UNIVERSIDADE ESTADUAL PAULISTA - UNESP "JÚLIO DE MESQUITA FILHO" Faculdade de Ciências e Tecnologia - Campus de Presidente Prudente ANDERSON GARRIDO SCAIONI Policiamento Inteligente: Aplicação de Ontologia, Análise Preditiva e Redes Neurais Convolucionais no Apoio ao Planejamento Operacional e Roteirização Presidente Prudente 2025 ANDERSON GARRIDO SCAIONI Policiamento Inteligente: Aplicação de Ontologia, Análise Preditiva e Redes Neurais Convolucionais no Apoio ao Planejamento Operacional e Roteirização Dissertação apresentada ao Programa de Pós-Graduação em Ciência da Computação da Faculdade de Ciências e Tecnologia da Universi- dade Estadual Paulista UNESP, como requisito para a obtenção do título de Mestre em Ciência da Computação. Presidente Prudente 2025 S287p Scaioni, Anderson Garrido Policiamento Inteligente : Aplicação de Ontologia, Análise Preditiva e Redes Neurais Convolucionais no Apoio ao Planejamento Operacional e Roteirização / Anderson Garrido Scaioni. -- Presidente Prudente, 2025 131 p. : il., tabs., mapas Dissertação (mestrado) - Universidade Estadual Paulista (UNESP), Faculdade de Ciências e Tecnologia, Presidente Prudente Orientador: Rogério Eduardo Garcia 1. Policiamento inteligente. 2. Predição Criminal. 3. Redes Neurais. 4. Ontologia. 5. Segurança Pública. I. Título. Sistema de geração automática de fichas catalográficas da Unesp. Dados fornecidos pelo autor(a). IMPACTO POTENCIAL DESTA PESQUISA A pesquisa contribui com inovação na segurança pública, ao aplicar ontologia e inteligência artificial no planejamento policial, promovendo eficiência opera- cional, uso racional de recursos e benefícios sociais. POTENTIAL IMPACT OF THIS RESEARCH This research contributes with innovation in public safety by applying ontology and artificial intelligence to police planning, promoting operational efficiency, rational resource use, and social benefits. UNIVERSIDADE ESTADUAL PAULISTA Câmpus de Presidente Prudente Emprego de Redes Neurais Convolucionais, Ontologia e Análise Preditiva para o planejamento estratégico e roteirização eficiente, como proposta de policiamento inteligente à Segurança Pública TÍTULO DA DISSERTAÇÃO: CERTIFICADO DE APROVAÇÃO AUTOR: ANDERSON GARRIDO SCAIONI ORIENTADOR: ROGÉRIO EDUARDO GARCIA Aprovado como parte das exigências para obtenção do Título de Mestre em Ciência da Computação, área: Computação Aplicada pela Comissão Examinadora: Prof. Dr. ROGÉRIO EDUARDO GARCIA (Participaçao Presencial) FCT / UNESP / Presidente Prudente (SP) Prof. Dr. DANILLO ROBERTO PEREIRA (Participaçao Presencial) Matemática e Computação / Unesp - Presidente Prudente - FCT Prof. Dr. WASHINGTON HENNIS DA SILVA (Participaçao Presencial) 18 BPM/1 / PMESP Presidente Prudente, 26 de fevereiro de 2025 Faculdade de Ciências e Tecnologia - Câmpus de Presidente Prudente - Roberto Simonsen, 305, 19060900, Presidente Prudente - São Paulo https://www.ibilce.unesp.br/#!/pos-graduacao/programas-de-pos-graduacao/ciencia-da-computacao/CNPJ: 48.031.918/0009-81. Dedico este trabalho aos meus pais, que sempre me incentivaram, e àqueles que acreditaram no poder da educação como agente transformador. Agradecimentos A Deus, por me dar forças e sabedoria para seguir em frente. Aos meus familiares, pelo apoio incondicional em todos os momentos desta caminhada. Ao meu orientador, Prof. Dr. Rogério Eduardo Garcia, pela orientação segura, paciência, dedicação e por acreditar na proposta deste trabalho desde o início. Sua expertise, comprometimento e incentivo foram fundamentais para a construção e conclusão desta dissertação. Aos professores e colegas do Programa de Pós-Graduação em Ciência da Computação da UNESP, pelo compartilhamento de conhecimento e convivên- cia ao longo dessa jornada. À Polícia Militar do Estado de São Paulo, pelo apoio institucional. A todos que, direta ou indiretamente, contribuíram para a realização deste trabalho, minha sincera gratidão. 5 "Não sabendo que era impossível, foi lá e fez." Mark Twain Resumo E ste trabalho implementa um protótipo de um sistema de policia- mento inteligente utilizando tecnologias como Redes Neurais Con- volucionais, Ontologia e Análise Preditiva. O foco é otimizar o pla- nejamento operacional, fornecendo ferramentas para o roteamento eficiente de recursos dentro da Polícia Militar, garantindo uma melhor cobertura e res- posta aos incidentes. O sistema de análise preditiva identificará padrões e tendências, enquanto experimentos com dados do mundo real avaliarão a efi- cácia das abordagens tecnológicas propostas. Modelos estabelecidos de ciên- cia de dados, incluindo redes neurais convolucionais treinadas, serão aplica- dos e testados dentro de estruturas de treinamento. As autoridades públicas necessitam de ferramentas práticas para combater o crime, incluindo aque- las que auxiliem na prevenção de novas ocorrências criminosas, otimização da alocação de recursos, estudo de comportamentos e padrões criminosos, e visualização de áreas geográficas de alta criminalidade. O objetivo principal é aprimorar a eficiência das Unidades Policiais na prevenção e combate ao crime, por meio de processos de tomada de decisão e alocação de recursos mais eficazes. Os resultados esperados incluem o desenvolvimento de um mo- delo integrado de policiamento inteligente, contribuindo para a redução das taxas de criminalidade e para melhores práticas de gestão na segurança pú- blica. Sendo assim, este estudo busca fornecer uma abordagem precisa e eficiente para apoiar as decisões sobre o roteamento de patrulhas, aumen- tando a eficácia das respostas e melhorando a segurança pública de maneira geral. Palavras-chave: Policiamento inteligente, Redes Neurais Convolucionais, On- tologia, Análise Preditiva, Planejamento Operacional, Roteamento de Recur- sos, Prevenção ao Crime, Alocação de Recursos, Padrões Criminosos, Visuali- zação Geográfica, Ciência de Dados, Segurança Pública, Tomada de Decisão, Modelos Preditivos, Patrulhamento Otimizado. 7 Abstract T his work implements a prototype of an intelligent policing system using technologies such as Convolutional Neural Networks, Ontology, and Predictive Analysis. The focus is to optimize operational plan- ning by providing tools for the efficient routing of resources within the Military Police, ensuring better coverage and response to incidents. The predictive analysis system will identify patterns and trends, while experiments using real-world data will evaluate the effectiveness of the proposed technological approaches. Established data science models, including trained convolutional neural networks, will be applied and tested within training frameworks. Pu- blic authorities require practical tools to combat crime, including those that assist in preventing new criminal occurrences, optimizing resource allocation, studying criminal behaviors and patterns, and visualizing high-crime geo- graphic areas. The main objective is to enhance the efficiency of Police Units in crime prevention and response through more effective decision-making and resource allocation processes. Expected outcomes include the development of an integrated intelligent policing model, contributing to lower crime rates and improved public safety management practices. Thus, this study aims to pro- vide a precise and efficient approach to support decisions on patrol routing, increasing response effectiveness and improving overall public safety. Keywords: Intelligent Policing, Convolutional Neural Networks, Ontology, Pre- dictive Analysis, Operational Planning, Resource Routing, Crime Prevention, Resource Allocation, Criminal Patterns, Geographic Visualization, Data Sci- ence, Public Security, Decision-Making, Predictive Models, Optimized Patrol- ling. 8 Lista de Figuras 2.1 Processo de extração do conhecimento. Fonte adaptada de Fayyad(1996). 11 2.2 Modelo de Aprendizado. Fonte adaptada de Escovedo(2020). . . . 13 3.1 Plano de Policiamento. Fonte Apresentação Fiesp (Cmt Geral 2019) 16 3.2 Representação de combinação de camadas de risco - Fonte: Ca- plan et al. (2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.3 Função K-means - Fonte: Gusmão et al. (2020) . . . . . . . . . . . 22 3.4 Processo do Policiamento Preditivo - Fonte Perry et al 2013 . . . . 24 4.1 Classificação das Ontologias - Fonte Guarino 1998 . . . . . . . . . 31 4.2 RDF - Fonte adaptada de Biz, Bettoni, Thomaz, Santos e Pavan (2014) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.3 Neurônio Biológico - Fonte adaptada de https://commons.wiki- media.org/w/index.php?curid=7616130 . . . . . . . . . . . . . . . 39 4.4 Representação genérica de um neurônio artificial, Fonte adap. de Dewinter et al. (2020) . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5 Função matemática de um neurônio artificial, Fonte adap. de Dewinter et al. (2020) . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.6 Rede neural artificial de múltiplas camadas, Fonte adap. de Dewinter et al. (2020) . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.7 Mapas de ativação empilhados para próxima camada, Fonte: (Couto, 2023) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.8 Representação de camadas de uma CNN, Fonte: (Couto, 2023) . . 45 4.9 Análise de Valor x complexidade - Fonte: Wikipedia (Jun/2024) . 47 A.1 Correlação de Pearson entre variáveis. . . . . . . . . . . . . . . . . 77 A.2 feature importance. . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 A.3 Mapa com clusters preditivos no formato de Grid (Fonte: Próprio autor). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 A.4 Mapa com clusters preditivos no formato de Grid com plotagem de setores (Fonte: Próprio autor). . . . . . . . . . . . . . . . . . . . 86 i Lista de Figuras A.5 Predição inicial do modelo. Fonte: Próprio autor . . . . . . . . . . 94 A.6 Predição intermediária do modelo. Fonte: Próprio autor . . . . . . 94 A.7 Predição final do modelo. Fonte: Próprio autor . . . . . . . . . . . 95 A.8 Evolução do loss e MAE durante as 5 primeiras épocas de treina- mento do modelo. Fonte: Próprio autor . . . . . . . . . . . . . . . . 96 A.9 Comparação entre a imagem prevista (binária), a imagem real e o erro absoluto. Fonte: Próprio autor . . . . . . . . . . . . . . . . . 99 A.10Comparação entre a imagem prevista, a imagem real e o erro absoluto. Fonte: Próprio autor . . . . . . . . . . . . . . . . . . . . . 104 A.11Matriz de Confusão do Classificador Logistic Regression. Fonte: Próprio autor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 A.12Clusters de Criminalidade. Fonte: Próprio Autor . . . . . . . . . . 109 ii Lista de Tabelas 4.1 Definição de Crimes por Jurisdição . . . . . . . . . . . . . . . . . . 34 4.2 Definição de Frio por Região . . . . . . . . . . . . . . . . . . . . . . 35 4.3 Tipos de Fraude e Características . . . . . . . . . . . . . . . . . . . 35 4.4 Definição de Período do Dia por Região . . . . . . . . . . . . . . . . 36 6.1 Resumo dos Métodos e Objetivos de Previsão no Policiamento In- teligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 iii Lista de Abreviaturas e Siglas ABNT Associação Brasileira de Normas Técnicas CNN Convolutional Neural Network (Rede Neural Convolucional) CSV Comma-Separated Values (Valores Separados por Vírgula) FCT Faculdade de Ciências e Tecnologia GESPOL Sistema de Gestão da Polícia Militar do Estado de São Paulo LDO Lei de Diretrizes Orçamentárias LOA Lei Orçamentária Anual MAE Mean Absolute Error (Erro Absoluto Médio) PMESP Polícia Militar do Estado de São Paulo PPA Plano Plurianual PPGCC Programa de Pós-Graduação em Ciência da Computação RDF Resource Description Framework RTM Risk Terrain Modeling (Modelagem de Terreno de Risco) SP São Paulo UNESP Universidade Estadual Paulista iv Lista de Símbolos α Taxa de aprendizado (learning rate) ε Erro admissível ou limiar de convergência θ Parâmetro de peso em rede neural σ Função de ativação sigmoide µ Média σ2 Variância X Conjunto de variáveis independentes (features) Y Variável dependente ou variável de saída f(x) Função preditiva ŷ Valor estimado (previsão) MAE Mean Absolute Error (Erro Absoluto Médio) MSE Mean Squared Error (Erro Quadrático Médio) RMSE Raiz do Erro Quadrático Médio k Número de clusters (em algoritmos de agrupamento) n Número total de observações v Sumário Agradecimentos 5 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Lista de Abreviaturas e Siglas iv Lista de Símbolos v 1 Proposta do Projeto 1 1.