自动车牌识别（ANPR）数据是当前公安工作中获取车辆轨迹的主要来源之一，基于ANPR数据发现涉案车辆的时空关联车辆，对于团伙犯罪防控具有重要意义。在实际工作中发现，团伙车辆会存在主观避嫌意图，导致出现故意远距离跟随等与传统伴随关系不同的时空关联模式，而现有方法难以有效识别，为此，本文基于车牌自动识别（ANPR）数据，提出了团伙犯罪的时空关联车辆发现方法。 ① 通过分析团伙车辆的跟随策略，梳理出“近距离跟随模式”、“故意远距离跟随模式”、“另择路线前往模式”3种车辆时空关联模式； ② 基于ANPR数据构建关联车辆数据模型，并提出车辆关联的时空约束参数；在此基础上，提出了时空关联车辆的发现方法； ③ 以B城市为例，采用团伙犯罪车辆的相关ANPR数据进行试验与分析，基于团伙案件历史数据对时空约束参数阈值进行定量评估。在此基础上，对某典型案件进行时空关联车辆分析，将本文方法与频繁序列挖掘、计算伴随概率2种方法对比，本文方法有效率平均可达87.59%，优于对比方法，试验结果表明，本文方法能够有效发现故意远距离跟随、另择路线前往等传统方法难以发现的时空关联车辆，能够为公安部门开展团伙犯罪防控工作提供新思路和技术支持。

及时发现重点监控人员的潜在犯罪出行路线是公安预警工作的重要研究内容。现有研究多聚焦于犯罪人的出行模式和目的地选择偏好，而对犯罪出行路线的分析预警研究尚显不足，针对这一问题，提出一种顾及隐蔽性认知的犯罪出行路线时空分析方法。本文基于犯罪心理学和理性选择理论，将隐蔽性认知下的犯罪出行规律归纳为“暴露风险最低原则”和“通行成本最低原则”。首先计算犯罪人感知范围内的城市感知元素给犯罪出行带来的暴露风险，将其引入选择度模型，提出“道路的犯罪选择度”，以衡量犯罪人感知范围内的局部最优道路；其次，分别采用“已通行的路线长度”作为代价函数、感知范围内的“道路犯罪选择度”作为启发式函数，通过改进的启发式算法计算最优犯罪出行路线；最后，从犯罪防控角度，依次进行了城市道路选择度分布、重点人员犯罪出行路线分析实验，通过与现有方法所得路线、实际犯罪出行路线对比，验证了本文方法分析得到的犯罪出行路线更具合理性。研究结论为公安的预警工作提供了一定的决策支撑，需把握重点人员犯罪出行时对通行距离和暴露风险的平衡，根据城市感知元素和路网分布进行资源调配，以及时、准确地进行犯罪防控、拦截。

犯罪人的犯罪出行行为研究有助于更好地理解犯罪发生的机理。目前已有的研究大多集中于犯罪前出行行为，缺少有关犯罪后出行，即犯罪逃逸行为的研究。本文聚焦于封闭式非门禁居住小区的犯罪人逃逸行为，提出一种通过微观路径模拟结合宏观空间分析的犯罪逃逸行为研究方法。方法首先通过模拟重建犯罪逃逸路径解决研究数据匮乏的问题，具体为基于理性选择理论构建逃逸路径选择函数，采用赋值网格地图量化小区空间环境，使用改进蚁群算法在赋值网格地图上迭代模拟得到路径数据;然后通过空间句法理论解构小区空间在拓扑深度和视域集成度上的空间特征;最后综合犯罪逃逸路径数据和小区空间特征探究犯罪人逃逸行为规律。研究针以Z市5个典型居住小区的外来人员夜间单次盗窃案件为研究对象进行了实证研究，结果表明：犯罪人的逃逸距离有明显的距离衰减特性，并呈现两端衰减;逃逸距离与出入口数量负关联;犯罪人逃逸时会规避视域集成度高的区域且路径轨迹符合空间拓扑规则。研究结论为居住小区的规划布局或建设改造提供了一定的参考，居住小区需重视出入口的规划布局，根据空间位置合理分配犯罪防控资源以及将景观环境设计与小区安全相结合。

