Este trabalho teve como característica principal utilizar técnicas de visualização de dados sobre uma base de dados da Polícia Militar, com objetivo de extrair conhecimento útil que pudesse ser visualizado em forma de gráficos e mapas, utilizando as bibliotecas de mapas da Google. Baseado nos resultados obtidos por esta pesquisa, conclui-se que a mesma foi satisfatória trazendo resultados relevantes para a tomada de decisão da Polícia Militar no município de Caicó-RN, embora não tenham sido abordada todas as técnicas visuais possíveis.
Houve algumas dificuldades durante o processo de obtenção dos resultados para a aplicação da técnica de pontos quentes. A base de dados da COPOM continha muitos registros de ocorrências inválidos e milhares de ocorrências tiveram que ser descartadas nesse procedimento devido à inviabilidade das mesmas, dificultando assim a tarefa de transformação dos dados. Como a API de geocodificação da Google(Google Maps Geocoding API) não conseguia localizar os endereções de localidades inválidas, ocorrências com os valores nulos eram retornados da API e então eram rejeitadas.
No mesmo processo, muitas ocorrências que eram válidas tinham nomes de avenidas sem mais informações como, por exemplo, o número da residência ou estabelecimento próximo de onde aconteceu o crime. Isso fazia com que a API buscasse as coordenadas centrais daquela rua, criando assim núcleos centrados de ocorrências que eram mostrados como intensas esferas vermelhas no mapa de pontos quentes.
Esse tratamento de ocorrências foi utilizado apenas para a aplicação da técnica de pontos quentes, nos processos de utilização de gráficos para a geração das estatísticas criminais, foram utilizadas todas as ocorrências da base de dados, embora elas tivessem ou não os valores de coordenadas geográficas, porque, por mais que uma ocorrência tivesse sua localidade irreconhecível pela a API de geocodificação, ela poderia ser utilizada para a contabilidade das ocorrências.
Para gerar os gráficos de estatísticas, foram utilizadas seletivamente as técnicas de gráficos de pizza, gráficos de colunas horizontais e verticais e gráficos de linha. A API de gráficos da Google (Google Charts) possui uma vasta quantidade de gráficos, porém a presente pesquisa limitou-se a utilizar apenas esses por atender os interesses dos objetivos principais desta pesquisa.
Finalmente, é necessário enfatizar que este trabalho não utilizou todas as técnicas de visualização de dados possíveis, nem mesmo todos os tipos de gráficos que a própria API de gráficos da Google fornece. Para trabalhos futuros, fica aberta a possibilidade de adicionar mais técnicas visuais, baseadas em diferentes tipos de pesquisas sobre a base de dados criminais, com o objetivo de obter resultados de estatísticas policiais diferentes, onde sejam mostrados novos aspectos da base de dados com outros tipos de gráficos.
Outra forma de estender este trabalho seria utilizar algoritmos de mineração de dados sobre ocorrências criminais visando à predição de crimes no município, para ter êxito nessa tarefa, será necessário um tratamento completo de restauração da base de dados criminais, pois uma grande parte ocorrências foi registrada com valores inválidos, os resultados da predição poderiam ser ilustrados utilizando as técnicas visuais.
REFERÊNCIAS
ALEXANDRE, Dulclerci Sternadt; TAVARES, Joao Manuel RS. Introduction of human perception in visualization. 2010.
ARCHARD, J. F. University of Leicester. Tribology, v. 2, n. 4, p. 237, 1969.
BERNICA, Timothy W. et al. Analysis and prediction of insurgent influence for US military strategy. In: Systems and Information Engineering Design Symposium (SIEDS), 2013 IEEE. IEEE, 2013. p. 161-166.
BRASIL. Lei nº 12.850, de 2 de agosto de 2013. Define organização criminosa e dispõe sobre a investigação criminal, os meios de obtenção da prova, infrações penais correlatas e o procedimento criminal a ser aplicado. Aceso em: 21 de outubro de 2014. Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2013/lei/l12850.htm.
BRASIL. Decreto Lei nº 2848/40, de 07 de Dezembro de 1940. Fazer justiça pelas próprias mãos, para satisfazer pretensão, embora legítima, salvo quando a lei o permite. Art. 345 do Código Penal.
BRAZ, Lucas M. et al. Aplicando Mineraç ao de Dados para Apoiar a Tomada de Decisao na Segurança Publica do Estado de Alagoas. 2009.
CHAINEY, Spencer; TOMPSON, Lisa; UHLIG, Sebastian. The utility of hotspot mapping for predicting spatial patterns of crime. Security Journal, v. 21, n. 1, p. 4-28, 2008.