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Problema, Questões de pesquisa, Hipótese e tese . . . . . . . . . . 3 1.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3.2 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . 5 1.4 Fundamentação Teórica . . . . . . . . . . . . . . . . . . . . . . . . 5 1.5 Metodologia Aplicada . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5.1 Definição e Contextualização da Área de Estudo . . . . . . 6 1.5.2 Modelagem Estratégica e Análise Preditiva . . . . . . . . . . 7 1.5.3 Desenvolvimento do Modelo Preditivo de Localização de Pa- trulhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.6 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2 Processo de Extração do Conhecimento e Modelo de Aprendizado 9 2.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.2 Processo de Extração de Conhecimento . . . . . . . . . . . . . . . 10 2.2.1 Seleção de Dados: . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.2 Pré-processamento de Dados: . . . . . . . . . . . . . . . . . 11 2.2.3 Transformação de Dados: . . . . . . . . . . . . . . . . . . . . 11 2.2.4 Mineração de Dados: . . . . . . . . . . . . . . . . . . . . . . 12 2.2.5 Interpretação e Avaliação: . . . . . . . . . . . . . . . . . . . . 12 2.3 Modelo de aprendizado . . . . . . . . . . . . . . . . . . . . . . . . . 12 vi Sumário 2.4 Impactos e Considerações finais . . . . . . . . . . . . . . . . . . . . 14 3 Policiamento Inteligente e tecnologias emergentes 15 3.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2 Policiamento Inteligente . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.3 Tecnologias emergentes . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.3.1 Risk Terrain Modeling (RTM) . . . . . . . . . . . . . . . . . . 19 3.3.2 K-means) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.3.3 Policiamento Preditivo (Predictive Policing) . . . . . . . . . . 23 3.3.4 Financiamento das tecnologias emergentes no contexto da Segurança Pública: um desafio a ser superado . . . . . . . 25 3.4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4 Ontologias, Redes Neurais (Artificiais) e Análise de Dados 29 4.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.2 Ontologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 4.2.1 Aprimoramento Semântico de Dados por Meio de Ontologias 32 4.2.2 Aplicação da Ontologia na Predição Criminal . . . . . . . . 34 4.2.3 Melhoria na Previsão através da Semântica . . . . . . . . . 35 4.2.4 Expansão da Ontologia para Outras Modalidades Criminais 35 4.2.5 Integração de Ontologias no Contexto das Variáveis Predi- toras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2.6 Exemplos de RDF para Representação de Conceitos . . . . 36 4.2.7 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3.1 Neurônio Artificial . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3.2 Arquitetura e aprendizado de redes neurais . . . . . . . . . 40 4.3.3 Redes Neurais Convolucionais . . . . . . . . . . . . . . . . . 43 4.4 Análise de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.4.1 Principais Tecnologias Relacionadas à Análise Preditiva . . 49 4.5 Considerações finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5 Predição Criminal Utilizando Técnicas de Machine Learning e Aná- lise Espacial 52 5.1 Considerações Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.2 Previsão Empírica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5.3 Métodos e Algorítimos . . . . . . . . . . . . . . . . . . . . . . . . . . 54 5.4 Medições e Análises de Desempenho . . . . . . . . . . . . . . . . . 55 5.5 Tratamento dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . 56 vii Sumário 6 Conclusão 57 6.1 Validação da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6.2 Resposta à Hipótese . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6.3 Objetivos e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . 59 6.4 Propostas para Trabalhos Futuros . . . . . . . . . . . . . . . . . . 60 6.4.1 Validação Criminológica para Trabalhos Futuros . . . . . . 60 6.5 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Referências Bibliográficas 63 A Procedimentos de Tratamento de Dados 70 A.1 Tratamento dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . 70 A.1.1 Pré-processamento . . . . . . . . . . . . . . . . . . . . . . . . 70 A.1.2 Carregamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 A.1.3 Renomear Colunas . . . . . . . . . . . . . . . . . . . . . . . . 71 A.1.4 Função para Extrair Hora . . . . . . . . . . . . . . . . . . . . 71 A.1.5 Filtrar Dados Relevantes . . . . . . . . . . . . . . . . . . . . 72 A.1.6 Processar Colunas de Data e Hora . . . . . . . . . . . . . . . 72 A.1.7 Codificar a Coluna descricao . . . . . . . . . . . . . . . . . 72 A.1.8 One-Hot Encoding para dia_semana . . . . . . . . . . . . . 73 A.1.9 Adicionar Feriados . . . . . . . . . . . . . . . . . . . . . . . . 73 A.1.10Criar Variáveis de Atraso para Feriados . . . . . . . . . . . . 74 A.1.11Selecionar Features para o Modelo . . . . . . . . . . . . . . 74 A.1.12Excluir Valores Ausentes . . . . . . . . . . . . . . . . . . . . 75 A.1.13Visualização da Correlação entre Variáveis . . . . . . . . . . 75 A.2 Preparação dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . 76 A.2.1 Separar Dados em Treino e Teste . . . . . . . . . . . . . . . 76 A.2.2 Escalonamento dos Dados . . . . . . . . . . . . . . . . . . . 77 A.2.3 Análise Espacial . . . . . . . . . . . . . . . . . . . . . . . . . 78 A.2.4 Carregar Dados Geoespaciais . . . . . . . . . . . . . . . . . 78 A.2.5 Mapa de Calor . . . . . . . . . . . . . . . . . . . . . . . . . . 78 A.3 Modelagem com Machine Learning . . . . . . . . . . . . . . . . . . 78 A.3.1 Importação e Definição dos Classificadores . . . . . . . . . 79 A.3.2 Treinar Modelos . . . . . . . . . . . . . . . . . . . . . . . . . 79 A.4 Avaliação do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 A.4.1 Avaliação dos Modelos . . . . . . . . . . . . . . . . . . . . . . 80 A.4.2 Importância das Features . . . . . . . . . . . . . . . . . . . . 82 A.5 Geração Via Análise Preditiva de Mapas com Grid . . . . . . . . . 83 A.6 Aplicação de Redes Neurais Convolucionais na Formação de GRID 85 A.6.1 Implementação de Redes Neurais Convolucionais . . . . . . 87 A.6.2 Importação das Bibliotecas Necessárias . . . . . . . . . . . 87 viii Sumário A.6.3 Funções Auxiliares para Pré-Processamento de Dados . . . 87 A.6.4 Padronização dos Dados para Redes Neurais Convolucio- nais (CNNs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 A.6.5 Construção dos Tensores para Redes Neurais Convolucio- nais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90 A.6.6 Divisão de Dados: Conjuntos de Treino, Validação e Teste . 92 A.6.7 Aplicação na CNN . . . . . . . . . . . . . . . . . . . . . . . . 93 A.6.8 Funções de Perda e sua Importância no Ajuste do Modelo . 93 A.6.9 Weighted Loss . . . . . . . . . . . . . . . . . . . . . . . . . . 93 A.6.10Impacto das Funções de Perda no Ajuste do Modelo . . . . 95 A.6.11Análise dos Dados de Treinamento e Resultados com pou- cas Épocas Inicialmente . . . . . . . . . . . . . . . . . . . . . 95 A.6.12Análise Binária das Previsões e Avaliação do Modelo . . . . 97 A.7 Análise dos resultados aferidos com a implementação da CNN na Predição Criminal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 A.7.1 Metodologia e Estrutura do Experimento . . . . . . . . . . . 100 A.7.2 Comparação utilizando-se dos Classificadores Tradicionais 102 A.7.3 Visualização em Matriz de Confusão . . . . . . . . . . . . . 103 A.7.4 Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 A.8 Apresentação de técnicas Geoespaciais de K- means e Risk Ter- rain Modeling que podem ser integradas ao resultado da Predição Criminal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 A.8.1 K-means Clustering . . . . . . . . . . . . . . . . . . . . . . . 107 A.8.2 Risk Terrain Modeling (RTM) . . . . . . . . . . . . . . . . . . 110 A.9 Pós-processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 A.10Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 112 Dados Curriculares 114 ix CAPÍTULO 1 Proposta do Projeto 1.1 Considerações Iniciais A Segurança Pública é um tema de grande importância para a sociedade, e aprimorar as medidas de gestão nessa área é fundamental para garantir a proteção dos cidadãos. Nesse contexto, o policiamento inteligente surge como uma alternativa inovadora e necessária, especialmente quando a quantidade de dados disponíveis é cada vez maior, mas a forma de planejamento perma- nece a mesma há décadas. As forças policiais enfrentam diversos desafios no desempenho de suas funções, como a falta de informações precisas e em tempo hábil, a dificuldade na tomada de decisões e a alta demanda por re- cursos humanos e materiais. Nesse contexto, a Ciência da Computação pode contribuir para aprimorar a eficiência da Polícia Militar, permitindo uma me- lhor compreensão do contexto em que as ocorrências são registradas e possi- bilitando a identificação de padrões e tendências. Esta dissertação propõe o emprego de Redes Neurais Convolucionais, On- tologia e Análise Preditiva para o planejamento estratégico e roteirização efici- ente, como proposta de policiamento inteligente à Segurança Pública. O foco é contribuir para a melhoria da eficiência da Polícia Militar na prevenção e com- bate ao crime, através do aprimoramento dos processos de tomada de decisão e alocação de recursos. A recepção das ocorrências no âmbito da Segurança Pública é um processo crucial que impacta diretamente a eficácia das ações policiais. Atualmente, essas ocorrências são recebidas no formato JSON, o que reflete uma evolu- ção na padronização e estruturação dos dados. Apesar dessa organização mais consistente, a interpretação eficiente desses registros ainda apresenta desafios significativos. O formato variado dos registros, provenientes de dife- 1 1.1 Considerações Iniciais rentes fontes, pode dificultar a análise e a compreensão sistêmica dos eventos. Nesse contexto, técnicas avançadas de normalização e mapeamento desempe- nham um papel essencial na tese proposta. A normalização visa estabelecer um padrão consistente para os dados, facilitando a comparação e a análise, enquanto o mapeamento permite a associação eficiente de informações de di- ferentes fontes, contribuindo para uma visão integrada do cenário. Essas técnicas serão aplicadas de forma integrada à proposta de policiamento inteli- gente, utilizando Redes Neurais Convolucionais, Ontologia e Análise Preditiva. O objetivo é não apenas aprimorar a eficiência operacional da Polícia Militar, mas também otimizar a assimilação e interpretação das ocorrências em for- mato JSON, tornando-as mais acessíveis para embasar decisões estratégicas e alocação de recursos. Com base nessa contextualização, o presente trabalho busca propor uma abordagem baseada em ontologias e análise preditiva para aprimorar a efici- ência da Polícia Militar na prevenção e combate à criminalidade, por meio da utilização de dados históricos e em tempo real para identificação de padrões e tendências. Métodos de Policiamento Preditivo (Predictive Policing) e Polici- amento Inteligente (Smart Policing) têm sido desenvolvidos com o objetivo de reduzir as ocorrências criminais. As propostas existentes se destacam por priorizarem ações proativas voltadas à antecipação de eventos criminais, ba- seadas na utilização de dados com análise aprimorada, acompanhamento de desempenho e incentivo à inovação para o emprego e desenvolvimento de es- tratégias e táticas de policiamento adequadas (Coldren Jr et al., 2013, Perry, 2013, Rummens et al., 2017). A partir dos conceitos de Smart Policing e de Predictive Policing, superficial- mente discutidos aqui, a proposta de implementação de um sistema de análise preditiva para identificar padrões e tendências, usando dados históricos e em tempo real, é apresentada. Os