Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/51515| Tipo: | Dissertação |
| Título: | Geração de mapas de hotspots em redes de ruas para predição de crimes |
| Título em inglês: | Generation of hotspots maps on street networks for crime prediction |
| Autor(es): | Nunes Junior, Francisco Carlos Freire |
| Orientador: | Macêdo, José Antonio Fernandes de |
| Coorientador: | Silva, Ticiana Linhares Coelho da |
| Palavras-chave: | Predição de crimes;KDE;Mapas de hotspots;Rede de ruas |
| Data do documento: | 2020 |
| Citação: | NUNES JUNIOR, Francisco Carlos Freire. Geração de mapas de hotspots em redes de ruas para predição de crimes. 2020. 108 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal do Ceará, Fortaleza, 2020. |
| Resumo: | A grande ocorrência de eventos criminosos, como: assalto, incêndio criminoso e assassinato, é um problema crítico enfrentado nas cidades. Particularmente no Brasil, o estudo de eventos criminosos é um tema de crescente interesse e a principal preocupação em algumas cidades, devido às altas taxas de criminalidade, à magnitude da violência e o número de vidas perdidas. Uma ferramenta criada com o uso da tecnologia para auxiliar no enfrentamento da criminalidade é a construção de mapas de hotspots, que são regiões geograficamente limitadas e possuem uma alta concentração de crimes de acordo com os dados históricos. Entre as diversas técnicas desenvolvidas na literatura para a criação de hotspots, o Kernel Density Estimation (KDE) tem apresentado bons resultados, principalmente em estudos que analisam a capacidade preditiva e que utilizam dados de roubo. Apesar da construção do KDE com a divisão do espaço em grade de células apresentar bons resultados na predição de crimes futuros, no algoritmo não é considerado as posições e as concentrações das estruturas urbanas, como as ruas, que é o principal meio de locomoção das equipes de patrulha. Nessa perspectiva, este trabalho propõe a criação de quatro novas técnicas para geração de mapas de hotspots: Polygon Hotspots Approximated to Road network (PHAR), Incremental Polygon Hotspots Approximated to Road network (i-PHAR), Subgraph Hotspots Approximated to Road Network (SHAR) e Expansive Network, que utilizam as estimativas de densidades do KDE para criar hotspots aproximados às ruas, com o objetivo de prever novas ocorrências de crimes. Através da realização de experimentos, utilizando dados reais de crimes de roubo, foi possível observar que as técnicas PHAR e i-PHAR apresentam resultados próximos do KDE com grade de células em relação a predição de eventos futuros, e possui a vantagem de criar menos hotspots em uma mesma proporção de área selecionada. Nas técnicas SHAR e Expansive Network, que criam hotspots em formato de subgrafos de ruas que facilitam o planejamento das patrulhas, foram obtidos resultados superiores em comparação com a grade de células, com uma maior vantagem de usabilidade para a técnica SHAR, que preserva a presença de rotas entre todas as posições de um mesmo hotspot, e uma maior capacidade preditiva para a técnica Expansive Network. |
| Abstract: | Crimes (e.g., assault, arson, harassment, and murder) have emerged as one of the most critical problems countries face. In particular, in Brazil, crime is a theme of growing interest and the prime concern in some cities, due to the high crime rates, the sheer magnitude of violence and the perceived number of lives lost. A tool created with the use of technology to help tackle crime is the construction of hotspots maps, which are geographically limited regions and have a high concentration of crimes according to historical data. A relevant amount of approaches available in the literature address this problem by suggesting that Kernel Density Estimation (KDE) can accurately forecast crime and outperform other approaches for crime prediction. However, none of these approaches approximate the crime hotspots to the road network by considering that the police patrols move constrained by road networks. In this perspective, this work proposes the creation of four new techniques for generating hotspots maps: Polygon Hotspots Approximated to Road network (PHAR), Incremental Polygon Hotspots Approximated to Road network (i-PHAR), Subgraph Hotspots Approximated to Road Network (SHAR), and Expansive Network, that use KDE density estimates to create hotspots approximated to the streets, with the aim of predicting new occurrences of crimes. We conduct several experiments using real data of theft crimes from Fortaleza, Ceará, Brazil, that demonstrate the PHAR and i-PHAR techniques present results close to KDE algorithm using grid cells concerning the prediction of future events. Moreover, both techniques create fewer hotspots than the baseline algorithm for the same parameter settings. For what concerns SHAR and Expansive Network techniques that create hotspots as subgraphs (of the road network) facilitating patrol planning. SHAR yields superior results in terms of usability and Expansive Network better prediction than the results from KDE algorithm using grid cells. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/51515 |
| Aparece nas coleções: | DCOMP - Dissertações defendidas na UFC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2020_dis_fcfnunesjunior.pdf | 17,11 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.