Novos algoritmos para representação e análise de grandes volumes de dados espaço-temporais de segurança pública e detecção de hotspots
Segurança Pública, Predição de Crimes, Aprendizado de Máquina, Visualização, Ciência de Dados
As transformações tecnológicas advindas da evolução da internet das coisas proporciona a oportunidade de acompanhar a evolução das atividades diversas, como o rastreamento de dispositivos, acompanhamento de demandas, análises históricas e muitas outras possibilidades de gerar indicadores chave que permitam ter a visão sobre um determinado negócio. Para a segurança pública, a aplicação de novas tecnologias nas atividades de patrulhamento e repressão ao crime trazem inúmeras possibilidades também, como conseguir visualizar de maneira profunda o desempenho das ações da corporação, monitorar a atividade criminosa, compreender padrões e buscar alternativas para implementar melhores políticas de segurança. Big Data também já não é uma realidade distante das corporações de segurança pública. Dispositivos de rastreamento, câmeras de vigilância, sistemas de monitoramento, sistemas de atendimento e muitas outras fontes de informação já provêm um grande volume de dados que precisam ser devidamente tratados para que seja possível obtenção de conhecimento relevante. Nos últimos anos, muitos trabalhos científicos propõem o uso de algoritmos de aprendizagem de máquina para o reconhecimento de padrões espaciais e temporais de crimes. Porém, dois tópicos ainda podem ser amplamente explorados: algoritmos para identificação de hotspots (manchas criminais); e algoritmos para estudar a correlação entre patrulhamento com viaturas e ocorrências criminais. Este trabalho se propõe a desenvolver novos algoritmos para estes problemas, usando bases de dados da Polícia Militar do Estado de Alagoas (PMAL). Os resultados desta pesquisa terão importância não só do ponto de visto científico, mas também serão aproveitados pela PMAL para otimizar seus processos de tomada de decisão.