Modelagem Preditiva de Roubos em Campo Grande (MS) com Algoritmos Supervisionados de Regressão
DOI:
https://doi.org/10.62927/revpmms.v2i2.106Palavras-chave:
Previsão de Crimes; Regressão Supervisionada, Segurança Pública, Aprendizado de Máquina, Policiamento PreditivoResumo
Este estudo investiga a aplicação de algoritmos de regressão supervisionada na previsão mensal de roubos na cidade de Campo Grande (MS), com base em dados operacionais da Polícia Militar de Mato Grosso do Sul (PMMS) no período de 2018 a 2023. A metodologia adotada consistiu na comparação entre diferentes técnicas de aprendizado de máquina, incluindo Regressão Linear, Ridge, Lasso, Árvore de Decisão, Random Forest e Rede Neural Multicamadas (MLP), e métodos estatísticos tradicionais baseados em médias e medianas. O objetivo foi verificar se os modelos supervisionados apresentam desempenho superior em relação aos baselines simplificados. A base de dados, composta por registros mensais agregados para todo o município, refletiu com fidelidade o comportamento das ações preventivas e sua relação com os registros de roubos. A avaliação dos modelos utilizou as métricas MAE (Erro Absoluto Médio), MSE (Erro Quadrático Médio) e R² (Coeficiente de Determinação). A validação empírica, realizada com dados reais de 2023, evidenciou a superioridade da abordagem baseada em aprendizado supervisionado, com destaque para o modelo Random Forest, que apresentou o menor MAE (10,43), e para a Rede Neural Multicamadas (MLP), que obteve o menor MSE (174,04) e o maior R² (0,44). Os resultados reforçam o potencial dos algoritmos supervisionados como ferramenta de apoio à tomada de decisão na segurança pública, promovendo uma gestão orientada por dados e mais capaz de antecipar cenários críticos.
Referências
ANTIPOV, Evgeniy A.; POKRYSHEVSKAYA, Elena B. Mass appraisal of residential apartments: an application of Random forest for valuation and a CART-based approach for model diagnostics. Expert Systems with Applications, v. 39, n. 2, p. 1772–1778, 2012.
AWAL, Md Akhtaruzzaman; RABBI, Jannatul; HOSSAIN, Sheikh Iqbal; HASHEM, Md Mahfuzul Alam. Using linear regression to forecast future trends in crime of Bangladesh. In: INTERNATIONAL CONFERENCE ON INFORMATICS, ELECTRONICS AND VISION – ICIEV, 5., 2016, Dhaka. Proceedings. Piscataway: IEEE, 2016. p. 333–338.
AZIZ, Rabia Musheer; HUSSAIN, Aftab; SHARMA, Prajwal; KUMAR, Pavan. Crime rate prediction using machine learning algorithms: a case study from India. Journal of Crime and Justice Studies, v. 5, n. 2, p. 45–62, 2022.
AZIZ, Rabia Musheer; HUSSAIN, Aftab; SHARMA, Prajwal; KUMAR, Pavan. Machine learning-based soft computing regression analysis approach for crime data prediction. Karbala International Journal of Modern Science, v. 8, n. 1, p. 1–11, 2022.
BATISTA, Alexandre Barbosa. Segurança pública baseada em evidências: análise, avaliação e políticas públicas. Brasília: ENAP, 2021.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, 2006.
BIN, Okmyung; GAO, Xiaolong; ZHAO, Zhigang. Machine learning in housing price prediction: a review and empirical study. Journal of Real Estate Research, v. 43, n. 1, p. 65–90, 2021.
BREIMAN, Leo. Statistical modeling: the two cultures. Statistical Science, v. 16, n. 3, p. 199–231, 2001.
DEB, Chandra; ZHANG, Feng; YANG, Jie; LEE, Seung E.; SHAH, Kamal W. A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, v. 74, p. 902–924, 2017.
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.
JINDAL, Mohit; SARAN, Ritesh; YADAV, Mehak. Machine learning-based crime prediction and analysis using ensemble methods. Materials Today: Proceedings, v. 45, p. 6194–6200, 2021.
JINDAL, Rohit; SARAN, Ritesh; YADAV, Mehak. Crime prediction using ensemble machine learning techniques. Journal of Big Data, v. 8, n. 1, p. 1–25, 2021.
KHUNTIA, Swasti; DE, Soumya Kanti; SINGH, S. N.; HEMANTH, S. Load forecasting models for power systems: an extensive review. Journal of Modern Power Systems and Clean Energy, v. 9, p. 617–632, 2021.
KOU, Gang; YANG, Peiyong; CHEN, Yi. Machine learning in financial risk management: a literature review. Financial Innovation, v. 7, n. 1, p. 1–33, 2021.
LI, Xue; HUANG, Bo; EMRICH, Christopher T. Crime forecasting using spatio-temporal pattern detection and machine learning. Computers, Environment and Urban Systems, v. 81, p. 101474, 2020.
LI, Yajie; WANG, Haoxuan; HUANG, Haojun. Crime prediction with machine learning and comparison with time series models: a case study in Chicago. ISPRS International Journal of Geo-Information, v. 9, n. 10, p. 1–17, 2020.
LOPES, Leonardo de Souza; RUSSO, Eduardo Viana Vargas. Policiamento previne crime? A eficiência das atividades policiais voltadas ao controle e prevenção da criminalidade. Revista Brasileira de Segurança Pública, v. 16, n. 1, p. 130–156, 2022.
MEDEIROS, Marcelo C.; VASCONCELOS, Gabriel F.; VEIGA, Álvaro; ZILBERMAN, Ezra. Forecasting inflation in a data-rich environment: the benefits of machine learning methods. Journal of Business & Economic Statistics, v. 39, n. 1, p. 98–119, 2021.
MITCHELL, Tom M. Machine learning. New York: McGraw-Hill, 1997.
SHINGLETON, Jonathan. Using multiple regression analysis to predict crime rates in Salinas, California. Bachelor’s thesis (Statistics) – California State University, Monterey Bay, 2012.
