Considerações finais

No capítulo foram apresentadas as configurações dos experimentos realizados, em que é considerado a divisão administrativa em formatos de AIS, a separação das horas do dia em

Tabela 16 – Resultado do PAI e nPAI, calculado da média dos três experimentos, para os algoritmos KDE com grade, PHAR, i-PHAR, SHAR e Expansive Network.

AIS Métrica Método Madru. Manhã Tarde Noite Mp

AIS 2 PAI

KDE com grade 5,05(1,25) 3,60(0,37) 4,55(0,34) 2,75(0,41) 3,80

PHAR 4,48(0,69) 3,72(0,51) 3,74(0,27) 2,76(0,72) 3,49

i-PHAR 4,16(0,82) 3,06(0,52) 3,18(0,73) 3,49(0,18) 3,41

nPAI _ExpansiveSHAR 6,58(0,26) 5,57(0,46) 4,06(0,25) 3,19(0,73) 4,40 Network 6,20(1,23) 5,36(0,54) 4,57(0,22) 4,34(1,10) 4,87 AIS 4

PAI KDE com grade 4,83

(0,44) 2,85(0,74) 6,93(0,09) 3,96(0,74) 4,82

PHAR 2,72(0,70) 3,42(0,35) 6,71(0,73) 5,22(0,48) 5,06

i-PHAR 3,64(0,46) 3,36(0,25) 6,01(0,70) 4,75(0,58) 4,75

nPAi _ExpansiveSHAR 4,78(0,54) 5,83(0,23) 8,12(0,77) 6,03(0,96) 6,54 Network 8,19(1,02) 5,43(0,12) 8,32(0,10) 6,47(0,77) 7,07 AIS 7 PAI

KDE com grade 8,41(0,24) 5,66(0,26) 5,00(0,34) 6,19(1,33) 5,92

PHAR 6,56(0,75) 5,29(1,11) 5,14(0,96) 7,00(0,05) 5,99

i-PHAR 8,68(0,92) 4,92(0,12) 5,32(0,64) 7,07(0,54) 6,18

nPAI _ExpansiveSHAR 8,69(0,51) 4,32(0,82) 3,22(0,15) 5,19(1,56) 4,73 Network 7,20(0,85) 3,91(0,29) 4,37(0,55) 5,41(0,88) 4,92

(*): desvio padrão.

Fonte: elaborado pelo autor.

Tabela 17 – Resultado do número de hotspots, calculado da média dos três experimentos, para os algoritmos KDE com grade, PHAR, i-PHAR, SHAR e Expansive Network.

AIS Método Madru. Manhã Tarde Noite Mp

AIS 2

KDE com grade 6,67(0,47) 7,67(1,89) 7,00(0,00) 5,67(0,94) 6,61

PHAR 3,00(1,41) 2,00(0,82) 2,67(0,94) 3,00(0,82) 2,70 i-PHAR 2,33(0,94) 3,00(0,00) 2,67(0,47) 2,67(0,47) 2,68 SHAR 3,00(1,41) 4,00(0,82) 3,67(1,70) 4,33(0,47) 3,87 Expansive Network 2,33(0,47) 3,00(0,82) 3,00(0,00) 2,67(0,47) 2,79 AIS 4

KDE com grade 3,33(0,94) 3,33(0,47) 1,33(0,47) 5,00(0,00) 3,24

PHAR 5,00(0,82) 2,67(0,94) 2,00(0,82) 2,67(0,94) 2,71 i-PHAR 4,33(0,94) 3,33(1,25) 2,00(1,41) 2,00(1,41) 2,54 SHAR 1,00(0,00) 1,67(0,47) 1,00(0,00) 1,67(0,47) 1,37 Expansive Network 2,33(0,47) 1,67(0,47) 1,33(0,47) 2,33(0,47) 1,86 AIS 7

KDE com grade 11,67(0,94) 12,00(1,41) 13,33(3,77) 13,00(4,24) 12,73

PHAR 12,00(3,74) 7,00(2,94) 7,33(3,68) 7,67(5,91) 7,83 i-PHAR 12,00(1,63) 9,33(2,62) 8,00(4,97) 6,67(4,50) 8,23 SHAR 9,67(1,25) 5,00(2,16) 6,67(2,36) 7,00(4,08) 6,68 Expansive Network 4,33(1,25) 3,33(0,47) 3,67(0,94) 3,67(0,94) 3,65 (*): desvio padrão.

Figura 36 – Representação das ruas inclusas no grafo da AIS 7.

Fonte: elaborado pelo autor.

períodos e a separação dos dias em janelas de tempo. Todos os experimentos foram realizados utilizando um conjunto de dados reais.

No capítulo também foram apresentados os resultados obtidos com a execução dos experimentos na técnica do KDE com grade, e nos métodos propostos: PHAR, i-PHAR, SHAR e Expansive Network, utilizando as métricas do PAI e número de hotspots para os métodos que geram regiões de polígonos, e as métricas do nPAI, número de hotspots e diâmetro na rede de ruas, para os métodos que geram regiões formadas por subgrafos de ruas.

