquisas anteriores, propusemos uma metodologia para gerar hotspots do futuro usando variáveis espaço-temporais. Neste trabalho, redesenhamos a estrutura do framework para suportar (i) o método de mapeamento de crimes amplamente utilizado - estimativa de densidade de kernel (KDE); (ii) extração de características geográficas com dados do OpenStreetMap; (iii) seleção de atributos e; (iv) regressão com o algoritmo Gradient Boosting. Além disso, fornecemos uma implementação de código aberto da estrutura para suportar a predição eficiente de hotspots. Para avaliar nossa abordagem, consideramos dados de duas cidades, Natal (Brasil) e Boston (EUA), compreendendo doze divisões de tipo de crime. Tomamos como método base de comparação uma metodologia comumente utilizada e também empregada em Natal. Os resultados indicam que nossa abordagem preditiva estima hotspots em média 1,6 a 3,1 vezes melhor que a abordagem tradicional, dependendo do método de mapeamento do crime e do algoritmo de aprendizado de máquina usado. A partir de uma análise de importância de atributos, descobrimos que tendência e sazonalidade eram os componentes mais essenciais para obter melhores previsões.