resultados incluem o desenvolvimento de um modelo integrado de policiamento inteligente e a contribuição para a redução dos índices criminais, além do aprimoramento das medidas de gestão na área de Segurança Pública. Cabe salientar que, não havendo segurança, as pessoas alteram suas ro- tinas de trabalho e lazer, gerando medo e ansiedade. Quando as pessoas transferem parte da sua atenção, preocupadas em viabilizar suas atividades, visando à garantia de sua integridade física, elas prejudicam sua qualidade de vida e isso afeta o bem-estar geral da sociedade (Grabosky, 1995, Basi- lio et al., 2019, Baig et al., 2024). A partir de uma perspectiva de bem-estar social da coletividade, a segurança pública se apresenta como uma questão fundamental. Como consequência, há que se haver um aperfeiçoamento da gestão, es- 2 1.1 Considerações Iniciais pecialmente da administração pública. Nesse contexto, são exigidas eficiên- cia e eficácia na efetividade, uma vez que as ações prestacionais da admi- nistração pública são custeadas pelos cidadãos-contribuintes e, consequen- temente, a população demanda qualidade nas ações de governo (Carvalho e Tonet, 1994)(p. 139). Logo, a tomada de decisão para gestores públicos deve buscar otimizar recursos e resultados, para atender o interesse público, e compete à administração avaliar e escolher, no plano concreto, as melhores soluções (Freitas, 2008) Nesse cenário, tem sido apontada a necessidade de aperfeiçoar o processo de gerenciamento dos órgãos de segurança, desenvolver tecnologias para a atividade policial e inovar nos processos de tomada de decisão e planejamento, para melhorar a segurança pública, bem como promover maior integração com a sociedade (Beato Filho, 2009, Ballesteros, 2014). Percebe-se que o sucesso das ações depende não apenas do estabelecimento de um sistema de gestão estratégica, mas também da utilização de ferramentas para tomada de decisão correta, o que impacta diretamente na redução dos crimes. Algumas mudanças nas atividades policiais não decorrem de soluções estruturais em larga escala, mas sim de alterações no modo habitual de trabalho dentro das instituições, conforme apontado por Beato Filho (2009). Apesar do aumento no número de pesquisas na área, estudos sobre polici- amento inteligente e preditivo ainda são escassos. De acordo com pesquisas de revisão bibliográfica, embora modelos de otimização na segurança pública tenham sido aplicados há décadas, os primeiros trabalhos com ênfase na pre- dição datam de 2010[ (Meijer e Wessels, 2019, Ratcliffe, 2010). 1.2 Problema, Questões de pesquisa, Hipótese e tese Apesar do crescente volume de dados disponíveis, os métodos de planejamento e execução do policiamento ostensivo preventivo em locais de risco permane- cem relativamente inalterados há décadas. Diante da necessidade de apri- moramento do planejamento das ações de policiamento preventivo, é possível prevenir o crime, ao invés de reagir à sua ocorrência. É possível identificar padrões, gerar subsídios para tomada de decisões de gestores de polícia, tor- nando policiamento eficaz e eficiente. Diante da complexidade e interdisciplinaridade da tecnologia de aplicação de Redes Neurais Convolucionais (CNNs), Ontologia e Análise Preditiva no con- texto do policiamento inteligente, surgem questões pertinentes. São elas: 1. Quais desafios éticos emergem da implementação da análise preditiva no policiamento e como podem ser mitigados? 2. Como as CNNs podem ser otimizadas para identificar padrões comporta- mentais específicos em ambientes urbanos? 3 1.2 Problema, Questões de pesquisa, Hipótese e tese 3. De que maneira a ontologia pode ser estruturada para garantir uma re- presentação semântica abrangente dos dados de segurança pública? Estas questões fundamentam a investigação, orientando a busca por solu- ções inovadoras e sustentáveis que maximizem o potencial dessas tecnologias na promoção da segurança pública eficaz e responsável. No contexto da interseção entre Redes Neurais Convolucionais (CNNs), On- tologia e Análise Preditiva para o aprimoramento do policiamento inteligente, a formulação de hipóteses é essencial para guiar a pesquisa. A tese subjacente a este estudo é a de que a implementação integrada de Redes Neurais Convolucionais (CNNs), Ontologia e Análise Preditiva oferece uma abordagem transformadora no âmbito do policiamento inteligente, pro- movendo uma gestão mais eficiente e proativa da segurança pública. Propo- mos que, ao incorporar essas tecnologias de forma sinérgica, é possível criar um ambiente inovador capaz de antecipar, prevenir e responder de maneira mais eficaz a atividades criminosas. A tese baseia-se na premissa de que as CNNs, ao processarem informações visuais, podem identificar padrões complexos e comportamentos suspeitos, fortalecendo a capacidade de vigilância e monitoramento urbano. A integra- ção de uma ontologia robusta visa proporcionar uma compreensão semântica aprimorada dos dados, facilitando a interoperabilidade entre diferentes fontes de informação e melhorando a tomada de decisões. Ademais, a Análise Preditiva emprega algoritmos avançados, o que possi- bilita não apenas a resposta reativa a eventos, mas também a antecipação de cenários, permitindo um planejamento estratégico mais eficiente. Embora fora do escopo do mestrado 1, há evidência da aplicação e de vantagens com o uso de dados históricos. Desse modo, considera-se suficiente para con- siderar que a abordagem proposta, quando aplicada ao policiamento, tem o potencial de gerar resultados tangíveis na redução da criminalidade, na oti- mização do uso de recursos e na construção de comunidades mais seguras e resilientes. Evidências e análises aprofundadas são apresentadas de modo a validar e sustentar essa tese, contribuindo para o avanço do conhecimento na convergência entre tecnologias emergentes e segurança pública. 1.3 Metodologia Com mote no problema de pesquisa proposto, a dissertação irá considerar os seguintes objetivos: 1Considera-se fora do escopo porque a aplicação em um ambiente real para mostrar sua aplicação e redução da criminalidade está fora do alcance, uma vez que depende de autoriza- ção e concordância da Polícia Militar do Estado de São Paulo 4 1.3 Metodologia 1.3.1 Objetivo Geral Propor um modelo de policiamento inteligente integrado utilizando redes neu- rais e análise preditiva para propor a localização preventiva de patrulhas poli- ciais e sua roteirização, para aprimorar a tomada de decisão de gestores e, por consequência, melhorar a eficiência da Polícia Militar na prevenção e combate à criminalidade, por meio da utilização de dados históricos. 1.3.2 Objetivos Específicos • Desenvolver um modelo de análise preditiva baseado em redes neurais convolucionais, que utilize dados históricos para identificar padrões e tendências de criminalidade em determinadas áreas geográficas. • Integrar o modelo de análise preditiva com padrões ontológicos para for- necer uma visão mais completa e precisa da criminalidade em determi- nadas áreas geográficas, permitindo que os gestores da Polícia Militar tomem decisões informadas sobre o policiamento. • Verificar a possibilidade de emprego de método de análise preditivo para os crimes definidos como passíveis de bonificação no Estado de São Paulo, de acordo com a área dos municípios em estudo. • Identificar e avaliar de fatores de risco, ocorrências correlatas e ambi- entais, situações climáticas e econômicas que envolvem os crimes como por exemplo: furtos, perturbações do sossego público, desinteligências, dentre outros na região central da Capital Paulista. • Analisar a possibilidade de disposição de ferramenta integrada de predi- ção e otimização nas atividades de policiamento preventivo. 1.4 Fundamentação Teórica A fundamentação teórica deste projeto envolve conceitos essenciais da Ciência da Computação aplicados à Segurança Pública, com destaque para as Redes Neurais Convolucionais, a Ontologia, a Análise Preditiva e o conceito de Polici- amento Inteligente, os quais sustentam a proposta metodológica deste estudo. As Redes Neurais Convolucionais (CNNs) exercem um papel fundamental no tratamento de dados espaciais, destacando-se como um dos principais pa- radigmas do aprendizado profundo. Inspiradas na estrutura do cérebro hu- mano, essas redes são particularmente eficazes na detecção e identificação de padrões em imagens e mapas geográficos. Sua capacidade de reconhecer es- truturas hierárquicas e complexas as torna ideais para o processo de análise georreferenciada, contribuindo diretamente para a interpretação de dados e 5 1.4 Fundamentação Teórica para a tomada de decisão em ambientes com alta densidade de informação visual. A Ontologia, por sua vez, é empregada neste projeto como uma forma de re- presentar o conhecimento de maneira estruturada e semanticamente enrique- cida. Através da modelagem ontológica, é possível organizar hierarquicamente conceitos relacionados à Segurança Pública e estabelecer relações entre variá- veis críticas. Essa representação semântica amplia a capacidade de análise dos dados, facilitando tanto a busca por informações quanto a compreensão de interdependências complexas entre ocorrências, territórios e padrões cri- minais. A Análise Preditiva é outro eixo central da proposta, sendo utilizada para identificar padrões históricos e tendências em bases de dados criminais. Por meio da aplicação de técnicas estatísticas e algoritmos de aprendizado de má- quina, essa abordagem permite prever com maior precisão áreas e períodos de maior risco, orientando o planejamento operacional da Polícia Militar de forma proativa. Ao antecipar cenários críticos, torna-se possível otimizar a alocação de recursos e adotar medidas preventivas mais eficazes. O conceito de Policiamento Inteligente representa uma evolução das prá- ticas tradicionais de segurança pública. Essa abordagem está baseada na utilização integrada de tecnologias avançadas e dados em tempo real para aprimorar a tomada de decisões estratégicas. Neste projeto, propõe-se a in- tegração entre redes neurais convolucionais, ontologias e análise preditiva, a fim de compor um modelo sistêmico de apoio ao planejamento e à operação policial. O objetivo é proporcionar respostas mais rápidas e eficientes, poten- cializando a prevenção de crimes e promovendo melhorias significativas na gestão da segurança pública. 1.5 Metodologia Aplicada Este trabalho será conduzido por meio de uma pesquisa qualitativa e explora- tória, com base em dados empíricos obtidos por meio de revisão bibliográfica, entrevistas e visitas técnicas. A metodologia inclui a implementação de um sistema de análise preditiva baseado em redes neurais convolucionais, vol- tado à identificação de padrões e tendências a partir de dados históricos e em tempo real. Os experimentos serão realizados com dados reais, com o intuito de avaliar a eficácia da abordagem proposta. A seguir, descrevem-se as principais etapas da pesquisa: 1.5.1 Definição e Contextualização da Área de Estudo Inicialmente, será realizada a seleção e delimitação da área geográfica onde o modelo de policiamento inteligente será aplicado. Esta fase inclui a análise de dados demográficos, criminais e geoespaciais da região selecionada, com o 6 1.5 Metodologia Aplicada intuito de compreender o ambiente operacional da Polícia Militar. Nesta etapa, a função de sazonalidade será considerada como critério pre- ditivo fundamental. Eventos sazonais, cíclicos ou irregulares como férias escolares, feriados prolongados, finais de semana e variações climáticas im- pactam diretamente os índices criminais e serão incorporados aos modelos analíticos. Compreender essas variações permite maior acurácia na previsão de riscos e maior efetividade nas ações policiais. 1.5.2 Modelagem Estratégica e Análise Preditiva A próxima fase consistirá no desenvolvimento da modelagem do planejamento estratégico, voltada à previsão de crimes e à alocação racional de recursos. Se- rão definidos os parâmetros e variáveis relevantes à segurança pública, além da escolha das técnicas computacionais adequadas para a modelagem. Será construída uma ontologia específica para a área de Segurança Pú- blica, que dará suporte à representação semântica dos dados e permitirá o cruzamento inteligente de informações operacionais. 