Inteligência artificial na segurança urbana: uma análise preditiva dos crimes em Chicago

Abstract

Este trabalho investiga a aplicação de técnicas de Inteligência Artificial e Ciência de Dados na segurança pública, focando na previsão de padrões criminais na cidade de Chicago. Foram utilizados dados abertos do portal de criminalidade local, estudando o período de 2001 a 2023, com ênfase na análise preditiva de crimes do tipo “assalto” entre 2014 e 2018. A metodologia incluiu um pré-processamento rigoroso dos dados, análise estatística e exploratória temporal e espacial, e a implementação de dois modelos preditivos: Prophet (especializado em séries temporais) e Random Forest (baseado em ensemble learning). Os modelos foram integrados a um dashboard interativo desenvolvido em Streamlit, permitindo visualizações geoespaciais, análises estatísticas e a exploração de tendências criminais. Os resultados obtidos entre os modelos são próximos, mas indicam que o Random Forest obteve um desempenho melhor em todas as métricas utilizadas, em especial em termos de erro percentual (MAPE = 10,51%), ao passo que o Prophet (MAPE = 12,27%), com base nos parâmetros utilizados. Além disso, em situações atípicas com quebras de padrões e tendências, como a pandemia da Covid 19, evidenciou-se uma grande diferença no desempenho dos modelos, como expressa o erro percentual do Prophet (MAPE = 54,44%) e o do Random Forest (MAPE = 10,32%). Conclui-se que a integração de IA e a visualização interativa do dashboard constituem uma ferramenta promissora para apoiar a tomada de decisão em segurança urbana, com potencial de replicação em outros contextos metropolitanos.

This study investigates the application of Artificial Intelligence and Data Science techniques in public safety, focusing on predicting crime patterns in the city of Chicago. The research utilized open data from the local crime portal, examining the period from 2001 to 2023, with emphasis on predictive analysis of “assault” crimes between 2014 and 2018. The methodology included rigorous data preprocessing, temporal and spatial exploratory statistical analysis, and the implementation of two predictive models: Prophet (specialized in time series) and Random Forest (based on ensemble learning). The models were integrated into an interactive dashboard developed in Streamlit, enabling geospatial visualizations, statistical analyses, and exploration of crime trends. The results obtained from both models were comparable, but indicated that Random Forest achieved superior performance across all evaluated metrics, particularly in terms of percentage error (MAPE = 10.51%), while Prophet recorded MAPE = 12.27% based on the parameters employed. Furthermore, in atypical situations involving pattern disruptions and trend breaks, such as the COVID-19 pandemic, a significant performance disparity between the models was evidenced, as expressed by Prophet’s percentage error (MAPE = 54.44%) compared to Random Forest (MAPE = 10.32%). It is concluded that the integration of AI and interactive dashboard visualization constitutes a promising tool for supporting decision-making in urban security, with potential for replication in other metropolitan contexts.