Inteligência artificial e vídeo-vigilância na previsão e detecção de crimes no espaço-tempo: uma revisão sistemática
DOI:
https://doi.org/10.47741/17943108.398Palavras-chave:
Criminologia, inteligência artificial, detecção de crime, geografia social, Sistemas de Informação Geográfica (SIG), apoio social, mapeamento do crime, análise espaço-temporalResumo
Na sociedade de hoje, a criminalidade está aumentando, particularmente na cidade de Bogotá, o que tem causado muitos inconvenientes para a Polícia Nacional Colombiana, bem como para os centros de segurança do cidadão. Diante desta situação, foi proposta uma previsão tempo-espacial de hotspots de crime com a ajuda da inteligência artificial. Portanto, este documento visa analisar, resumir, interpretar e avaliar as diversas técnicas de previsão espaço-temporal do crime com uma visão inteligente. Devido à própria natureza da pesquisa, foi utilizada uma metodologia de abordagem descritiva-qualitativa, com a qual foram elaboradas fichas de observação estruturadas para sistematizar informações de cinco bancos de dados: Scopus, Web of Science, IEEE, ACM, Springer; estas publicações abrangem o período de 2019 a junho de 2021. Consequentemente, foi encontrado um total de 3015 estudos, após o processo de triagem e verificação dos critérios de exclusão e inclusão, 132 artigos foram selecionados, depois foram aplicadas perguntas ao Psicólogo em Residência (PIR), deixando 18 artigos. As principais descobertas indicam que os algoritmos de redes neurais provaram ser um dos métodos mais eficazes para a detecção de hotspots de crime, dado que os grandes avanços na tecnologia ajudarão nos próximos anos a prever rápida e efetivamente atos criminosos e crimes localizados em qualquer região do continente latino-americano.
Downloads
Referências
Akhgar, B., & Yates, S.J. (2011). Strategic Intelligence Management for Combating Crime and Terrorism. In: Akhgar, B., Yates, S. (Eds) Intelligence Management. Advanced Information and Knowledge Processing. Springer, London. https://doi.org/10.1007/978-1-4471-2140-4_10
Baqir, A., Rehman, S, Malik, S., Mustafa, F., & Ahmad, U. (2020). Evaluating the Performance of Hierarchical Clustering algorithms to Detect Spatio-Temporal Crime Hot-Spots. 2020 3rd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET), 1, 1-5. https://doi.org/10.1109/icomet48670.2020.9074125
Brantingham, P., & Brantingham, P. (1993). Nodes, paths and edges: Considerations on the complexity of crime and the physical environment. Journal of Environmental Psychology, 13(1), 3-28. https://doi.org/10.1016/s0272-4944(05)80212-9
Butt, U, Letchmunan, S., Hassan, F, Ali M., Baqir, A., & Sherazi, H. (2020). Spatio-Temporal Crime Hot Spot Detection and Prediction: A Systematic Literature Review. IEEE Access, 8, 166553-166574. https://doi.org/10.1109/access.2020.3022808
Deshmukh, S., & Annappa, B. (2019). Prediction of Crime Hot Spots Using Spatiotemporal Ordinary Kriging. Studies in Computational Intelligence, 771(1), 683-691. https://doi.org/1007/978-981-10-8797-470
Elluri, L., Mandalapu, V., & Roy, N. (2019). Developing Machine Learning Based Predictive Models for Smart Policing. 2019 IEEE International Conference on Smart Computing (SMARTCOMP), 1, 198-204. https://doi.org/10.1109/SMARTCOMP.2019.00053
Esquivel, N., Nicolis, O., Peralta B., & Mateu, J. (2020) Spatio-Temporal Prediction of Baltimore Crime Events Using CLSTM Neural Networks, in IEEE Access, 8, 209101-209112. https://doi.org/10.1109/ACCESS.2020.3036715
