Mês: dezembro 2019

Categorias
Ciência de Dados Inteligência Artificial UFC

Ministério da Justiça reconhece atuação da UFC no Projeto Big Data e Inteligência Artificial

Em agosto, o Projeto Big Data e Inteligência Artificial entregou as primeiras ferramentas que compõem o Programa Nacional de Enfrentamento à Criminalidade Violenta (Em Frente, Brasil) (Foto: MJSP)

A Universidade Federal do Ceará tem se destacado no Projeto SINESP Big Data e Inteligência Artificial, desenvolvido pela UFC em parceria com a Secretaria da Segurança Pública e Defesa Social do Ceará (SSPDS). Na última sexta-feira (20), o reitor da UFC, Prof. Cândido Albuquerque, recebeu ofício do Ministério da Justiça e Segurança Pública (MJSP) destacando os “excelentes resultados” dos trabalhos desenvolvidos pela Universidade no âmbito do projeto, vinculado ao Sistema Nacional de Informações de Segurança Pública (SINESP).

O documento, assinado pelo delegado federal Wellington Clay Porcino Silva, diretor de Gestão e Integração de Informações da Secretaria Nacional de Segurança Pública (SENASP), aponta como resultado positivo “a inovação científica dos produtos [desenvolvidos pela UFC], que apresentam recursos não presentes em nenhuma solução de mercado“.

A qualidade dos produtos e serviços, o nível de gestão e comprometimento da equipe, a antecipação das entregas de produtos e serviços, e a implantação das ferramentas do projeto nos estados participantes também são apresentados pelo delegado federal como aspectos que fundamentam a afirmação de que os trabalhos realizados pela Universidade “têm obtido excelentes resultados”.

Para o reitor Cândido Albuquerque, a mensagem do MJSP ressalta a importância de se criar na UFC uma unidade para integrar todas as ações desenvolvidas na área de inteligência artificial. “As instituições estão buscando a inteligência artificial como mecanismo de solução de seus problemas. E nós precisamos ter uma unidade que integre todas as ações de nossos diversos cursos na área de inteligência artificial. Já temos bons trabalhos, mas precisamos fortalecer nossa ação nesse campo”, considera.

Coordenado pelo Prof. José Macêdo, do Departamento de Computação da UFC, o Projeto SINESP Big Data e Inteligência Artificial desenvolveu ferramentas que possuem, entre outras funcionalidades, análise de manchas criminais, visualização de posicionamento de viaturas em tempo real, acionamento de câmeras, identificação de impressão digital e gestão de policiamentos.

O produto já está em funcionamento nos estados participantes do Programa Nacional de Enfrentamento à Criminalidade Violenta (Em Frente, Brasil), projeto-piloto implementado no fim de agosto pelo Ministério da Justiça e Segurança Pública com o objetivo de reduzir o número de crimes violentos no país por meio de articulação entre a União, os estados e os municípios.

De acordo com o Ministério da Justiça e Segurança Pública, nos últimos três meses, o número de homicídios caiu 44,7% nas cincos cidades participantes do programa: Ananindeua (Pará), Cariacica (Espírito Santo), Goiânia (Goiás), Paulista (Pernambuco) e São José dos Pinhais (Paraná).

Fonte: Coordenadoria de Comunicação Social e Marketing Institucional – fone: (85) 3366 7331

Fonte: UFC

Categorias
Big Data Ceará Inteligência Artificial Segurança Pública Tecnologia

Com 30 meses seguidos de diminuição no CVP, roubos de veículos no Ceará se destacam com redução de 46% em 2019

O total de veículos roubados e furtados é de 8.860, neste ano. Já o número de carros e motos recuperados é de 6.559, ou seja, correspondendo a 74%

Por mais um mês, o Ceará registrou queda nos roubos de veículos, conforme dados compilados pela Secretaria da Segurança Pública e Defesa Social (SSPDS). Com isso, o Estado segue com números positivos em todo o acumulado do ano, quando foram registrados 4.696 roubos e 46% de redução em comparação ao mesmo período do ano passado, na ocasião em que 8.657 roubos foram contabilizados pela SSPDS. Com esse balanço de onze meses, a Segurança Pública cearense registra o melhor índice desde 2011, quando ocorreram 3.354 crimes. Esse recorte está inserido nos Crimes Violentos Contra o Patrimônio (CVP), indicador relativo a todos os tipos de roubos (exceto latrocínio), que chega ao 30° mês seguido de números positivos.

