Processamento de sinais em grafos e deep learning para predição de crimes na cidade de São Paulo

• Processo: 18/24516-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2019
• Data de Término da vigência: 30 de abril de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Luis Gustavo Nonato
• Beneficiário: Thales de Oliveira Gonçalves
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Bolsa(s) vinculada(s): 21/12013-6 - Aprendizado profundo em grafos para predição de crimes urbanos, BE.EP.DR
• Assunto(s): Aprendizagem profunda Visualização de dados Ciência de dados Processamento de sinais Crime São Paulo (SP)
• Palavra(s)-Chave do Pesquisador: Análise de Crimes | Deep Learning | Processamento de sinais em grafos | Visualização e Ciência de Dados

Resumo

São Paulo é a maior cidade da América do Sul, com taxas de criminalidade tão grandes quanto a própria cidade. O número e o tipo de crimes em São Paulo variam consideravelmente dependendo das características urbanas, ambientais e sociais da localidade. Estudos anteriores sobre a análise de crimes na cidade de São Paulo se concentraram principalmente na descoberta de padrões criminais associados a fatores socioeconômicos, sazonalidade e atividades da rotina urbana. Além disso, esses estudos e suas ferramentas associadas foram projetados para analisar a cidade como um todo, não sendo apropriados para estudar algumas regiões em particular, como bairros, ruas, avenidas e parques específicos. Há ainda outro aspecto importante nesse contexto, a disponibilidade de informações relevantes sobre mobilidade, comportamento dos transeuntes, infraestrutura urbana e mídias sociais, as quais não são levadas em consideração pelas ferramentas de análise de padrões criminais existentes. Neste trabalho, é proposto o desenvolvimento de uma ferramenta analítica para analisar e prever padrões criminais em regiões específicas de uma cidade grande como a de São Paulo. Nosso foco é a identificação e previsão de hotspots, bem como seus padrões criminais correspondentes. A ideia é explorar as informações obtidas a partir da infraestrutura urbana e dos dados das redes sociais para alimentar uma rede neural profunda, que deve aprender os padrões criminais. Como resultado, será desenvolvida uma aplicação que possa ser usada pela população, aumentando a transparência da criminalidade em bairros específicos e, ao mesmo tempo, ajudando órgãos de segurança do governo em seus planejamentos e estudos. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SALINAS, KARELIA; GONCALVES, THALES; BARELLA, VICTOR; VIEIRA, THALES; NONATO, LUIS GUSTAVO; DECARVALHO, BM; GONCALVES, LMG. CityHub: A Library for Urban Data Integration. 2022 35TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI 2022), v. N/A, p. 6-pg., 2022-01-01. (18/24516-0, 20/07012-8)

GONCALVES, THALES; NONATO, LUIS GUSTAVO; XAVIER-JUNIOR, JC; RIOS, RA. Extreme Learning Machine to Graph Convolutional Networks. INTELLIGENT SYSTEMS, PT II, v. 13654, p. 15-pg., 2022-01-01. (18/24516-0)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

GONÇALVES, Thales de Oliveira. Contribuições e avanços em Redes Neurais em Grafos. 2024. Tese de Doutorado - Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB) São Carlos.