Ferramenta preditiva avançada identifica pontos críticos de crimes de alto risco em tempo real

• Novo algoritmo, denominado Ensemble Poisson Kalman Filter (EnPKF), pode sugerir a área onde o crime tem maior probabilidade de acontecer na próxima hora. 
• Também pode indicar quais recursos seriam necessários para lidar com tais crimes. 

Os departamentos da polícia e do crime enfrentam muita pressão e restrições nos seus recursos – um facto que está a alimentar o crescimento de ferramentas de policiamento inteligentes para ajudar os agentes a tomar melhores decisões sobre onde concentrar os seus esforços.

Epidemic Type Aftershock Sequence (ETAS) é um dos modelos populares aplicados a dados de crimes para prever futuras cenas de crimes. Até agora, esta técnica baseada em mapas de grelha previu com sucesso o dobro da criminalidade que um único investigador humano.

O modelo ETAS baseia-se na filosofia de que os crimes acontecem estocasticamente, mas a taxa de ocorrência de crimes depende do histórico, o que significa que os crimes que acontecem numa região aumentarão a taxa futura de geração de crimes no mesmo local ou em locais próximos durante pelo menos um período de tempo específico.

No entanto, não leva em conta a natureza probabilística do processo criminal subjacente. Além disso, não é possível rastrear a incerteza em tempo real, que pode surgir devido a dados limitados e ruidosos ou a erros de seleção de modelo.

Filtro Conjunto Poisson Kalman

Usando o modelo ETAS, uma equipe internacional de pesquisadores desenvolveu um novo algoritmo que pode processar rapidamente dados de crimes urbanos em tempo real e prever onde atividades ilegais podem ocorrer novamente. A metodologia, denominada Ensemble Poisson Kalman Filter (EnPKF), é bastante semelhante à usada nas missões Apollo e na previsão do tempo.

Embora a “previsibilidade” possa ser descrita de várias maneiras, neste estudo, os investigadores concentraram-se num tipo específico de evento e sistema de previsão. Eles consideraram um modelo que aciona um “sinal” para alarmar um evento de interesse futuro. Por exemplo, pode sugerir a área onde é mais provável que o crime aconteça na próxima hora.

Nas aplicações atuais de séries temporais, o modelo é simplificado para prever se a próxima atividade ilegal ocorrerá ou não nas próximas horas (fixas). No geral, o algoritmo pode fornecer aos departamentos do crime sugestões sobre onde podem surgir focos de crimes menores e quais recursos seriam necessários para lidar com tais atividades ilegais.

Referência:ScienceDirect | doi:10.1016/j.csda.2018.06.014 | Universidade de Surrey 

Testes e outras aplicações

O novo modelo é testado em um conjunto de dados contendo mais de 1.000 crimes de gangues ocorridos entre 1999 e 2002 em Los Angeles. Eles compararam os resultados com um filtro de partículas de grande tamanho de amostra, demonstrando sua eficácia na prática.

A principal força do EnPKF em relação ao filtro de partículas é sua maior precisão e menos flutuações de Monte-Carlo no contexto de tamanho de amostra menor. No entanto, o sistema está longe de ser perfeito:ele tende a gerar conjuntos sub/sobreespalhados para algumas estimativas de parâmetros.

Leia:Novo algoritmo para veículos autônomos pode mudar de faixa agressivamente

A equipe está atualmente trabalhando no desenvolvimento de uma extensão de alta dimensão do EnPKF e na análise de sua eficácia com dados de roubo. Os pesquisadores acreditam que o sistema tem diversas aplicações; O EnPKF pode ser usado para rastrear réplicas de terremotos, atrasos de trens e sinistros de seguros.