Só em novembro, a retração no roubo de veículos foi de 39%, indo de 728, no mesmo mês do ano passado, para 444, no mês passado. Em outubro, a redução foi de 45%, caindo de 855 para 469. Já em setembro, os números caíram de 699 para 356, com 49% de redução. Agosto, por exemplo, diminuiu de 637 para 417, correspondendo à redução de 35%. Em julho, a redução foi de 42%, caindo de 696 para 401 roubos de veículos. Em junho, a diminuição foi de 41%, passando de 768 para 454.

Em maio, foram 50% a menos roubos de veículo, passando de 860, no quinto mês de 2018, para 429, no mesmo período deste ano. Em seguida, vem o mês de abril, que passou de 816 casos para 442, o que corresponde a uma redução de 46%. A retração aconteceu também em março, quando os 913 roubos de carros em 2018 caíram para 472 neste ano, correspondendo a uma redução de 48%. Em fevereiro, a queda foi de 49%, indo de 794 para 405. Por último, janeiro, que registrou a maior queda percentual em um mês, com 54% de diminuição, saindo de 891 para 407 casos.

Recuperações de veículos

Uma das estratégias utilizadas pelo Sistema de Segurança Pública para alcançar esses resultados positivos é a política de combate a mobilidade do crime. Ou seja, a partir do controle de carros e motocicletas que circulam pelas cidades cearenses, a Polícia consegue realizar cercos inteligentes e interceptar veículos automotores roubados, furtados ou aqueles que são utilizados em ações criminosas.

Essa política ocorre por meio da utilização das mais de 3.300 câmeras de videomonitoramento, da inteligência artificial do Sistema Policial Indicativo de Abordagem (Spia) e dos cercos inteligentes realizados pela Polícia Militar do Ceará (PMCE) a partir de orientações repassadas pelos operadores da Coordenadoria Integrada de Operações de Segurança (Ciops). O impacto da expansão dessa estratégia se traduz em números que se destacam em 2019, como por exemplo, os veículos recuperados pelas forças de segurança. O total de veículos roubados e furtados é de 8.860, neste ano. Já o número de carros e motos recuperados é de 6.559, ou seja, correspondendo a 74%.

“É fruto de todo o trabalho que temos feito aqui no Estado, ao inovar com o combate a mobilidade do crime. Então, é uma estratégia, que realmente tem dado certo, e servido de modelo para todo o país, já que o Ceará é o Estado que mais reduz roubos em todo o país, como os de veículos e de cargas, por exemplo. Então esse trabalho vem nos conduzindo para esse resultado e certamente terminaremos o ano com um dos melhores resultados de toda a década”, destacou o secretário da SSPDS, André Costa.

Crimes Violentos contra o Patrimônio

Os Crimes Violentos contra o Patrimônio (CVP) chegaram ao 30° mês de redução consecutiva no Estado. No acumulado de janeiro a novembro de 2019, a redução CVP 1, que abrange roubos a pessoa, de documentos e outros, é de 19,8%. Foram 50.142 ocorrências desse tipo registradas, em 2018, contra 40.202, em 2019. No total, são 9.940 roubos a menos do que no ano passado.

Ainda no acumulado, todas as regiões do Ceará registraram resultados positivos. A maior queda percentual foi no Interior Norte, com menos 31,4% de casos, indo de 4.477 para 3.069. Em seguida, vem o Interior Sul, com queda de 28,9%, indo 3.950 para 2.810.

