犯罪时空预测，是基于犯罪案件的统计数据，运用科学的理论和方法，对犯罪活动在时间与空间维度上的概率分布进行的一种预测性分析。犯罪时空预测对警务工作至关重要，可以帮助警方采取有针对性的预防措施，提前部署警务资源，有效遏制犯罪发生。

胡啸峰，中国人民公安大学副教授，博士生导师，清华大学工程物理系博士。研究方向是社会安全风险评估与预测预警技术。主讲《预测预警方法与应用》等多门课程。入选北京市青年人才托举工程、北京市国家治理青年人才计划。学术兼职包括：中国人民公安大学首都社会安全研究基地研究员，中国矿业大学（北京）应急救援工效与防护研究院特聘研究员等。作为负责人主持国家自然科学基金、国家重点研发计划项目子课题等项目/课题10余项。发表学术论文 60 余篇，获得国家发明专利 8 项，计算机软件著作权 20 余项。

前言 犯罪时空预测，是基于犯罪案件的统计数据，运用科学的理论和方法，对犯罪活动在时间与空间维度上的概率分布进行的一种预测性分析。犯罪时空预测能力对警务工作至关重要，可以帮助警方采取有针对性的预防措施，提前部署警务资源，有效遏制犯罪发生，提升人民群众的安全感和满意度。预测结果可作为公安指挥中心和合成作战中心的重要情报，服务于警力调度、治安防控、社区警务、大型活动安保等多种关键业务场景。 犯罪时空预测方法的研究与应用具有重要的意义。 在实战应用方面，大数据的广泛汇聚、融合，人工智能技术的深度应用，正在驱动着治安防控、指挥调度、合成作战等业务工作的全面重构，“被动式的”案件驱动的工作模式已然开始向着以风险防控为目标的数据驱动的工作模式转变，社会安全风险管理的关口已大幅前移。犯罪时空预测方法正是运用警务数据与人工智能实现对未来犯罪活动在时间和空间维度的分布预测，从而为犯罪风险预防提供决策支持。 在科学研究方面，传统的犯罪学研究往往侧重于犯罪的社会、经济、心理因素研究，而对犯罪的时空分布规律及其预测方法关注不足。随着警务大数据基础采集能力的提升和人工智能技术的飞速发展，犯罪时空预测方法及其应用的不断创新成为可能。深度学习技术除了可以应用于生物特征识别等成熟领域，也逐渐开始在犯罪时空预测领域崭露头角，在图形处理单元（graphics processing unit,GPU）计算能力的支撑下，深度学习可以实现更小的时空预测尺度、更强的高维特征提取与使用能力、更高的预测准确率。当然，随着犯罪时空预测的重要性与日俱增，对预测结果的精准度、实时性乃至可解释性也提出了...