Flores Arias, P. (2014). Modelación y predicción de focos de criminalidad basado en modelos probabilísticos. Tesis de pregrado, Universidad de Chile, Santiago de Chile. https://repositorio.uchile.cl/handle/2250/129832
Gerber, M. (2014). Predicting Crime Using Twitter and Kernel Density Estimation. Decision Support Systems, 61, 115-125. https://doi.org/10.1016/j.dss.2014.02.003
Gorr, W., & Harries, R. (2003). Introduction to crime forecasting. International Journal of Forecasting, 19(4), 551-555. https://doi.org/10.1016/s0169-2070(03)00089-x
Helbich, M., & Jokar Arsanjani, J. (2014). Spatial eigenvector filtering for spatiotemporal crime mapping and spatial crime analysis. Cartography and Geographic Information Science, 42(2), 134-148. https://doi.org/10.1080/15230406.2014.893839
Kalampokis, E., Tambouris, E., & Tarabanis, K. (2013), Understanding the predictive power of social media. Internet Research, 23(5), 544-559. https://doi.org/10.1108/IntR-06-2012-0114
Kounadi, O., Ristea, A., Araujo, A., & Leitner, M. (2020). A systematic review on spatial crime forecasting. Crime Science, 9(7), 1-22. https://doi.org/10.1186/s40163-020-00116-7
Chiok, C. H. (2014). Modelos de regresión lineal con redes neuronales. Anales Científicos, 75(2), 253. https://doi.org/10.21704/ac.v75i2.961
Misyrlis, M., Cheung, C. Srivastava, A., Kannan, R., & Prasanna, V. (2017). Spatio-Temporal Modeling of Criminal Activity. Proceedings of the 2nd International Workshop on Social Sensing, 1, 3-8. https://doi.org/10.1145/3055601.3055613
Papalexakis, E., Dumitras, T., Chau, D, Prakash, B., & Faloutsos, C. (2014). SharkFin: Spatio-temporal mining of software adoption and penetration. Social Network Analysis and Mining, 4(1), 1-15. https://doi.org/10.1007/s13278-014-0240-2
Quick, M. (2019). Multiscale Spatiotemporal Patterns of Crime: A Bayesian Cross-Classified Multilevel Modelling Approach. Journal of Geographical Systems, 21(3), 339-365. https://doi.10.1007/s10109-019-00305-2
Sheehey, B. (2019). Algorithmic Paranoia: The Temporal Governmentality of Predictive Policing. Ethics and Information Technology, 21(1), 49-58. https://doi.org/10.1007/s10676-018-9489-x
Shiode, S., & Shiode, N. (2020). A network-based scan statistic for detecting the exact location and extent of hotspots along urban streets. Computers, Environment and Urban Systems, 83, 1-12. https://doi.org/10.1016/j.compenvurbsys.2020.101500
Ugolini, V., & Smith, M. (2021). Shadowing ‘The Exceptional’ behind the ‘Ordinary’: Mapping a Network of Intelligence Laundering. Intelligence and National Security, 36(1), 72-94. https://doi.org/10.1080/02684527.2020.1791488
Wain, N., Ariel, B., & Tankebe, J. (2017). The collateral consequences of GPS-LED supervision in hot spots policing. Police Practice and Research, 18(4), 376-390. https://doi.org/10.1080/15614263.2016.1277146
Xiao, J., Wang, Z., Chen, Y., Liao, L., Xiao, J., Zhan, G., & Hu, R. (2016). A sensitive object-oriented approach to big surveillance data compression for social security applications in smart cities. Software: Practice and Experience, 47(8), 1061-1080. https://doi.org/10.1002/spe.2430
Xie, Y., Shekhar, S. (2019). Una estadística de exploración basada en la normalización no determinista (exploración NN) hacia la detección robusta de puntos de acceso: un resumen de los resultados. Actas de la Conferencia Internacional SIAM 2019 sobre Minería de Datos, 1, 82-90. https://doi.org/10.1137/1.9781611975673.10
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Revista Criminalidad
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Licencia creative commons CC BY NC ND https://creativecommons.org/licenses/by-nc-nd/2.0/