Depois, vem a Região Metropolitana de Fortaleza, com 24,7 % de redução, diminuindo de 8.583 para 6.459. Por fim, vem Fortaleza com redução de 15,9%, passando de 33.132, nos onze meses de 2018, para 27.864, no mesmo período deste ano. Só em novembro último, o Estado reduziu em 18% o CVP 1, com 827 ocorrências a menos se comparado ao ano passado. Foram 4.588 ocorrências, no décimo primeiro mês do ano passado, contra 3.761, no mesmo período de 2019.

No CVP 2, que abrange roubo de carga, com restrição de liberdade da vítima, a residência, de veículos e contra instituições financeiras, a redução foi ainda maior em 2019. Os onze meses contabilizaram uma queda de 45,7%, com 10.006 ocorrências no ano passado, contra 5.433, no mesmo período de 2019. No total, são 4.573 crimes a menos.

A maior redução percentual, no acumulado dos nove primeiros meses de 2019, foi na Região Metropolitana, com redução de 47,7%: 2.550 (2018) e 1.333 (2019). Em seguida, vem Fortaleza, com 46,9% de queda: 5.282 (2018) e 2.807 (2019). Depois vem o Interior Norte, com 41,5% de diminuição: 1.317 (2018) e 771 (2019). Por último, o Interior Sul, com retração de 39,1%: 857 (2018) e 522 (2019). Só em novembro, foram 334 ocorrências a menos no Ceará, se comparado com o mesmo período do ano passado. Isso corresponde à queda de 40,2% nos crimes, passando de 830 para 496.

Fonte:  Secretaria de Segurança Pública do Ceará
Categorias
Ciência de Dados Python

12 bibliotecas do Python para análise de dados espaço-temporais (Parte 2)

Na semana passada, nós publicamos a primeira parte da lista de “12 bibliotecas Python para análise de dados espaço-temporais“. Você já leu? Hoje, vamos falar sobre mais seis bibliotecas desse tipo.

Acompanhe a segunda parte:

 

7. OSMnx

É uma biblioteca do Python voltada para análise de redes urbanas. Seus recursos principais incluem: o download automatizado de fronteiras políticas e a construção de pegadas, o download personalizado e automatizado, a construção de dados de rede de rua do OpenStreetMap, a correção algorítmica da topologia de rede, a capacidade de salvar redes de rua em disco como shapefiles, arquivos GraphML ou SVG, e a capacidade de analisar redes de rua, incluindo rotas de cálculo, projetando e visualizando redes, além de calcular medidas métricas e topológicas.

Se você quer saber mais sobre OSMnx, nós indicamos este artigo:

OSMnx: New Methods for Acquiring, Constructing, Analyzing, and Visualizing Complex Street Networks

 

8. Folium

É uma biblioteca código aberto do Python voltada para visualização de dados geoespaciais, em mapas interativos, utilizando a biblioteca Leaflet.js. O Folium possibilita uma fácil utilização dos elementos gráficos do Leaflet, permitindo uma grande flexibilidade para manipular os atributos de um mapa e de seus elementos. Além disso, ele possui diversas visualizações implementadas, tendo destaque para a facilidade de uso das visualizações em função do tempo, como o HeatMapWithTime. O Folium é uma ótima biblioteca quando deseja-se montar uma visualização final dos dados com uma maior riqueza de detalhes interativos.

 

9. Mplleaflet

 É uma biblioteca Python que converte um gráfico matplotlib em uma página da web contendo um mapa Leaflet. O objetivo do Mplleaflet é permitir o uso de Python e Matplotlib para visualizar dados geográficos em mapas deslizantes sem ter que escrever qualquer Javascript ou HTML. Além disso, ele automatiza a escolha do mapa base, o usuário não precisa se preocupar com o seu conteúdo, ou seja, estradas, linhas costeiras, etc.

 

10. Missingno

 É uma biblioteca Python para visualização de dados perdidos em datasets. Suas visualizações incluem diversos gráficos (matriz, barras, mapa de calor, dendrograma, dentre outros) para analisar lacuna de dados ausentes em séries temporais. 