传统的犯罪地理和犯罪时空预测方法主要是以警务辖区或格网为基本单元，分析结果不利于指导精细化的巡防警力规划部署。基于深度学习的图神经网络方法可以自然地与微观尺度下的路网拓扑结构相结合，实现道路尺度下的精细犯罪预测，但现有方法鲜有考虑道路权重对预测结果的影响。本文通过引入道路通达度和距离衰减因子，构建了一种顾及道路权重的图卷积犯罪时空预测模型（Road Weighted Spatio-Temporal Graph Convolutional Network，RW-STGCN），并利用芝加哥2016—2017年街面盗窃犯罪数据对模型进行评估。结果表明： ① 与未考虑道路权重的时空图卷积模型相比，RW-STGCN模型命中率在不同的路网覆盖比例下（1%、5%、10%、20%）的提升均在6.5%以上，且随着覆盖比例的下降，模型命中率的提升更为显著，最大提升超过了50%； ② 模型消融性实验表明，同时考虑2种道路权重的模型比仅考虑距离衰减权重或道路通达度权重单个因子的模型预测性能提升更为明显，命中率最大提升了12.9%。本研究构建的RW-STGCN模型有助于街面类犯罪预测，可为警务部门基于路网进行科学巡逻防控规划与警力部署提供辅助决策支持，此外还可用于以道路作为分析单元的城市计算问题研究。

作为城市的骨架，街道网络是人们日常活动的重要载体，其也在很大程度上影响着犯罪事件的分布。因此，街道微环境是研究街面犯罪空间格局及其影响机制的重要切入点。已有研究中基于街景影像的街道微环境度量，多采用语义分割单一技术提取各类环境要素在影像中的像素占比，但该方法不适宜提取行人等离散要素。近期有学者结合使用语义分割和目标检测2种技术来提取影像中复杂的环境要素，但2种方法提取的微环境要素对街面犯罪的解释还未有比较研究。为探究这一问题，本文将百度街景影像作为街道层级建成环境数据，采用上述2种做法分别提取并获得街道微观环境特征变量：第1种做法仅使用语义分割技术将所有要素以像素比例度量；第2种做法用语义分割技术将人行道、建筑、墙面、栅栏、树木和草地以像素比例度量，而用目标检测技术将街面行人和路灯以个数度量。在控制了土地利用混合度、集中劣势、街道长度和密度、犯罪吸引器和发生器后，构建零膨胀负二项回归模型以分析街道微环境特征与街面财产犯罪（如街面盗窃、扒窃）间的关系。模型中分别加入通过两种方式提取的街道微环境特征变量，并比较其对街面财产犯罪影响的差异。研究结果表明： ① 与采用语义分割单一技术提取的街道微环境特征相比，加入了结合使用语义分割和目标检测两种技术提取的街道微环境特征之后，模型表现更好，对街面财产犯罪的解释力提升了7%；尤其是对于街面行人而言，采用目标检测方法对街面行人进行计数，比采用语义分割方法提取行人的像素占比更能有效反映路段上的行人规模，其与街面财产犯罪的关联性更强，其回归系数从0.09提升到0.32，其回归系数绝对值排序从第十位提升至第三位； ② 基于街景影像提取的街道微环境特征能有效解释街面财产犯罪的发生，其中作案目标、活动支持2个维度的街道微环境特征对街面财产犯罪都产生显著影响。具体地说，街面行人规模与街面财产犯罪，如街面盗窃、扒窃，存在显著的正相关关系，而人行道、建筑、树木、草坪在影像中的平均像素占比和绿视率等均与街面财产犯罪存在显著的负相关关系。本文的研究结果对犯罪地理和环境犯罪学文献做了有益的补充，尤其在通过环境设计来预防犯罪方面。

犯罪预测是进行犯罪预防的前提，高效准确的犯罪预测对于提高城市管理效率、保障公共安全都具有重要的意义。当前，关于犯罪预测的已有研究大多采用单一的机器学习方法或深度学习模型，忽略了犯罪的时空依赖关系，往往难以获得准确的预测结果。本文提出一个基于深度学习技术的犯罪时空预测模型—GAERNN：① 利用GAE模型捕获犯罪案件的空间分布特征；② 将带有空间依赖关系的特征经序列化处理后作为GRU模型的输入，进一步提取犯罪序列的时间特征；③ 经全连接层处理获得犯罪时空预测结果，并选取MLP、GCN等基准模型进行对比实验，结合RMSE、MSE等多个指标对模型预测结果进行评估。实验结果表明：对于各模型预测结果可视化分析， GAERNN模型预测的可视化结果与实际数据分布最相符合；在各模型误差分析方面，相比预测性能较差的MLP， GAERNN模型各月份的RMSE分别降低了1.02、3.58、1.29以及0.45；在子模块有效性评估方面，相比其变体模型GAE-LSTM， GAERNN模型在各月份的MAPE分别降低了2.15%、10.07%、1.92%以及2.54%，说明GAERNN模型能显著提高盗窃犯罪时空预测精度，可用于城市盗窃犯罪的积极预防和有效治理。

