Um modelo de predição de crimes interpretável usando Redes Neurais para Grafos

Resumo

A criminalidade urbana é um grande problema que afeta o bem-estar e a segurança da sociedade, especialmente em grandes metrópoles. Sendo assim, é fundamental a criação de mecanismos que auxiliem os agentes públicos a prevenir a ocorrência de crimes e entender quais fatores influenciam as atividades criminosas. Nesse contexto, métodos de aprendizagem de máquina têm sido aplicados à predição de crimes. No entanto, os estudos existentes não exploram a estrutura da cidade, como o grafo de ruas, e utilizam dados limitados. Graph Neural Network (GNN) é um modelo de deep learning com um sólido potencial para predição de crimes. No entanto, poucos estudos usam GNNs nesse contexto. Além disso, é difícil explicar as predições realizadas por uma GNN. Este projeto tem como objetivo investigar e propor um modelo GNN que capture a dinâmica de ocorrências de crimes usando o grafo de ruas da cidade e fazendo uso de um conjunto de fatores externos, tais como, dados meteorológicos e socioeconômicos, para ampliar a abrangência do modelo. Além disso, o modelo será integrado a uma técnica de explicabilidade para facilitar o entendimento das predições.