Algoritmos de aprendizado de máquina aplicados a dados públicos para obtenção de insights em segurança pública

Abstract

Em todo o território do estado do Rio Grande do Sul, ocorrem diariamente milhares de ocorrências criminais, os registros de tais acontecimentos são volumosos e representam uma grande parcela dos problemas da sociedade moderna. Entre esses acontecimentos, os crimes de furto e roubo de veículos se destacam pelo impacto que causam na sociedade. Esse trabalho explora a utilização de aprendizado de máquina para entender como podem ser utilizados para identificar padrões e prever os crimes de subtração de veículos. São experimentados diferentes modelos de aprendizado não supervisionado e supervisionado aplicados a dados do município de Porto Alegre. Os dados foram disponibilizados pela brigada militar por meio da Lei de Acesso à Informação. Os experimentos com aprendizado não supervisionado conseguiram agrupar as subtrações por localização e valor do veículo, identificando padrões nas ocorrências dos fatos. Após os experimentos, foi desenvolvida uma visualização interativa com Dashboards, para visualizar os agrupamentos e permitir assim a obtenção de insights e estratégias de combate ao crime. Os modelos de aprendizado supervisionado obtiveram acurácia de até 67% na predição de qual região da cidade os veículos subtraídos serão encontrados.

Throughout the territory of the state of Rio Grande do Sul, thousands of criminal occurrences occur daily, the records of such events are voluminous and represent a large portion of the problems of modern society. Among these events, the crimes of vehicle theft stand out for the impact they cause on society. In order to understand how they can be used, this work explores the use of machine learning to understand patterns and predict vehicle theft crimes. Different models of unsupervised and supervised learning applied to subtraction data from vehicles in the city of Porto Alegre are experimented. The data were made available by the military brigade through the Access to Information Act. Experiments with unsupervised learning were able to group subtractions by location and vehicle value, identifying patterns in the occurrence of facts. After the experiments, an interactive visualization was developed with Dashboards, to visualize the groupings and thus allow the obtaining of insights and strategies to combat crime. The supervised learning models achieved an accuracy of up to 67% in predicting which region of the city the subtracted vehicles will be found.