Explorando aprendizagem supervisionada em dados heterogêneos para predição de crimes [recurso eletrônico]/Úrsula Rosa Monteiro de Castro ; orientador: Wladmir Cardoso Brandao
| Autor: | Castro, Úrsula Rosa Monteiro de |
|---|---|
| Přispěvatelé: | Brandão, Wladmir Cardoso Orientador, Pontifícia Universidade Católica de Minas Gerais.Programa de Pós-Graduação em Direito Instituição |
| Jazyk: | portugalština |
| Rok vydání: | 2020 |
| Předmět: | |
| Zdroj: | Biblioteca Digital de Teses e Dissertações da PUC_MINAS Pontifícia Universidade Católica de Minas Gerais (PUC MINAS) instacron:PUC_MINS |
| Popis: | Dissertação (Mestrado) - Pontifícia Universidade Católica de Minas Gerais, Programa de Pós-Graduação em Informática. Bibliografia: f. 79-84 A área de análise de crimes apoia agências de segurança pública na prevenção e resolução efetiva de crimes, fornecendo métodos e técnicas para entender os padrões de comportamento criminal. As estratégias de redução de crime dependem principalmente de ações preventivas, como decidir onde realizar patrulhamento e alocar mais policiais. A avaliação dessas ações é essencial na revisão de estratégias para garantir eficácia. No presente trabalho, é proposto uma abordagem de aprendizagem supervisionada que explora fontes heterogêneas de dados para entender os padrões de comportamento criminal e prever a ocorrência de crimes. Particularmente, são selecionadas e combinadas evidências dessas fontes de dados para prever a tendência e o número de ocorrências de tipos de crimes por regiões geográficas. A abordagem proposta explora cinco técnicas de aprendizagem de máquina para predição: k-Nearest Neighbor (k-NN), Support Vector Machine (SVM),Random Forest (RF), eXtreme Gradient Boosting (XGBoost) e a rede neural Long Short Term Memory (LSTM). Os resultados experimentais mostram que a abordagem proposta atinge 91% de acurácia e 98% de precisão na predição de tendência de ocorrência de crimes. Além disso, é demonstrado que fontes de dados heterogêneas podem ser efetivamente utilizadas por técnicas supervisionadas para melhorar o desempenho da predição. Palavras-chave: Analise criminal. Predição de crime. Aprendizagem de máquina. Aprendizagem supervisionada. Crime analysis is the area that supports public security agencies in preventing andeffectively solving crimes, providing methods and techniques to understand criminalbehavior patterns. Crime reduction strategies depend mainly on preventive actions, suchas deciding where to conduct patrols and allocating more police officers. The evaluationof these actions is essential in reviewing strategies to ensure effectiveness. In this work,we propose a supervised learning approach that explores heterogeneous sources of data to understand criminal behavior patterns and predict the occurrence of crimes. In particular, we select and combine evidence from these data sources to predict the trend and number of occurrences of types of crime by geographic regions. Our approach explores five machine learning techniques for prediction: k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Random Forest (RF), eXtreme Gradient Boosting (XGBoost) and the Long Short Term Memory neural network (LSTM). The experimental results show that our approach reaches 91% accuracy and 98% precision in predicting the tendency for crimes to occur. In addition, we demonstrate that heterogeneous data sources can be effectively used by supervised techniques to improve prediction performance. Keywords: Crime analysis. Crime prediction. Machine learning. Supervised learning. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|