Análise visual de dados urbanos massivos em grafos de ruas usando a Decomposição de Tucker para predição de crimes
predição de crimes, dados urbanos, Decomposição de Tucker, grafo de ruas
Assim como as cidades, os crimes também evoluíram com o tempo: estão exponencialmente mais intensos, mais violentos e mais modernos, levando à exaustão dos modelos de segurança. Torna-se evidente as limitações dos atuais recursos, tais como viaturas, policiais, armamento e tempo. Todo esse contexto demonstra o quanto a sociedade, e principalmente os gestores, necessitam de ferramentas sofisticadas para ajudá-los na tomada de decisão. A crescente digitalização de dados da última década possibilitou a coleta de dados urbanos em larga escala e com muita agilidade. Por outro lado, análises complexas destes dados se tornaram possíveis com o surgimento de técnicas sofisticadas de Aprendizagem de Máquina. Isso abre oportunidades de se desenvolverem novas técnicas e ferramentas para análise de dados urbanos massivos, inclusive no escopo da criminalidade urbana. A análise de dados urbanos georreferenciados em larga escala requer o uso de discretizações espaciais adequadas e o emprego de algoritmos de Aprendizado de Máquina robustos capazes de identificar padrões urbanos complexos. Neste trabalho, pretendemos realizar análise de dados urbanos usando um grafo de ruas que deve integrar diversos tipos de dados a nível de esquinas. Aplicaremos técnicas não supervisionadas nestas dados baseadas na Decomposição de Tucker para agrupar (clusterizar) esquinas com padrões similares. Os grupos resultantes devem facilitar o reconhcimento de padrões urbanos e a construção de modelos preditivos de crime.