Pre-Crime — Sistema Preditivo de Criminalidade Urbana
Ensemble híbrido de modelos de Deep Learning e Aprendizado de Máquina para previsão de hotspots de furto e roubo de veículos em malhas urbanas, validado mensalmente contra os dados reais da SSP-SP.
Rodrigo Faustino
PPGI — Informática e Gestão do Conhecimento
UNINOVE — São Paulo
2025
Este painel resume o funcionamento interno dos modelos. Material de caráter acadêmico, destinado à pesquisa e à defesa da dissertação.
Cada célula do grid, em cada semana, é descrita por 30 variáveis derivadas do histórico de crimes. O alvo (o que se quer prever) é se haverá crime nas próximas 4 semanas.
| Grupo | Variáveis | Qtde | O que representa |
|---|---|---|---|
| Lags semanais | lag_1 … lag_24 | 24 | Crimes em cada uma das 24 semanas anteriores |
| Agregadas (4 sem.) | mean · max · std · trend | 4 | Média, pico, volatilidade e tendência recentes |
| Espaciais | neigh_sum · neigh_max | 2 | Crimes nas células vizinhas (adjacência Queen) |
⚙ Random Forest usa as 30 variáveis. LSTM e Transformer usam as 28 com prefixo
lag_, tratadas como uma sequência temporal de 28 passos.
Comitê de 150 árvores de decisão. Cada árvore vota a partir de divisões nas variáveis
(ex.: lag_19 > 0,5?); a probabilidade final é a média dos votos.
Captura padrões não-lineares e sazonalidade. Roda em CPU.
Rede recorrente que lê a sequência de 28 passos um a um, mantendo uma memória (estado da célula) atualizada por portões de esquecimento, entrada e saída. Captura dependências temporais. Roda em GPU.
Usa atenção: cada passo de tempo "olha" todos os outros simultaneamente e pondera sua relevância — concentrando-se nas semanas de maior atividade criminal. Roda em GPU.
Clique em um modelo para ver sua arquitetura detalhada (diagramas).
As três probabilidades (0 a 1) são combinadas por média ponderada somada ao máximo (fórmula híbrida), e ajustadas por pontos de interesse (POI) e suavização temporal:
O score classifica cada célula: ● ALTO (≥ quantil 0,90), ● MÉDIO (≥ 0,80) ou ● BAIXO — produzindo o mapa de risco da aba Mapa Operacional.
A previsão é validada contra os crimes reais do mês seguinte usando métricas acadêmicas: Hit Rate, F1-Score, PAI e as métricas de Zhang et al. (2020) — HitRa (acerto de grids), HitRn (captura de crimes) e HitEn (eficiência) — disponíveis nas abas Performance, Comparativo e Zhang et al.