Predição de crimes violentos contra o patrimônio em Maceió e Arapiraca usando o ConvLSTM
Carregando...
Data
2026-05-02
Currículo Lattes
https://lattes.cnpq.br/8176398450627761
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A predição espaço-temporal de crimes violentos contra o patrimônio é um problema relevante para o planejamento de ações preventivas e para a alocação de recursos de segurança pública. Este trabalho apresenta uma replicação metodológica, no contexto das cidades de Maceió e Arapiraca, do pipeline de previsão criminal em microescala proposto por Albors Zumel, Tizzoni e Campedelli (2025), baseado em uma arquitetura ConvLSTM. A partir de registros georreferenciados de roubos violentos contra o patrimônio cedidos pela Polícia Militar de Alagoas, cobrindo o período de 2012 a 2022, o trabalho organiza os dados em grids regulares com células de área-alvo aproximada de 0,2 km2, agrega as ocorrências em janelas de 12 h, binariza o sinal célula a célula, e treina uma ConvLSTM com tratamento explícito do desbalanceamento via BCEWithLogitsLoss ponderada. A avaliação é feita por varredura do limiar de classificação, reportando precision, recall e F1, tanto na variante tradicional (célula a célula) quanto com tolerância espacial (vizinhança de Chebyshev ≤ 1). Os resultados mostram que, em ambas as cidades, o modelo atinge desempenho na variante espacial significativamente superior à variante tradicional (F1 espacial de aproximadamente 0,24 em Maceió e 0,21 em Arapiraca, contra valores inferiores a 0,05 na variante tradicional), evidenciando que a rede aprende a localizar corretamente vizinhanças de risco mesmo quando erra a célula exata. O trabalho discute, ainda, as principais limitações da abordagem, em particular a esparsidade extrema dos dados, e propõe direções para desenvolvimentos futuros, incluindo a incorporação de canais sociodemográficos e de mobilidade humana e a comparação contra modelos baseline.
Descrição
Palavras-chave
Predição criminal, ConvLSTM, Crimes contra o patrimônio, Segurança pública – Maceió, Segurança pública – Arapiraca, Crime forecasting, Deep learning, Public security