A estudo sobre a criminalidade parte do levantamento dos crimes ocorridos dentro de um espaço geográfico urbano ao longo do tempo. Com o uso de técnicas avançadas de Ciência de Dados e Inteligência Artificial, pode-se revelar informações cruciais sobre tal dinâmica. Dessa forma permite uma compreensão mais profunda dos fatores que influenciam os eventos criminais. Ao empregar metodologias baseadas em Aprendizado Profundo, especialmente Redes Neurais em Grafos (Graph Neural Networks), é possível identificar padrões espaço-temporais complexos, que estão além da observação direta. Essas metodologias podem integrar múltiplas fontes de dados, como informações sobre a infraestrutura urbana, variáveis socioeconômicas, climáticas e ambientais, criando modelos preditivos que não só antecipam tendências e focos de criminalidade, mas também fornecem explicações interpretáveis sobre os fatores que influenciam esses padrões. A análise desses padrões permite uma avaliação mais detalhada da criminalidade, como a correlação entre áreas de alta incidência de crimes e fatores como pobreza ou acessibilidade a espaços públicos, ajudando a refinar hipóteses sociológicas sobre a violência. Ao aplicar esses modelos em dados históricos de ocorrências criminais e imagens urbanas, é possível gerar cenários futuros mais precisos, que orientem as políticas públicas, proporcionando uma abordagem mais eficaz para a prevenção e controle da criminalidade, além de otimizar a aplicação de recursos das instituições de segurança e justiça.

Padrões espaço-temporais dos crimes são fundamentais para entender a dinâmica criminal em uma cidade, pois revelam como e onde os crimes acontecem ao longo do tempo, além de identificar possíveis relações entre diferentes variáveis urbanas, socioeconômicas e ambientais. A partir desses padrões, é possível observar aglomerados de ocorrências criminais em determinadas áreas ou períodos e a análise desses padrões pode ser realizada por meio de representações latentes geradas por modelos de redes neurais em grafos, como o Graph AutoEncoder (GAE), que permitem a integração de múltiplas fontes de dados, como o histórico de crimes, características urbanas e fatores socioeconômicos. 

Esses modelos não supervisionados são capazes de identificar relações complexas entre os dados, como áreas com características semelhantes em termos de infraestrutura e dinâmica criminal. Ao gerar representações latentes dessas áreas, é possível realizar a extração de padrões, como a identificação de agrupamentos de esquinas com características semelhantes, utilizando técnicas de clustering, detecção de anomalias e visualização espaço-temporal.