Improving crime prediction through ensembles

Abstract

Prever crimes é um desafio devido à complexidade das séries temporais inerentes ao fenômeno de interesse, as quais costumeiramente possuem com componentes lineares e não lineares. Além disso, devido à presença de padrões temporais em constante mudança, a utilização de um único modelo pode resultar em previsões imprecisas. Neste contexto, este estudo propõe a modelagem e previsão de séries temporais de crimes utilizando tanto modelos únicos quanto ensembles, incluindo abordagens treináveis e não treináveis. Propõe-se, também, um método de combinação que envolve a seleção de um subconjunto de modelos únicos por meio de uma etapa de validação. Para o experimento, foram utilizadas séries de crimes de diferentes localidades, como Pernambuco, Chicago e Los Angeles. Com base nos resultados apresentados, observa-se que os modelos ensembles apresentaram melhor desempenho preditivo do que os modelos únicos utilizados. No entanto, em relação ao método proposto, concluise que a seleção de um subconjunto de modelos únicos com base na validação pode ser problemática quando os conjuntos de validação não são suficientemente representativos, seja devido ao número limitado de observações ou às características distintas em relação ao conjunto de teste.