Análise do atendimento de ocorrências criminais com o uso de técnicas de aprendizado de máquina
DOI:
https://doi.org/10.34117/bjdv11n6-006Keywords:
segurança-pública, ocorrências criminais, aprendizado de máquina, PMPRAbstract
Este artigo buscou analisar o atendimento de ocorrências criminais, recebidas pela Polícia Militar do Paraná (PMPR), no município de Curitiba, entre os meses de agosto de 2022 e julho de 2023. O objetivo foi verificar quais e de que forma os atributos bairro, dia da semana e hora impactam na identificação da natureza da chamada, a partir de métodos estatísticos e de aprendizado de máquina. Foram utilizados como modelos para ajuste dos dados a regressão logística, árvore de decisão e K-Nearest Neighbors (KNNN). Os resultados indicam que abordagens segmentadas por tipo de ocorrência podem ser mais eficazes, permitindo que gestores públicos aloquem recursos de forma mais eficiente e até previnam crimes antes que ocorram. O modelo KNN se destacou na identificação da categoria "perturbação de sossego", com uma acurácia de mais de 70%. A análise de ocorrências criminais com base nos atendimentos 190 é um campo desafiador, porém repleto de potencial para melhorias na segurança pública. Os achados indicam que uma abordagem específica para cada tipo de ocorrência pode ser a chave para avançar na previsão e resposta eficiente a incidentes. Sugere-se que pesquisas futuras explorem novas variáveis e modelos, bem como considerem a integração de dados adicionais, para aprimorar ainda mais a precisão e utilidade desses sistemas de previsão.
References
ANDRADE, V. R. P. D. A Mudança do Paradigma Repressivo em Segurança Pública: Reflexões criminológicas críticas em torno à proposta da 1o Conferência Nacional Brasileira de Segurança Pública. Seqüência: Estudos Jurídicos e Políticos, 34(67), 335–356. https://doi.org/10.5007/2177-7055.2013v34n67p335.
BREIMAN, L.; FRIEDMAN, J.; STONE, C. J.; OLSHEN, R. A. Classification and regression trees. Taylor & Francis. https://books.google.com.br/books?id=JwQx-WOmSyQC.
GOLDBERGER, J.; HINTON, G. E.; ROWEIS, S.; SALAKHUTDINOV, R. R. Neighbourhood components analysis. Em L. Saul, Y. Weiss, & L. Bottou (Orgs.), Advances in neural information processing systems (Vol. 17). MIT Press. https://proceedings.neurips.cc/paper_files/paper/2004/file/42fe880812925e520249e808937738d2-Paper.pdf.
HUNDZINSKI, B. O. R. FUNÇÃO SOCIAL DOS ÓRGÃOS DE SEGURANÇA PÚBLICA. Revista Sociedade Científica, 6(1), 2274–2291. https://doi.org/10.61411/rsc60787.
YU, H.-F.; HUANG, F.-L.; LIN, C.-J. Dual coordinate descent methods for logistic regression and maximum entropy models. Machine Learning, 85(1–2), 41–75. https://doi.org/10.1007/s10994-010-5221-8.