DA SILVA, Marcelle Peres et al. Análise Socioespacial Da Violência Na 12ª AISP: O Uso Do Território, Geoinformação E Influências Da Violência Urbana Em Belém-Pa. Revista GeoAmazônia, v. 2, n. 04, 2015.
DALL‟OGLIO, Pablo. Php-programando com orientaçao a objetos. Novatec Editora, 2015.
DOCHERTY, Peter; BECK, Allan. A Visual Metaphor for Knowledge Discovery.
Information visualization in data mining and knowledge discovery, p. 192-204, 2001. DUNHAM, Margaret H. Data mining: Introductory and advanced topics. Pearson Education India, 2006.
FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery in databases. AI magazine, v. 17, n. 3, p. 37, 1996.
FELDMAN, Ronen; KLÖSGEN, Willi; ZILBERSTEIN, Amir. Visualization Techniques to Explore Data Mining Results for Document Collections. In: KDD. 1997. p. 16-23.
FERRER, Florencia. TI na segurança Pública. [Editorial]. B2B Magazine (Rede viva), 2005.
FEW, Stephen. Data visualization for human perception. The Encyclopedia of Human- Computer Interaction, 2nd Ed., 2013.
FOONG, DAVID LAWYUH. A visualization-driven approach for strategic knowledge
discovery. Information visualization in data mining and knowledge discovery, p. 181-190, 2001.
FOX, Jon et al. Investigating a Bayesian Hierarchical Framework for Feature-Space Modeling of Criminal Site-Selection Problems. In: MAICS. 2012. p. 185-192.
FRAWLEY, William J.; PIATETSKY-SHAPIRO, Gregory; MATHEUS, Christopher J. Knowledge discovery in databases: An overview. AI magazine, v. 13, n. 3, p. 57, 1992. FRIEDMAN, Vitaly. Data visualization: Modern approaches. Smashing Magazine, v. 2, 2007.
______. Data visualization and infographics. Graphics, Monday Inspiration, v. 14, p. 2008, 2008.
FRIENDLY, Michael; DENIS, Daniel J. Milestones in the history of thematic cartography, statistical graphics, and data visualization. URL http://www. datavis. ca/milestones, 2001.
FRY, Ben. Visualizing data: Exploring and explaining data with the processing environment. " O'Reilly Media, Inc.", 2007.
GERBER, Matthew S. Predicting crime using Twitter and kernel density estimation. Decision Support Systems, v. 61, p. 115-125, 2014.
GUILLEN, Luis Miguel Marquez. Proposta metodológica de geocodificação para uso da estatística espacial na compreensão do fenômeno crime. 2015.
HALL, Mark; WITTEN, Ian; FRANK, Eibe. Data mining: Practical machine learning tools and techniques. Kaufmann, Burlington, 2011.
HAMILTON, James Douglas. Time series analysis. Princeton: Princeton university press, 1994. 2 ed.
HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data mining: concepts and techniques. Elsevier, 2011.
HENRIQUES, Sónia. Análise Espacial E Temporal De Uma Base De Dados Criminais. 2014.
HILTON, Marlon. Injustiça com as próprias mãos. Disponível em:
<http://mhilton.jusbrasil.com.br/artigos/119871420/injustica-com-as-proprias- maos?ref=topic_feed>. Acesso em: 21 de outubro de 2014.
HORNICK, Mark F.; MARCADÉ, Erik; VENKAYALA, Sunil. Java data mining: strategy, standard, and practice: a practical guide for architecture, design, and implementation. Morgan Kaufmann, 2010.
KANTARDZIC, Mehmed. Data mining: concepts, models, methods, and algorithms. John Wiley & Sons, 2011.
MARCELIONIS, A. Fun With Physics In Data Visualization. Smashing Magazine, 2015. Disponível em: < https://www.smashingmagazine.com/2015/03/fun-with-physics-in-data- visualization/ >. Acesso em: 10 de março de 2015.
MCCUE, Colleen. Data mining and predictive analytics in public safety and security. IT Professional Magazine, v. 8, n. 4, p. 12, 2006.
MCCUNE, Doug. Crime in San Francisco’s Urban Renewal Area. 2009. Disponível em: <http://blog.spatialkey.com/2009/10/crime-in-san-franciscos-urban-renewal-area/>. Acesso em: 20 de outubro de 2014.
MOHLER, George O. et al. Self-exciting point process modeling of crime. Journal of the American Statistical Association, 2012.