基于地点的犯罪时空预测由于不直接涉及个人数据，且可与警务巡逻和精准化治安防控策略有机结合，现已成为预测性警务领域的研究热点和主要实践方向。本文对2013年以来国内外犯罪时空预测的最新进展进行综述，主要工作包括： ① 总结了该领域研究在文献数量快速增加、研究主题日益多元、主要研究群体分布相对集中等方面的总体特征； ② 梳理了犯罪时空预测的目标主体、时间尺度、空间尺度、模型方法、精度评价、实践效果评估六大基本要素的新变化、新指标或新进展； ③ 介绍了常用犯罪时空预测软件及各国预测性警务实践； ④ 探讨了在实践应用的各个阶段所面临的伦理问题及挑战，以及各界为规避此问题做出的尝试； ⑤ 展望了犯罪时空预测后续研究重点。本研究为犯罪时空预测领域勾勒出一个较为全面和清晰的轮廓，可为国内犯罪地理、智慧警务、警用地理信息系统（PGIS）等相关领域的研究者和从业人员提供有益参考。

针对犯罪人空间出行距离测量及影响因素考虑上存在的不足,本文利用X市2015—2017年入室盗窃案件数据,基于百度地图计算了犯罪人居住地到作案地之间的步行、骑行和驾车等3种交通出行距离,作为实际空间出行距离的近似拟合,随后利用最优尺度回归模型分析了居住地和作案地所在区域的空间环境特征、作案时间特征和主体特征对犯罪人空间出行可能产生的影响。实证分析表明：① 计算得到的3种距离的频次分布均表现为距离衰减效应,超过50%的案件中犯罪人作案地到其居住地的交通距离均不超过10 km;② 在影响因素方面,犯罪人的空间出行距离分布主要受其作案地所在区域的空间环境特征影响,具体表现为目标较为集中、交通通达性较好的区域对邻近空间内的犯罪人具有较强的吸引性,而发案量较高的区域对距离较远的犯罪人具有较强的吸引性;③ 在主体特征上,团伙犯罪人较独狼式犯罪人有更长的空间出行距离,反映出团伙犯罪人在空间认知上有着更好的优势。本文有助于进一步深化对犯罪出行现象的理解,对犯罪预测具有一定的实践指导意义。

街面犯罪对公众的生活安全构成一定的威胁。以往对于公共盗窃和寻衅滋事等街面犯罪的研究往往停留在社区甚至更宏观的层面,难以向微观尺度深入,它们忽略了通过环境设计预防犯罪（Crime Prevention Through Environmental Design, CPTED）理论中所主张的地址级的建成环境的精确特征。地址级的微观建成环境被广泛认为对各类犯罪的发生有着直接或间接的影响,然而对微观建成环境的度量一直是一个挑战。先前的大多数研究都是通过调查样本来表征建成环境,会受到两方面的限制：① 建成环境特征描述不完整的限制;② 数据在空间覆盖方面具有稀疏性的限制。百度街景图像作为一个新的数据来源,可以被用来提取地址级的微型环境的建成特征,从而使犯罪研究可以聚焦在更微观的尺度中。本研究使用深度学习全卷积图像分割算法从百度街景图像中提取地理位置的环境变量,共选取树木、通车道路、人行道等8种变量来表现研究区微观建成环境的差异。在控制了与街面犯罪有关的其他因素后,采用贝叶斯逻辑回归模型来评估微观建成环境影响因素对公共盗窃和寻衅滋事案件的影响。结果表明加入了微观建成环境物理特征之后的模型表现更好。对比寻衅滋事案件,树木多的隐蔽地方更容易发生公共盗窃案件,通车道路、人行道多的地方更不易发公共盗窃案件,这也说明了更隐秘的地方公共盗窃案多发。总的来说,全卷积深度学习图像分割算法可以有效地提取街景衍生变量,这些变量为微观空间尺度的犯罪分析增加了新的维度。本研究不仅对于犯罪地理文献具有贡献,而且为基于CPTED原则的犯罪预防提供了新的视角。

犯罪防控警务策略是犯罪地理研究的重要话题之一,西方国家在此方面展开了大量研究,而我国的相关研究仍较缺乏。本文从不同类型犯罪防控警务策略特点、犯罪防控实验及其防控效益评估3个方面出发,综述国内外研究进展。研究结论包括以下4个方面：① 社区警务、问题导向警务、热点警务和智能警务为4大主要犯罪防控警务策略。社区警务以社区为单位,通过警民合作以减少犯罪;问题导向警务通过SARA（Scanning, Analysis, Response, Assessment）找出并解决社会中存在的问题;热点警务基于犯罪热点制定警务方案,对犯罪热点地区加以干预以降低犯罪率;智能警务利用大数据,人工智能等先进技术开展警务防控;② 国外的犯罪防控实验大多是通过划分实验组和对照组的方式,对比警务策略干预前后的犯罪变化。大部分警务实验以热点警务为主,且在试验区能有效降低犯罪,但同时存在犯罪转移或效益扩散现象;国内犯罪防控实验的研究仍有待开展;③ 传统的警务防控评估主要从破案率、公众安全感和社会经济效益评估3方面出发。鉴于犯罪转移或效益扩散的存在,国内外学者提出了加权位移商（WDQ）、时空加权位移商（STWDQ）、双重差分（DID）、倾向评分匹配（PSM）、双重差分倾向评分匹配（PSM-DID）和基于双重差分（DID）的象限法评估警务时空效益,丰富了警务防控评估体系。整体而言,国外对犯罪防控警务策略与时空效益评估研究得较充分但仍存在不足,而国内尚处于起步阶段。本文在最后探讨了中国警务策略可深入研究的方向。

