Predspot: predicting crime hotspots with machine learning
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 suge...
Na minha lista:
Autor principal: | |
---|---|
Outros Autores: | |
Formato: | Dissertação |
Idioma: | pt_BR |
Publicado em: |
Brasil
|
Assuntos: | |
Endereço do item: | https://repositorio.ufrn.br/jspui/handle/123456789/29155 |
Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
Resumo: | 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. |
---|