Em um estudo publicado no EPJ Data Science Diário, a equipe de pesquisadores da RMIT mostra como os dados de localização e atividade dos usuários do aplicativo Foursquare, quando combinado com algoritmos de recomendação, nos permite prever crimes com mais precisão do que nunca.

Os usuários do Foursquare compartilham sua localização e atividade quando fazem 'check-in' em vários lugares. O estudo usou dados de mais de 20, 000 check-ins por usuários em Brisbane, e quase 230, 000 check-ins de usuários na cidade de Nova York.

A cientista da computação do RMIT, Dra. Flora Salim, diz que essa dinâmica, Dados em tempo real sobre os movimentos das pessoas em uma cidade são altamente valiosos para entender a probabilidade de diferentes situações em uma área.

Mas, para preencher as muitas lacunas nesses dados baseados em localização, pesquisadores também desenvolveram algoritmos de recomendação, semelhantes aos usados ​​para recomendar músicas relacionadas no Spotify.

"Obviamente, a grande maioria das pessoas na cidade nem sempre usava o aplicativo e aqueles que cometiam crimes provavelmente não postavam no aplicativo sobre isso, "ela diz." Então, usamos sistemas de recomendação para preencher as lacunas e prever outras atividades em qualquer cenário. "

Em testes em ambas as cidades, o sistema previu tipos específicos de crime em partes específicas da cidade melhor do que os modelos de previsão de crime existentes com base nas tendências do crime.

Em Brisbane, o sistema foi considerado 16% mais preciso na previsão de assaltos do que os modelos atuais, 6% mais preciso para prever entradas ilegais, 4% melhor para delitos de drogas e roubo e 2% melhor para previsão de fraude.

Na cidade de Nova York, melhorou a precisão da previsão em 4% para crimes de roubo e drogas, fraude e entrada ilegal, enquanto melhora as previsões de agressão em 2%.

Salim diz que, dada a escassez de conjuntos de dados usados ​​no estudo, esses resultados são significativos.

"Com base nesses resultados positivos, esta tecnologia pode permitir que a polícia desenvolva estratégias de patrulha mais eficazes com recursos limitados, enviando policiais para os locais onde o crime é mais provável, " ela diz.

O sistema também pode ser facilmente ampliado para processar amostras maiores de quase qualquer plataforma de mídia social, aplicativo ou rede móvel que coleta dados baseados em localização.

"O uso generalizado de mídias sociais, como Twitter e Foursquare, que reúnem grandes quantidades de dados sobre nossa localização, atividades e preferências - oferece oportunidades sem precedentes para capturar o movimento e a atividade das pessoas em uma cidade, " ela diz.

O estudo é apenas um exemplo de como nossos dados podem ser usados ​​para prever nossas ações para uma ampla gama de aplicações.

Outro projeto em que Salim está envolvido, analisa algoritmos para prever, com altos níveis de precisão, o que faremos na segunda metade do dia com base em padrões históricos e dados coletados na primeira metade do dia.

"Pesquisa sobre o padrão do movimento humano, com base em dados de nossos aplicativos móveis, muitas vezes mostra como muitas de nossas atividades são previsíveis, "Salim diz.

Autor principal e Ph.D. estudante Shakila Khan Rumi, que é supervisionado por Salim e Dr. Ke Deng, afirma que o estudo representa um avanço significativo nos modelos de previsão de crimes.

"Os modelos atuais de previsão de crimes de última geração geralmente dependem de recursos estáticos relativos, incluindo informações históricas de longo prazo, informações geográficas e informações demográficas. Essas informações mudam lentamente com o tempo, o que significa que esses modelos tradicionais não conseguiam capturar as variações de curto prazo nas ocorrências de eventos de crime, "Rumi diz.

"Nossos resultados de teste demonstram que a melhoria do desempenho de previsão após a adição de recursos dinâmicos é considerável e estatisticamente significativo. Isso é realmente revolucionário."

O grupo agora está planejando estender o trabalho treinando os algoritmos usando dados de uma cidade e aumentando sua capacidade de aplicar esses aprendizados em uma cidade diferente, onde os padrões são diferentes.