Em adição aos resultados, também foi realizado uma análise qualitativa de todos os algoritmos criados. Mostrando que o método do KDE com grade não considera as ruas na criação dos hotspots, e nem a quantidade de regiões geradas. Já no método PHAR é mostrado que é feito um aproximação do KDE para as ruas, melhorando a qualidade dos mapas, além de adicionar uma etapa de definição do número de clusters, e a possibilidade de utilização do algoritmo incremental i-PHAR, que atualiza os hotspots com adição de novos eventos. No algoritmo SHAR é apresentado a criação de hotspots em formato de subgrafo de ruas, que ajuda no planejamento das patrulhas, principalmente por criar as regiões com rotas entre todas as ruas inclusas. No método Expansive Network é mostrado, que, através de uma seleção gulosa dos nós e criação dinâmica dos hotspots em formato de ruas, é possível obter hotspots mais relevantes em termos de predição de crimes. No Quadro 9 é mostrado o contexto mais vantajoso para a utilização de cada método abordado neste estudo.

Quadro 9 – Contexto mais vantajoso para a utilização de cada método.

Método Contexto mais vantajoso

KDE

com grade Criar hotspots em regiões que não possuem dados de ruas. PHAR e

i-PHAR Criar hotspots em formatos de polígonos apróximados às ruas. SHAR _{da presença de rotas entre todos os nós de uma mesma região.}Criar hotspots em formato de ruas com a necessidade Expansive

Network Criar hotspots em formato de ruas com um melhor acerto e sema necessidade de rotas entre todos os nós de uma mesma região.

Fonte: elaborado pelo autor.

possibilitando a comparação dos resultados a partir dos experimentos executados, e mostrando a vantagem da utilização da métrica nPAI na avaliação dos hotspots de ruas, que considera somente os comprimentos das ruas da área de estudo, desconsiderando as regiões que não fazem parte do espaço urbano.

6 CONCLUSÃO

Iniciando a partir de uma técnica clássica da literatura de construção de mapas de hotspots, esse trabalho desenvolveu de forma evolutiva novos algoritmos para melhorar o uso prático dos mapas criados, considerando que um dos principais agentes de inibição dos crimes é a presença física das equipes de patrulhas, e que elas possuem recursos limitados da quantidade de equipes e do tamanho da região que é possível patrulhar. Desta forma, as técnicas apresentadas foram construídas para aumentar a sua eficiência de ação, minimizando o número de regiões e maximizando a presença de zonas de alto risco, além de considerar as ruas como elemento essencial de construção dos mapas, facilitando o planejamento e locomoção dentro das áreas de monitoramento.

Nesse trabalho, os testes dos algoritmos propostos foram realizados em um conjunto de dados reais. Considerando que o valor do PAI próximo de 1,0 indicaria que os eventos possuem uma distribuição uniforme na área de estudo, e que as regiões de hotspots seriam escolhidas aleatoriamente, nos experimentos, a grande maioria dos resultados das métricas PAI e nPAI estiveram acima do valor 2,0, e em muitos casos acima dos valores 4,0 e 6,0, indicando que as regiões de hotspots geradas pelos métodos propostos possuem uma relevância estatística maior que uma seleção aleatória. Os resultados obtidos nos experimentos também indicam uma aproximação com os valores do PAI de 4,68 e 4,59 obtidos em Chainey et al. (2008) com a técnica do KDE com grade para os crimes de ruas, nas regiões de Camden e Insligton localizadas no centro-norte de Londres. Considerando que os parâmetros dos algoritmos foram escolhidos utilizando um conjunto de validação, para obter valores maiores de PAI e nPAI, com relação à quantidade de regiões a serem monitoradas, todas as técnicas propostas geraram uma quantidade de hotspots menores que a técnica do KDE com grade (Tabela 17), de acordo com a média ponderada. Apesar do trabalho ter a expectativa de reduzir o número de hotspots, em situações reais de uso dos mapas de hotspots, pode ser desejável que o número seja um parâmetro definido pelas equipes de patrulha, de acordo com a quantidade de equipes disponíveis.

Devido a ausência de trabalhos na literatura de um método cientificamente aceito para calcular a quantidade de dias ou quantidade de dados relevantes para construir os mapas de hotspots, esse trabalho se limitou em realizar experimentações utilizando os dados para os períodos de 2 meses, 1 ano e 2 anos. E para facilitar a apresentação e análise do grande volume de resultados, foram utilizados os valores médios dos três períodos, que, em alguns casos gerou um desvio padrão alto, prejudicando uma comparação mais detalhada.

Em cada método desenvolvido é possível destacar diferentes contribuições na criação de mapas de hotspots: no algoritmo PHAR as células da grade foram substituídas pelos nós de ruas, que foram agrupados utilizando um algoritmo de clusterização, e a partir dos clusters foram formados os hotspots; no algoritmo i-PHAR é possível destacar a atualização dos mapas com o acréscimo de novos dados, possibilitando a identificação das mudanças das áreas mais propensas à ocorrências de crimes ao longo do tempo; no método SHAR a combinação dos nós como subgrafos de ruas, com adição da manutenção dos caminhos entre todos os locais de uma região de hotspot, mudou a perspectiva de usabilidade dos mapas, facilitando o planejamento das equipes de patrulha; no algoritmo Expansive Network, a seleção gulosa das maiores áreas de risco, combinada com as densidades dos crimes projetadas nos nós de ruas, e a construção dinâmica dos hotspots em formato de subgrafos, utilizando as informações de vizinhança, possibilitou a geração de hotspots com alta qualidade, reduzindo um pouco a usabilidade das rotas adquiridas no algoritmo SHAR, porém abrindo uma gama de possibilidades de desenvolvimento, devido à simplicidade e eficiência do algoritmo.