1.5.3 Desenvolvimento do Modelo Preditivo de Localização de Patrulhas Por fim, será desenvolvido o modelo de localização preditiva das patrulhas po- liciais. Esse modelo utilizará dados históricos e em tempo real para identificar áreas de maior risco e otimizar a distribuição das viaturas. Serão avaliadas diferentes técnicas de agrupamento e localização, tais como os modelos RTM, k-means, p-medianas, entre outros, com vistas à construção de mapas dinâ- micos de calor criminal e planos de patrulhamento mais eficazes. 1.6 Organização A dissertação está organizada da seguinte forma, numerando-se de acordo com os capítulos: 1. Proposta do Projeto - Apresenta as considerações iniciais sobre segu- rança pública e a necessidade de aprimorar o policiamento por meio de tecnologias avançadas. São discutidos os problemas, hipóteses e objeti- vos da pesquisa, além da fundamentação teórica que embasa o estudo. 2. Processo de Extração do Conhecimento e Modelo de Aprendizado - Explora o processo de extração de conhecimento e os métodos de Apren- dizado de Máquina empregados na pesquisa. São detalhadas as etapas de seleção, pré-processamento, transformação, mineração de dados e in- terpretação dos resultados. 7 1.6 Organização 3. Policiamento Inteligente e Tecnologias Emergentes - Introduz concei- tos sobre policiamento inteligente e o impacto de tecnologias emergentes na segurança pública. São abordados modelos como Risk Terrain Mode- ling (RTM), K-means e policiamento preditivo, além dos desafios finan- ceiros para implementação dessas soluções. 4. Ontologias, Redes Neurais e Análise de Dados - Descreve o uso de ontologias para aprimorar a representação de dados, redes neurais con- volucionais (CNNs) para reconhecimento de padrões, e a análise preditiva para antecipação de eventos criminais. Discute-se a relação entre Apren- dizado de Máquina e segurança pública. 5. Predição Criminal Utilizando Técnicas de Machine Learning e Aná- lise Espacial - Apresenta a aplicação de técnicas de Aprendizado de Má- quina para previsão criminal, com destaque para métricas de desem- penho, modelagem de policiamento inteligente e análise espacial. São discutidas as funções de perda utilizadas para otimização dos modelos. 6. Conclusão - Resume os principais achados da pesquisa, valida a hipó- tese inicial e discute as respostas às perguntas formuladas. São pro- postas direções para trabalhos futuros e melhorias na implementação prática dos modelos estudados. 8 CAPÍTULO 2 Processo de Extração do Conhecimento e Modelo de Aprendizado 2.1 Considerações Iniciais A implementação bem-sucedida de sistemas de policiamento preditivo base- ados em Inteligência Artificial (IA) depende significativamente da coleta, pré processamento e análise exploratória de dados. Essas etapas desempenham um papel importante desde a obtenção inicial dos dados até a preparação para aplicação de algoritmos de aprendizado de máquina. Além disso, este capítulo explora o processo de extração de conhecimento, conforme definido por (U.M, 1996), e investiga as técnicas de policiamento preditivo no contexto do policiamento público. O policiamento preditivo envolve técnicas analíticas que identificam "alvos prováveis para intervenção policial"(Perry, 2013). O primeiro simpósio sobre policiamento preditivo do National Institute of Justice, realizado em Los Ange- les em 2009, identificou inúmeras aplicações potenciais, destacando especial- mente o uso do tempo e local de futuras incidências em padrões ou séries de crimes. Outra definição relevante para o policiamento de rua é "o uso de dados históricos para criar uma previsão espaço-temporal de áreas de criminalidade ou pontos críticos de crime que serão a base para decisões de alocação de recursos policiais, com a expectativa de que ter policiais no local e horário propostos deterá ou detectará atividades criminosas"(Ratcliffe, 2010). O estudo atual usa o policiamento preditivo para explorar quais atividades de patrulha geográfica devem ser perseguidas nessas áreas prioritárias. Isso 9 2.1 Considerações Iniciais é relevante não apenas para muitos departamentos de polícia, mas também para o avanço de nossa compreensão teórica do policiamento preditivo e de um conceito estreitamente relacionado, o policiamento de pontos críticos. Infelizmente, a pesquisa existente é menos clara sobre quais atividades es- pecíficas os policiais devem realizar nos pontos críticos. A ideia por meio do algorítimo é gerar grades de missão, cada uma com duração de 3 (três) meses. No primeiro período experimental aplicar o algoritmo e as respostas de patru- lha aos crimes contra o patrimônio, e o segundo, deixar de aplicar a predição para testar a acurácia. Da mesma forma fazer de modo inverso em área que contenha características semelhantes e ao final testar a real contribuição do algorítimo. 2.2 Processo de Extração de Conhecimento Dentro desse contexto, o processo de extração de conhecimento, conforme definido por (U.M, 1996), desempenha um papel crucial. A extração de conhe- cimento, ou Knowledge Discovery in Databases (KDD), envolve várias etapas, incluindo a seleção, pré-processamento, transformação, mineração de dados e interpretação/avaliação dos dados. No âmbito do policiamento preditivo, a KDD é aplicada para transformar grandes volumes de dados históricos e em tempo real em informações acionáveis. Por exemplo, ao analisar padrões de crimes passados e condições atuais, o KDD pode identificar tendências ocul- tas e anomalias que informam as grades de missão geradas pelo algoritimo proposto. Isso não apenas aprimora a precisão das previsões, mas também fornece uma base robusta para decisões estratégicas de alocação de recursos. Ao integrar técnicas de mineração de dados com algoritmos de policiamento preditivo, é possível desenvolver modelos mais sofisticados que capturam a complexidade e dinâmica dos ambientes urbanos, facilitando intervenções po- liciais mais eficazes e oportunas. Dentro do contexto da análise preditiva criminal, o processo de extração de conhecimento seria aplicado para transformar vastas quantidades de dados históricos e em tempo real em informações acionáveis que aprimoram a eficá- cia do policiamento preditivo. A extração de conhecimento envolveria várias etapas: primeiro, a seleção e pré-processamento dos dados de crimes, condi- ções meteorológicas, eventos especiais e dados socioeconômicos; em seguida, a transformação desses dados para um formato adequado para análise; de- pois, a mineração de dados utilizando algoritmos avançados de Aprendizado de Máquina para identificar padrões ocultos e tendências; e, finalmente, a in- terpretação e avaliação dos resultados para gerar previsões espaço-temporais precisas sobre onde e quando crimes podem ocorrer. Essas informações são então utilizadas para criar grades de missão, orientando as patrulhas policiais 10 2.2 Processo de Extração de Conhecimento Figura 2.1: Processo de extração do conhecimento. Fonte adaptada de Fayyad(1996). de forma mais eficiente e informada, melhorando a alocação de recursos e a tomada de decisão estratégica no combate ao crime. 2.2.1 Seleção de Dados: A primeira fase envolve a seleção de dados, que pode incluir registros histó- ricos de crimes, dados demográficos, condições meteorológicas, e outras in- formações relevantes para o contexto do policiamento. Métodos modernos de seleção podem incluir a integração automática de sistemas de registro poli- cial, sensores urbanos e fontes de dados abertos, proporcionando uma visão abrangente e em tempo real do ambiente urbano. 2.2.2 Pré-processamento de Dados: Após a seleção, os dados são submetidos a um rigoroso processo de pré processamento. Esta etapa inclui limpeza dos dados para remover valores ausentes ou inconsistentes, normalização para garantir que todas as variá- veis estejam na mesma escala, e transformação para formatos adequados para análise. A seleção de características relevantes também ocorre nesta etapa, identificando quais variáveis serão utilizadas nos modelos preditivos. O pré-processamento é extemamente necessário para garantir a qualidade dos dados antes da análise exploratória e da aplicação de algoritmos de IA. 2.2.3 Transformação de Dados: A transformação de dados envolve a preparação dos dados para análise de- talhada. Isso pode incluir a redução da dimensionalidade, a codificação de variáveis categóricas, e outras técnicas para tornar os dados mais adequados aos métodos analíticos a serem utilizados. 11 2.2 Processo de Extração de Conhecimento 2.2.4 Mineração de Dados: A mineração de dados visa entender melhor as características e padrões nos dados selecionados. Técnicas como visualizações gráficas, estatísticas des- critivas e análise de correlação são empregadas para identificar tendências, outliers e relações entre variáveis. Essa etapa não apenas prepara os dados para modelagem preditiva, mas também proporciona insights iniciais que po- dem orientar decisões sobre quais técnicas de Aprendizado de Máquina são mais apropriadas para o problema em questão. 2.2.5 Interpretação e Avaliação: Ao implementar sistemas de policiamento preditivo, podemos enfrentar desa- fios técnicos como a integração de múltiplas fontes de dados, a garantia da qualidade dos dados e a escolha adequada de técnicas de pré-processamento e análise. Ao seguir metodologias rigorosas nessas áreas, as agências policiais podem não apenas melhorar a eficiência na prevenção e combate ao crime, mas também avançar na compreensão das dinâmicas complexas das cidades modernas. Este capítulo oferece uma base sólida para o desenvolvimento e aprimoramento contínuo de soluções de segurança pública baseadas em da- dos e IA. 2.3 Modelo de aprendizado Uma das características mais notáveis do ser humano é a capacidade de aprender. Esse aprendizado ocorre por meio de ensinamentos ou das expe- riências vividas. O aspecto mais significativo do aprendizado humano é a habilidade de aplicar o conhecimento adquirido a problemas inéditos. Os computadores são máquinas notáveis, com capacidades de processa- mento e memória que superam as dos seres humanos. No entanto, eles têm uma limitação significativa: não são capazes de tomar decisões de forma in- dependente. Se fosse possível programar computadores para que pudessem aprender e melhorar seu desempenho ao longo do tempo, isso seria extraor- dinário. Isso combinaria as capacidades humanas e computacionais, criando um sistema que pudesse aprender e operar com a eficiência de um compu- tador. A aprendizagem de máquina (AM) é uma área multidisciplinar que busca capacitar os computadores a aprenderem (Michalski et al., 1986) . Esta área é multidisciplinar porque incorpora resultados de Inteligência Artificial, estatística, probabilidade, teoria da complexidade computacional, teoria da informação, psicologia, filosofia, neurobiologia, entre outros campos. Diz-se que um computador aprende quando o uso de experiências na reso- lução de um conjunto de tarefas melhora com a exposição a essas experiên- cias, ou seja, ele pode aprimorar seu desempenho com base nas experiências 12 2.3 Modelo de aprendizado adquiridas. A aprendizagem dos computadores ocorre quando eles conseguem formar ações generalizadas a partir de experiências prévias. Essas experiên- cias são apresentadas na forma de dados e, através de algoritmos, é possível aprender, ou seja, identificar e construir padrões gerais presentes nos dados. Os testes para medir a capacidade de aprendizagem do computador são realizados observando-se uma nova experiência e comparando esse resultado com os obtidos em experiências anteriores. Dentro do contexto do policiamento preditivo e da integração de IA, o pro- cesso de extração de conhecimento é essencial para o desenvolvimento e apri- moramento dos modelos de aprendizado utilizados, como os implementados no algorítimo de predição criminal. A extração de conhecimento envolve a identificação e transformação de dados brutos em informações significativas e acionáveis, um passo crítico para o sucesso