Abordagem baseada em ensembles para previsão de séries temporais de crime

Abstract

A criminalidade é um problema recorrente em diversas regiões do mundo, com destaque para o Brasil, que figura entre os países mais violentos. Altos índices de violência impactam negativamente a qualidade de vida da população e geram prejuízos econômicos significativos. Nesse contexto, o uso de tecnologias de previsão pode auxiliar os órgãos de segurança pública na adoção de estratégias mais eficientes e preventivas. Este trabalho propõe uma análise comparativa do desempenho de seis algoritmos na previsão de séries temporais de ocorrências criminais: ARIMA, Support Vector Regression (SVR), Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), Convolutional Neural Networks (CNN) e Neural Basis Expansion Analysis for Interpretable Time Series Forecasting (N-BEATS). Foram utilizadas séries temporais de três localidades com diferentes contextos: Pernambuco, Chicago e Los Angeles. Além da avaliação individual dos modelos, suas previsões foram combinadas através de média e mediana simples, e ensemble stacking . As métricas de avaliação incluíram o Root Mean Square Error (RMSE) e o Mean Absolute Error (MAE), permitindo uma comparação objetiva entre os algoritmos.Os resultados indicaram que a combinação de média simples obteve as melhores pontuações em ambas as métricas de avaliação nas 3 bases de dados utilizadas, indicando Além disso, as abordagens de combinação contribuíram para maior robustez e acurácia nas previsões. Este estudo destaca o potencial do uso de técnicas de aprendizado de máquina na área da segurança pública, contribuindo para uma atuação mais estratégica e preventiva. Como trabalho futuro, sugere-se a inclusão de variáveis externas e a ampliação do escopo geográfico da análise.