Aprimorando a previsão de crimes por meio de conjuntos de modelos

O artigo, que tem como participante Ruam E. R. C. Pastor, integrante do <labiia_lab>, propõe a modelagem e previsão de séries temporais de crimes usando ensembles (combinações de múltiplos modelos), em vez de modelos únicos. A motivação é que séries de criminalidade combinam componentes lineares e não lineares e têm padrões que mudam ao longo do tempo, de modo que depender de um só modelo pode gerar previsões imprecisas. Além de comparar modelos individuais e ensembles (treináveis e não treináveis), os autores propõem um método de combinação que seleciona um subconjunto de modelos individuais por meio de uma etapa de validação. Segundo os autores, este seria o primeiro trabalho a aplicar ensembles à previsão de séries temporais de crimes.

Principais pontos

• Método proposto: dividido em fase de treinamento e fase de teste. Na fase de treinamento, treina-se um pool de modelos, selecionam-se os K modelos mais acurados (avaliados no conjunto de validação), treinam-se e selecionam-se os combinadores, retornando a melhor combinação de modelos; na fase de teste, essa combinação faz previsões um passo à frente.
• Dados: três séries temporais mensais — crimes em Chicago (jan/2001 a dez/2022), Los Angeles (jan/2010 a dez/2022) e Crimes Violentos Letais Intencionais (CVLI) de Pernambuco (jan/2004 a dez/2022). Diferentemente das demais, a série de Pernambuco não inclui crimes contra o patrimônio.
• Protocolo: séries divididas em treino (50%), validação (25%) e teste (25%) — exceto o ARIMA, que usou 75%/25%. Valores normalizados no intervalo [0,1; 0,9]. Os modelos individuais foram ARIMA, SVR, MLP e LSTM; os ensembles incluíram médias e medianas simples (SA, SM e variantes) e ensembles treináveis com SVR e MLP como metamodelos (eSVR, eMLP), além do ensemble proposto. Métricas: RMSE e MAPE; previsões one-step ahead.
• Resultados: os ensembles tiveram desempenho preditivo superior aos modelos únicos. No ranking médio, os três melhores foram SA, SM e SM3 — ou seja, os ensembles não treináveis (médias e medianas simples) tiveram, em geral, ranking médio melhor que os treináveis, e os modelos únicos foram os piores. O ARIMA foi a pior alternativa individual para Pernambuco e Los Angeles. O método proposto teve bom desempenho em Pernambuco (ranking médio 3), mas ruim em Chicago e Los Angeles.
  

Conclusão

Os autores confirmam que os ensembles superam os modelos únicos na previsão de séries temporais de crimes, como esperado. Quanto ao método proposto, concluem que selecionar um subconjunto de modelos com base na validação pode ser problemático quando os conjuntos de validação não são suficientemente representativos — seja pelo número limitado de observações, seja por terem características distintas do conjunto de teste. Mostraram, por exemplo, que o modelo apontado como melhor na validação nem sempre foi o melhor no teste. Como limitações, citam o número reduzido de séries (apenas três) e o tamanho limitado delas. Para o futuro, sugerem usar séries adicionais de localidades e características diversas e desenvolver uma nova estratégia de seleção dos modelos individuais a combinar.