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更高的要求。因此，融合犯罪数据与深度学习的犯罪时空分布预测方法具有显著的科学研究价值。

此外，在数据警务专业人才培养方面，要求从事数据警务的专业人员必须掌握扎实的数据建模和应用技能。而犯罪时空预测，作为一个兼具技术创新与实践价值的典型案例应用场景，能够为数据警务专业课程和实践教学的开展提供一系列基于深度学习的预测方法。通过这些方法的学习与实践，专业人员能够熟练掌握数据处理、模型构建与验证、辅助决策等核心技能，因此，犯罪时空预测在该领域将成为一项重要的专业教学资源。

本书面向数据警务实战人员、教学与科研人员、数据警务技术专业的学生，以及对人工智能行业应用具有广泛兴趣的广大读者。

本书内容共分为5章。第1章主要介绍犯罪时空预测方法的发展历程，阐述该经典方法的基本逻辑，及其对经典犯罪学理论的传承与突破。第2章主要介绍犯罪时空分布的统计学规律，帮助读者理解犯罪时空分布现象的本质和特征，从而为介绍基于深度学习的预测方法奠定基础。第3、4章依次介绍犯罪时空数据处理方法、犯罪时空预测模型构建方法以及犯罪时空预测结果分析方法，全流程地介绍犯罪时空预测方法的实现原理、过程、技术细节及技术特点，同时，也向读者普及数据处理、深度学习以及数据可视化的一般方法，帮助其全面掌握犯罪时空预测这项实用性技术。第5章则是本书的延伸内容，主要介绍基于犯罪预测结果的辅助决策方法，举例阐述如何将预测结果与警务实战相结合，制定更加科学、合理的警务策略和措施。

为了让读者更加深入地了解和掌握犯罪时空预测方法，本书设计了一个具体的案例作为贯穿全书的核心，从数据的获取与预处理，到模型的构建与验证，再到基于预测结果的辅助决策分析，都紧密围绕这个案例进行展开，力求为读者提供一个全面的、实战性强的犯罪时空预测方法学习体验。该案例的数据主要来源于美国芝加哥的开放数据门户网站。选择使用开源的境外数据与案例，主要基于以下两点考虑： 首先，使用开源数据而非公安机关掌握的内部犯罪数据，可以确保数据的安全性，避免敏感信息的泄露； 其次，使用开源数据可以方便读者对本书所介绍的方法进行复现，并在此基础上进行创新和性能比较，从而更深入地理解和掌握这些具有一般性和通用性的方法。

本书的撰写和出版，得到了国家自然科学基金项目“基于深度学习的犯罪预测及辅助决策方法”(No．72174203)的资助，以及中国人民公安大学111基地建设经费(资助号B20087)的支持。

书中或有不妥之处，恳请广大读者批评指正。