MOHLER, George. Marked point process hotspot maps for homicide and gun crime prediction in Chicago. International Journal of Forecasting, v. 30, n. 3, p. 491-497, 2014. NAUGHTON, Patrick. Dominando o JAVA:[guia autorizado da Sun Microsystems]. 1996. NORENZAYAN, Ara; CHOI, Incheol; PENG, Kaiping. Perception and cognition. 2007. OATLEY, Giles C.; EWART, Brian W. Crimes analysis software:„pins in maps‟, clustering and Bayes net prediction. Expert Systems with Applications, v. 25, n. 4, p. 569-588, 2003. ORACLE. Data Mining Application Developer's Guide. Acesso em: 25 de novembro de 2014. Disponível em: https://docs.oracle.com/
PERAZZONI, Franco. SIG, Amazônia e polícia federal: geointeligência no combate ao desmatamento ilegal na Amazônia. 2013. Tese de Doutorado.
PERRY, Walt L. Predictive policing: The role of crime forecasting in law enforcement operations. Rand Corporation, 2013.
PRESS, G. A Very Short History Of Data Science. 2013. Disponível em: <http://www.forbes.com/sites/gilpress/2013/05/28/a-very-short-history-of-data- science/#69b900ec69fd>. Acesso em: 15 de março de 2016.
SPENCE, Ian. No humble pie: The origins and usage of a statistical chart. Journal of Educational and Behavioral Statistics, v. 30, n. 4, p. 353-368, 2005.
SVENNERBERG, Gabriel. Beginning Google Maps API 3. Apress, 2010.
WANG, Xiaofeng; BROWN, Donald E.; GERBER, Matthew S. Spatio-temporal modeling of criminal incidents using geographic, demographic, and Twitter-derived information. In: Intelligence and Security Informatics (ISI), 2012 IEEE International Conference on. IEEE, 2012. p. 36-41.
public static void main() { Dao dao = new Dao();
List<Ocorrencia> ocorrencias = dao.pesquisar(1000, 0); int cont = 0;
for (Ocorrencia o : ocorrencias) { String url = "http://maps.googleapis.com/maps/api/geocode/json?address="; if (o.getEndereco() == null) { continue; } else if (o.getEndereco().isEmpty()) { continue; }else {
url += o.getEndereco().replace(" ", "+") + "+Caicó+- +RN&sensor=false";
}
URL u = new URL(url);
HttpURLConnection con = null;
StringBuilder json = new StringBuilder(); try {
con = (HttpURLConnection) u.openConnection(); cont++;
con.setRequestProperty("User-Agent", "Mozilla/5.0");
BufferedReader br = new BufferedReader(
new InputStreamReader(con.getInputStream())); String aux = "";
while ((aux = br.readLine()) != null) { json.append(aux);
}
} catch (Exception ex) {
p("DC: " + ex.getMessage()); break;
}
JSONObject obj = new JSONObject(json.toString()); String status = obj.getString("status");
if (status.compareToIgnoreCase("ZERO_RESULTS") == 0) { p("inválido: " + o.getEndereco() + " id: " + o.getId() + " cont: " + cont);
continue; } else if
(status.compareToIgnoreCase("OVER_QUERY_LIMIT") == 0) { p(">>> LIMITE DE CONSULTAS ALCANÇADO"); break;
}
JSONArray results = obj.getJSONArray("results"); JSONObject geometry =
JSONObject location = geometry.getJSONObject("location");
o.setLatitude(location.getDouble("lat")); o.setLongitude(location.getDouble("lng"));
if (o.getLatitude() == 0 || o.getLongitude() == 0) { p("inválido: " + o.getEndereco() + " id: " + o.getId() + " cont: " + cont);
}
p("Valido: " + o.getId() + ", " + o.getEndereco() + " cont: " + cont); o.setValido(true); con.disconnect(); Thread.sleep(1000); } dao.salvar(ocorrencias, new File("d:/validas.txt"), new File("d:/invalidas.txt")); dao.close(); }
public static void p(Object o) { System.out.println(o);
Figura 29 – Ocorrências criminais de janeiro de 2013
Fonte: Autoria própria
Figura 30 – Ocorrências criminais até fevereiro de 2013
Figura 31 – Ocorrências criminais até março de 2013
Fonte: Autoria própria
Figura 32 – Ocorrências criminais até abril de 2013
Figura 33 – Ocorrências criminais até maio de 2013
Fonte: Autoria própria
Figura 34 – Ocorrências criminais até junho de 2013
Figura 35 – Ocorrências criminais até julho de 2013
Fonte: Autoria própria
Figura 36 – Ocorrências criminais até agosto de 2013
Figura 37 – Ocorrências criminais até setembro de 2013
Fonte: Autoria própria
Figura 38 – Ocorrências criminais até outubro de 2013
Figura 39 – Ocorrências criminais até novembro de 2013
Fonte: Autoria própria
Figura 40 – Ocorrências criminais até dezembro de 2013