Utilisation d'un modèle de classification pour la mise en œuvre adéquate de la patrouille de police pour faire face aux vols de banque dans le nord-est du Brésil
Barre latérale de l'article
Contenu principal de l'article
Résumé
Cet article propose une nouvelle approche pour aider les policiers à lutter contre les vols de banque, en particulier un type de crime violent appelé, au Brésil, « Novo Cangaço ». Le vol de banque est un gros problème dans les petites villes du Brésil et en particulier dans le nord-est. Dans ce contexte, les responsables de la police sont confrontés à un défi complexe lorsqu'ils déploient leurs patrouilles pour couvrir de vastes zones. Pour résoudre ce problème, nous proposons une nouvelle approche utilisant des algorithmes de classification qui utilisent la probabilité d'un vol de banque en fonction des caractéristiques territoriales pour déployer plus efficacement les policiers. Nous analyserons également les caractéristiques géographiques pour comprendre notre modèle, en expliquant leur impact sur les événements de braquage de banque, à l'aide de fonctions d'importance des caractéristiques.
Renseignements sur l'article
Rubrique
Cette œuvre est sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale 4.0 International.
La revue a des droits exclusifs sur la première publication, imprimée et/ou numérique, de ce texte académique, qui n'affecte pas le droit d'auteur de la personne responsable de la recherche.
La reproduction (totale ou partielle) du matériel publié dépend de la mention expresse de cette revue comme origine, en citant le volume, le numéro d'édition et le lien DOI pour renvoi. Aux fins des droits, la source de publication originale doit être enregistrée.
L'utilisation des résultats publiés ici dans d'autres véhicules de divulgation scientifique, même par les auteurs, dépend de l'indication expresse de cette revue comme moyen de publication originale, sous peine de caractériser une situation d'auto-plagiat.
______________________________________________
Informations supplémentaires et déclarations de l'auteur
(intégrité scientifique)
Déclaration de conflit d'intérêts : Le ou les auteurs confirment qu'il n'y a pas de conflits d'intérêts dans la conduite de cette recherche et la rédaction de cet article.
Déclaration de paternité : tous les chercheurs et uniquement ceux qui satisfont aux exigences de paternité de cet article sont répertoriés en tant qu'auteurs ; tous les co-auteurs sont entièrement responsables de ce travail dans son intégralité.
Déclaration d'originalité : le ou les auteurs garantissent que le texte publié ici n'a pas été publié auparavant ailleurs et que la future republication ne sera faite qu'avec une référence expresse au lieu de publication d'origine ; certifie également qu'il n'y a pas de plagiat de matériel tiers ou d'auto-plagiat.
______________________________________________
Archivage et diffusion
Le PDF final publié peut être archivé, sans restriction, sur n'importe quel serveur, indexeur, référentiel ou page personnelle en libre accès, comme Academia.edu et ResearchGate.
Comment citer
Références
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.