 

11. SciPy

É uma coleção de algoritmos matemáticos e funções de conveniência construída sobre a extensão NumPy de Python e, portanto, com alto desempenho. SciPy fornece recursos para acessar classes de alto nível para manipulação e visualização de dados. Com o SciPy, uma sessão Python interativa torna-se um ambiente de processamento de dados e protótipos de sistemas concorrentes, como MATLAB, IDL, Octave, R-Lab e SciLab.

 

12. Fiona

Ela é uma biblioteca que foca em ler e escrever dados, em estilo Python IO padrão. Fiona pode ler e escrever dados usando formatos GIS multicamadas e sistemas de arquivos virtuais compactados. Em trabalhos de análise de trajetória, Fiona é uma ótima ferramenta, visto que ela é fácil de usar, flexível e confiável. 

 

 

 

Categorias
Ciência de Dados Segurança Pública Tecnologia

Mobilidade do crime: ciência e tecnologia na área da segurança pública

* Por Aloísio Lira

A Segurança Pública está intrinsecamente ligada à cultura e ao cotidiano social. E o crime se vale de comportamentos e janelas de oportunidades para ser consumado. Diante disso, o crescimento desordenado das cidades, o aumento dos aglomerados subnormais e das áreas de patrulhamento impuseram novos desafios à administração pública. Tornou-se economicamente inviável manter um efetivo capaz de “saturar” todas as áreas críticas.

Hoje é economicamente inviável manter efetivos para monitorar todas as áreas; no Ceará, foram agregadas mais tecnologia e inteligência de cenários às atividades rotineiras.

Os modelos de policiamento unicamente estatísticos, os famosos “hotspots”, começaram a ruir quando a criminalidade, devido à popularização do uso do veículo automotor, passou a utilizar o vetor mobilidade e manobrabilidade em suas práticas delitivas, causando um reativismo difuso do policiamento.

A  identificação dessa mudança no comportamento delitivo e a necessidade de adequação do policiamento a esse novo padrão, integram o conceito de Mobilidade do Crime, serão apresentadas aqui de maneira resumida.

Para evidenciar o conceito e demonstrar a necessidade de se criar um novo modelo de policiamento, apresentamos abaixo o mapa isócrono (Figura 1) de uma conduta delitiva. A imagem demonstra que a execução do crime está mais associada à motivação do agressor e às condições de vulnerabilidade da vítima do que a “hotspots”.

A Figura 1 apresenta dois pontos, que correspondem a sensores integrados ao SPIA (Sistema Policial Indicativo de Abordagem). O veículo monitorado foi utilizado no cometimento de um delito entre os pontos 1 e 2, levando aproximadamente 5 minutos para se deslocar entre as duas localidades.

Considerando a manobrabilidade que esses infratores teriam num intervalo de 5 minutos após passar pelo ponto 1, o delito poderia ter sido cometido em qualquer posição da área demarcada pela cor amarela no mapa. Dito de outro modo, partindo do ponto 1 e levando em consideração os 5 minutos utilizados para o cometimento do delito e a fuga, esses infratores poderiam atuar em uma área correspondente a 7,66 km².

(1) Mapa isócrono de uma conduta delitiva real ocorrida em 2018 em Aracati/CE. Fonte: SUPESP-CE

É impossível, com tamanha área de manobrabilidade, imaginar que uma viatura posicionada em determinado ponto da cidade seria capaz de prevenir o cometimento de um crime pretendido por um infrator motivado, uma vez que este aguardaria o momento oportuno, em que houvesse a vulnerabilidade da vítima e a ausência de policiamento para o cometimento da infração. Não estamos, com isso, querendo dizer que a presença policial não previne o cometimento de infrações, mas demonstrar que essa prevenção é bastante limitada.

