Previsão de roubos de veículos no Rio de Janeiro utilizando algoritmos de Machine Learning

Gustavo de Souza Coelho; Lisleandra Machado; Domingos Sávio da Cunha Garcia; Leonardo Amorim de Araújo

doi:10.23925/ddem.v.3.n.15.72333

Autores

Gustavo de Souza Coelho Instituto Federal do Sudeste de Minas Gerais, IF SUDESTE, MG https://orcid.org/0009-0006-3113-3609
Lisleandra Machado Instituto Federal do Sudeste de Minas Gerais, IF SUDESTE, MG https://orcid.org/0000-0002-7761-8023
Domingos Sávio da Cunha Garcia Universidade Estadual de Campinas - UNICAMP, Campinas, SP https://orcid.org/0000-0002-8754-6780
Leonardo Amorim de Araújo Universidade Federal do Rio de Janeiro - UFRJ - Rio de Janeiro, RJ https://orcid.org/0000-0003-2722-7531

DOI:

https://doi.org/10.23925/ddem.v.3.n.15.72333

Palavras-chave:

redes neurais, arvore de decisão, modelos preditivos, Segurança Pública, Roubo de Veículos

Resumo

As previsões de variáveis criminais são úteis para o desdobramento tático de recursos, alocação de pessoal e planejamento estratégico, aumentando a consciência tática e estratégica das forças policiais. Nos Estados Unidos, métodos preditivos são amplamente utilizados para antecipar tendências e identificar locais e indivíduos propensos à futura vitimização. No entanto, a literatura nacional ainda carece de modelos capazes de antecipar tendências criminais, com algumas exceções, como a ferramenta CrimeVis e outros estudos com técnicas de previsão mais modestas. A evolução e popularização da inteligência artificial (IA), especialmente do machine learning, permitem previsões mais rápidas, baratas e precisas, auxiliando na resolução de problemas anteriormente. A aplicação de IA pode processar e analisar grandes quantidades de informações rapidamente, melhorando a tomada de decisão. O objetivo principal deste trabalho é avaliar qual abordagem de modelagem – árvores de decisão ou redes neurais – oferece maior precisão na previsão de roubos de veículos no município do Rio de Janeiro, contribuindo para o desenvolvimento de ferramentas preditivas que possam auxiliar autoridades e órgãos de segurança pública na alocação eficiente de recursos e no planejamento estratégico de políticas de prevenção. A precisão das modelagens será comparada utilizando o erro médio quadrático (Mean Squared Error - MSE).

Biografia do Autor

Gustavo de Souza Coelho, Instituto Federal do Sudeste de Minas Gerais, IF SUDESTE, MG

Bacharel em Ciência da Computação.

Lisleandra Machado, Instituto Federal do Sudeste de Minas Gerais, IF SUDESTE, MG

Professora e Pesquisadora pelo CNPQ, FAPEMIG, FUNDEP e CAPES. Possui graduação em Direito, Administração de Empresas, Engenharia de Produção, Pedagogia Doutora em Engenharia de Produção pela UNIMEP e mestra em Engenharia de Produção pela UFSC - Universidade Federal de Santa Catarina. Atualmente é coordenadora do Curso de graduação em Engenharia Ferroviária e Metroviária. Tem profundos conhecimentos em Data Science y Analytics, Digital Business (Business Intelligence). Professora no Instituto Federal de Educação Ciência e Tecnologia do Sudeste de Minas Gerais - Juiz de Fora, MG. Desde 2002, é avaliadora ad hoc de cursos de graduação (INEP/MEC).

Domingos Sávio da Cunha Garcia, Universidade Estadual de Campinas - UNICAMP, Campinas, SP

É doutor em Economia Aplicada, com área de concentração em História Econômica, pela Universidade Estadual de Campinas (2005) e professor adjunto C10 da Universidade do Estado de Mato Grosso - UNEMAT, lotado no Departamento de História do campus de Cáceres desde 1995. Tem experiência na área de História, com ênfase em História Econômica e História Política do Brasil no século XIX, atuando principalmente nos seguintes temas: história política da fronteira oeste do Brasil no longo século XIX; geopolítica e relações internacionais: o Brasil e o Prata no século XIX; economia e sociedade na fr.