dos modelos de aprendizagem de máquina. Ao aplicar técnicas de (KDD), como seleção, pré-processamento, transformação e mineração de dados, os analistas podem revelar padrões ocultos e correlações complexas nos dados de crimes históricos e contextu- ais. Esses insights são então integrados nos modelos de aprendizado, como redes neurais convolucionais e algoritmos de árvores de decisão, entre ou- tros, que são treinados para reconhecer e prever padrões futuros de atividade criminosa. Figura 2.2: Modelo de Aprendizado. Fonte adaptada de Escovedo(2020). A figura 2.2 apresenta um fluxo de trabalho típico no contexto do poli- ciamento preditivo utilizando aprendizado de máquina. Inicialmente, os da- dos históricos são coletados e preparados como entrada para o algoritmo de machine learning. Esses dados incluem informações sobre crimes passados, como tipos de crimes, localização, horário e outras variáveis contextuais rele- 13 2.3 Modelo de aprendizado vantes, que são rotuladas para indicar a ocorrência ou não de crime em um determinado período. O algoritmo de machine learning, como uma rede neural convolucional ou um modelo de árvore de decisão, é então treinado com esses dados históricos para aprender padrões complexos e relações entre variáveis. À medida que novos dados são coletados, como atualizações de registros criminais ou mudanças nas condições climáticas, urbanas, trânsito, eventos, períodos sazonais de feriados, finais de semana prolongados, época de paga- mentos, etc, esses dados são processados pelo modelo preditivo. O modelo aplica os padrões aprendidos durante o treinamento para gerar previsões so- bre onde e quando novos crimes podem ocorrer. A saída esperada do modelo preditivo é uma análise espacial e temporal que identifica áreas de alto risco de criminalidade, representadas visualmente em mapas interativos ou relatórios detalhados. Essas previsões serão utilizadas pelos gestores de policiamento para alocar recursos de maneira estratégica, otimizando a presença policial e melhorando a eficiência na resposta a incidentes criminais. 2.4 Impactos e Considerações finais Entendemos que integração de Inteligência Artificial, extração de conheci- mento e policiamento preditivo representará um grande avanço dentro do contexto da ciência da computação e especialmente no campo do policiamento público. A aplicação de técnicas avançadas de aprendizado de máquina, como exemplificado pelo predição criminal, tende a capacitar as forças policiais a reagirem de forma mais eficaz a crimes, além de prever e prevenir incidentes antes que ocorram. Utilizando dados históricos e algoritmos acertivos, esses sistemas melhoram não só a alocação de recursos, mas também a capacidade de resposta das forças policiais diante das dinâmicas complexas das cidades modernas. No entanto, é importante reconhecer as limitações tecnológicas que podem surgir. A precisão dos modelos de policiamento preditivo depende da qua- lidade e da disponibilidade e qualidade dos dados utilizados, bem como da capacidade dos algoritmos em lidar com variações e mudanças no ambiente urbano. O desenvolvimento futuro dessas tecnologias deve concentrar-se não apenas na inovação técnica, mas também em superar essas limitações para garantir a eficácia contínua do policiamento preditivo. 14 CAPÍTULO 3 Policiamento Inteligente e tecnologias emergentes 3.1 Considerações Iniciais Neste capítulo são apresentados o contexto e a motivação para a proposta deste projeto de mestrado: segurança pública e o apoio da Tecnologia da In- formação (TI) à sua prática. Por se tratar de uma proposta de projeto que utilizará dados da Polícia Militar do Estado de São Paulo, é apresentada uma breve descrição da situação atual quanto à política de uso de TI na Segurança Pública, e sua base legal. 3.2 Policiamento Inteligente No cenário em constante evolução da segurança pública, surge uma aborda- gem inovadora que visa a aprimorar as práticas tradicionais de policiamento: o policiamento inteligente. Diante da necessidade de enfrentar os desafios contemporâneos relacionados ao crime e à preservação da ordem pública, é imperativo explorar novas estratégias que incorporem tecnologias emergentes para otimizar a eficiência das forças de segurança. O policiamento ostensivo, marcado pela presença visível das autoridades, sempre foi uma resposta da sociedade ao crime, refletindo a autorização co- letiva para o uso legítimo da força quando as normas de convivência social são transgredidas. No entanto, a busca por aprimoramento dessas práticas conduz ao advento do policiamento inteligente, que se baseia na integração de tecnologias avançadas para prevenção, resposta e controle mais eficazes. No âmbito da PMESP, as Normas para o Sistema Operacional de Polici- amento PM (NORSOP) definem as ações de polícia ostensiva e de polícia de 15 3.2 Policiamento Inteligente Figura 3.1: Plano de Policiamento. Fonte Apresentação Fiesp (Cmt Geral 2019) preservação da ordem pública, conforme observa-se abaixo: "6.3.1.1. polícia ostensiva conceito abran- gente, que envolve atividades de prevenção primária e secundária, as quais são execu- tadas para consecução da segurança pú- blica, tais como policiamento comunitário, radiopatrulhamento e todas as demais que são levadas a efeito pela Polícia Militar a fim de prevenir o cometimento de ilícitos penais ou de infrações administrativas sujeitas ao controle da Instituição. 6.3.1.2. polícia de preservação da ordem pública é a atividade cometida à Polícia Mi- litar de restauração da ordem pública, en- volvendo a repressão imediata às infrações penais e administrativas e a aplicação da lei (PMESP2022, 2022)." O Comando da Instituição, por intermédio do Plano de Comando 2022/ 2023 (PMESP2022, 2022), estabeleceu como visão de futuro da Instituição 16 3.2 Policiamento Inteligente ser reconhecida no cenário nacional e internacional como uma referência na prestação de serviços de segurança pública. No mesmo sentido, o Comando da Instituição, por intermédio da 6ł Seção do EM/PM (6ł EM/PM), elaborou o Planejamento Estratégico da Instituição para um período de 20 anos. A 6ł EM/PM define Planejamento Estratégico como: conjunto de atos orde- nados destinados a‘ validação dos princípios organizacionais, construção de cenários, identificação de objetivos estratégicos, indicadores e metas. Nesse cenário de consolidação da Planejamento e visão de Futuro da PMESP, torna-se oportuno abordar alguns desafios estratégicos vislumbrados, con- forme segue: 1. gestão com foco nos Partes Interessadas, geração de valor e diferenciação; 2. gestão da demanda pela chamada emergencial 190; 3. gestão da carência de Recursos Humanos; 4. gestão da restrição de recursos orçamentário; 5. gestão da Tecnologia da Informação e Comunicação. As inovações que se processaram no âmbito da PMESP ao longo do tempo, muitas vezes à frente da evolução natural do ambiente social, geraram na Ins- tituição uma percepção sobre a necessidade de criar e manter um harmônico e eficiente funcionamento de seus sistemas operacionais e administrativos. Assim, para atingir seus objetivos globais com eficiência, a PMESP elaborou o Sistema de Gestão da Polícia Militar do Estado de São Paulo (GESPOL), com o objetivo de atender às necessidades e expectativas de seus públicos de re- lacionamento, bem como cumprir com excelência os serviços que realiza, com base no pensamento sistêmico e no suporte doutrinário. Segundo o GESPOL (PMESP2022, 2022), o suporte doutrinário está ali- cerçado sobre os princípios de Polícia Comunitária, de Direitos Humanos e de Gestão pela Qualidade Ao se debruçar sobre as Teorias de Administração Pública, alguns autores identificam a presença de uma nova administração pública voltada para a eficiência, a eficácia e a efetividade do aparelho do Es- tado com foco em resultados, fruto da percepção, adaptação e, até mesmo, antecipação as mudanças potenciais dos administradores públicos. Diante do exposto, não resta dúvida de que as Instituições públicas ou privadas na so- ciedade moderna têm consciência da importância dos resultados obtidos com a gestão com foco nos Partes Interessadas, geração de valor e diferenciação, pois no mundo moderno não basta ter capital, tecnologia, recursos materi- ais e humanos, é preciso desenvolver processos que possibilitem ser eficaz e eficiente. 17 3.2 Policiamento Inteligente As tecnologias emergentes desempenham um papel fundamental nesse novo paradigma de policiamento. Na vanguarda do avanço tecnológico, o policiamento inteligente abraça o potencial transformador das redes neurais convolucionais (CNNs), ontologias e análise preditiva, promovendo uma abor- dagem inovadora e eficiente para a segurança pública. Essa integração de tecnologias avançadas não apenas reforça a capacidade das forças policiais, mas também redefine o panorama do policiamento, per- mitindo um planejamento estratégico mais preciso e uma roteirização eficiente das operações. As redes neurais convolucionais, inspiradas na estrutura do cérebro hu- mano, emergem como ferramentas poderosas no processamento e interpreta- ção de dados visuais. No contexto do policiamento, essas redes podem ser aplicadas na análise de imagens de vigilância, reconhecimento facial e iden- tificação de padrões comportamentais. A capacidade de identificar de forma rápida e precisa elementos relevantes em grandes conjuntos de dados visuais amplifica a eficácia do monitoramento urbano, permitindo uma resposta mais ágil a atividades suspeitas. A utilização de ontologias, que representam formalmente o conhecimento em domínios específicos, oferece uma estrutura semântica robusta para a compreensão e organização dos dados relacionados à segurança pública. Ao criar uma base de conhecimento compartilhada, as ontologias facilitam a in- teroperabilidade entre diferentes sistemas e fontes de informação. Isso possi- bilita uma compreensão mais holística do ambiente de segurança, auxiliando na identificação de relações e padrões complexos que podem passar desperce- bidos em abordagens convencionais. A ideia de trabalho com análise preditiva, aliada às redes neurais e à on- tologia, pressupõe a utilização de algoritmos avançados que processam dados históricos e em tempo real, identificando padrões que indicam áreas de maior probabilidade de ocorrência de crimes. Essa capacidade preditiva busca an- tecipação de ameaças e também o planejamento estratégico, a alocação de recursos e a roteirização eficiente das operações policiais. Além disso, a conectividade e a comunicação aprimoradas entre as agên- cias de segurança promovem uma resposta mais rápida e coordenada a si- tuações de emergência. A implementação de sistemas integrados permite a troca instantânea de informações entre diferentes setores, fortalecendo a ca- pacidade de resposta diante de eventos críticos. Entre as ações para a garantia da segurança pública, a atividade de po- liciamento, através da presença ostensiva apresenta-se como o aspecto mais visível da reação da sociedade ao crime e a preservação da ordem pública, sendo uma a medida de controle social necessária para o bem-estar e con- 18 3.2 Policiamento Inteligente vivência harmônica (Cordner et al., 2007). Esse policiamento tem entre suas principais características a autorização coletiva social para o uso real da força, pelos agentes públicos que a exercem, quando alguém transgride as normas de convivência social (Bayley, 2002). Logo, os modelos tradicionais de polici- amento buscam, através de ações preventivas e reativas, evitar que o crime ocorra ou reestabelecer o direito violado (integridade física e patrimônio), di- ante de uma agressão real ou iminente. De tal modo, busca-se que os criminosos, a partir da presença policial, não cometam ilícitos (Koper, 1995), sendo fundamental a alocação eficiente dos recursos existentes, para que os delitos possam ser evitados, através da presença policial no local propício ao acontecimento do fato criminal (Braga et al., 2000, Basilio et al., 2019). Com esse objetivo, se faz necessário que os recursos sejam empregados nos locais onde possam evitar os fatos infracionais ou atender de forma mais rápida aos acontecimentos de emergência, sendo que a busca por soluções de otimização da alocação dos recursos policiais, seja na disposição de postos policiais ou viaturas, seja na definição de roteirização, têm sido objeto de es- tudo por décadas (Simpson e Hancock, 2009, Dewinter et al., 2020), a partir do desenvolvimento e aplicação de problemas clássicos como o Problema de Localização de Facilidades e Problema de Roteamento de Veículos. 