Análise de agrupamento espacial para dados criminais

Abstract

Esta tese apresenta um estudo sob a perspectiva da análise de agrupamento envolvendo in- formação espacial e dados criminais. Foram considerados cinco métodos de agrupamento: K-Means, PAM (Partitioning Around Medoids), VNSKMED (Variable Neighborhood Search for K-Medoides), Ward-Like e SKATER (Spatial K’luster Analysis by Tree Edge Removal), além disso, foram propostas alterações nos algoritmos Ward-Like e SKATER modificando a estrutura de pesos e o processo de partição dos grupos usando a distância Gower, nomeados de Ward-Like.New e SKATER.New, respectivamente. Os métodos foram comparados, por meio de três índices de validação: índice Calinski-Harabasz, índice Dunn e índice Davies-Bouldin. Para a análise dos algoritmos, foram utilizados dados de 2007 a 2015 sobre a ocorrência de crimes nos bairros da cidade de Recife envolvendo as classificações das Áreas Integradas de Segurança. Os algoritmos permitiram explorar os padrões relacionados aos crimes, possibili- tando mapeá-los em grupos de bairros da capital pernambucana. Os resultados apontam que as modificações Ward-Like.New e SKATER.New produziram os melhores resultados, sendo o SKATER.New o recomendado.