Aprendizado profundo em grafos para predição de crimes urbanos

Resumo

O objetivo principal deste projeto de doutorado é desenvolver uma nova metodologia de previsão de crimes baseada em processamento de sinais em grafos e Deep Learning, modelando a cidade de São Paulo de uma maneira natural a nível da rua, com base não apenas em dados históricos de crimes passados, mas também em outras informações sociais e urbanas que podem melhorar as previsões. É inegável que os crimes no Brasil não só cresceram nos últimos anos, como também se tornaram mais violentos e modernizados. Em contraste, as agências encarregadas do controle da lei e da ordem - polícia e sistema de justiça criminal - não seguiram essas tendências e envelheceram. Assim, a lacuna entre a dinâmica do crime e da violência e a capacidade do Estado de contê-los dentro do Estado de Direito aumentou. Portanto, a introdução de instrumentos modernos de gestão da ordem pública e contenção da criminalidade é imprescindível para tornar as políticas de segurança pública mais eficientes. Nesse contexto, diversos trabalhos têm sido desenvolvidos para mapear, analisar, identificar, visualizar e prever dados de crimes, sendo o último nosso escopo. Muitos trabalhos tentam predizer o crime, mas a maioria deles se baseia em uma forma inconveniente de modelar uma cidade, que chamamos de abordagem de grid regular. Apesar de simples de implementar, este método possui diversas limitações, principalmente relacionadas à análise de ajuste fino e identificação de padrões. Ao mesmo tempo, houve um crescimento recente nos últimos anos de pesquisas sobre Redes Neurais em Grafos, modelos altamente relacionados à teoria de Processamento de Sinais de Grafos e que processam dados embutidos em uma estrutura de grafos. Assim, esses novos métodos ampliam as possibilidades de modelar uma cidade de forma mais natural a nível da rua. (AU)