Usando um modelo de classificação para a adequada implantação do patrulhamento policial para o enfrentamento à assaltos a bancos no nordeste do Brasil

Autores

  • Wellington Clay Porcino Silva Polícia Federal, Brasília-DF, Brasil / Delegado de Polícia Federal | Universidade Federal do Ceará, Fortaleza-CE, Brasil / Discente
  • José Antônio Fernandes de Macedo Universidade Federal do Ceará, Fortaleza-CE, Brasil / Professor Adjunto do Departamento de Computação da .
  • José Florêncio de Queiroz Neto Universidade Federal do Ceará, Fortaleza-CE, Brasil / Pesquisador do Insightlab

DOI:

https://doi.org/10.31412/rbcp.v13i9.845

Palavras-chave:

Gestão Policial, Roubo a Bancos, Modelos de Inteligência Artificial, geografia, algoritmos

Resumo

Este artigo propõe uma nova abordagem para auxiliar policiais no combate a assaltos a bancos, especialmente um tipo violento de crime denominado, no Brasil, “Novo Cangaço”. O assalto a banco é um grande problema em pequenas cidades de todo o Brasil e, principalmente, no Nordeste. Nesse contexto, os gestores policiais enfrentam um desafio complexo ao desdobrar suas patrulhas para cobrir grandes áreas. Para lidar com esse problema, propomos uma nova abordagem usando algoritmos de classificação que usam a probabilidade de um evento de assalto a banco com base em características territoriais para implantar policiais com mais eficiência. Também analisaremos características geográficas para entender nosso modelo, explicando como elas impactam os eventos de assaltos a bancos, usando funções de importância de características.

Downloads

Não há dados estatísticos.

Biografia do Autor

Wellington Clay Porcino Silva, Polícia Federal, Brasília-DF, Brasil / Delegado de Polícia Federal | Universidade Federal do Ceará, Fortaleza-CE, Brasil / Discente

Delegado de Polícia Federal. Pós-Doutor em Ciência da Computação pela UFC. Doutor em Geografia pela UFRN. Mestre em Sistemas de Informações Geográficas pela Universidade Nova de Lisboa. Mestre em Operações Militares pela EsAO/EB. Especialista em Ciência Policial e Inteligência pela ANP. Especialista em Atualização Pedagógica pela UFRJ. Especialista em Direito Penal e Processual Penal pela Universidade Gama Filho. Foi chefe do SIP/SR/DPF/RJ, da Divisão de Doutrina de Inteligência Policial da DIP e da Divisão de Repressão aos Crimes Ambientais da DICOR, Superintendente da Polícia Federal em Roraima e no RN, Diretor de Operações e de Gestão e Integração da informação na SENASP/MJ. Atualmente exerce o Cargo de Coordenador de Gestão Estratégica/PF.

Possui interesse em avaliar artigos sobre gestão de polícias, indicadores, formulação de políticas públicas de segurança e emprego de de tecnologia na segurança pública e na gestão policial.

José Antônio Fernandes de Macedo, Universidade Federal do Ceará, Fortaleza-CE, Brasil / Professor Adjunto do Departamento de Computação da .

É professor adjunto do departamento de computação da Universidade Federal do Ceará. Concluiu mestrado e doutorado pela Pontificia Universidade Católica do Rio de Janeiro nos anos 2001 e 2005, respectivamente. Durante o doutorado passou 8 meses pesquisando na TELECOM Bretagne - École Nationale Supérieure des Télécommunications Bretagne na Franca e em seguida 10 meses na École Polytechnique Fédéral de Lausanne (EPFL). Realizou seu pos-doutorado na EPFL no periodo de 2006-2009, onde coordenou as atividades de pesquisa junto ao projeto europeu GeoPKDD (www.geopkdd.eu). O foco de sua pesquisa é processamento de dados em larga escala em nuvens computacionais. Bolsista de Produtividade em Pesquisa do CNPq - Nível 2. Possui ainda um especial interesse no desenvolvimento de algoritmos de mineração de dados e aprendizagem de máquinas para processamento de grandes volumes de dados (Big Data).

José Florêncio de Queiroz Neto, Universidade Federal do Ceará, Fortaleza-CE, Brasil / Pesquisador do Insightlab

Doutor em Ciência de Computação pela Universidade Federal do Ceará. Pesquisador do Insightlab do Departamento de Computação da Universidade Federal do Ceará.