Leonardo Amorim de Araújo, Universidade Federal do Rio de Janeiro - UFRJ - Rio de Janeiro, RJ

Possui graduação em Engenharia Civil pela Universidade Federal de Juiz de Fora (1978), mestrado em engenharia de transportes pela Washington University in Saint Louis (1986), doutorado em Engenharia de Transportes pela Universidade Federal do Rio de Janeiro (2003), ensino-fundamental-primeiro-graupelo Ginásio Pio X (1968) e ensino-medio-segundo-graupelo Instituto Metodista Granbery (1971). Atualmente é professor efetivo do Instituto Federal do Sudeste de Minas Gerais.

Referências

AGRAWAL, Ajay. The economics of artificial intelligence. McKinsey Analytics, abril de 2018. Disponível em: https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/the-economics-of-artificialintelligence. Acesso em 28/11/2025.

ALVES, P. C. P.; PRADO S. C. C. 2022. Estudo Comparativo entre algoritmos de machine learning aplicados à previsão de series temporal do mercado financeiro. In: IX Congresso de trabalhos de graduação faculdade de tecnologia e Mococa, 2022, São Paulo, SP, Brasil. Vol.9 N.1 A.2022.

BREIMAN, L., FRIEDMAN, J., STONE, C. J.; OLSHEN, R. A. (1984). Classification and Regression Trees. CRC Press.

GOODFELLO W, I., BENGIO, Y.; COURVILLE, A. (2016). Deep Learning. MIT Press. Disponível em: https://www.deeplearningbook.org/. Acesso em 28/11/2025.

HAN, J., KAMBER, M.; PEI, J. (2011). Data Mining: Concepts and Techniques. Elsevier.

HYNDMAN, R. J.; ATHANASOPOULOS, G. (2018). Forecasting: principles and practice. OTexts. Disponível em: https://otexts.com/fpp3/. Acesso em 28/11/2025.

Instituto de Segurança Pública. (2023). Relatório Anual de Estatísticas de Segurança Pública no Rio de Janeiro. Acesso em 2023, disponível em: www.isp.rj.gov.br. Acesso em 28/11/2025.

MEIJER, A.; WESSELS, M. Predictive policing: review of benefits and drawbacks. International Journal of Public Administration, v. 42, n. 12, p. 1031-1039, 2019. Disponível em: https://www.tandfonline.com/doi/full/10.1080/01900692.2019.1575664. Acesso em 28/11/2025.

PERRY, W. et al. Predictive policing: the role of crime forecasting in law enforcement operations. [s.l.]: Rand Corporation, 2013. Disponível em: https://www.rand.org/pubs/research_reports/RR233.html. Acesso em 28/11/2025.

PROVENZA, M. M.; COSTA, J. F. da S.; SILVA, L. D. C. Análise e previsão de séries temporais do homicídio doloso no Rio de Janeiro. Revista Cadernos de Estudos Sociais e Políticos, v. 4, n. 7, p. 63-85, 2015. Disponível em: https://www.e-publicacoes.uerj.br/index.php/CESP/article/view/18992/13810. Acesso em 28/11/2025.

ROEDER, O. K. et al. What caused the crime decline? New York: Brennan Center for Justice, 2015. p. 142. Disponível em: https://www.brennancenter.org/sites/default/files/publications/What_Caused_The_Crime_Decline.pdf. Acesso em 28/11/2025.

SILVA, L. J. S. et al. CrimeVis: an interactive visualization system for analyzing crime data in the State of Rio de Janeiro. In: INTERNATIONAL CONFERENCE ON ENTERPRISE INFORMATION SYSTEMS, 19., 2017, Porto, Portugal. Proceedings... Porto: Iceis, 2017. p. 193-200. Disponível em: http://www.scitepress.org/DigitalLibrary/Link.aspx?doi=10.5220/0006258701930200. Acesso em 28/11/2025.

TASHMAN, L. J. Out-of-sample tests of forecasting accuracy: analysis and review. International Journal of Forecasting, v. 16, n. 4, p. 437-450, 2000. Disponível em: https://linkinghub.elsevier.com/retrieve/pii/S0169207000000650. Acesso em 28/11/2025.