Para fazer frente a esse desafio, o Estado do Ceará começou a repensar sua estratégia de Segurança Pública e a agregar mais tecnologia e inteligência de cenários às atividades rotineiras, cujo primeiro projeto foi a Política de Combate à Mobilidade do Crime.

O combate à Mobilidade do Crime, resultado da integração entre a Secretaria de Segurança Pública do Estado do Ceará e a Polícia Rodoviária Federal do Ceará, apoia-se em 3 pilares:

  • O Sistema Policial de Indicativo de Abordagem (SPIA), uma inteligência artificial que integra diversos sensores espalhados pela cidade e tem a capacidade de localizar veículos envolvidos em delitos, em tempo real;
  • A montagem de cercos inteligentes pelos operadores da Coordenadoria Integrada de Operações de Segurança (CIOPS) que, ao receberem a localização de veículos suspeitos pelo SPIA, orientam as viaturas para o trabalho de cerco e captura através do sistema de videomonitoramento;
  • E o aumento do efetivo policial para motopoliciamento, o que permite uma maior mobilidade da Polícia Militar nas ocorrências, culminando com a redução no tempo de resposta às ocorrências.

Dessa simbiose entre homem e tecnologia, que possui similaridades com a indústria 4.0, o Estado do Ceará vem colhendo os frutos de 28 meses de redução nos roubos de veículos e roubos de maneira geral, como pode ser verificado nos Gráficos 1 e 2. A redução dos roubos de maneira geral se deu principalmente porque, como exemplificamos acima, o veículo serve como meio logístico para o cometimento da maioria dos delitos.

Fica evidente, portanto, que, ao “quebrar” a “mobilidade do criminoso”, o seu raio de atuação se torna cada vez mais limitado, mais próximo do local onde reside ou se homizia, facilitando o planejamento e a concentração do policiamento em locais estratégicos.

Gráfico 1 – Evolução do CVP no Ceará entre 2017 e 2019 após o início da Política de Combate a Mobilidade do Crime. Fonte: GEESP/SUPESP-CE
Gráfico 2 – Evolução dos crimes de roubo de veículos no Ceará entre 2017 e 2019 após o início da Política de Combate a Mobilidade do Crime. Fonte: GEESP/SUPESP-CE

Em linhas gerais buscamos mostrar, a partir das informações apresentadas, como o uso da ciência policial e da tecnologia podem fazer uma grande diferença no planejamento de uma Estratégia de Segurança Pública moderna. O impacto começa a surgir com força. Em um exercício preliminar, utilizando parâmetros de custos da violência da Confederação Nacional das Indústrias (CNI), estimamos uma redução em cerca de 1,3 bi de gastos diretos devido a redução dos roubos de veículos, custos dos seguros e homicídios.

* Aloísio Lira é Superintendente de Pesquisa e Estratégia de Segurança Pública do Ceará, Agente Especial de Polícia Rodoviária Federal e vice-presidente do Conselho Estadual de Segurança Pública do Ceará

Fonte: Fonte Segura
Categorias
Ciência de Dados Dados Python

12 bibliotecas do Python para análise de dados espaço-temporais (Parte 1)

Dados espaço-temporais envolvem a união de duas áreas: séries temporais e Geoestatística. Com esses dados você observa o evento por duas frentes: do ponto de vista temporal e a partir do local em que isso acontece.

Uma linha de pesquisa desenvolvida aqui no Insight Lab é a análise de dados espaço-temporais. Nossos pesquisadores, Nicksson Arrais, Francisco Carlos Júnior e João Castelo Branco,  prepararam uma seleção com opções de bibliotecas para trabalhar com dados espaço-temporais no ambiente Python.

Acompanhe a primeira parte dessa lista:

1. GeoPandas

É um projeto open source para facilitar o trabalho com dados geoespaciais em Python. GeoPandas estende os tipos de dados do pandas fornecendo operações espaciais em tipos geométricos. O GeoPandas combina as capacidades do Pandas e da biblioteca Shapely, fornecendo operações geoespaciais do Pandas e uma interface de alto nível para múltiplas geometrias do Shapely. Ele permite que você faça facilmente operações em Python que de outra forma exigiria um banco de dados espacial como o PostGIS.