3.3 Tecnologias emergentes Os modelos tradicionais de policiamento buscam, através de ações preven- tivas e reativas, evitar que o crime ocorra ou reestabelecer o direito violado (integridade física e patrimônio), diante de uma agressão real ou iminente. Nesse sentido, diversos métodos de policiamento têm sido desenvolvidos, com fito de identificar, mormente, onde e quando ocorrerão os eventos crimi- nais, para que a partir da alocação dos recursos limitados, nos locais de maior risco, esses crimes previstos possam ser evitados (Perry, 2013). 3.3.1 Risk Terrain Modeling (RTM) A análise de risco proposta, introduzida inicialmente no Brasil no Estado do Rio Grande do Sul e posteriormente no Estado de São Paulo na cidade de Ba- rueri, envolve a compilação, em um mapa composto, de camadas que repre- sentam diferentes aspectos de influência criminal, permitindo avaliar tanto a influência quanto a intensidade desses fatores na ocorrência de determinados crimes. Dessa forma, essa abordagem atua como uma ferramenta analítica que auxilia na identificação de atributos do ambiente que estão espacialmente associados à ocorrência de crimes (Valasik et al. (2021)). Em uma análise preliminar, os resultados obtidos podem ser qualitativa- mente semelhantes aos gerados por métodos de hotspot, os quais destacam 19 3.3 Tecnologias emergentes áreas com elevado índice de criminalidade. No entanto, do ponto de vista analítico, essas metodologias são distintas; enquanto as análises de hotspot utilizam técnicas de agrupamento que refletem eventos criminais passados, o Risk Terrain Modeling (RTM) adota uma abordagem de classificação, caracte- rizando o risco de criminalidade de uma região com base em suas caracterís- ticas geográficas (Perry (2013)). O diferencial do modelo reside na correlação entre o "risco de crime"e a "oportunidade para o crime", através da avaliação dos graus de risco de di- ferentes locais, levando em conta fatores criminógenos em comparação com outros pontos dentro da mesma unidade espacial padronizada. O processo do Risk Terrain Modeling (RTM) se estrutura em três elemen- tos principais: "1) padronização dos conjuntos de dados em uma geografia comum, 2) diagnóstico dos fatores de risco no espaço e 3) articulação das vulnerabilidades espaciais"(Kennedy et al. (2011)). Essa abordagem permite uma análise mais precisa e contextualizada, contribuindo para a compreen- são das dinâmicas criminais em áreas específicas e auxiliando na elaboração de estratégias de prevenção mais eficazes. Nesse ponto, inicia-se a abordagem técnica do Modelo de Análise de Risco Territorial, com a identificação preliminar dos fatores associados a um crime específico cujo risco está sendo avaliado. Essa identificação pode ser realizada por meio de meta-análise, métodos empíricos, revisão de literatura, e pela experiência e conhecimento do profissional envolvido (Caplan et al. (2011)). Após a seleção dos fatores relevantes, procede-se à plotagem padronizada dos dados em um ambiente geográfico comum. Essa etapa envolve a criação de uma camada no mapa que representa a área definida, com as células de análise delimitadas. Cada fator identificado é, então, representado por um mapa de cobertura (raster) que utiliza a mesma geografia (Caplan et al. (2011)). Com isso, ocorre a combinação das camadas de risco, resultando em um mapa composto, ou mapa de risco do terreno. Neste mapa, a cada local (célu- la/grid) na área definida é atribuído um valor de risco, que considera todos os fatores relacionados ao crime específico. Essa representação visual permite uma análise mais intuitiva e informada dos riscos associados, facilitando a tomada de decisões em políticas de segurança pública. O mapa de risco combinado identifica, assim, as células/grids que apre- sentam o maior potencial de ocorrência do crime em questão. Nesse contexto, ele funciona como um guia para o planejamento tático-operacional, auxiliando na alocação de recursos policiais e na formulação de estratégias e ações que visem a diminuição do risco local. Essa redução pode ser obtida por meio da dissuasão proporcionada pela presença policial ou por intervenções estrutu- rais que transformem o ambiente de risco. 20 3.3 Tecnologias emergentes Figura 3.2: Representação de combinação de camadas de risco - Fonte: Ca- plan et al. (2011) Dessa maneira, a análise preditiva do Risk Terrain Modeling (RTM) se torna uma ferramenta valiosa para a adoção de estratégias dentro do policiamento preditivo, alinhando-se aos conceitos discutidos. Essa abordagem não ape- nas busca uma resposta imediata ao crime, mas também visa a prevenção, mitigando as condições que favorecem sua incidência. 3.3.2 K-means) O método de clusterização k-means é um algoritmo de Aprendizado de Má- quina não supervisionado, o que significa que não requer classificação ou parametrização prévias para realizar a clusterização (Sinclair e Das (2021)). Como técnica de agrupamento, ele visa organizar dados em k classes, uti- lizando uma medida de similaridade para agrupar elementos que compar- tilham grande semelhança e identificar padrões (Jain (2010)). Para isso, o algoritmo busca determinar um conjunto de k pontos que funcionam como centros (centróides) e, em seguida, atribui cada elemento aos seus centróides mais próximos, formando os clusters (Gusmão et al. (2020)). Segundo Jain (2010), o algoritmo k-means tem uma história rica e diversifi- cada, pois foi descoberto independentemente em diferentes campos científicos por Steinhaus (1956), Lloyd (proposto em 1957, publicado em 1982), Ball e Hall (1965) e MacQueen (1967). Ele destaca que, apesar do longo intervalo desde sua introdução, o k-means continua sendo um dos algoritmos mais uti- 21 3.3 Tecnologias emergentes lizados para a clusterização de dados, devido à sua simplicidade, eficiência e sucesso empírico (Jain (2010); Oliveira et al. (2015); Gusmão et al. (2020); Sinclair e Das (2021)). É importante ressaltar que o algoritmo k-means necessita da definição de três parâmetros pelo usuário: o número de clusters k, a inicialização dos clusters e a métrica de distância (Jain (2010)). No que diz respeito aos pontos de inicialização, vale a pena observar que diferentes abordagens podem levar a agrupamentos finais imprecisos, já que o k-means tende a convergir para um mínimo local. De maneira geral, o objetivo do k-means é encontrar os clusters de forma a minimizar a soma das distâncias entre os pontos dos dados e o centróide mais próximo (Oliveira et al. (2015)). Assim, a função objetivo, de forma sim- plificada, pode ser expressa conforme apresentado por Gusmão et al. (2020): Figura 3.3: Função K-means - Fonte: Gusmão et al. (2020) Onde: - x0 k: é o centróide do cluster xk C; e - d(xi, x 0 k): é a distância entre o ponto xi e o centróide x0 k. É importante destacar que a minimização dessa função objetivo é classifi- cada como um problema NP-hard Jain (2010). No entanto, o k-means adota um algoritmo que apresenta boa escalabilidade, permitindo agrupar conjuntos de dados com dimensões moderadas a altas, tudo isso com custos computa- cionais relativamente baixos Sinclair e Das (2021). O funcionamento do algoritmo é dividido em três etapas Allen-Zhu et al. (2019): 1. Na primeira etapa, k centroides são definidos ou selecionados alea- toriamente dentro do conjunto de dados original. 2. Em seguida, calcula-se a distância entre cada ponto da base de dados e cada centróide, vinculando cada ponto ao centróide mais próximo. O k-means normalmente utiliza a métrica euclidiana para determinar as distâncias entre pontos e centros de cluster. 3. Por fim, os centroides são atualizados para o centro dos clusters formados pelos pontos associados ao mesmo centróide. As etapas 2 e 3 são repetidas até que os centroides não mudem, encerrando assim o processo. De acordo com Gusmão et al. (2020), esse método pode ser eficaz em pro- blemas de localização de facilidades, já que consiste na identificação dos k centroides, o que define potenciais locais candidatos para seu posicionamento. 22 3.3 Tecnologias emergentes Adicionalmente, Allen-Zhu et al. (2019) aplicam o k-means na análise cri- minal, propondo um modelo preditivo que utiliza características dos crimes para prever a quantidade de ocorrências em determinados micro locais. Por outro lado, Sinclair e Das (2021) empregaram o algoritmo de clusteriza- ção para detectar padrões de acidentes rodoviários no Reino Unido, buscando entender as relações entre as variáveis registradas pelo departamento de polí- cia. 3.3.3 Policiamento Preditivo (Predictive Policing) A possibilidade de prever ou predizer os crimes parte do reconhecimento de que os crimes não ocorrem de forma homogênea no espaço geográfico, mas, encontram-se concentrados em determinadas áreas e locais, conhecidas como hotspots, por razões que podem ser explicadas em relação à interação entre ví- tima e infrator, e as oportunidades que existem para cometer crimes (Chainey et al., 2008, Ratcliffe, 2010) Logo, esses pontos críticos, tradicionalmente definidos como as regiões com taxas de crime mais altas (Coldren Jr et al., 2013) em alguns casos possuindo pontos com ainda mais risco dentro desses hotspots, podem ser utilizados para decifrar os padrões espaciais do crime. A partir da percepção e identificação dos locais de concentração de crimes, estudos apontam que a realização de intervenções policiais focadas aos pontos críticos, como patrulhas dirigidas, prisões proativas e policiamento orientado para o problema, concentrando os recursos nas microunidades de maior risco (Hart e Zandbergen, 2014), pode produzir ganhos significativos na prevenção do crime, a partir de dois mecanismos teóricos fundamentais de prevenção do crime: dissuasão e redução das oportunidades de crime (Braga et al., 2000). Entre os trabalhos sobre a eficácia das ações policiais (Koper, 1995), apre- sentou um estudo amplamente citado, no qual destaca que o patrulhamento intermitente com período de paradas em pontos de altos índices de crimi- nalidade (segmentos de rua ou quarteirões). Segundo o estudo, analisando ações de polícia nas modalidades de patrulhamento (deslocamento da viatura) e permanência (paradas em pontos estratégicos). Ainda, a partir dos dados demonstra que após um período de parada, mesmo após a saída da viatura permanece um período de manutenção da ordem no local, com uma probabi- lidade reduzida de incidentes, por algum período. o Policiamento Preditivo pode ser definido como a aplicação de técnicas analíticas - principalmente técnicas quantitativas - para identificar alvos pro- váveis para intervenção policial e prevenir crimes ou resolver crimes passados através de previsões estatísticas (Perry, 2013). A partir das definições pode-se sintetizar que policiamento preditivo é um método do processo de tomada de decisão dos gestores de segurança pública, 23 3.3 Tecnologias emergentes utilizando técnicas estatísticas e preditivas no planejamento das ações polici- ais proativas nos locais de maior risco, para alcançar maior eficiência (melhor emprego dos recursos), eficácia (atingindo os resultados esperados) e efetivi- dade (gerando impacto no local de atuação). Perry (Perry, 2013), propõem um modelo de processo do policiamento pre- ditivo, a partir de um sistema com quatro fases (Figura 3.4): coleta de dados, análise, operações policiais e resposta criminal. Figura 3.4: Processo do Policiamento Preditivo - Fonte Perry et al 2013 A etapa de coleta de dados é fundamental, uma vez que as técnicas de predição dependem de informações. Os bancos de dados da polícia, normal- mente, contêm uma grande quantidade de dados criminais que podem ser usados identificar sobre as tendências e padrões atuais e futuros do crime (Rummens et al., 2017). Na