Referências

Bernasco, W. “Them Again?: Same-Offender Involvement in Repeat and Near Repeat Burglaries.” European Journal of Criminology, 5, 2008: 411-431.

Braga, AA, AV Papachristos, e DM Hureau. “The concentration and stability of gun violence at micro places in Boston, 1980-2008.” Journal of Quantitative Criminology 26, 2010: 33-53.

Caplan, J M, e L W Kennedy. “Risk terrain modelling: Brokering criminological theory and GIS methods for crime forecasting.” Justice Quarterly 28, 2011: 360-381.

Cavadas, B, P Branco, e S Pereira. “Crime Prediction Using Regression and Resources Optimization.” DOI: 10.1007/978-3-319-23485-4_51, 2015.

Chaney, S., e J. Ratcliffe. GIS and crime mapping. West Sussex: John Wiley & Sons, 2008.

Chao Huang, C, J Zhang, Y Zheng, e N. Chawla. “DeepCrime: Attentive Hierarchical Recurrent Networks forCrime Prediction.” CIKM’18. Turim: Association for Computing Machinery, 2018.

Chawla, N. V., K. W. Bowyer, L. O. Hall, e W. P. Kegelmeyer. “SMOTE: Synthetic Minority Over-sampling Technique.” Journal of Artificial Intelligence Research 16 , 2002: 321-357.

Costa, C. A. V., E. M. L. S Ramos, S. S. Almeida, e A. R. Araújo. ““Novo Cangaço” - sua incidência no Estado do pará e sua relação com o tráfico de drogas.” Em Segurança e Defesa: Conflitos, Criminalidade, Tecnologia da Informação, por S. S. Almeida, E. M. L. S. Ramos e C. A. N. Chagas, 197-206. Belém: Edições UFPA, 2016.

Jiang, B. “Head/tail Breaks: A New Classification Scheme for Data with a Heavy-tailed Distribution.” The Professional Geographer, 2012: 1-13.

Johnson, S. D., D.J. Birks, L McLaughlin, K.J. Bowers, e K Pease. “Prospective crime mapping inoperational context: Final report.” Home Office Online Report 19/07. Lonodn, 19 de jULY de 2007.

Mohler, G, M. B. Short, P. J. Brantingham, F. P. Schoenberg, e . Tita. “Self-Exciting Point Process Modeling of Crime.” Journal of the American Statistical Association 106, 2011: 100-108.

Nath, S. V. “Crime pattern detection using data mining.” Web Intelligence and Intelligent Agent Technology Workshops, IEEE/WIC/ACM International Conference. IEEE, 2006. 41-44.

Perry, W. L., B. Mc Innis, S. C. Smith, e J. S Hollywood. Predictive policing: the role of crime forescasting in law enforcements operations. Washington: RAND Corporation, 2013.

Reinhart, A, e J Greenhouse. “ Self-exciting point processes with spatial covariates: Modelling the dynamics of crime.” Journalof the Royal Statistical Society: Series C (Applied Statistics) 67, 2018: 1305-1329.

Silva, W. C. P. S. “ESPAÇO GEOGRÁFICO E CRIMINOLOGIA: topologia de segurança versus topologia do crime - uma análise da gestão de segurança do território e roubo a bancos no Nordeste.” Tese apresentada ao Programa de Pós-Graduação em Geografia do Departamento de Geografia da Universidade Federal do Rio Grande do Norte para a obtenção do título de Doutor em Geografia., Natal, 2019.

Wheeler, A P, e W Steenbeek. “Mapping the risk terrain for crime using machine learning.” J Quant Criminol (10.31235/osf.io/xc538), 2020: https://doi.org/10.1007/s10940-020-09457-7.

Zhao, X, e J Tang. “Modeling Temporal-Spatial Correlations for Crime Prediction.” CIKM’17. Singapore, 2017. 497-506.

Publicado

"31/05/2022"

Como Citar

SILVA, W. C. P.; MACEDO, J. A. F. de; DE QUEIROZ NETO, J. F. Usando um modelo de classificação para a adequada implantação do patrulhamento policial para o enfrentamento à assaltos a bancos no nordeste do Brasil. Revista Brasileira de Ciências Policiais, Brasília, Brasil, v. 13, n. 9, p. 185–205, 2022. DOI: 10.31412/rbcp.v13i9.845. Disponível em: https://periodicos.pf.gov.br/index.php/RBCP/article/view/845. Acesso em: 27 nov. 2022.