 

2. PySAL

É uma biblioteca multiplataforma de código aberto para ciência de dados geoespaciais, com ênfase em dados vetoriais geoespaciais escritos em Python. PySAL suporta o desenvolvimento de aplicações de alto nível para análise espacial, como a detecção de clusters espaciais e hot-spots, construção de outliers de gráficos de regressão de dados espaciais e modelagem estatística em redes geograficamente incorporados econometria espacial exploratória e análise de dados espaço-temporais. Os analistas espaciais que possam estar a realizar projetos de investigação que exijam um scripting personalizado, uma análise de simulação extensiva, ou aqueles que procuram fazer avançar o estado da arte na análise espacial devem também considerar o PySAL como uma base útil para o seu trabalho.

 

3. PyMove

É uma biblioteca de código aberto para análises de trajetória, desenvolvida pelo Insight Lab, que envolve tanto as visualizações de trajetórias, pontos de interesses e eventos, quanto o processamento de dados sobre múltiplas trajetórias de forma eficiente. O PyMove fornece ao usuário um ambiente único de análise e visualizações de dados de trajetória, sendo bastante fácil de usar, extensível e ágil.

 

4. Scikit-Mobility

É uma biblioteca para simulação e análise da mobilidade humana em Python. A biblioteca permite: gerir e manipular dados de mobilidade de vários formatos (registos de detalhes de chamadas, dados GPS, dados de redes sociais baseadas na localização, dados de inquéritos, etc.); extrair métricas e padrões de mobilidade humana de dados, tanto a nível individual como colectivo (por exemplo, comprimento dos deslocamentos, distância característica, matriz origem-destino, etc.). O Scikit-Mobility conta com diversos modelos para simular trajetórias e métricas para comparação de trajetórias como raio de rotação, motivos diários, entropia de mobilidade, matrizes origem-destino, além de uma implementação simples e eficiente baseada nas bibliotecas populares como Python NumPy, Pandas e Geopandas 

Confira também este artigo sobre o Scikit-Mobility:

Scikit-Mobility: an open-source Python library for human mobility analysis and simulation

 

5. Moving Pandas

É uma extensão da biblioteca Pandas e sua extensão espacial GeoPandas para adicionar funcionalidade quando se lida com dados de trajetória. No Moving Pandas, uma trajetória é uma série de geometrias ordenadas pelo tempo. Essas geometrias e atributos associados são armazenados em um GeoDataFrame, uma estrutura de dados fornecida pela biblioteca de GeoPandas. A principal vantagem do Moving Pandas é que, sendo baseado no GeoPandas, ele permite que o usuário execute várias operações em trajetórias, como recortá-las com polígonos e computar interseções com polígonos. No entanto, por estar focado no conceito de trajetória, o Moving Pandas não implementa nenhuma característica específica da análise de mobilidade, como leis estatísticas de mobilidade, modelos generativos, funções padrão de pré-processamento e métodos para avaliar o risco de privacidade em dados de mobilidade.

 

6. Shapely

Uma das principais bibliotecas em Python para manipulação e análise de objetos geométricos planares. Devido à sua construção ser baseada na biblioteca GEOS (mesma engine do PostGIS), a biblioteca Shapely possui as principais funções para operações de objetos geométricos. A partir das estruturas de dados principais de ponto, linha e polígonos você conseguirá visualizar objetos geométricas e realizar facilmente operações simples como: interseção e união. E também operações mais complexas como convex hull e construção de estrutura com múltiplos objetos geométricos. Para trabalhar com dados georreferenciados em Python, a nossa dica é que Shapely seja umas das primeiras bibliotecas estudadas.

Continue acompanhando nossas publicações. Em breve postaremos a segunda parte desta lista com mais 6 bibliotecas. Até logo!

Sair da versão mobile