fase de análise, os métodos e as técnicas são implementados não apenas para identificar os fatos ocorridos e o cenário existente, mas, para antecipar os próximos crimes. Portanto, a análise constitui a base para o emprego de recursos, sendo que, se os gestores e policiais não entendem os fatores que conduzem a um aumento da chance de crime, a eficácia de suas ações pode ser reduzida ((Perry, 2013, Rummens et al., 2017). Seguindo, é preciso que o conhecimento gerado pela análise seja conside- rado no planejamento e execução das operações e ações policiais, para que 24 3.3 Tecnologias emergentes de fato possam atingir os resultados, evitando o cometimento de crimes e proporcionando maior segurança à população envolvida com os pontos e si- tuações de risco. Logo, a terceira fase do processo, é justamente a execução de operações/ações policiais, a partir da análise preditiva. Destaca-se que o policiamento preditivo apresenta grande conexão com o policiamento preven- tivo, sendo que os gestores da segurança pública devem trabalhar com vários atores na sociedade para reduzir e eliminar as oportunidades e os fatores que causam o comportamento criminoso (Meijer e Wessels, 2019). A partir da intervenção policial, haverá a fase de observar a resposta cri- minal, a fim de identificar possível redução, deslocamento ou encerramento de crimes na área de atuação. Diante da resposta, haverá a avaliação, com ajustes necessários nas intervenções, de forma sistemática, até que ocorra a alteração no ambiente de atuação. Isso ensejará a coleta de dados, para nova análise e planejamento, formando um ciclo da gestão preditiva do policiamento (Perry, 2013). As abordagens preditivas são diversas, conforme cada realidade e tipos de crimes, a partir de fundamentos teóricos e técnicas estatísticas complexas. Os primeiras estudos e aplicações partiram da identificação e mapeamento de pontos críticos de crime (hotspots), a partir de mapas de densidade com base na análise retrospectiva dos dados do crime, com o consequente direciona- mento dos recursos policiais para esses locais, sendo reconhecida como uma técnica eficaz de combate ao crime (Braga et al., 2000). Do exposto, percebe-se que uma modelagem de policiamento inteligente, portanto, deve considerar a análise para identificação das características cri- minais no ambiente e no tempo, para antecipar o seu acontecimento, mas depende, fundamentalmente, do planejamento de ações policiais com base nessas informações, considerando a otimização dos recursos. Dessa forma, os métodos e modelos de predição devem agregar às pesquisas a identificação de pontos de maior risco e definição da forma de cobertura, através da maior permanência nesses locais. A seguir, serão apresentados aspectos quanto aos desafios do financia- mento desse tipo técnica a ser empregada no Setor Público. 3.3.4 Financiamento das tecnologias emergentes no contexto da Segurança Pública: um desafio a ser superado Nesse contexto há que se entender o desafio financeiro, nesse sentido A Lei de Diretrizes Orçamentárias (LDO) estabelece as metas e prioridades da admi- nistração pública estadual e dispõe sobre critérios e normas que garantam o equilíbrio das receitas e despesas do Orçamento do Estado. Com base na LDO aprovada pelo Legislativo, o Poder Executivo elabora a proposta orçamentária 25 3.3 Tecnologias emergentes para o ano seguinte, em conjunto com as secretarias, autarquias e funda- ções, fundos especiais e as unidades orçamentárias dos poderes Legislativo, Judiciário e Ministério Público, como também das empresas estatais. No âmbito do desafio financeiro que permeia a gestão pública, é essencial compreender o papel crucial desempenhado pela Lei de Diretrizes Orçamen- tárias (LDO) na definição de metas e prioridades para a administração pública estadual. A LDO não apenas delineia as diretrizes estratégicas, mas também estabelece critérios e normas que visam assegurar o equilíbrio entre as recei- tas e despesas do Orçamento do Estado. Já a Lei nž 4.320, de 17 de março de 1964, e alterações posteriores, que estatui as normas gerais de direito financeiro para elaboração e controle dos orçamentos e balanços da União, dos Estados, dos Municípios e do Distrito Federal, estabelece a Lei de Orçamento como instrumento para a discrimi- nação da receita e despesa, conforme observa-se no teor de seu artigo 2ž, reproduzido abaixo: "Art. 2ř A Lei do Orçamento conterá a dis- criminação da receita e despesa de forma a evidenciar a política econômica financeira e o programa de trabalho do Governo, obe- decidos os princípios de unidade universa- lidade e anualidade."(LEI4320, 1964) Nesse diapasão, a Lei Orçamentária Anual (LOA)(LOA, 2023) orça a receita e fixa a despesa do Estado para o exercício anual, compreendendo, nos termos do artigo 174, ğ 4ž, da Constituição Estadual.(CONSTITUICAOSP, 1989) 26 3.3 Tecnologias emergentes "Artigo 174 - Leis de iniciativa do Poder Exe- cutivo estabelecerão, com observância dos preceitos correspondentes da Constituição Federal: I - o plano plurianual; II - as di- retrizes orçamentárias; III - os orçamentos anuais. [...] Parágrafo 4 - A lei orçamentária anual compreenderá: 1 - o orçamento fiscal referente aos Poderes do Estado, seus fun- dos, órgãos e entidades da administração direta e indireta, inclusive fundações insti- tuídas ou mantidas pelo Poder Público; 2 - o orçamento de investimentos das empresas em que o Estado, direta ou indiretamente, detenha a maioria do capital social com di- reito a voto; 3 - o orçamento de seguridade social, abrangendo todas as entidades e ór- gãos a ela vinculados, da administração di- reta e indireta, bem como os fundos e fun- dações instituídas ou mantidas pelo Poder Público;"(CONSTITUICAOSP, 1989) Assim, todas as ações do Estado são disciplinadas pela LOA, de forma que nenhuma despesa pública pode ser executada fora do planejado, nem tão pouco fora das prioridades contidas no Plano Plurianual (PPA). Cumprindo um rito anual, em observância à CE, o Chefe do Executivo estadual encaminha o projeto ao Legislativo para análise da Comissão de Finanças, Orçamento e Planejamento (CFOP). Depois de aprovado, o Projeto da Lei Orçamentária Anual (LOA), a qual reúne todas as receitas e despesas que o governo do Estado pretende realizar no ano vindouro é sancionado pelo governador e se transforma em lei. Esse cenário indica uma tendência de escassez de investimento de recur- sos por parte do Poder público na Ação Inteligência Policial Fonte Tesouro, cenário esse que sinaliza aos gestores a importância de traçar estratégias de curto e médio prazo para a captação de recursos financeiros de outras fontes e através da consolidação de parcerias, quer entre outras esferas, quer junto a iniciativa privada. Ficando claro portanto que para a PMESP obter sucesso e qualidade no cumprimento de suas missões: i) proteger as pessoas; ii) fazer cumprir a lei; iii) combater o crime; e iv) preservar a ordem pública, há a ne- cessidade de realizar a gestão dos sistemas e infraestrutura de Tecnologia da Informação e Comunicação (TIC). 27 3.4 Considerações Finais 3.4 Considerações Finais Esse cenário de contração do orçamento para investimento em TIC, obriga a PMESP a adotar processos de boas práticas de gestão e de planejamento. En- tre inúmeras definições e abordagens sobre o planejamento, merecem atenção os entendimentos trazidos pelo Guia de PDTIC do Sistema de Administração dos Recursos de Tecnologia da Informação (SISP) - versão 2.0: "Em resumo, planejar significa orientar ações presentes e futuras, visando atingir um objetivo. O planejamento provê condições de maior segu- rança e menor margem de erros. É o planeja- mento que define ações, projetos, procedimen- tos, metas e objetivos, visando mudar uma situ- ação atual ou explorar uma possibilidade futura. (pme, 2018a) [...] Permite focalizar os esforços onde os benefícios são maiores ou onde há maior necessidade (eficácia e efetividade), aproveitar melhor os recursos disponíveis, minimizando o desperdício (eficiência e economicidade), aumen- tar a inteligência organizacional por meio de aprendizado e responder mais adequadamente às mudanças do ambiente."(pme, 2018b) Por fim e diante do acima exposto, as boas práticas de gestão e de planeja- mento de TIC (Técnologia da Informação e Comunicação), seja qual for o nível, são importantes ferramentas para a tomada de decisões pelos gestores, pois faz com que estejam aptos a agir com iniciativa e se adaptarem rapidamente às alterações do ambiente em que atuam. 28 CAPÍTULO 4 Ontologias, Redes Neurais (Artificiais) e Análise de Dados 4.1 Considerações Iniciais Neste capítulo é apresentado o contexto das tecnologias emergentes que po- dem subsidiar de certa forma a aplicação de um planejamento de policiamento inteligente. As Redes Neurais com enfoque nas Convolucionais que, inspiradas na complexidade do cérebro humano, despontam como ferramentas de proces- samento de informações visuais com potencial extraordinário. A capacidade dessas redes para identificar padrões complexos em imagens e dados visuais não apenas revoluciona a análise de informações, mas também inaugura no- vos horizontes na compreensão de contextos visuais, como os encontrados em vigilância urbana e reconhecimento de padrões comportamentais. A utilização de Ontologia, por sua vez, oferece um arcabouço conceitual sólido, permitindo a representação formal do conhecimento em domínios es- pecíficos. Ao criar uma estrutura semântica, a ontologia facilita a compreen- são aprofundada dos dados, promovendo a interoperabilidade entre sistemas e possibilitando uma visão mais holística das informações. Dessa forma, a ontologia torna-se um alicerce essencial para a integração eficaz de diversas fontes de dados, criando um ambiente propício para a análise e interpretação de informações heterogêneas, que hoje acaba sendo uma realidade na mani- pulação dos dados advindos da Segurança Pública. Dessa combinação é possível gerar com qualidade a Análise Preditiva, que, terá por objetivo processar dados históricos e em tempo real, proporcionando não apenas a capacidade de reação a eventos iminentes, mas também a habi- 29 4.1 Considerações Iniciais lidade única de antecipar cenários e comportamentos, possibilitando, assim, um planejamento estratégico mais eficiente e uma roteirização otimizada das operações. Ao longo deste capítulo, vamos tentar entender conceitos básicos dessas tecnologias, compreendendo como a interconexão das Redes Neurais Convo- lucionais, Ontologia e Análise Preditiva que tende a desenhar um novo para- digma no cenário do policiamento inteligente. 4.2 Ontologia A origem do termo "ontologia"remonta ao grego, onde "onto"está ligado a "ser"e "logia"está relacionado ao discurso escrito ou falado (Uschold e Gruninger, 1996, Gruber, 1993). Inicialmente utilizado no contexto filosófico, o conceito foi posteriormente adaptado no campo da ciência da computação, principal- mente em estudos relacionados à aquisição de conhecimento e raciocínio. Gruber (1993) definiu ontologia como "uma especificação da conceituação", representando formalmente um conjunto de conceitos e relações que existem para um agente ou uma comunidade de agentes. Conforme a definição de Uschold e Grninger (Uschold e Gruninger, 1996, Gruber, 1993) (1996, p. 21), ontologia pode ser compreendida como: ...entendimento compartilhado de algum domínio de interesse que pode ser usado como uma estrutura unificadora para re- solver os problemas acima descritos da ma- neira acima especificada. Uma ontologia ne- cessariamente envolve ou incorpora algum tipo de visão de mundo em relação a um de- terminado domínio. Essa visão de mundo é frequentemente concebida como um con- junto de conceitos (por exemplo, entida- des, atributos, processos), suas definições e suas inter-relações; isso é referido como uma conceitualização...