犯罪时空预测作为预测警务的核心支撑技术,自2000年左右至今得到了快速的发展。本文介绍了犯罪时空预测的实践背景和理论基础,将犯罪时空预测解构为利用历史案件的时空位置、时空环境和个体行为等要素,结合相应的算法模型预测未来案件时空分布的过程。然后,从输入要素的视角对当前的犯罪时空预测方法进行了总结和归纳,将其划分为基于案件时空位置信息的犯罪时空预测、基于时空环境要素的犯罪时空预测,以及融合行为轨迹和时空环境要素的犯罪时空预测3种类型,详细总结了不同类型犯罪时空预测的方法原理,并从适应场景和预测效果等方面对不同的方法模型进行了比较。最后,结合当前的大数据技术发展趋势,对未来的犯罪时空预测进行了展望。本文认为犯罪时空预测未来需要从数据角度重点解决输入数据的体系融合、粒度细化和新型数据融合等问题,从模型优化角度应着重提高多源异构数据融合能力,平衡模型的可解释性与预测效果。

街面接触型犯罪是指犯罪者在街面通过采取与受害者身体接触的方式而实施的违反法律的行为,已有文献研究利用了不同类型的大数据代表的周遭人口表征街面接触型犯罪中“潜在受害者”因素,但由于数据的局限性,无法应用在微观的空间尺度上的街面接触型犯罪研究。微信热力图是具有高时空分辨率和高人口覆盖度,能动态地反映人流量热度的程序。因此,本文以经济发达的ZG市的XT街道为例,结合日常活动理论,并基于微信热力图数据代表的周遭人口表征的“潜在受害者”因素,首先定性地描述和识别街面接触型犯罪的时空分布特征,然后划分不同时段分析街道街面接触型犯罪的影响因素。研究发现：① 街面接触型犯罪案件存在时空的集聚性,街道街面接触型犯罪在晚上（18:00—23:59）是高发期,在白天（07:00—17:59）是低发期,在22:00—22:59数量达到最大值,主要聚集在城中村区域,且不同时期的影响因素存在一定的差异;② 微信人口数量在所有时期均对街面接触型犯罪存在显著的正向影响,其代表的周遭人口能很好地表征日常活动理论中的“潜在受害者”因素,且在凌晨—清晨（00:00—06:59）对街面接触型犯罪的影响最大;③ 不同场所对街面接触型犯罪的影响存在时间上的差异,餐饮点在晚上对街面接触型犯罪存在显著的正向影响,KTV、健身房和公交站点分别对应在凌晨—清晨、白天与晚上对街面接触型犯罪有显著的正向影响,而休闲会所在凌晨、清晨、晚上均有显著的影响,与最近巡逻驻点的距离仅在晚上时期显著影响街面接触型犯罪。本文的研究结论可为警方采用微信热力图来分析街面接触型犯罪和经济发达地区警方部署提供参考依据。

机器学习是当前犯罪热点预测的主流方法,随机森林算法因需要的数据量较小、有较好的预测能力和预测精确度、且有较高的可理解度,更是被广泛应用,代表地理环境和建成环境的多源数据也被广泛用于模型改进的尝试实践中,但这些实践都只考虑研究区整体的预测精度变化情况,并未区分不同区域犯罪热点预测结果的差异及其原因。因此,本文以公共场所侵财犯罪为例,根据历史犯罪分布情况及过往犯罪热点分布规律,将研究区分为稳定高发热点网格、较高发热点网格、偶发热点网格及非热点网格这4类,并依据社会失序理论、日常活动理论和犯罪模式理论,选取城中村范围、路网密度及POI（餐饮、娱乐、商场3类设施）密度这3个具有代表性的协变量加入到随机森林预测模型中,探讨预测结果精度的变化情况。根据2017年26个双周的犯罪热点预测实验的预测结果,得到以下结论：加入协变量后,研究区整体、稳定高发热点网格及较高发热点网格的预测精度都有不同程度的提高,分区模型的精度显著高于整体模型的精度,说明考虑空间分异对提高模型精度起重要作用。