Um Framework para Avaliação de Modelos de Previsão Espaço-Temporal de Crimes
DOI:
https://doi.org/10.5753/reic.2025.6037Keywords:
Previsão de Crime, Modelos Espaço-Temporais, Segurança Pública, Avaliação de Modelos PreditivosAbstract
Modelos preditivos espaço-temporais são fundamentais para prever locais e momentos de crimes, auxiliando a segurança pública. No entanto, a ausência de critérios padronizados de avaliação dificulta a comparação entre diferentes abordagens. Para superar essa limitação, apresentamos o STEval, um framework flexível de avaliação. A robustez do STEval foi validada por meio de experimentos que variaram a granularidade temporal e espacial. Os resultados indicaram que nenhum dos modelos supera os demais em todos os cenários. O framework auxilia na seleção e otimização de modelos por meio de análises detalhadas. Além disso, o STEval expõe as forças e fraquezas de cada modelo, incentivando avanços na pesquisa sobre previsão de crimes.
Downloads
Referências
Alves, L. G., Ribeiro, H. V., and Rodrigues, F. A. (2018). Crime prediction through urban metrics and statistical learning. Physica A: Statistical Mechanics and its Applications. DOI: 10.1016/j.physa.2018.03.084.
Battersby, S. E., Finn, M. P., Usery, E. L., and Yamamoto, K. H. (2014). Implications of web mercator and its use in online mapping. Cartographica, 49(2):85–101. DOI: 10.3138/carto.49.2.2313.
Butt, U. M., Letchmunan, S., Hassan, F. H., Ali, M., Baqir, A., Koh, T. W., and Sherazi, H. H. R. (2021). Spatio-temporal crime predictions by leveraging artificial intelligence for citizens security in smart cities. IEEE Access, 9:47516–47529. DOI: 10.1109/ACCESS.2021.3068306.
Catlett, C., Cesario, E., Talia, D., and Vinci, A. (2019). Spatio-temporal crime predictions in smart cities: A data-driven approach and experiments. Pervasive and Mobile Computing, 53:62–74. DOI: 10.1016/j.pmcj.2019.01.003.
da Silva, A. R. C., de Paula Júnior, I. C., da Silva, T. L. C., de Macêdo, J. A. F., and Silva, W. C. P. (2020). Prediction of crime location in a brazilian city using regression techniques. In IEEE 32nd International Conference on Tools with Artificial Intelligence. DOI: 10.1109/ICTAI50040.2020.00059.
Du, Y. and Ding, N. (2023). A systematic review of multi-scale spatio-temporal crime prediction methods. ISPRS International Journal of Geo-Information, 12(6). DOI: 10.3390/ijgi12060209.
Han, X., Hu, X., Wu, H., Shen, B., and Wu, J. (2020). Risk prediction of theft crimes in urban communities: An integrated model of lstm and st-gcn. IEEE Access, 8. DOI: 10.1109/ACCESS.2020.3041924.
Hu, Y., Wang, F., and Zhu, H. (2018). A spatio-temporal kernel density estimation framework for predictive crime hotspot mapping and evaluation. Applied Geography. DOI: 10.1016/j.apgeog.2018.08.001.
Li, Z., Huang, C., Xia, L., Xu, Y., and Pei, J. (2022). Spatial-temporal hypergraph self-supervised learning for crime prediction. In 2022 IEEE 38th ICDE. DOI: 10.1109/ICDE53745.2022.00269.
Mandalapu, V., Elluri, L., Vyas, P., and Roy, N. (2023). Crime prediction using machine learning and deep learning: A systematic review. IEEE Access. DOI: 10.1109/ACCESS.2023.3286344.
Santos-Marquez, F. (2022). Spatial beta-convergence forecasting models: Evidence from municipal homicide rates in colombia. Journal of Forecasting, 41(2):294–302. DOI: 10.1002/for.2816.
Villegas, J. R., Pabón, J. S. M., Dulce Rubio, M., Quintero, S., Vargas, J. G., and García, H. (2022). Spatio temporal sparsity in homicide prediction models. IEEE Access, 10. DOI: 10.1109/ACCESS.2022.3143858.
Vinagre, J., Jorge, A. M., Rocha, C., and Gama, J. (2021). Statistically robust evaluation of stream-based recommender systems. IEEE TKDE, 33(7):2971–2982. DOI: 10.1109/TKDE.2019.2960216.
Xia, L., Huang, C., Xu, Y., Dai, P., Bo, L., Zhang, X., and Chen, T. (2021). Spatial-temporal sequential hypergraph network for crime prediction with dynamic multiplex relation learning. In Proceedings of the Thirtieth IJCAI. DOI: 10.24963/ijcai.2021/225.
Zhou, Z. and Matteson, D. S. (2015). Predicting ambulance demand: a spatio-temporal kernel approach. In Proceedings of the 21th ACM SIGKDD. DOI: 10.1145/2783258.2788570.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2025 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