(Uschold e Grunin- ger, 1996, Gruber, 1993) A Ontologia, termo inicialmente filosófico, encontra aplicações em diversas áreas tecnológicas, incluindo Web semântica, Engenharia de Software e Ar- quitetura da Informação. Existem várias classificações de ontologias, sendo 30 4.2 Ontologia a que se relaciona mais diretamente com a semântica, e que se pretende em- pregar nesta tese, aquela que utiliza conceitualização como critério principal (Gruber, 1993). As ontologias são categorizadas em quatro tipos: de alto nível, de domínio, de tarefa e de aplicação. A descrição dos componentes da Ontologia abrange Indivíduos, Classes, Atributos e Relacionamentos. Nesse contexto, as classes representam gene- ralizações de coleções, conceitos, tipos de objetos ou espécies de coisas, en- quanto os indivíduos são suas realizações concretas. Entre os indivíduos, há relacionamentos específicos, e cada um possui um conjunto de atributos. Figura 4.1: Classificação das Ontologias - Fonte Guarino 1998 GUARINO (June 1998) propõe quatro tipos de ontologias, sendo o primeiro deles as ontologias de alto nível, nas quais são descritos conceitos genéricos como espaço, tempo e evento. Estes conceitos são independentes de proble- mas ou domínios específicos, sendo comum encontrar amplas comunidades de usuários que compartilham ontologias de alto nível. O segundo tipo são as ontologias de domínio, que descrevem um vocabu- lário relacionado a um domínio genérico, especializando conceitos presentes nas ontologias de alto nível. As ontologias de tarefa constituem o terceiro tipo, apresentando uma con- cepção relacionada a uma tarefa ou atividade genérica. 31 4.2 Ontologia Por último, as ontologias de aplicação representam o quarto tipo, sendo mais específicas e utilizadas dentro de aplicações específicas. Essa catego- rização proporciona uma abordagem abrangente para a aplicação eficaz das ontologias em diversos contextos, desde conceitos genéricos até aplicações es- pecíficas e direcionadas. Observa-se que as ontologias de alto nível possuem uma maior capacidade de reuso, uma vez que definem conceitos genéricos, enquanto as ontologias de aplicação apresentam uma menor capacidade de reuso, ao definirem conceitos relacionados a uma aplicação específica. Em todas as fases da construção de uma ontologia, é crucial a utilização de critérios na estruturação do código de linguagem de programação, especialmente na distinção ou comparação das linguagens utilizadas no desenvolvimento. 4.2.1 Aprimoramento Semântico de Dados por Meio de Ontolo- gias A ontologia pode oferecer contribuições significativas na interpretação ade- quada de termos como "desinteligências", frequentemente encontrados em bancos de dados policiais, dentro do contexto da análise preditiva criminal. Ontologias, ao fornecerem uma estrutura formal para a representação de con- ceitos e suas inter-relações, possibilitam uma compreensão mais precisa e consistente dos dados, especialmente em domínios complexos como o da cri- minologia. Por exemplo, o termo "desinteligências"pode se referir a informações errô- neas ou incompletas registradas em relatórios policiais. Uma ontologia pode definir "desinteligências"como um subconjunto de "dados de inteligência", es- pecificando suas características e relações com outros conceitos GUARINO (June 1998), como "tipos de crime"ou "fontes de informação". Isso não ape- nas clarifica o significado do termo, mas também permite que algoritmos de análise preditiva tratem essas informações de maneira mais eficaz, evitando confusões que poderiam comprometer a qualidade das previsões. Ademais, ao integrar ontologias no processamento de dados policiais, é possível harmonizar informações provenientes de diversas fontes, como rela- tórios de ocorrência, dados de vigilância e informações comunitárias. Essa integração é essencial para a criação de modelos preditivos que sejam não apenas robustos, mas também fundamentados em dados coerentes e bem in- terpretados Uschold e Gruninger (1996)). Por exemplo, um sistema de análise preditiva pode usar uma ontologia para categorizar dados de crime e suas inter-relações, permitindo a identificação de padrões como o aumento de "de- sinteligências"associadas a determinados tipos de crime em áreas específicas. Nesse contexto, a utilização de ontologias, além de facilitar a interpretação 32 4.2 Ontologia correta de termos e dados, pode também potencializar a eficácia dos sistemas de previsão criminal. Em todas as etapas de elaboração de uma ontologia, é fundamental apli- car certos critérios na organização do código da linguagem de programação, especialmente ao diferenciar ou comparar as linguagens utilizadas para o de- senvolvimento. No contexto da ontologia, as linguagens de programação funci- onam como códigos que são interpretados em páginas web, sendo processados ou compilados para que agentes eletrônicos possam acessar as informações GUARINO (June 1998). Para que a Web 4.0 alcançasse um desempenho superior e deixasse de ser meramente uma web de documentos estáticos, foram propostas diversas tec- nologias, entre elas as ontologias. De acordo com Piteri (Piteri e Rodrigues, 2011), a intenção com essa tecnologia foi ".. atribuir sentido e significado ao conteúdo de documentos, atuando como ferramenta de representação do conhe- cimento. ". Por conta da eficiente interoperabilidade e representação semântica de da- dos, pode ser melhorado o gerenciamento de informação. Nesse contexto, o Resource Description Framework (RDF) surge como uma linguagem de mode- lagem fundamental, proporcionando uma estrutura padrão para representar informações e suas relações na forma de triplas sujeito-predicado-objeto. A abordagem baseada em grafos do RDF permite uma representação semântica robusta e flexível. As triplas RDF, compostas por "sujeito-predicado-objeto" (Rodrigues e Ma- ciel, 2022), descrevem relações entre entidades e valores. A definição dos as- pectos criminais a serem representados é crucial, uma vez que a precisão e a abrangência dessas informações impactam a eficácia das análises e interpre- tações subsequentes. Essa escolha deve considerar não apenas o crime em si, mas também o contexto social, legal e geográfico em que ocorreu (Ishak, 2022). Além disso, é imperativo ponderar sobre a sensibilidade de certas informações, garantindo a preservação da privacidade das vítimas e demais envolvidos, ao mesmo tempo em que se proporciona uma visão holística e compreensiva do incidente para fins de investigação e políticas públicas. Complementando o RDF, o SPARQL (SPARQL Protocol and RDF Query Lan- guage) se destaca como uma linguagem de consulta específica para dados RDF. Essa linguagem oferece meios eficazes para recuperar informações ar- mazenadas em formato RDF, permitindo consultas complexas e detalhadas. A utilização do SPARQL facilita a extração pr ecisa de dados semânticos, contri- buindo para a eficiência na recuperação e análise de informações. Por fim, o XML (Extensible Markup Language) desempenha um papel cru- cial na representação estruturada e interoperável de dados. Com sua capaci- 33 4.2 Ontologia Figura 4.2: RDF - Fonte adaptada de Biz, Bettoni, Thomaz, Santos e Pavan (2014) dade de definir esquemas personalizados, o XML facilita a troca de informa- ções entre sistemas heterogêneos. Sua flexibilidade e adaptabilidade o tornam uma escolha frequente em contextos nos quais a padronização e a hierarquia de dados são fundamentais. Em conjunto, RDF, SPARQL e XML formam uma tríade muito eficiente, gerando uma base sólida para a representação semântica, consulta ágil e troca de dados estruturados em ambientes computacionais complexos. 4.2.2 Aplicação da Ontologia na Predição Criminal No processo de predição criminal, a ontologia pode ser usada para padronizar e esclarecer conceitos que podem variar significativamente entre diferentes fontes de dados ou agentes envolvidos. Por exemplo, a definição de crimes como "roubo"pode diferir entre jurisdições ou contextos, levando a inconsis- tências nos dados. Uma ontologia pode unificar essas definições, garantindo que o termo "roubo"seja interpretado de maneira consistente em todos os con- textos, o que é essencial para a precisão das previsões. Tabela 4.1: Definição de Crimes por Jurisdição Conceito Definição Jurisdição A Definição Jurisdição B Agressão Contato físico não consensual Contato físico com dano físico visível 34 4.2 Ontologia 4.2.3 Melhoria na Previsão através da Semântica A ontologia também é essencial na definição de variáveis que influenciam as previsões criminais. Por exemplo, ao considerar o impacto das condições cli- máticas na atividade criminal, termos como "frio"podem ter significados dife- rentes. Em uma região, "frio"pode ser definido como temperaturas abaixo de 17 ◦C, enquanto em outra, pode ser abaixo de 11 ◦C. A ontologia pode padro- nizar esses conceitos, assegurando que as análises preditivas levem em conta as variáveis contextuais de forma precisa e contextualizada. Tabela 4.2: Definição de Frio por Região Região Definição de Frio Região A Temperatura abaixo de 17°C Região B Temperatura abaixo de 11°C Essa padronização é particularmente importante em modelos preditivos que utilizam múltiplas fontes de dados com diferentes critérios de registro. Por exemplo, ao integrar dados de incidentes criminais com informações meteoro- lógicas, a ontologia garante que o termo "frio"seja interpretado corretamente em todas as variáveis analisadas. 4.2.4 Expansão da Ontologia para Outras Modalidades Crimi- nais A ontologia pode ser estendida para lidar com uma ampla variedade de crimes e suas características específicas. Por exemplo, ao considerar crimes como "fraude"ou "cybercrime", a ontologia pode definir claramente os diferentes ti- pos de fraude (ex.: fraude financeira, fraude de identidade) e suas caracterís- ticas, facilitando a análise preditiva. Tabela 4.3: Tipos de Fraude e Características Tipo de Fraude Características Principais Fraude Financeira Envolvimento de transações financeiras falsas ou enganosas Fraude de Identidade Uso não autorizado de dados pessoais para ga- nho financeiro 4.2.5 Integração de Ontologias no Contexto das Variáveis Predi- toras No contexto de variáveis que influenciam a predição criminal, a ontologia ajuda a definir e padronizar conceitos como "período do dia"(ex.: manhã, tarde, noite), "densidade populacional"e "áreas de alta criminalidade". Por exemplo, ao modelar o impacto do horário do dia na ocorrência de crimes, a ontologia 35 4.2 Ontologia pode definir claramente os intervalos de tempo para "noite"e "madrugada", que podem variar entre regiões. Tabela 4.4: Definição de Período do Dia por Região Período do Dia Definição Região A Definição Região B Noite 18:00 - 22:00 20:00 - 24:00 Madrugada 22:00 - 06:00 00:00 - 06:00 4.2.6 Exemplos de RDF para Representação de Conceitos Para ilustrar como a ontologia pode ser implementada na prática, considere os seguintes exemplos de RDF (Resource Description Framework), que descrevem relações entre crimes, suas características e variáveis contextuais: @prefix ex: . ex:Assault a ex:Crime ; ex:hasDefinition "Physical contact without consent" ; ex:hasSeverity ex:High ; ex:occursIn ex:LocationA . ex:Fraud a ex:Crime ; ex:hasType ex:FinancialFraud ; ex:involves ex:MonetaryTransaction ; ex:hasSeverity ex:Moderate ; ex:occursIn ex:LocationB . ex:WeatherCondition a ex:ContextualVariable ; ex:hasType ex:Temperature ; ex:hasThreshold "Below 17 degrees Celsius" ; ex:relatedTo ex:CrimeRateIncrease . ex:TimeOfDay a ex:ContextualVariable ; ex:hasPeriod ex:Night ; ex:occursFrom "18:00" ; ex:occursTo "22:00" ; ex:relatedTo ex:IncreasedAssaultRisk . Esses exemplos RDF demonstram como conceitos relacionados a crimes e suas variáveis contextuais podem ser formalmente definidos e inter-relacionados para facilitar análises preditivas mais precisas. 36 4.2 Ontologia 4.2.7 Conclusão A utilização de ontologias no contexto da predição criminal representa um grande avanço na forma como os dados são interpretados e analisados. Ao fornecer uma estrutura semântica consistente, as ontologias permitem que conceitos complexos, como definições de crimes e variáveis contextuais, se- jam padronizados e compreendidos de maneira uniforme, independentemente da diversidade de fontes e jurisdições. Essa padronização é muito importante para a construção de modelos preditivos robustos, capazes de identificar pa- drões e tendências com maior precisão. As ontologias ta